php旋转90度保存图片,求图片处理软件,需要将图片中的所有文字都顺时针旋转90度...

[Python] 纯文本查看 复制代码import os

import numpy as np

import cv2.cv2 as cv

# 列数(imgcol只的是切分的点数 所以要加一)

col = 10

row = 17

imgcol = col + 1

# 行数

imgrow = row + 1

# 是不是整齐

isEquels = False

# 二值化处理

def thresh_binary(img):

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

blur = cv.GaussianBlur(gray, (9, 9), 0)

# OTSU's binaryzation

(ret3, th3) = cv.threshold(blur, 50, 255, cv.THRESH_OTSU)

kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))

opening = cv.morphologyEx(th3, cv.MORPH_OPEN, kernel)

# 看看有几个非零像素

# cv.namedWindow("Image",0)

# cv.imshow("Image", opening)

return opening

# sum the black pixel numbers in each cols

def hist_col(img):

list = []

row, col = img.shape

for i in range(col):

list.append((img[:, i] < 200).sum())

return list

# 纵向切图的坐标

def cut_col(img, l):

minlist = []

np_list = np.array(l)

row, col = img.shape

avg = int(col / (imgcol + 1))

if (cv.countNonZero(img) < col * row / 2): # 黑底子白字

a = max(l)

i = 20

while i < col - 1:

if np_list[i] > a - 10 and np_list[i] <= np_list[i:i + 5].min():

x = 0

y = 1

while i + x < col - 10 and np_list[i + x] >= a - 10:

x += 3

while np_list[i - y] >= a - 10:

y += 1

minlist.append(i + x / 2 - y / 2)

i += avg

i += 1

return (minlist, row)

else: # 白底黑字

i = 20

a = min(l)

while i < col - 1:

if np_list[i] < a + 10 and np_list[i] <= np_list[i:i + 5].min():

x = 0

y = 1

while i + x < col - 10 and np_list[i + x] <= a + 10:

x += 3

while np_list[i - y] <= a + 10:

y += 1

minlist.append(int(i + x / 2 - y / 2))

i += avg

i += 1

return (minlist, row)

# 切竖着的图并接着处理

def cut_img(img, minlist, row, filename):

colpics = []

for j in range(len(minlist) - 1):

# cv.namedWindow(str(j),0)

# cv.imshow("F:\\test\\lie\\"+filename+str(j)+"lie.jpg", img[0:row, minlist[j]:minlist[j+1]])

if minlist[j + 1] - minlist[j] >= minlist[-1] / imgcol * 1.8:

cha = minlist[j + 1] - minlist[j]

chu = cha / (minlist[-1] / imgcol * 1.0)

ss = sishewuru(chu)

zhong = cha / ss

if isEquels:

cv.imwrite("F:\\test\\lie\\" + filename + "-" + str(j) + "lie.jpg",

img[0:row, minlist[j]:minlist[j + 1]].copy())

else:

# 处理等距字段

for i in range(ss):

colpics.append(img[minlist[j] + i * zhong:minlist[j] + (i + 1) * zhong])

cv.imwrite("F:\\test\\lie\\" + filename + "-" + str(j) + "~" + str(i) + "-" + "lie.jpg",

img[0:row, minlist[j] + i * zhong:minlist[j] + (i + 1) * zhong].copy())

else:

cv.imwrite("F:\\test\\lie\\" + filename + "-" + str(j) + "lie.jpg",

img[0:row, minlist[j]:minlist[j + 1]].copy())

colpics.append(img[0:row, minlist[j]:minlist[j + 1]])

return colpics

# 横着的坐标算一下

def hist_row(img):

img = thresh_binary(img.copy())

list = []

row, col = img.shape

for i in range(row):

list.append((img[i, :] < 200).sum())

return cut_row(img, list)

# 四舍五入

def sishewuru(swr):

if swr - int(swr) >= 0.5:

return int(swr) + 1

else:

return int(swr)

# 定点横着的坐标

def cut_row(img, row_list):

print(row_list)

minlist = []

# single_images_with_rect = []

row, col = img.shape

np_list = np.array(row_list)

avg = row / (imgrow)

i = 0

if (cv.countNonZero(img) < col * row / 2): # 黑底子白字

a = max(row_list)

while i < row:

if i >= row - 20:

if np_list[i] > a - 5 and np_list[i] <= np_list[i + 1:row].min():

minlist.append(row)

break

if i == row - 1:

minlist.append(i)

break

elif np_list[i] >= a - 3 and np_list[i] <= np_list[i:i + 15].min():

if len(minlist) == 0:

minlist.append(i)

else:

x = 0

y = 1

while np_list[i + x] >= a - 3 and i + x < row - 10:

x += 5

while np_list[i - y] >= a - 3:

y += 1

minlist.append(int(i + x / 2 - y / 2))

i += avg

i += 1

else:

a = min(row_list)

while i < row:

aa = np_list[i]

if i >= row - 20:

if np_list[i] < a + 5 and np_list[i] <= np_list[i + 1:row].min():

minlist.append(row)

break

if i == row - 1:

minlist.append(i)

break

elif np_list[i] <= a + 3 and np_list[i] <= np_list[i:i + 15].min():

if len(minlist) == 0:

minlist.append(i)

else:

x = 0

y = 1

while np_list[i + x] <= a + 3 and i + x < row - 10:

x += 5

while np_list[i - y] <= a + 3:

y += 3

minlist.append(int(i + x / 2 - y / 2))

i += int(avg)

i += 1

if row - minlist[-1] > 0.4 * avg:

minlist.append(row)

return (minlist, col)

# 切横着的图

def single_cut(img, minlist, col, name):

rowpics = []

for j in range(len(minlist) - 1):

# uu = minlist[j] if j == 0 else minlist[+20]

if minlist[j + 1] - minlist[j] >= minlist[-1] / imgrow * 1.8:

cha = minlist[j + 1] - minlist[j]

chu = cha / (minlist[-1] / imgrow * 1.0)

ss = int(round(chu))

zhong = int(cha / ss)

if isEquels:

cv.imwrite("F:\\test\\danzi\\" + name + "-" + str(j) + ".jpg",

img[minlist[j]:minlist[j + 1], 0:col].copy())

else:

for i in range(ss):

cv.imwrite("F:\\test\\danzi\\" + name + "-" + str(j) + "~" + str(i) + ".jpg",

img[minlist[j] + i * zhong:minlist[j] + (i + 1) * zhong, 0:col].copy())

else:

cv.imwrite("F:\\test\\danzi\\" + name + "-" + str(j) + ".jpg", img[minlist[j]:minlist[j + 1], 0:col].copy())

# 切二级图

def qietu1(filestr):

for root, dirs, files in os.walk(filestr):

for file in files:

filename = os.path.join(root, file)

img1 = cv.imread(filename)

mlis = hist_row(img1)

single_cut(img1, mlis[0], mlis[1], file.split(".")[0])

# 切一级图

def qietu(filestr):

dir = filestr

for root, dirs, files in os.walk(dir):

for file in files:

filename = os.path.join(root, file)

img = cv.imread(filename)

# cv.namedWindow(filename,0)

# cv.imshow(filename, img)

a = thresh_binary(img)

lists = hist_col(a)

l = cut_col(a, lists)

colpics = cut_img(img, l[0], l[1], file.split(".")[0])

cv.waitKey(0)

cv.destroyAllWindows()

if __name__ == '__main__':

qietu(r'F:/test/src')

#qietu1(r'F:/test/lie')

print("完成")

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间的非线性问题转换为高维空间的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其RBF核函数被广泛应用于非线性问题,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维为(n, l),其n是特征数量,l是样本数量。 - `Y`: 目标值向量,长为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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