numpy图像应用案例

最新推荐文章于 2023-03-24 00:15:00 发布
最新推荐文章于 2023-03-24 00:15:00 发布
阅读量745 收藏 5
点赞数 1
分类专栏： python科学计算库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35868127/article/details/103681234
版权

Numpy应用案例

注：使用numpy库来对图像进行处理。这里我们使用matplotlib.pyplot的相关方法来辅助。

import numpy as np
import matplotlib.pyplot as plt

图像读取与显示

  • plt.imread：读取图像，返回图像的数组。
  • plt.imshow：显示图像。
  • plt.imsave：保存图像。

说明：

  • imread方法默认只能处理png格式的图像，如果需要处理其他格式的图像，需要安装pillow库。
# 读取图像，返回图像的数组
a = plt.imread("1.png")
print(type(a))
print(a.shape)
a

<class 'numpy.ndarray'>
(360, 920, 3)





array([[[0.36862746, 0.6156863 , 0.827451  ],
        [0.35686275, 0.6039216 , 0.8156863 ],
        [0.35686275, 0.6039216 , 0.8156863 ],
        ...,
        [0.00784314, 0.00392157, 0.02745098],
        [0.00784314, 0.00392157, 0.02745098],
        [0.01176471, 0.00784314, 0.03137255]],

       [[0.36862746, 0.6156863 , 0.827451  ],
        [0.35686275, 0.6039216 , 0.8156863 ],
        [0.35686275, 0.6039216 , 0.8156863 ],
        ...,
        [0.00784314, 0.00392157, 0.02745098],
        [0.00784314, 0.00392157, 0.02745098],
        [0.01176471, 0.00784314, 0.03137255]],

       [[0.36862746, 0.6156863 , 0.8235294 ],
        [0.35686275, 0.6039216 , 0.8117647 ],
        [0.35686275, 0.6039216 , 0.8117647 ],
        ...,
        [0.00784314, 0.00392157, 0.02745098],
        [0.01176471, 0.00784314, 0.03137255],
        [0.01176471, 0.00784314, 0.03137255]],

       ...,

       [[0.14117648, 0.34901962, 0.56078434],
        [0.14117648, 0.34901962, 0.56078434],
        [0.13725491, 0.34509805, 0.5568628 ],
        ...,
        [0.00392157, 0.00392157, 0.00392157],
        [0.00392157, 0.00392157, 0.00392157],
        [0.00392157, 0.00392157, 0.00392157]],

       [[0.14509805, 0.3529412 , 0.5647059 ],
        [0.14117648, 0.34901962, 0.56078434],
        [0.13725491, 0.34509805, 0.5568628 ],
        ...,
        [0.00392157, 0.00392157, 0.00392157],
        [0.00392157, 0.00392157, 0.00392157],
        [0.00392157, 0.00392157, 0.00392157]],

       [[0.14509805, 0.3529412 , 0.5647059 ],
        [0.14117648, 0.34901962, 0.56078434],
        [0.13725491, 0.34509805, 0.5568628 ],
        ...,
        [0.00392157, 0.00392157, 0.00392157],
        [0.00392157, 0.00392157, 0.00392157],
        [0.00392157, 0.00392157, 0.00392157]]], dtype=float32)

# 显示图像
plt.imshow(a)

<matplotlib.image.AxesImage at 0x1596120b2b0>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-i3Mr5eCq-1577161964516)(output_4_1.png)]

# 保存图片
plt.imsave("1_1.png",a)

显示纯色图像

  • 显示白色图像
  • 显示黑色图像
  • 显示指定颜色图像
# 图像可以有两种表示方式。一种是使用无符号的np.uint8，取值为0~255。一种是使用float类型表示，取值为0.0~1.0。
# 其中，float值的0.0对应整数类型的0，float类型的1.0对应整数类型的255。
# int8  (-2**7到2**7-1)   uint(0-2**8-1)  无符号的不用表示符号位，所以多出一位
x = np.ones(shape=(100, 100, 3))  # 数组元素全为1.0 对应 255
# 显示纯白色图像
plt.imshow(x)

<matplotlib.image.AxesImage at 0x15961668860>

在这里插入图片描述

# 显示纯黑色图像
x = np.zeros((100, 100, 3)) 
plt.imshow(x)

<matplotlib.image.AxesImage at 0x159616c36a0>

在这里插入图片描述

# 使用整数unint8类型来显示。
x = np.full(shape=(100, 100, 3), fill_value=255, dtype=np.uint8)
plt.imshow(x)

<matplotlib.image.AxesImage at 0x1596171d518>

在这里插入图片描述

# 显示纯色（228， 238， 249）
x = np.full(shape=(100, 100, 3), fill_value=1, dtype=np.uint8)
# 注意，修改数组x最低维的元素，不能这样操作。
# 因为这样做没有修改x的元素，而是令x解绑，去绑定了新的对象。
# x = [228, 238, 249]
# x[:] = [228, 238, 249]  会进行广播操作等价于 x[:,:] = [228, 238, 249]
x[:,:] = [228, 238, 249]
print(x)
plt.imshow(x)

[[[228 238 249]
  [228 238 249]
  [228 238 249]
  ...
  [228 238 249]
  [228 238 249]
  [228 238 249]]

 [[228 238 249]
  [228 238 249]
  [228 238 249]
  ...
  [228 238 249]
  [228 238 249]
  [228 238 249]]

 [[228 238 249]
  [228 238 249]
  [228 238 249]
  ...
  [228 238 249]
  [228 238 249]
  [228 238 249]]

 ...

 [[228 238 249]
  [228 238 249]
  [228 238 249]
  ...
  [228 238 249]
  [228 238 249]
  [228 238 249]]

 [[228 238 249]
  [228 238 249]
  [228 238 249]
  ...
  [228 238 249]
  [228 238 249]
  [228 238 249]]

 [[228 238 249]
  [228 238 249]
  [228 238 249]
  ...
  [228 238 249]
  [228 238 249]
  [228 238 249]]]





<matplotlib.image.AxesImage at 0x1596176deb8>

在这里插入图片描述

转换为灰度图

灰度图的数据可以看成是二维数组，元素取值为0 ~ 255，其中，0为黑色，255为白色。从0到255逐渐由暗色变为亮色。
灰度图转换（ITU-R 601-2亮度变换）：
L = R * 299 / 1000 + G * 587 / 1000 + B * 114 / 1000
R,G,B为最低维的数据。
显示灰度图时，需要在imshow中使用参数：
cmap="gray"

# 原图
plt.imshow(a)

<matplotlib.image.AxesImage at 0x159617beef0>

在这里插入图片描述

x = np.dot(a, [0.299, 0.587, 0.114])
print(a.shape)
print(x.shape)
print("-"*60)
print(x)
plt.imshow(x, cmap="gray")

(360, 920, 3)
(360, 920)
------------------------------------------------------------
[[0.56595688 0.55419217 0.55419217 ... 0.00777647 0.00777647 0.01169804]
 [0.56595688 0.55419217 0.55419217 ... 0.00777647 0.00777647 0.01169804]
 [0.56550982 0.55374512 0.55374512 ... 0.00777647 0.01169804 0.01169804]
 ...
 [0.3110157  0.3110157  0.30709413 ... 0.00392157 0.00392157 0.00392157]
 [0.31493726 0.3110157  0.30709413 ... 0.00392157 0.00392157 0.00392157]
 [0.31493726 0.3110157  0.30709413 ... 0.00392157 0.00392157 0.00392157]]





<matplotlib.image.AxesImage at 0x15961bf77f0>

在这里插入图片描述

灰度图（2）

以上转换为标准的公式，我们也可以采用不正规的方式：

  • 使用最大值代替整个最低维
  • 使用最小值代替整个最低维
  • 使用平均值代替整个最低维
# 原图
plt.imshow(a)

<matplotlib.image.AxesImage at 0x15961edc2b0>


# 使用最大值代替每个像素点（最低维）
x = np.max(a, axis=2)
print(x)
plt.imshow(x)

[[0.827451   0.8156863  0.8156863  ... 0.02745098 0.02745098 0.03137255]
 [0.827451   0.8156863  0.8156863  ... 0.02745098 0.02745098 0.03137255]
 [0.8235294  0.8117647  0.8117647  ... 0.02745098 0.03137255 0.03137255]
 ...
 [0.56078434 0.56078434 0.5568628  ... 0.00392157 0.00392157 0.00392157]
 [0.5647059  0.56078434 0.5568628  ... 0.00392157 0.00392157 0.00392157]
 [0.5647059  0.56078434 0.5568628  ... 0.00392157 0.00392157 0.00392157]]





<matplotlib.image.AxesImage at 0x1596230a6a0>

在这里插入图片描述

# 使用最小值代替每个像素点（最低维）
x = np.min(a, axis=2)
print(x)
plt.imshow(x)

[[0.36862746 0.35686275 0.35686275 ... 0.00392157 0.00392157 0.00784314]
 [0.36862746 0.35686275 0.35686275 ... 0.00392157 0.00392157 0.00784314]
 [0.36862746 0.35686275 0.35686275 ... 0.00392157 0.00784314 0.00784314]
 ...
 [0.14117648 0.14117648 0.13725491 ... 0.00392157 0.00392157 0.00392157]
 [0.14509805 0.14117648 0.13725491 ... 0.00392157 0.00392157 0.00392157]
 [0.14509805 0.14117648 0.13725491 ... 0.00392157 0.00392157 0.00392157]]





<matplotlib.image.AxesImage at 0x159625fa8d0>

在这里插入图片描述

# 使用平均值代替每个像素点（最低维）
x = np.mean(a, axis=2)
print(x)
plt.imshow(x)

[[0.6039216  0.5921569  0.5921569  ... 0.0130719  0.0130719  0.01699346]
 [0.6039216  0.5921569  0.5921569  ... 0.0130719  0.0130719  0.01699346]
 [0.6026144  0.5908497  0.5908497  ... 0.0130719  0.01699346 0.01699346]
 ...
 [0.3503268  0.3503268  0.34640527 ... 0.00392157 0.00392157 0.00392157]
 [0.35424837 0.3503268  0.34640527 ... 0.00392157 0.00392157 0.00392157]
 [0.35424837 0.3503268  0.34640527 ... 0.00392157 0.00392157 0.00392157]]





<matplotlib.image.AxesImage at 0x1596279aa90>

在这里插入图片描述

# 放在一起进行展示
fig, ax = plt.subplots(2, 2)
fig.set_size_inches(20, 10)
ax[0,0].imshow(np.dot(a, [0.299, 0.587, 0.114]), cmap="gray")
ax[0,1].imshow(np.max(a, axis=2), cmap="gray")
ax[1,0].imshow(np.min(a, axis=2), cmap="gray")
ax[1,1].imshow(np.mean(a, axis=2), cmap="gray")
plt.tight_layout()

在这里插入图片描述

图像颜色通道

对于彩色图像，可以认为是由RGB三个通道构成的。每个最低维就是一个通道。分别提取R，G，B三个通道，并显示单通道的图像。

# 原图
plt.imshow(a)

<matplotlib.image.AxesImage at 0x15962fa3470>

在这里插入图片描述

x = a.copy()
# 拿出红色通道
x[:,:,1:3] = 0
print(x)
plt.imshow(x)

[[[0.36862746 0.         0.        ]
  [0.35686275 0.         0.        ]
  [0.35686275 0.         0.        ]
  ...
  [0.00784314 0.         0.        ]
  [0.00784314 0.         0.        ]
  [0.01176471 0.         0.        ]]

 [[0.36862746 0.         0.        ]
  [0.35686275 0.         0.        ]
  [0.35686275 0.         0.        ]
  ...
  [0.00784314 0.         0.        ]
  [0.00784314 0.         0.        ]
  [0.01176471 0.         0.        ]]

 [[0.36862746 0.         0.        ]
  [0.35686275 0.         0.        ]
  [0.35686275 0.         0.        ]
  ...
  [0.00784314 0.         0.        ]
  [0.01176471 0.         0.        ]
  [0.01176471 0.         0.        ]]

 ...

 [[0.14117648 0.         0.        ]
  [0.14117648 0.         0.        ]
  [0.13725491 0.         0.        ]
  ...
  [0.00392157 0.         0.        ]
  [0.00392157 0.         0.        ]
  [0.00392157 0.         0.        ]]

 [[0.14509805 0.         0.        ]
  [0.14117648 0.         0.        ]
  [0.13725491 0.         0.        ]
  ...
  [0.00392157 0.         0.        ]
  [0.00392157 0.         0.        ]
  [0.00392157 0.         0.        ]]

 [[0.14509805 0.         0.        ]
  [0.14117648 0.         0.        ]
  [0.13725491 0.         0.        ]
  ...
  [0.00392157 0.         0.        ]
  [0.00392157 0.         0.        ]
  [0.00392157 0.         0.        ]]]





<matplotlib.image.AxesImage at 0x15962ff39e8>

在这里插入图片描述

x = a.copy()
# 拿出绿色通道
# 数组索引
x[:,:,[0,2]] = 0     # x[:,:,::20] = 0   切片索引
print(x)
plt.imshow(x)

[[[0.         0.6156863  0.        ]
  [0.         0.6039216  0.        ]
  [0.         0.6039216  0.        ]
  ...
  [0.         0.00392157 0.        ]
  [0.         0.00392157 0.        ]
  [0.         0.00784314 0.        ]]

 [[0.         0.6156863  0.        ]
  [0.         0.6039216  0.        ]
  [0.         0.6039216  0.        ]
  ...
  [0.         0.00392157 0.        ]
  [0.         0.00392157 0.        ]
  [0.         0.00784314 0.        ]]

 [[0.         0.6156863  0.        ]
  [0.         0.6039216  0.        ]
  [0.         0.6039216  0.        ]
  ...
  [0.         0.00392157 0.        ]
  [0.         0.00784314 0.        ]
  [0.         0.00784314 0.        ]]

 ...

 [[0.         0.34901962 0.        ]
  [0.         0.34901962 0.        ]
  [0.         0.34509805 0.        ]
  ...
  [0.         0.00392157 0.        ]
  [0.         0.00392157 0.        ]
  [0.         0.00392157 0.        ]]

 [[0.         0.3529412  0.        ]
  [0.         0.34901962 0.        ]
  [0.         0.34509805 0.        ]
  ...
  [0.         0.00392157 0.        ]
  [0.         0.00392157 0.        ]
  [0.         0.00392157 0.        ]]

 [[0.         0.3529412  0.        ]
  [0.         0.34901962 0.        ]
  [0.         0.34509805 0.        ]
  ...
  [0.         0.00392157 0.        ]
  [0.         0.00392157 0.        ]
  [0.         0.00392157 0.        ]]]





<matplotlib.image.AxesImage at 0x159627f2c50>

在这里插入图片描述

x = a.copy()
# 拿出蓝色通道
x[:,:,[0,1]] = 0
print(x)
plt.imshow(x)

[[[0.         0.         0.827451  ]
  [0.         0.         0.8156863 ]
  [0.         0.         0.8156863 ]
  ...
  [0.         0.         0.02745098]
  [0.         0.         0.02745098]
  [0.         0.         0.03137255]]

 [[0.         0.         0.827451  ]
  [0.         0.         0.8156863 ]
  [0.         0.         0.8156863 ]
  ...
  [0.         0.         0.02745098]
  [0.         0.         0.02745098]
  [0.         0.         0.03137255]]

 [[0.         0.         0.8235294 ]
  [0.         0.         0.8117647 ]
  [0.         0.         0.8117647 ]
  ...
  [0.         0.         0.02745098]
  [0.         0.         0.03137255]
  [0.         0.         0.03137255]]

 ...

 [[0.         0.         0.56078434]
  [0.         0.         0.56078434]
  [0.         0.         0.5568628 ]
  ...
  [0.         0.         0.00392157]
  [0.         0.         0.00392157]
  [0.         0.         0.00392157]]

 [[0.         0.         0.5647059 ]
  [0.         0.         0.56078434]
  [0.         0.         0.5568628 ]
  ...
  [0.         0.         0.00392157]
  [0.         0.         0.00392157]
  [0.         0.         0.00392157]]

 [[0.         0.         0.5647059 ]
  [0.         0.         0.56078434]
  [0.         0.         0.5568628 ]
  ...
  [0.         0.         0.00392157]
  [0.         0.         0.00392157]
  [0.         0.         0.00392157]]]





<matplotlib.image.AxesImage at 0x15962840e10>

在这里插入图片描述

red = a.copy()
green = a.copy()
blue = a.copy()
red[:, :, [1,2]] = 0
green[:, :, [0, 2]] = 0
blue[:, :, [0,1]] = 0
# 放在一起进行展示
fig, ax = plt.subplots(2, 2)
fig.set_size_inches(20, 10)
ax[0, 0].imshow(a)
ax[0, 1].imshow(red)
ax[1, 0].imshow(green)
ax[1, 1].imshow(blue)
plt.tight_layout()

在这里插入图片描述

图像重复

  • 将图像沿着水平方向重复三次。
  • 将图像沿着垂直方向重复两次。
  • 将图像沿着水平方向重复两次，垂直重复三次。
# 图像重复，只需要让数组的元素重复就可以。
# 数组的元素重复，可以使用数组拼接来实现。
# 将图像水平重复三次。
t = np.concatenate((a, a, a), axis=1)
plt.imshow(t)

<matplotlib.image.AxesImage at 0x15963a63898>

在这里插入图片描述

# 将图像垂直重复两次。
t = np.concatenate((a, a), axis=0)
plt.imshow(t)

<matplotlib.image.AxesImage at 0x15963ab3588>

在这里插入图片描述

# 将图像水平重复两次，垂直重复三次。
t = np.concatenate((a, a), axis=1)
t = np.concatenate((t, t, t), axis=0)
plt.imshow(t)

<matplotlib.image.AxesImage at 0x15963b0bd68>

在这里插入图片描述

图像镜面对称

  • 将图像水平镜面转换。
  • 将图像垂直镜面转换。
# 原图
plt.imshow(a)

<matplotlib.image.AxesImage at 0x15963b6d400>

在这里插入图片描述

# 垂直镜面，水平对称。只需要将数组的行保持不变，列进行颠倒即可。
plt.imshow(a[:,::-1,:])

<matplotlib.image.AxesImage at 0x1596762c748>

在这里插入图片描述

# 水平镜面，垂直对称。只需要将数组的列保持不变，行进行颠倒即可。
plt.imshow(a[::-1])

<matplotlib.image.AxesImage at 0x15962f41b38>

在这里插入图片描述

左右旋转

  • 将图像向左旋转90 / 180度。
  • 将图像向右旋转90 / 180度。
# 原图
plt.imshow(a)

<matplotlib.image.AxesImage at 0x1596308a278>

在这里插入图片描述

# 将图像向左旋转90度。可以将图像进行转置，然后进行垂直方向的颠倒。
# 注意，转置不能直接使用T属性，也不能直接使用无参的transpose。
# 1.将高与宽两个维度进行交换（转置）
t = a.swapaxes(0, 1)
plt.imshow(t)

<matplotlib.image.AxesImage at 0x1596766b2e8>

在这里插入图片描述

# 2.进行垂直方向的颠倒（对称）
t = t[::-1]
plt.imshow(t)

<matplotlib.image.AxesImage at 0x159629abac8>

在这里插入图片描述

# 将图像向右旋转90度。可以将图像进行转置，然后进行水平方向的颠倒。
# 转置
t = a.swapaxes(0, 1)
# 进行水平方向的颠倒
t = t[:, ::-1]
plt.imshow(t)

<matplotlib.image.AxesImage at 0x159676994a8>

在这里插入图片描述

# 将图像旋转180度(左旋转与右旋转效果相同)。可以将图像分别进行一次水平颠倒与垂直颠倒。
# 1.进行垂直颠倒
t = a[::-1]
plt.imshow(t)

<matplotlib.image.AxesImage at 0x15962da4b00>

在这里插入图片描述

# 2.进行水平颠倒
t = t[:, ::-1]
plt.imshow(t)

<matplotlib.image.AxesImage at 0x15962df5f28>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9198tvWM-1577161964528)(output_40_1.png)]

颜色转换

在图像中，用绿色值代替以前的红色值，用蓝色值代替以前的绿色值，用红色值代替以前的蓝色值。

t = a.copy()
plt.imshow(t[:, :, [1,2,0]])

<matplotlib.image.AxesImage at 0x15962e4f0f0>

在这里插入图片描述

颜色遮挡 / 叠加

  • 在指定的区域使用特定的纯色去遮挡图像。
  • 在指定的区域使用随机生成的图像去遮挡图像。
  • 使用小图像放在大图像上。
# 原图
plt.imshow(a)

<matplotlib.image.AxesImage at 0x15962e9d2e8>

在这里插入图片描述

t = a.copy()
t[200:300, 400:500] = [0, 255, 0]
plt.imshow(t)

Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).





<matplotlib.image.AxesImage at 0x159630ba668>

在这里插入图片描述

# 随机生成一个图像
k1 = np.random.randint(low=0, high=256, size=(200, 200, 3), dtype=np.uint8)
plt.imshow(k1)

<matplotlib.image.AxesImage at 0x1596310e860>

在这里插入图片描述

# 用随机生成的图片覆盖
t = a.copy()
t[100:300, 200:400] = k1
plt.imshow(t)

Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).





<matplotlib.image.AxesImage at 0x159631658d0>

在这里插入图片描述

t = a.copy()
k2 = t[0:200, 300:500]
t[100:300, 300:500] = k2
plt.imshow(t)

<matplotlib.image.AxesImage at 0x159631b4d68>

在这里插入图片描述

图像分块乱序

将图像分成若干块子图像（例如10 * 10），然后打乱各子图像顺序（拼图）。

# 原图
plt.imshow(a)

<matplotlib.image.AxesImage at 0x15963607978>

在这里插入图片描述

# 将图像的两部分进行组合。
t = a.copy()
t = np.concatenate((t[0:100], t[200:300]), axis=0)
plt.imshow(t)

<matplotlib.image.AxesImage at 0x15963655fd0>

在这里插入图片描述

# 分块操作。
# 1.切分图像，切成成若干块。【对数组数据进行切分】
# 2.洗牌，对数组数据打乱顺序
# 3.合并，将无序的数组合并在一起。

# 对数组数据进行切分。
print(a.shape)
t = a.copy()
high = a.shape[0]
li = np.split(t,range(30, high, 30),axis=0)
# 打乱数组元素的顺序。
np.random.shuffle(li)
# 合并乱序后的数组。
t = np.concatenate(li, axis=0)
plt.imshow(t)

(360, 920, 3)





<matplotlib.image.AxesImage at 0x159638c4e10>

在这里插入图片描述

# 在列的方向上再进行一次切分，组合。
width = a.shape[1]
li = np.split(t, range(30, width, 30), axis=1)
np.random.shuffle(li)
t = np.concatenate(li, axis=1)
plt.imshow(t)

<matplotlib.image.AxesImage at 0x159636b7da0>

在这里插入图片描述

程序员不会修电脑
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Numpy的使用(超详细，有代码示例)
12-22
Numpy的使用：一、创建ndarray数组二、指定ndarray数组元素的类型三、ndarray运算：四、ndarray数组的基本索引和切片：五、ndarray数组的布尔索引和花式索引六、ndarray数组的转置和轴对换七、ndarray通用函数7.1一元ufunc：7.2二元ufunc：7.3NumPy的where函数使用:八、ndarray常用的统计方法九、ndarray数组的去重以及集合运算十、numpy中的线性代数十一、numpy中的随机数生成十二、ndarray数组重塑十三、ndarray数组的拆分与合并十四、数组的元素重复操作参考文档： 一个在Python中做科学计算的基础库，重
Python--numpy 应用案例
m0_69073685的博客
07-13 1718
1. 需要分析的文件 2. 读取文件 3. 分析数据 3.1 平均值、最大值、最小值 3.2 数据占比统计 3.3 数据数量统计 4. 总代码
day3 Numpy应用案例（1）
Hubert的博客
08-02 876
Numpy应用案例 注：使用numpy库来对图像进行处理。这里我们使用matplotlib.pyplot的相关方法来辅助。 对于彩色图像，可以认为是由RGB三个通道构成的。每个最低维就是一个通道。分别提取R（红色），G（绿色），B（蓝色）三个通道，并显示单通道的图像。 1、图像读取与显示 plt.imread：读取图像，返回图像的数组。 plt.imshow：显示图像。 plt.imsave：保存图像。 说明： imread方法默认只能处理png格式的图像，如果需要处理其他格式的图像，需要安装pill
【Numpy入门实例：图像的手绘效果】
m0_47743127的博客
03-19 4870
Numpy入门实例：图像的手绘效果 在观看博客正文前，读者首先需要具备简单的Python知识和一些Numpy库的基本操作。下面请跟随笔者的脚步走进本次的实例教程——图像的手绘风格绘制！
numpy的简单使用案例
改变ing
09-04 7324
目录 print(help(numpy.genfromtxt)) 帮助文档    numpy 的  数据类型 ndarray 4个元素    2行3 列 数据类型   # 切片  这里冒号代表了所有行， 获取的是第三列 判断向量中是否包含 10   判断矩阵中是否包含25  布尔类型可以当成索引在 numpy中使用，返回真实值 矩阵    # ：冒号代表所有，这里指的是所有列  ...
计算机视觉实战系列03——用Python做图像处理
03-01
【导读】专知成员Hui上一次为大家介绍Matplotlib的使用，包括绘图，绘制点和线，以及图像的轮廓和直方图，这一次为大家详细讲解Numpy工具包中的各种工具，并且会举实例说明如何应用。Numpy是非常有名的python科学...
人工智能基础与应用-人工智能人脸识别-人工智能机器也认识你-人工智能案例照片智能搜索.pdf
02-27
案例1 照片 智能搜索 授课人： 目录 目录 01 提出问题 02 预备知识 任务2——利用训练好的模型来辨识照片 03 04 05 任务1——训练目标人脸识别模型 解决方案 PART 01 PART 01 提出问题 随时人民生活水平的提高和手机...
deep-learning-cv:“深度学习在计算机视觉中的应用”课程材料
05-18
欢迎 ！ 此回购包含于2018年3月3日至4月28日在国立成功大学举行的``在计算机视觉中应用深度学习''课程的材料。 由于Google的慷慨大方...经典卷积神经网络架构及其他应用Keras简介CNN案例研究CNN用于物体检测和图像分割
智能停车场车牌识别计费系统298(项目源码下载)-Python项目开发案例集锦15
最新发布
07-25
Python智能停车场项目是指使用Python编程语言开发的一个应用，旨在通过技术手段提升停车场管理和用户体验。该项目涵盖了多个方面，包括车辆识别、停车位管理、支付系统等。 以下是Python智能停车场项目的一些常见...
关于numpy的部分案例
sosososj的博客
12-13 522
import pandas as pd import numpy as np obj1=np.arange(16).reshape(4,4) # print(obj1) a=np.array([[2,3,4],[5,6,7]]) # print(a[0][1]) # print(a[0,1]) b=np.empty([3,4]) # print(b) import numpy as np
Python中numpy模块常见用法demo实例小结
09-19
主要介绍了Python中numpy模块常见用法,结合实例形式总结分析了numpy常见的运算操作技巧与注意事项,需要的朋友可以参考下
python实战应用讲解-【numpy专题篇】numpy应用案例（一）（附python示例代码）
getusushu的博客
03-24 1592
最初在代码中，我们导入了所有需要的框架、包、库和模块，我们将利用它们来构建网络应用。我们还提供了一个下拉菜单，让用户选择制作水彩素描/制作铅笔素描，然后根据他们的选择，我们渲染结果。原始图像和应用滤镜后的图像都是并排呈现的，这样用户就可以比较这两张图像的结果。如果反馈给机器学习模型的数据没有得到很好的组织，它就会给出错误的或不想要的输出。原始数据是没有用的。用户可以进一步下载转换后的图片，在此之前，让我们了解一些我们将在本文中使用的定义。所以在这里，我们，作为一个数据科学家，我们可以帮助我们的朋友奥蒂斯。
numpy案例应用练习
weixin_42213622的博客
02-27 3471
需求1: 获取所有男生的身高, 求平均值;获取所有女生的身高, 求平均值;并绘制柱状图显示 import numpy as np from pyecharts import Bar fname = &amp;amp;quot;doc/eg6-a-student-data.txt&amp;amp;quot; dtype = np.dtype([('gender', '|S1'), ('height', 'f2')]) data = np.loadt...
100 个Numpy实用案例
weixin_43373042的博客
05-29 6502
????点击关注｜设为星标｜干货速递????Numpy是Python做数据分析所必须要掌握的基础库之一，以下题是github上的开源项目，主要为了检测你的Numpy能力，同时对你的学习作为一个补充。1. 导入numpy库并取别名为np (★☆☆)(提示: import … as …)importnumpyasnp2. 打印输出numpy的版本和配置信息 (★☆☆)(提示: np...
python 之 numpy 模块详细讲解及其应用案例
热门推荐
江月的博客
03-02 1万+
python numpy 模块详细讲解及应用案例 博文简介 该博文总共介绍3个常用的numpy方法（array，linspace，arange），同时每个方法都会有一个应用举例，通过应用举例来更好地理解和使用这些方法 当然numpy还有一些数学上的操作方法，这个就是最熟悉的: sin(), cos(), log(),tan(),exp(),arctan(),arcsin(),arccos(),cot()等等 大家懂得数学就一定会那些方法了，故在这里就不做介绍了 一、安装numpy windows 系统：
numpy库的使用案例-如何创建以及数组的运算
qq_41571224的博客
03-20 1162
numpy库1.创建数组（矩阵）指定创建的数组的数据类型修改数组的数据类型修改浮点型的小数位数2.数组的形状查看数组的形状shape修改数组的形状reshape将三行三列的数组修改为一行一列将一维数组修改为2个三行四列的矩阵reshape(2,3,4)将多维数组展开成一维数组也可以用flatten多维数组的计算（矩阵运算）矩阵减矩阵 科学计算的基础库，重在数值计算，多用在大型、多维数组上执行的数值计算。numpy的数据结构->ndarray 多维数组 1.创建数组（矩阵） import numpy a
python 基于numpy数组的简单图像处理
侯小啾技术博客
03-26 2306
文章目录使用PIL库进行灰度处理将其旋转180度使用matplotlib库完成灰度处理 python 基于numpy数组的简单图像处理 如图，以该猫咪图片为例（忽略水印）。将该文件命名为cat.jpg，并对其展开以下操作。 使用PIL库进行灰度处理 from PIL import Image import numpy as np # 读取图像，并转化为数组 im = np.array(Image.open("cat.jpg")) # 灰度处理公式 gray_narry = np.array([0.2
Python之numpy模块基础知识及其简单应用案例
江月的博客
03-15 1万+
Python之numpy模块基础知识及应用案例 文章目录Python之numpy模块基础知识及应用案例一、安装numpy二、numpy简介三、如何使用该模块1、数组(Arrays)2、数组的切片 一、安装numpy pip install numpy （我记得不太清这个是Python内置的还是外加的，但是反正安装一下肯定不会出错的。） 二、numpy简介 Numpy是Python中科学计算的核心库。它提供了一个高性能的多维数组对象，以及用于处理这些数组的工具。 三、如何使用该模块 1、数组(Arrays)
numpy的实例：图像的手绘效果（3）
weixin_41999529的博客
04-27 938
1、图像的数组表示 PIL库 PIL，PythonImageLibrary PIL库是一个具有强大图像处理能力的第三方库 在命令行下的安装方法：pipinstallpillow fromPIL importImage Image是PIL库中代表一个图像的类（对象） 图像是一个由像素组成的二维矩阵，每个元素是一个RGB值：RGB值: (R, G, B) 2、 图像处理代码； ...
opencv图片转卡通图像案例
07-09
下面是一个使用OpenCV将图片转换为卡通图像的简单示例案例： ```python import cv2 import numpy as np def cartoonize_image(image): # 转换为灰度图像 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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