(1)Python所有方向的学习路线(新版)
这是我花了几天的时间去把Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
最近我才对这些路线做了一下新的更新,知识体系更全面了。
(2)Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频,总共100多个,虽然没有那么全面,但是对于入门来说是没问题的,学完这些之后,你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
(3)100多个练手项目
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了,只是里面的项目比较多,水平也是参差不齐,大家可以挑自己能做的项目去练练。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
1️⃣作业要求 |
---|
将下图左右两种不同类型的纹理区域分开,方法输出结果是一幅与该图像等大小的二值图像,左边为0,右边为1,或者相反,灰色边框线在设计的方法中不作考虑,自行去除。
2️⃣实现源码 |
---|
import matplotlib.image as mpimg
import matplotlib.pyplot as plt
import numpy as np
from cv2 import cv2
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVR
from skimage import feature as skft
from PIL import Image,ImageDraw,ImageFont
class Texture():
#n\_point选取中心像素周围的像素点的个数
#radius选取的区域的半径
def \_\_init\_\_(self):
self.radius = 1
self.n_point = self.radius \* 8
#加载灰度图片
def loadPicture(self):
train_index = 0
test_index = 0
train_data = np.zeros((10, 171, 171))
test_data = np.zeros((8, 171, 171))
train_label = np.zeros(10)
test_label = np.zeros(8)
for i in np.arange(2):
image = mpimg.imread('dataset1/'+str(i)+'.tiff')
data = np.zeros((513, 513))
data[0:image.shape[0], 0:image.shape[1]] = image
index = 0
#图片分成9块,5块训练4块预测
for row in np.arange(3):
for col in np.arange(3):
if index < 5:
train_data[train_index, :, :] = data[171\*row:171\*(row+1),171\*col:171\*(col+1)]
train_label[train_index] = i
train_index += 1
else:
test_data[test_index, :, :] = data[171\*row:171\*(row+1),171\*col:171\*(col+1)]
test_label[test_index] = i
test_index += 1
index += 1
return train_data, test_data, train_label, test_label
#纹理检测
def texture\_detect(self):
train_data, test_data, train_label, test_label = self.loadPicture()
n_point = self.n_point
radius = self.radius
train_hist = np.zeros((10, 256))
test_hist = np.zeros((8, 256))
#LBP特征提取
for i in np.arange(10):
# 使用LBP方法提取图像的纹理特征.
lbp=skft.local_binary_pattern(train_data[i], n_point, radius, 'default')
# 统计图像的直方图
max_bins = int(lbp.max() + 1)
# hist size:256
train_hist[i], _ = np.histogram(lbp, normed=True, bins=max_bins, range=(0, max_bins))
for i in np.arange(8):
lbp = skft.local_binary_pattern(test_data[i], n_point, radius, 'default')
max_bins = int(lbp.max() + 1)
# hist size:256
test_hist[i], _ = np.histogram(lbp, normed=True, bins=max_bins, range=(0, max_bins))
return train_hist, test_hist
#训练分类器 SVM支持向量机分类
def classifer(self):
train_data, test_data, train_label, test_label = self.loadPicture()
train_hist, test_hist = self.texture_detect()
#构建SVM支持向量机
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)
model= OneVsRestClassifier(svr_rbf, -1)
model.fit(train_hist, train_label)
image=cv2.imread('dataset1/image.png',cv2.IMREAD_GRAYSCALE)
image=cv2.resize(image,(588,294))
img_ku=skft.local_binary_pattern(image,8,1,'default')
thresh=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)
#对图像进行识别分类
img_data=np.zeros((1,98,98))
data=np.zeros((294,588))
data[0:image.shape[0],0:image.shape[1]]=image
img = Image.open('texture.png')
draw = ImageDraw.Draw(img)
### 最后
> **🍅 硬核资料**:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
> **🍅 技术互助**:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
> **🍅 面试题库**:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
> **🍅 知识体系**:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化学习资料的朋友,可以戳这里获取](https://bbs.csdn.net/forums/4304bb5a486d4c3ab8389e65ecb71ac0)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**