不规则图形数格子的方法_小学数学,怎么数平面图形中长方形与正方形个数

昨天我们说了线段的两种计数方法,一种是数端点的方法,也叫打枪法,或者叫大炮发射法,另一种是分类法。而且我们着重推荐使用分类法。今天我们继续说说平面图形的计数问题。

今天这里着重说一下,长方形以及正方形的计数。

2c4b8e7290751a196bd1cb8fb4478abe.png

当一个图形是长方形,只是一层的话,相信这个都很简单,大家都知道他跟数线段其实是一样的道理,那么有几个基本的长方形,根据公式,就可以很快的算出来。

如果说是有多层的话,我们是怎么算呢?其实也是可以根据分类的原理,套用公式。比如说上图中横向有3个基本长方形,纵向也有3个基本长方形,我们如何算呢?

那我们算一下横向有3+2+1=6个,纵向其实是一样的3+2+1=6个,那么这个三行三列的图形中,总共就有:6×6=36个长方形。

我们再说一下全部由小正方形组成的平面图形,怎么数正方形个数?比如一个4行4列,每一小格都是正方形组成的平面图形,总共有多少个正方形?这种图形不按顺序不分类很容易数错。

d60e74e6679e4394a07c5f7406ed5b1c.png

由于这些格子全部是正方形,所以从1行1列,到4行4列全都是正方形。我们也是把它分按照分类。单独一格一格的;田字格的,就是2行2列的;3行3列的,以及4行4列的这四种正方形。

单独一格小正方形这种很简单,我们可以数一下横向有4个,纵向有4个。4×4=16个。

那么这种田字格的那有多少呢?我们可以数一下3×3=9个。九宫格的有多少个呢?有2×2=4个,4行4列的就只有最外面1个。

然后我们将这些全部加起来,算出来的总数就是整个图形中正方形的个数。

16+9+4+1=30个。

如果在旁边再加一列这样的小正方形,变成了4行5列的图形,总共会有多少个正方形呢?

c517bfcdb12e717745571c8991ef53a8.png

4行5列

单格的:4×5=20(个)

田字格:3×4=12(个)

九宫格:2×3=6(个)

四行四列的:1×2=2(个)

这图形中有没有更大的正方形了?当然没有,图形本身才是4行5列,所以最大的就是4行4列的那2个正方形。

将这四种规格的正方形数量全部相加:20+12+6+2=40(个)

71cd8c1fd54f2f260286696bdcc0d181.png

平面图形计数一定记得以某种顺序,比如上图中寻找隐藏在树中的10个人头,我们就是用从上到下,从左到右的顺序来找的。如果看到一个标一个,杂乱无章的,出错的机会远远大于数对的概率。

都说条条大道通罗马,每个人的方法可能不一样,欢迎大家在评论中留下你的好方法。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要在Python识别图片格子内的数字,可以使用一些图像处理库和机器学习库,例如OpenCV和TensorFlow。以下是一个基本的流程: 1. 读取图片并将其转换为灰度图像。 2. 对图像进行预处理,例如去除噪声、二值化等。 3. 使用图像处理技术(例如轮廓检测)找出每个格子的边界。 4. 将每个格子的图像提取出来,并使用机器学习模型(例如卷积神经网络)来识别数字。 以下是一个示例代码,演示如何使用OpenCV库对图片进行预处理和轮廓检测,并使用TensorFlow库来识别数字: ```python import cv2 import numpy as np import tensorflow as tf # 加载机器学习模型 model = tf.keras.models.load_model('model.h5') # 读取图片并将其转换为灰度图像 img = cv2.imread('image.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 对图像进行预处理,例如去除噪声、二值化等 blur = cv2.GaussianBlur(gray, (5, 5), 0) thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) # 使用轮廓检测找出每个格子的边界 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 遍历每个轮廓 for i in range(len(contours)): # 计算当前轮廓的面积和周长 area = cv2.contourArea(contours[i]) perimeter = cv2.arcLength(contours[i], True) # 如果面积和周长符合格子的要求,则将当前格子的图像提取出来并识别数字 if area > 100 and perimeter > 80: x, y, w, h = cv2.boundingRect(contours[i]) digit_img = thresh[y:y+h, x:x+w] digit_img = cv2.resize(digit_img, (28, 28)) digit_img = digit_img.reshape((1, 28, 28, 1)) digit_img = digit_img.astype('float32') / 255 digit_pred = model.predict(digit_img) digit = np.argmax(digit_pred) # 在原图像上绘制识别出的数字 cv2.putText(img, str(digit), (x, y), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) # 显示处理后的图片 cv2.imshow('image', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在这个代码,我们首先加载一个机器学习模型(在这里我们使用TensorFlow库的一个手写数字识别模型)。然后,我们读取一个图片并将其转换为灰度图像。接下来,我们对图像进行预处理,例如去除噪声、二值化等。然后,我们使用OpenCV库的轮廓检测函数`findContours()`来找出每个格子的边界。对于每个符合要求的格子,我们将其图像提取出来,并使用机器学习模型来识别数字。最后,我们在原图像上绘制识别出的数字,并显示处理后的图片。

“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

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