缩放图片文件,打印GPS信息到照片上

# -*- coding: cp936 -*-
#WriteTo:yilong594@hotmail.com
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import Image,ImageDraw
import os
import ImageFont
if not os.path.exists('.\\resize'):os.mkdir('.\\resize')
bakp="resize"
def resizepic( pathname , bakpath , rate ):
    'resize picture!'
    idx = pathname.rfind( '\\' )
    filename = pathname[idx+1:len(pathname)]
    print filename
    fileurl = bakpath + '\\' + filename
    try:
 #打开原始图片
     im = Image.open( pathname )
     outim = im.resize( ( int(im.size[0]*rate), int(im.size[1]*rate ) ))
     outim.save( fileurl , "JPEG" )
    except IOError:
       print 'Could not create new picture:' , pathname
        
count = 0
thefile = open('result.txt', 'rb')
while True:
    buffer = thefile.read(8192*1024)
    if not buffer:
        break
    count += buffer.count('\n')
thefile.close( )
print count
f=open('result.txt')
row=[]
for line in f.readlines():
       columnline=line.split()
       column=[]
       for field in columnline:
              column.append(field)
       row.append(column)
f.close()
for b in range(0,count):
      resizepic(row[b][0],bakp,0.4)
      lastchar=u'°'
      try:
          float(row[b][2])
      except:
          lastchar=u''
      row[b][2]=row[b][2].replace('\'', u'\u2032')
      row[b][3]=row[b][3].replace('\'', u'\u2032')
      row[b][2]=row[b][2].replace('\"', u'\u2033')
      row[b][3]=row[b][3].replace('\"', u'\u2033')
      s1=u'\u7eac\u5ea6:'
      s2=u'\u7ecf\u5ea6:'
      s3=u'\u6d77\u62d4:'  
      L1=s1+str(row[b][2])+lastchar
      L2=s2+str(row[b][3])+lastchar
      L3=s3+str(row[b][1])+'m'
      im=Image.open(bakp+"\\"+row[b][0])
      fntsize=im.size[0]/20
      fontlocate=(max(len(L1),len(L2),len(L3))-3)+3*2
      fnt=ImageFont.truetype('simsun.ttc',fntsize)
      draw=ImageDraw.Draw(im)
      height1=10
      height2=height1+fntsize
      height3=height1+fntsize*2
      fntlc=im.size[0]-int(fntsize*fontlocate*0.53)
      draw.text((fntlc,height1),L1,font=fnt,fill='#ff0000')
      draw.text((fntlc,height2),L2,font=fnt,fill='#ff0000')
      draw.text((fntlc,height3),L3,font=fnt,fill='#ff0000')
      im.save(bakp+"\\"+os.path.splitext(row[b][0])[0]+'.jpg')
 
 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值