Numpy基础7(梯度函数)

进行图形，声音等数据批量处理时，梯度函数有利于检测边缘，这个函数也相当有名，让我们来了解一下基本算法：

梯度函数

一维array：

np.gradient(f)
举例：
a=array([15,3,12,13,14])
则np.gradient(a)
返回([-12,-1.5,5,1,1])
每个元素为(后一个元素-前一个元素)/2，
首位元素为后-前，3-15=-12,14-13=-1

高维array：

我们知道array的shape(0，1，2，3…n)其中n为最外维度，0为最内维度。

c=np.random.randint(0,50,(3,5))
c=array([[24, 16, 19,  8, 35],
       [38, 19,  7, 17, 43],
       [34, 45, 38,  0,  3]])
       
对于高维的array来说，有几个维度，就会返回几个array，顺序如下：

np.gradient(c)
[array([[ 14. ,   3. , -12. ,   9. ,   8. ],
          [  5. ,  14.5,   9.5,  -4. , -16. ],
       [ -4. ,  26. ,  31. , -17. , -40. ]]),最外层维度的梯度值(按列)
 array([[ -8. ,  -2.5,  -4. ,   8. ,  27. ],
       [-19. , -15.5,  -1. ,  18. ,  26. ],
       [ 11. ,   2. , -22.5, -17.5,   3. ]])]次外层维度的梯度值(按行)

好了，我们来看一看gradient的应用：我们来处理一幅图像：
首先我们准备一下图像有关的库：
pip install pillow

这里并不是我们的重点，解释就简单一点：

import numpy as np
from PIL import Image
a=np.asarray(Image.open("D:/1.jpg").convert('L')).astype('float')
#将图像灰度处理
depth=10#设置虚拟图像深度，通常depth在0~100之间
grad=np.gradient(a)#经过二值化处理以后，图像只有两个维度，计算行列的梯度
grad_x,grad_y=grad
grad_x=grad_x*depth/100.
grad_y=grad_y*depth/100.#两个维度在深度上归一化处理

A=np.sqrt(grad_x**2+grad_y**2+1.)
uni_x=grad_x/A
uni_y=grad_y/A#两个维度的数据统一归一化处理
uni_z=1./A

vec_el=np.pi/2.2#想象极坐标，有灯光效果两个角度(xy平面上的投影一个角度，与xy平面呈现另一个角度)
vec_az=np.pi/4  #np.pi就是π

dx=np.cos(vec_el)*np.cos(vec_az)#灯光效果在x，y，z轴以极坐标的形式投影
dy=np.cos(vec_el)*np.sin(vec_az)
dz=np.sin(vec_el)

b=255*(dx*uni_x+dy*uni_y+dz*uni_z)#手绘效果的实现
b=b.clip(0,255)#处理溢出的像素值
im=Image.fromarray(b.astype('uint8'))
im.save('D:/changed.jpg')

效果大概是这样：
处理前：

处理后：

猫：我太难了。
其实图像处理并不是重点，图像处理应该说opencv可以做得很好，外加机器视觉，这里只是要体会一下gradient应用就好了。

到这里，Numpy基础已经结束，接下来我们进入matploblib的学习吧！(Tensorflow基础怎么这么多啊。。。)