php arrayflip 实现去重,array_unique和array_flip 实现去重间的区别

array_unique -- 移除数组中重复的值

array_unique(array)

array_unique() 接受 array 作为输入并返回没有重复值的新数组。

注意键名保留不变。array_unique()先将值作为字符串排序,然后对每个值只保留第一个遇到的键名,接着忽略所有后面的键名。这并不意味着在未排序的 array中同一个值的第一个出现的键名会被保留。

注: 当且仅当 (string) $elem1 === (string) $elem2时两个单元被认为相同。就是说,当字符串的表达一样时,一个单元将被保留。

array_unique() 例子

$input = array("a"=> "green","red","b" =>"green","blue","red");

$result = array_unique($input);

print_r($result); // Array ( [a] => green [0] => red [1] => blue )

?>

用array_flip实现去重效果

另一个方法是使用php的array_flip函数来间接的实现去重效果

array_flip是反转数组键和值的函数,他有个特性就是如果数组中有二个值是一样的,那么反转后会保留最后一个键和值.利用这个特性我们用他来间接的实现数组的去重.

$arr = array("a" => "a1", "b" => 'b1', "c" => "a2", "d" => "a1");

$arr1 = array_flip($arr);

print_r($arr1); //先反转一次,去掉重复值,输出Array ( [a1] => d[b1] => b [a2] => c )

$arr2 = array_flip($arr1);

print_r($arr2); //再反转回来,得到去重后的数组,输出Array([d] => a1 [b] => b1 [c] => a2)

$arr3 = array_unique($arr);

print_r($arr3); //利用php的array_unique函数去重,输出Array ( [a]=> a1 [b] => b1 [c] =>a2 )

?>

$arr3和arr2输出可以看出来array_unique和array_flip间的区别

二种方法不同的是用array_flip得到的是重复元素最后的键和值,用array_unique得到的是两个重复元素第一个键和值

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,下面是关于Python实现手势识别的讲解。 手势识别是计算机视觉领域的一个重要应用,可以应用于很多场景,比如手势控制智能家居、手势控制游戏等。本文介绍一种基于OpenCV和Python实现的手势识别框架。 首先,需要安装OpenCV库。可以通过pip install opencv-python安装。 接下来,需要准备一些训练数据。可以使用手势识别数据集,也可以自己录制一些手势视频作为训练数据。这里以自己录制的视频为例。 步骤如下: 1.读取视频帧 使用OpenCV读取视频帧,可以使用cv2.VideoCapture()函数。代码如下: ``` python import cv2 cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() cv2.imshow('frame', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 这里使用的是电脑自带的摄像头,如果使用外接摄像头,则需要将0改为1或者2等,表示摄像头的编号。 2.手势检测 对于每一帧图像,需要进行手势检测,可以使用肤色检测的方法。代码如下: ``` python import cv2 import numpy as np cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() frame = cv2.flip(frame, 1) # 翻转图像 hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 转换颜色空 lower_skin = np.array([0, 20, 70], dtype=np.uint8) upper_skin = np.array([20, 255, 255], dtype=np.uint8) mask = cv2.inRange(hsv, lower_skin, upper_skin) # 掩膜 res = cv2.bitwise_and(frame, frame, mask=mask) # 图像与运算 cv2.imshow('frame', frame) cv2.imshow('mask', mask) cv2.imshow('res', res) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 这里使用的是HSV颜色空,对肤色进行了阈值处理,得到掩膜,然后进行与运算,得到手部区域。 3.手势识别 对于手部区域,可以使用轮廓检测的方法,得到手部轮廓。代码如下: ``` python import cv2 import numpy as np cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() frame = cv2.flip(frame, 1) # 翻转图像 hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 转换颜色空 lower_skin = np.array([0, 20, 70], dtype=np.uint8) upper_skin = np.array([20, 255, 255], dtype=np.uint8) mask = cv2.inRange(hsv, lower_skin, upper_skin) # 掩膜 res = cv2.bitwise_and(frame, frame, mask=mask) # 图像与运算 gray = cv2.cvtColor(res, cv2.COLOR_BGR2GRAY) # 灰度图像 ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 二值化 _, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cnt = max(contours, key=cv2.contourArea) # 手部轮廓 cv2.drawContours(frame, [cnt], 0, (0, 255, 0), 2) # 绘制轮廓 cv2.imshow('frame', frame) cv2.imshow('mask', mask) cv2.imshow('res', res) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 这里使用的是cv2.findContours()函数进行轮廓检测,然后找到最大轮廓,绘制出手部轮廓。 4.手势分类 对于手部轮廓,可以使用机器学习算法进行分类,得到手势的类别。这里使用KNN算法进行分类。代码如下: ``` python import cv2 import numpy as np from sklearn.neighbors import KNeighborsClassifier cap = cv2.VideoCapture(0) k = 5 # KNN算法中的k值 hand_hist = None # 手部直方图 # 训练KNN分类器 def train_knn(): global hand_hist # 读取训练数据 with np.load('hand_data.npz') as data: train = data['train'] train_labels = data['train_labels'] # 计算手部直方图 hsv = cv2.cvtColor(train, cv2.COLOR_BGR2HSV) roi = np.zeros([1, 50, 50, 3], dtype=hsv.dtype) roi[0] = hsv[0:50, 0:50] hsv_hist = cv2.calcHist(roi, [0, 1], None, [180, 256], [0, 180, 0, 256]) cv2.normalize(hsv_hist, hsv_hist, 0, 255, cv2.NORM_MINMAX) hand_hist = hsv_hist.reshape([1, 180 * 256]) # 训练KNN分类器 knn = KNeighborsClassifier(n_neighbors=k) knn.fit(hand_hist, train_labels) return knn # 手势分类 def classify(frame, knn): global hand_hist hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) dst = cv2.calcBackProject([hsv], [0, 1], hand_hist, [0, 180, 0, 256], 1) _, thresh = cv2.threshold(dst, 0, 255, cv2.THRESH_BINARY) thresh = cv2.merge((thresh, thresh, thresh)) res = cv2.bitwise_and(frame, thresh) gray = cv2.cvtColor(res, cv2.COLOR_BGR2GRAY) _, contours, hierarchy = cv2.findContours(gray, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) if len(contours) > 0: cnt = max(contours, key=cv2.contourArea) if cv2.contourArea(cnt) > 1000: x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) roi = gray[y:y + h, x:x + w] roi = cv2.resize(roi, (50, 50), interpolation=cv2.INTER_LINEAR) roi = roi.reshape([1, 50 * 50]) result = knn.predict(roi) cv2.putText(frame, chr(result + 65), (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) return frame # 训练KNN分类器 knn = train_knn() while True: ret, frame = cap.read() frame = cv2.flip(frame, 1) # 翻转图像 if hand_hist is None: cv2.putText(frame, 'Press Space to calibrate', (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) else: frame = classify(frame, knn) cv2.imshow('frame', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break elif cv2.waitKey(1) & 0xFF == ord(' '): hand_hist = None cap.release() cv2.destroyAllWindows() ``` 这里使用的是KNN算法进行分类,需要先训练KNN分类器。训练数据可以使用手势识别数据集,也可以使用自己录制的手势视频。这里使用的是手势识别数据集。训练数据需要保存到文件中,可以使用numpy.savez()函数进行保存,使用numpy.load()函数进行读取。 对于每一帧图像,需要先计算手部直方图,然后使用cv2.calcBackProject()函数进行反向投影,得到手部区域。对手部区域进行二值化、轮廓检测、矩形框选、手势分类等操作,最终得到手势类别。 以上就是基于OpenCV和Python实现手势识别的框架和实例讲解。

“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