qq_45279570的博客

产生Syntax error: “(” unexpected 的原因bash and dashBash是许多Linux平台的内定Shell，除bash外，还有许多传统UNIX上用的Shell，像tcsh、csh、ash、bsh、ksh等等。GNU/Linux 操作系统中的 /bin/sh 本是 bash的符号链接，但鉴于 bash 过于复杂，有人把 bash 从 NetBSD 移植到 Linux 并更名为 dash 并将 /bin/sh 指向它，以获得更快的脚本执行速度。Dash Shell 比 B

参考博客1参考博客2one hot 编码形式和定义one hot 编码，其为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效。这些特征值并不是连续的，而是离散的，无序的。通常我们需要对其进行特征数字化。特征数字化性别特征：[“男”,“女”]按照N位状态寄存器来对N个状态进行编码的原理，咱们处理后应该是这样的（这里只有两个特征，所以N=2）：男 → 10 女 → 01国家特征：[“中国”，"美国，“法国”]（N=3）

参考博客1参考博客2函数作用将不同的类别进行编码函数的使用使用LabelEncoder()对数据集编码weather = ['sunny','windy','cloudy','rainy','sunny']en = sklearn.prepocessing.LabelEncoder()en = en.fit(['sunny','windy','cloudy','rainy'])weather = en.transform(weather)# weather = [2 3 0 1 2]

函数作用cv::HoughLinesP()和CV::HoughLines()：检测直线cv::HoughCircles()：检测圆函数原型void HoughLinesP(InputArray image, // 源图像，需为8位的单通道二进制图像 OutputArray lines, // 每一条线由具有四个元素的矢量(x_1,y_1, x_2, y_2） double rho, // double类型的rho， 以像素为单位的距离精度一般为1 double

函数作用boundingRect()得到包覆此轮廓的最小正矩形。minAreaRect()得到包覆轮廓的最小斜矩形。minEnclosingCircle()得到包覆此轮廓的最小圆形。函数原型Rect boundingRect(InputArray points)RotatedRect minAreaRect(InputArray points)void minEnclosingCircle(InputArray points, Point2f& center,

函数作用计算轮廓区域面积函数原型double contourArea(InputArray contour, bool oriented = false)// oriented方向：默认为false，表示取面积的绝对值// oriented = true:面积值会按照contour顺逆时针的不同出现正值或者负值...

函数作用检测轮廓函数原型findContours( InputOutputArray image, // 输入图像，一般为二值图或者经过Canny()等处理过的图像 OutputArrayOfArrays contours, // 轮廓集合，类型为：vector<vector<Point>> OutputArray hierarchy, // 继承关系，类型为：vector<Vec4i>

函数作用Laplacian卷积函数。函数原型void Laplacian(InputArray src, OuntputArray dst, int ddpth // 输出矩阵数据类型 int ksize=1,// 拉普拉斯核类型 double scale=1,// 比例系数 double delta=0,// 平移系数 int borderType=BORDER_DEFAULT // 边界扩充

Laplacian原理Laplacian卷积核或者：还有其他一些形式：

Canny边缘检测步骤图像I分别与Sobel_x和Sobel_y做卷积，利用平方和开方求得到边缘强度。计算梯度方向对每个位置进行非极大值抑制处理。再对结果进行双阈值的滞后阈值处理。函数原型void Canny(InputArray img, OutputArray edges, double threshhold1, double threshold2, int apertureSize=3, bool L2

Scharr算子Scharr算子的优缺点与Prewiit算子相比，对灰度变化较为敏感。卷积核不可分离

Sobel算子和可分离性利用n=2时高斯卷积算子展开式的系数可作为非归一化的高斯平滑算子，把Prewitt算子中的非归一化均值平滑算子替换，即得到Sobel算子。

垂直水平方向垂直水平方向的Prewitt算子是可分离的卷积核。45°、135°方向

Roberts算子对图像噪声具有较高的敏感性。有两种形式：加粗部分为锚点位置。当需要反映45°、135°对角线方向变化率：反映垂直和水平方向边缘：

函数作用图像的积分。函数原型void integral( InputArray src, OutputArray sum, int sdepth = -1 );/* src.size() -> (H,W) sum.size() -> (H+1,W+1) 该函数会在src的上和左边补零，为了方便使用。*/

顶帽变换(Top-hat)Top-hat定义为图像减去开运算结果开运算可以消除暗背景下的较亮区域，用原图减去开运算结果就可以得到原图中灰度较亮的区域，又称为白顶帽变换。还可以校正不均匀光照。底帽变换闭运算减去原图像闭运算可以删除亮度较高背景下的较暗区域，则再减去原图像就可以得到原图中灰度较暗的区域，又称为黑底帽变换。函数原型开运算、闭运算、白顶帽运算、黑底帽运算 结构元：getStructuringElement(shape,kSize[,anchor]) shape:

开运算操作先腐蚀后膨胀的过程称为开运算。开运算操作可以消除暗背景下的较亮区域。闭运算操作先膨胀后腐蚀的过程称为闭运算。闭运算可以消除亮背景下的较暗区域函数原型 结构元：getStructuringElement(shape,kSize[,anchor]) shape: MORPH_RECT:矩形结构元 MORPH_ELLIPSEM:椭圆形结构元 MORPH_CROSS:十字型结构元morphologyEx(src,op,element[,dst[,anchor[,iterati

膨胀操作膨胀是取每一个位置领域内的最大值。如此，输出图像的总体亮度要大于输入图像，图像中较亮物体的尺寸增大，较暗物体的尺寸会变小。函数原型结构元：getStructuringElement(shape,kSize[,anchor]) shape: MORPH_RECT:矩形结构元 MORPH_ELLIPSEM:椭圆形结构元 MORPH_CROSS:十字型结构元dilate(src,element[,dst[,anchor[,iterations[,bord

腐蚀操作腐蚀是取每一个位置的领域内的最小值作为该位置的输出灰度值。函数原型// 结构元：getStructuringElement(shape,kSize[,anchor])// shape:// MORPH_RECT:矩形结构元// MORPH_ELLIPSEM:椭圆形结构元// MORPH_CROSS:十字型结构元erode(src,element[,dst[,anchor[,iterations[,bordertype[,borderValue]]]]])//

函数说明void cv::converScaleAbs(src,dst,double alpha = 1, double beta = 0)// dst = saturate_cast<CV_8UC>(src * alpha + beta)实例arr = np.array([123,12])arr = cv.convertScaleAbs(arr,arr,3.0)print(arr) # => [[255],[36]]'''cv.convertScaleAbs(arr,