Python计算机视觉——方法总结

刚开始看书的时候感觉书里面使用的方法，自己多看几次就能记住了，不过，看了一些之后，发现可能有的时候看到后面，想一句句读的时候发现忘记了这个方法是干嘛的了，不管是啥方法，先记录一下吧。

打开图片的方法在PIL的Image里:
Image.open()————打开图片
Image.save()————保存图片

创建缩略图
pil_im.thumbnail((128,128))————创建边长为128的缩略图

复制，粘贴图像(注：图像的左上角坐标为(0,0))
box = (10,10,300,300)————四元数组的坐标依次是(左，上，右，下)
region = pil_im.crop(box)————剪裁指定区域
region = region.transpose(Image.ROTATE_180)————旋转180度
pil_im.paste(region,box)————粘贴到指定区域

调整尺寸和旋转
out = pil_im.resize((128,128))————直接调整图片大小
out = pil_im.rotate(45)————将图片按照逆时针旋转角度

axis ———— 坐标轴 0-行 1-列

绘制图像，点和线的方法在Matplotlib里面
这里举几个例：
plot(x,y) 默认为蓝色实线
plot(x,y,‘r*’) 红色星状
plot(x,y,‘go–’) 绿色圆圈虚线
plot(x,y,‘ks:’) 黑色方块点线

图像灰度化 convert(‘L’) 例:im = array(Image.open(“test.jpg”).convert(‘L’))
创建新图像 figure()
新图像的灰度化 gray()
将任意数组按照优先准则转成一维数组 im.flattern() im可以是array，也可以是mat，但不能是list
绘制直方图 hist(im.flattern(),128) 直方图绘制只接受一维数组作为输入。

图像数组表示：
位于坐标i,j,以及颜色通道k的像素值可以通过以下方式访问：
value = im[i,j,k]

多个数组元素可以使用数组切片方式访问。切片方式返回的是以指定间隔下标访问该数组的元素值。下面是灰度图像的一些例子：
im[i,:] = im[j,:] # 将第j行的数值赋值给第i行
im[:,i] = 100 # 将第i列的所有数值都设为100
im[:100,:50].sum() # 计算前100行，前50列所有数值的和
im[50:100,50:100] # 50_100行，50100列(不包括第100行和第100列)
im[i].mean() # 第i行所有数值的平均值
im[:,-1] # 最后一列
im[-2,:]or(im[-2]) # 倒数第二行

interp 线性插值，可以理解为平滑图像

numpy
———— eigh 返回矩阵或对称矩阵的特征值和特征向量。
———— dot 返回点积
———— svd 奇异值分解 (作用：求伪逆(求解线性最小平方，最小二乘的问题)，平行奇异值，矩阵近似值(PCA)) __PCA作用：把数据集映射到低维空间中去。数据集的特征值按照重要性排序，降维过程就是舍弃不重要的特征向量的过程。
———— roll 循环位移
———— norm 该函数可以衡量两个数组间的差异
———— hstack(a,b) 水平组合 a = ([0,1][1,2]) b = ([0,2],[2,4]) hstack ->[[0,1,0,2][1,2,2,4]]
———— np.concatenate((a,b),axis=1) 水平组合 同hstack()
———— vstack(a,b) 垂直组合 vstack ->([0,1],[1,2],[0,2],[2,4])
———— np.concatenate((a,b),axis=0) 垂直组合 同vstack()
———— np.dstack((a,b)) 深度组合 dstack() -> ([0,0],[1,2],[1,2],[2,4])
———— column_stack() 列组合 多列 二维时同hstack()
———— row_stack() 行组合 多行 二维时同vstack()
———— diag 构建对角矩阵 a = [1,2,3] -> diag(a) -> ([1,0,0],[0,2,0],[0,0,3])
———— lstsq 返回线性矩阵方程的最小二乘解
———— inv() 计算矩阵的(乘法)逆
———— linalg.qr() 计算矩阵的QR分解。把矩阵A作为QR。Q是正交的，R是上三角形
———— linalg.det() 矩阵求行列式(标量)
———— linalg.norm() 计算范数，默认为2 (x1^2 + x2^2 + ··· + xn²⁾0.5
———— cumsum() 元素累加 ----累积分布函数
———— diag() 如果函数是一维，则组成以一维数组为对角元素的矩阵，如果是二维，则输出对角线元素
———— exp() 返回x的指数 e^x

pickle.dump() 接收所有Python对象，并将其转换成字符串表示(保存)

pickle.load() 载入数据

scipy ———— argsort() 按值排序

matplotlib.delaunay 狄洛克三角剖分

ndimage.affine_transform 应用仿射变换

meshgrid(x_count,y_count) 生成二维网格

geometric_transform() 指定能够描述像素到像素间映射的函数

RANSC "RANdom SAmple Consensus"随机一致性采样 ： 用来找到正确模型来拟合带有噪声数据的迭代方法。

homography matrix 单应性矩阵 在计算机视觉中，平面的单应性被定义为一个平面到另外一个平面的投影映射

PyGame PyOpenGL（这部分可用于增强现时）
glMatrix() ———— 将工作矩阵设置为GL_PROJECTION
glLoadIdentity() ———— 将工作矩阵设置为单位矩阵
gluPerspective() ———— 设置投影矩阵，将整个图像定义为视图部分
glLoadMatrix() ———— 一个选项来定义一个完全的投影矩阵

矩阵的旋转：
其实这里我很想写的像个矩阵一样，不过这里的排版真的让我无力吐槽了，也就写成一排能好看些。

绕x轴的主动旋转定义为：
R(x)(degree) = [[1,0,0],[0,cos(degree),-sin(degree)],[0,sin(degree),cos(degree)]]

绕y轴的主动旋转定义为：
R(x)(degree) = [[cos(degree),0,sin(degree)],[0,1,0],[-sin(degree),0,cos(degree)]]

z轴的主动旋转定义为：
R(x)(degree) = [[cos(degree),-sin(degree),0],[sin(degree),cos(degree),0],[0,0,1]]

多维直方图 histogramdd()

map() ———— 将数组转化成列表
list() ———— 对角一个元素都会进行转换