大家好,今天是21天python打卡的第20天。今天我们重点通过案例图像的手绘效果,学习python中numpy库的相关知识,通过自己所学的知识进行拓展,使用try语句实现对异常结果的处理,其次,我们分享了如何批量安装python的第三方库文件,最后,我们通过案例体育竞技分析,学习了random的相关知识,相信大家每天学习一点知识,总有一天会变得越来越厉害。
活动地址:CSDN21天学习挑战赛
学习的最大理由是想摆脱平庸,早一天就多一份人生的精彩;迟一天就多一天平庸的困扰。
目录
图像的手绘效果
概念与原理
我们都知道手绘图效果的特征主要有:
黑白灰色
边界线条较重
相同或相近色彩趋于白色
略有光源效果
核心原理:
利用像素之间的梯度值和虚拟深度值对图像进行重构,根据灰度变化来模拟人类视觉的模拟程度。
把图像看成二维离散函数,灰度梯度其实就是这个二维离散函数的求导,用差分代替微分,求取图像的灰度梯度。常用的一些灰度梯度模板有:Roberts 梯度、Sobel 梯度、Prewitt 梯度、Laplacian 梯度。
以Sobel 梯度计算来解释:
梯度方向及图像灰度增大的方向,其中梯度方向的梯度夹角大于平坦区域的梯度夹角。如下图所示,灰度值增加的方向梯度夹角大,此时梯度夹角大的方向为梯度方向。对应在图像中寻找某一点的梯度方向即通过计算该点与其8邻域点的梯度角,梯度角最大即为梯度方向。
图像的数组形式与变换
其中,需要用到的方法:
Image.open( ): 打开图片
np.array( ) : 将图像转化为数组
convert("L"): 将图片转换成二维灰度图片
Image.fromarray( ): 将数组还原成图像uint8格式
实现思路步骤:
1、梯度的重构
numpy的梯度函数np.gradient(a) : 计算数组a中元素的梯度,f为多维时,返回每个维度的梯度。
离散梯度: xy坐标轴连续三个x轴坐标对应的y轴值:a, b, c 其中b的梯度是(c-a)/2,而c的梯度是: (c-b)/1。
当为二维数组时,np.gradient(a) 得出两个数组,第一个数组对应最外层维度的梯度,第二个数组对应第二层维度的梯度。
代码如下:
grad=np.gradient(a)
grad_x,grad_y=grad
grad_x = grad_x * depth / 100.#对grad_x值进行归一化
grad_y = grad_y * depth / 100.#对grad_y值进行归一化
2、构造guan光源效果
设计一个位于图像斜上方的虚拟光源,光源相对于图像的视角为Elevation,方位角为Azimuth,建立光源对各点梯度值的影响函数,运算出各点的新像素值:
其中:
np.cos(evc.el) : 单位光线在地平面上的投射长度。
dx、dy、dz :光源对xyz三方向的影响程度。
3、梯度归一化
构造x和y轴梯度的三维归一化单位坐标系;
梯度与光源相互作用,将梯度转化为灰度。
4、图像生成
im2 = Image.fromarray(a2.astype('uint8')) #重构图像
im2.save('fcityHandDraw.jpg')
实验相关库
【numpy库介绍】
numpy的全称是Numerical Python,是Python的一个扩展程序库,它不仅针对数组运算提供了大量的函数库,而且它还能够支持维度数组与矩阵运算。重要的是,numpy内部解除了CPython中的全局解释器锁(GIL),运行效率非常好,是处理大量数组类结构和机器学习框架的基础库!
【numpy库安装】
一般使用pip install numpy进行安装,对于进行机器学习和大数据分析的小朋友,强烈推荐安装Anaconda,其中含有大量的机器学习和数据相关的Python模块,安装成功后即可使用了,不用浪费时间了。
安装成功后,我们在Python编译器中进行测试,使用import numpy,如果不报错,说明我们的numpy安装无误了。
【numpy库基本使用】
Numpy中定义的最重要使用最频繁的对象就是ndarray的N维数组类型。
它描述相同类型(dtype)的元素集合,可以使用基于零的索引访问集合中的项目,它的类似Python中的列表索引。我们学习numpy库,首先得学习ndarray对象。
ndarray的创建方式如下:
numpy.array(object, dtype =None, copy =True, order =None, subok =False, ndmin =0)
各参数解释如下:
【object】:数组或嵌套的数列
【dtype】:数组元素的数据类型,可选
【copy 】:对象能否复制,可选
【order】:创建数组的样式,C为行方向,F为列方向,A为任意方向,默认为A
【subok】:默认返回一个与基类类型一致的数组
【ndmin】:指定生成数组的最小维度
代码如下
from PIL import Image
import numpy as np
vec_el = np.pi/2.2 # 光源的俯视角度,弧度值
vec_az = np.pi/4. # 光源的方位角度,弧度值
depth = 10. # (0-100)
im = Image.open('fcity.jpg').convert('L')
a = np.asarray(im).astype('float')
grad = np.gradient(a) #取图像灰度的梯度值
grad_x, grad_y = grad #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
dx = np.cos(vec_el)np.cos(vec_az) #光源对x 轴的影响
dy = np.cos(vec_el)np.sin(vec_az) #光源对y 轴的影响
dz = np.sin(vec_el) #光源对z 轴的影响
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化
a2 = a2.clip(0,255)
im2 = Image.fromarray(a2.astype('uint8')) #重构图像
im2.save('fcityHandDraw.jpg')
我们导入一个图片试试看什么效果。
实验结果
运行程序后
拓展程序
我们可以运用我们之前学习的异常处理方法加入到现有的程序。
代码如下
from PIL import Image
import numpy as np
try:
vec_el = np.pi/2.2 # 光源的俯视角度,弧度值
vec_az = np.pi/4. # 光源的方位角度,弧度值
depth = 10. # (0-100)
im = Image.open('fcity.jpg').convert('L')
a = np.asarray(im).astype('float')
grad = np.gradient(a) #取图像灰度的梯度值
grad_x, grad_y = grad #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
dx = np.cos(vec_el)np.cos(vec_az) #光源对x 轴的影响
dy = np.cos(vec_el)np.sin(vec_az) #光源对y 轴的影响
dz = np.sin(vec_el) #光源对z 轴的影响
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化
a2 = a2.clip(0,255)
im2 = Image.fromarray(a2.astype('uint8')) #重构图像
im2.save('fcityHandDraw.jpg')
print("输出图像手绘成功")
except:
print("文件名错误")
这样就把我们之前学到的异常处理的例子学以致用了。
我们来运行一下吧。
实验结果
实验前:
实验后
我们看到我们这个程序对文件名用严格的要求,如果文件名有误,程序就无法运行,就会报错。我们接下来用错误的文件名试一下,看看会输出什么。
第三方库批量安装程序
大家经常在运行python文件时,经常报错,缺少第三方库文件,我们一个一个安装十分麻烦,我们就编写了一个可以批量安装第三方库文件的程序。大家也可以在如下程序中libs中添加自己想要的库文件。
代码实现
import os
libs = {"numpy","matplotlib","pillow","sklearn","requests",\
"jieba","beautifulsoup4","wheel","networkx","sympy",\
"pyinstaller","django","flask","werobot","pyqt5",\
"pandas","pyopengl","pypdf2","docopt","pygame"}
try:
for lib in libs:
os.system("pip install "+lib)
print("Successful")
except:
print("Failed Somehow")
体育竞技分析
一.random简介
random库是用于产生并运用随机数的标准库。Python中的主要使用是让其掌握在程序中运用随机数的能力。
random常见随机函数有9个:seed()、random()、randint()、getrandbits()、randrange()、uniform()、choice()、shuffle()、sample().
二、各函数使用方法
- random.seed(a)作用:设置初始化随机数种子a
参数:
a:随机数种子,可以是整数或浮点数
用random库产生随机数不一定要设置随机数种子,如果不设置,则random库默认以系统时间产生当作随机数种子。设置种子的好处是可以重复再现相同的随机数序列
作用:设置初始化随机数种子a
- random.random()作用:生成一个[0.0,1.0)之间的随机小数参数:无
- random.randint(a,b)作用:生成一个[a,b]之间的随机整数
参数:
a:随机区间的开始值,整数
b:随机区间的结束值,随机数包含结束值整数
- random.getrandbits(k)作用:生成一个k比特长度的随机整数
参数:
k:长度的整数值
- random.randrange(start,stop[,step])作用:生成一个[start,stop)之间以step为步数的随机整数参数:start:随机区间的开始值,整数stop:随机区间的结束值,随机数包含结束值,整数step:随机区间的步长值,整数。步长值可选,如果不设定步长,默认步长为1
- random.uniform(a,b)作用:生成一个[a,b]之间的随机小数
参数:
a:随机区间的开始值,整数或浮点数
b:随机区间的结束值,随机数包含结束值,整数或浮点数
- random.choice(seq)作用:从序列类型(例如列表)seq中随机返回一个元素
参数:
seq:序列类型,例如列表类型
- random.shuffle(seq)作用:从序列类型seq中元素随机排列,返回打乱后的序列
参数:
seq:序列类型,例如列表类型
调用该函数后,序列类型变量seq将被改变
- random.sample(pop,k)作用:从pop类型中随机选取k个元素,以列表类型返回。
参数:
pop:序列类型,例如列表类型
k:选取的个数,整数
代码实现
from random import random
def printIntro():
print("这个程序模拟两个选手A和B的某种竞技比赛")
print("程序运行需要A和B的能力值(以0到1之间的小数表示)")
def getInputs():
a = eval(input("请输入选手A的能力值(0-1): "))
b = eval(input("请输入选手B的能力值(0-1): "))
n = eval(input("模拟比赛的场次: "))
return a, b, n
def simNGames(n, probA, probB):
winsA, winsB = 0, 0
for i in range(n):
scoreA, scoreB = simOneGame(probA, probB)
if scoreA > scoreB:
winsA += 1
else:
winsB += 1
return winsA, winsB
def gameOver(a,b):
return a==15 or b==15
def simOneGame(probA, probB):
scoreA, scoreB = 0, 0
serving = "A"
while not gameOver(scoreA, scoreB):
if serving == "A":
if random() < probA:
scoreA += 1
else:
serving="B"
else:
if random() < probB:
scoreB += 1
else:
serving="A"
return scoreA, scoreB
def printSummary(winsA, winsB):
n = winsA + winsB
print("竞技分析开始,共模拟{}场比赛".format(n))
print("选手A获胜{}场比赛,占比{:0.1%}".format(winsA, winsA/n))
print("选手B获胜{}场比赛,占比{:0.1%}".format(winsB, winsB/n))
def main():
printIntro()
probA, probB, n = getInputs()
winsA, winsB = simNGames(n, probA, probB)
printSummary(winsA, winsB)
main()
实验结果
今天就讲到这里,下一篇我们继续分享python的案例。