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。。。)