先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新Python全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Python知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024c (备注Python)
正文
img_channel_view[img_channel_view .> 0.7] .= 0.9
imshow(img)
这将导致背景颜色发生变化:
将数字数组转换为色彩
为了可视化,需要将数字数组转换为颜色。这是通过colorview功能实现的。使用下面的代码以生成一个随机的三维数组并将其转换为RGB图像:
using Images, ImageView
random_img_array = rand(3, 8, 8); # channel, height, width
img = colorview(RGB, random_img_array);
imshow(img)
重要的是要注意,通道维度在第一位,然后是高度,最后是宽度。例如,如果通道维不是第一个,而是最后一个,则应使用permuteddimsview或permutedims函数将它们按正确的顺序放置:
using Images, ImageView
random_img_array = rand(40, 100, 3); # height, width, channel
img_perm = permuteddimsview(random_img_array, (3, 1, 2))
img = colorview(RGB, Float16.(img_perm))
imshow(img)
完成相同功能的另一种实现方法如下:
using Images, ImageView
random_img_array = rand(40, 100, 3); # height, width, channel
img_perm = permutedims(random_img_array, [3, 1, 2])
img = colorview(RGB, img_perm)
imshow(img)
两种方法的区别在于分配内存的时刻。第一个选项在Float16时分配内存,第二个选项在permutedims时分配。
学习了如何将颜色转换为多维通道,现在,将学习如何在RGB配色方案中更改特定通道的内容,以模拟照片应用程序中的滤镜。
首先加载图像,然后执行以下步骤:
- 将图像转换为channelview,并将通道设置为最后一个维度:
using Images, ImageView
img = load(“pictures/custom_image_name.jpg”);
img_ch_view = channelview(img); # extract channels
img_ch_view = permuteddimsview(img_ch_view, (2, 3, 1));
reorder channels
- 将现有图像分为两部分,并对第二部分应用滤镜:
x_coords = Int(size(img, 2) / 2):size(img, 2);
- 首先将第一个通道的饱和度增加10%,并将其限制为最大值1。这是通过将现有通道值乘以1.1与min函数相结合来完成的。还请记住,第一个通道对应于红色:
img_ch_view[:, x_coords, 1] = min.(img_ch_view[:, x_coords, 1] .* 1.1, 1);
imshow(img)
- 通过将其饱和度增加20%来更新第二个通道。第二层对应于绿色:
img_ch_view[:, x_coords, 2] = min.(img_ch_view[:, x_coords, 2] .* 1.2, 1);
imshow(img)
- 更改与蓝色相对应的第三个通道,并将其强度增加40%:
img_ch_view[:, x_coords, 3] = min.(img_ch_view[:, x_coords, 3] .* 1.4, 1);
imshow(img)
色阶是从0.0
到1.0
,其他值不被接受。
此处并没有分配内存,而是使用视图来更新原始图像的内容。
计算机视觉中最受欢迎的活动之一是转换为图像并使用其灰度版本。在Julia中,这是通过使用Gray函数来实现的:
using Images
img = load(“pictures/custom_image_name.jpg”);
img_gray = Gray.(img)
imshow(img_gray)
灰度图像广泛用于经典计算机视觉中,用于诸如特征检测,形态学等任务。使用灰度图像的好处是它们以一个单一的维度表示,因此可以快速进行处理和分析。
与RGB图像的三维尺寸相比,Gray返回的尺寸为单个尺寸。使用以下命令将一个通道的灰度图像转换为一个三通道的灰度RGB图像:
img_gray_rgb = RGB.(Gray.(img))
创建一个颜色飞溅滤镜效果。通过使用表示将要保留的颜色的点或区域来实现颜色飞溅滤镜效果。
从加载图像开始:
using Images, ImageView
load an image and create a grayscale copy
img = load(“pictures/custom_image_name.jpg”);
img_gray = RGB.(Gray.(img))
要点如下:
-
创建图像的灰度副本,并将其用作最终结果的基础
-
结合使用Gray和RGB来获得图像的灰度版本的三通道表示
使用channelview函数在三个通道中表示图像对象。更改维度顺序并将通道尺寸放在最后:
get channels representation
img_channel_view = channelview(img);
img_gray_channel_view = channelview(img_gray);
make channel dimension last and crop the required are
img_arr = permuteddimsview(img_channel_view, (2, 3, 1));
img_gray_arr = permuteddimsview(img_gray_channel_view, (2, 3, 1));
使用遮罩来跟踪要保留的像素和颜色。最初,将其设置为保留所有像素:
create a mask with all values being true
img_mask = fill(true, size(img));
在继续更新遮罩之前,需要在原始图像中定义一个点区域。使用该区域提取要保留的颜色。可以将值更改为任何大小,只要它适合原始区域并进行预览即可:
spot are with colors to retain
img_spot_height = 430:460
img_spot_width = 430:460
preview color area (optional)
imshow(img[img_spot_height, img_spot_width])
下一部分将执行以下操作:
-
在for循环中遍历图像的三个通道,并分别处理每个通道
-
通过通道裁剪感兴趣的区域
-
确定该区域的最小和最大颜色
-
通过检查通道颜色值是否在最小/最大范围内来创建通道蒙版
在图像和通道蒙版上应用逻辑AND操作
上述操作的代码如下:
for channel_id = 1:3
select current channel and crop areas of interest
current_channel = view(img_arr, :, :, channel_id)
current_channel_area = current_channel[img_spot_height,img_spot_width, :]
identify min and max values in a cropped area
channel_min = minimum(current_channel_area)
channel_max = maximum(current_channel_area)
merge existing mask with a channel specific mask
channel_mask = channel_min .< current_channel .< channel_max
img_mask = img_mask .& channel_mask
end
最后一步是应用img_mask并使用灰度合并源图像:
img_masked = img_arr .* img_mask .+ img_gray_arr .* .~(img_mask);
final_image = colorview(RGB, permutedims(img_masked, (3, 1, 2)))
imshow(final_image)
在某些时候,可能需要为图像添加边框。 ImageFiltering包扩展了padarray函数,并允许以其他方式添加填充。
填充恒定值
在图像周围添加一个具有25像素大小的边框。这是通过组合padarray和Fill函数来完成的:
using Images, ImageView
pad_vertical = 25
pad_horizontal = 25
pad_color = RGB4{N0f8}(0.5,0.5,0.) # border color
img = load(“pictures/custom_image_name.jpg”);
img = padarray(img, Fill(pad_color, (pad_vertical, pad_horizontal)))
img = parent(img) # reset indices to start from 1
imshow(img)
通过复制图像内容进行填充
使用图像的内容来创建边框。julia有四种在边框增加时可以使用的类型(样式):
| 类型 | 描述 | 示例 |
| — | — | — |
| :replicate | 边界像素扩展出图像边界 | UUUU-UVWXYZ-ZZZZ |
| :circular | 边框像素环绕 | WXYZ-UVWXYZ-UVWX |
| :symmetric | 边界像素相对于像素之间的位置进行反向传播 | YXWV-UVWXYZ-YXWV |
| :reflect | 边界像素相对于边缘本身反向填充 | XWVU-UVWXYZ-ZYXW |
例如,使用:reflect将复制边框像素:
using Images, ImageView
pad_vertical = 25
pad_horizontal = 25
img = load(“pictures/custom_image_name.jpg”);
最后
Python崛起并且风靡,因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低,但它的晋级路线很多,通过它你能进入机器学习、数据挖掘、大数据,CS等更加高级的领域。Python可以做网络应用,可以做科学计算,数据分析,可以做网络爬虫,可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多,你需要学好基础,再选择明确的方向。这里给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
👉Python所有方向的学习路线👈
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
👉Python必备开发工具👈
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
👉Python全套学习视频👈
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
👉实战案例👈
学python就与学数学一样,是不能只看书不做题的,直接看步骤和答案会让人误以为自己全都掌握了,但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码,教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
手写代码,教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)
[外链图片转存中…(img-kUKh4gHO-1713232313487)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!