openCV和Tensorflow起步

最新推荐文章于 2024-09-06 09:23:56 发布

ctrigger

最新推荐文章于 2024-09-06 09:23:56 发布

阅读量2.2k

点赞数 1

1.配置开发环境Anaconda

(1)打开Anaconda Prompt，将网址替换为清华镜像，这样下载各种依赖会快一些：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

(2)打开Anaconda Navigator，创建一个运行环境，名称为tensorflow36，并安装tensorflow和opencv

2.Hello World

(1)在Navigator中Home页面里运行notebook

(2)图片的读取与展示

cv2.imread()用于图片读取，它接受2个参数。参数1为文件名，参数2为图片读取类型，0为读取成灰度图，1为读取成彩色图
cv2.imshow()用于显示图片，它接受2个参数。参数1为窗体名称，参数2为读取图片的原始数据
cv2.waitKey(0)用于程序暂停，要显示图片必须运行这行代码

import cv2
img = cv2.imread('image0.jpg',1)
cv2.imshow('image',img)
cv2.waitKey(0)

运行结果

(3)图片的写入

cv2.imwrite()该方法接受3个参数。参数1为文件名，参数2为图片原始数据，参数三为压缩质量，不同的图片格式拥有不同的数值范围，对于jpg来说可选质量0-100，对于png来说压缩范围为0-9

import cv2
img = cv2.imread('image0.jpg',1)
#完成图片的写入功能
cv2.imwrite('image1.jpg',img,[cv2.IMWRITE_JPEG_QUALITY,50])
cv2.imwrite('image1.png',img,[cv2.IMWRITE_PNG_COMPRESSION,0])
#jpg 0 压缩比高 png 0 压缩比低
#jpg 压缩范围 0-100 png 压缩范围 0-9

运行结果

(4)像素操作基本概念

颜色深度：按8bit举例，就是用8位存储一个颜色的值，8bit的每个颜色通道的取值范围是0-255
图片大小：640x480即水平、竖直方向上有640、480个像素；640x480x3即图片占用的空间（8bit图片)
图片格式：对于png图片来说，它采用的都是无损压缩方式，比jpg多出一个alpha颜色通道，用来存储透明度
颜色通道：opencv读取的图片颜色通道是按bgr来排列的(b,g,r) = img[0,0]用元组来存储一个像素的颜色

(b,g,r) = img[100,100] #img[]是一个矩阵结构，读取出的数据以元组储存，左上角为起点
print(b,g,r) #openCV读取颜色为bgr
for i in range(1,100):
    for j in range(1,100):
        img[100+i,100+j] = (255,0,0)
cv2.imshow('image2',img)
cv2.waitKey(0)

运行结果

(5)tensorflow基础知识

使用图 (graph) 来表示计算任务
在被称之为会话 (Session) 的上下文 (context) 中执行图
使用张量(tensor) 表示数据
通过变量 (Variable) 维护状态
使用 feed 和 fetch 可以为任意的操作赋值或者从其中获取数据

在Tensorflow计算图(graph)中，操作间传递的数据都是 tensor。可以把 TensorFlow中tensor 看作是一个 n 维的数组或列表。一个 tensor 包含一个静态类型 rank，和一个 shape。
图中的节点被称之为 op (operation)。一个 op 获得 0 个或多个 Tensor，执行计算, 产生 0 个或多个 Tensor。每个 Tensor 是一个类型化的多维数组。例如，你可以将一小组图像集表示为一个四维浮点数数组 [batch, height, width, channels]。
一个图描述了计算的过程。为了进行计算，图必须在会话里被启动。会话将图的 op 分发到诸如 CPU 或 GPU 之类的设备上，同时提供执行 op 的方法。这些方法执行后，将产生的 tensor 返回。

import tensorflow as tf
data1 = tf.constant(2,dtype=tf.int32) #定义常量
data2 = tf.Variable(10,name='var') #变量
print(data1)#直接打印的为张量
print(data2)
sess = tf.Session() #tensorflow中所有的操作要通过会话变量来进行
print(sess.run(data1))
init = tf.global_variables_initializer() #如果在图中定义了变量一定要调用init为变量初始化
sess.run(init)
print(sess.run(data2))
sess.close()
#使用with方式可以不用关闭会话
'''
init = tf.global_variables_initializer()
sess = tf.Session()
with sess:
    sess.run(init)
    print(sess.run(data2))
'''

运行结果

(6)Tensorflow四则运算

tf.add()加法 tf.substract()减法 tf.multiply()乘法 tf.divide()除法

import tensorflow as tf
data1 = tf.constant(6)
data2 = tf.Variable(2)
dataAdd = tf.add(data1,data2)
dataCopy = tf.assign(data2,dataAdd)#将结果拷贝到data2中
dataMul = tf.multiply(data1,data2)
dataSub = tf.subtract(data1,data2)
dataDiv = tf.divide(data1,data2)
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(dataAdd))
    print(sess.run(dataMul))
    print(sess.run(dataSub))
    print(sess.run(dataDiv))
    print(sess.run(dataCopy))
    print(dataCopy.eval())
    print(tf.get_default_session().run(dataCopy))
print('end')

运行结果

使用占位符方式

import tensorflow as tf
data1 = tf.placeholder(tf.float32)
data2 = tf.placeholder(tf.float32)
dataAdd = tf.add(data1,data2)
with tf.Session() as sess:
    print(sess.run(dataAdd,feed_dict={data1:2,data2:6}))
print('end')

(7)tensorflow矩阵

通过[ [data1,data2,... ] ]创建，最外层的[ ]只代表一个数组，里面的[ ]代表一行，内层的数据个数代表了几列，例如[[1,2],[3,4]]代表一个2*2的矩阵

import tensorflow as tf
data1 = tf.constant([[6,6]])#创建一个1x2的矩阵
data2 = tf.constant([[2],[2]])#创建一个2x1的矩阵
data3 = tf.constant([[1,2],[3,4],[5,6]])#3x2矩阵
print(data3.shape)
with tf.Session() as sess:
    print(sess.run(data3))
    print(sess.run(data3[0]))#打印第一行
    print(sess.run(data3[:,0]))#打印第一列
    print(sess.run(data3[0,1]))#第一行第二列