Python,折线图,手写数字,图像反色、二值化、28X28

这篇博客介绍了如何使用Python的Matplotlib库绘制正弦和余弦函数图像,包括设置颜色和线条宽度,以及添加标题和坐标标签。接着讨论了手写数字的创建和处理,涉及图像的反色、二值化以及缩放为28x28像素。最后,讨论了在Fashion MNIST数据集上的操作,包括数据加载、图像变换,并探讨了随机旋转和变换的方法。
摘要由CSDN通过智能技术生成

题目一:

请使用Matplotlib中的折线图工具,绘制正弦和余弦函数图像,其中x的取值范围是

要求:

(1)正弦图像是蓝色曲线,余弦图像是红色曲线,线条宽度为2.5;

(2)标题为:“正/余弦函数图像”,字体颜色为黑色,大小为16;

(3)横坐标标签为:“x轴”,纵坐标标签为“y轴”,字体大小为12。

import numpy as np

from matplotlib import pyplot as plt

from pylab import *#matplotlib不支持中文,需要添加此段代码

mpl.rcParams['font.sans-serif'] = ['SimHei']

mpl.rcParams['axes.unicode_minus'] = False



plt.figure(figsize=(10,6), dpi=80)



x = np.linspace(-np.pi, np.pi, 256,endpoint=True)#X的取值

C,S = np.cos(x), np.sin(x)



# 正弦图像是蓝色曲线,余弦图像是红色曲线,线条宽度为2.5;

plt.plot(x, S, color="blue", linewidth=2.5, linestyle="-", label="正弦")

plt.plot(x, C, color="red",  linewidth=2.5, linestyle="-", label="余弦")



#标题为:“正/余弦函数图像”,字体颜色为黑色,大小为16;

plt.title('正/余弦函数图像', fontproperties="SimHei", size=16)



#横坐标标签为:“x轴”,纵坐标标签为“y轴”,字体大小为12。

plt.xlabel('x轴', fontproperties="SimHei", size=12)

plt.ylabel('y轴', fontproperties="SimHei", rotation=90, size=12)



#设置坐标轴的刻度值

plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],

          [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$\pi/2$', r'$\pi$'])

plt.yticks([-1,0,1],

          [r'$-1$', r'$0$', r'$1$'])



# 添加图例

plt.legend()

plt.show()

题目二:

请使用Windows中的“画图”工具,手写数字0-9,对图像进行适当的裁剪和处理后,保存为MNIST数据集的格式,具体步骤与要求如下:

步骤:

(1)使用Windows中的“画图”工具,手写数字0-9,并裁剪为适当尺寸的单个数字后,保存为图像文件,如图2所示;

(2)对裁剪过的图像进行反色、二值化处理,使图像呈现为黑底白字,如图3、4所示;<

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
手写数字识别系统的设计实现 一、研究目的 字符识别是利用计算机自动辨识印刷在纸上或人写在纸上的汉字,是模式识别的一个重要分支,也是文字识别领域较为困难的问题之一。本项目旨在论述并设计实现一个自由手写数字识别系统。 二、研究方法 文中首先对待识别数字的预处理进行了介绍,包括二值化、噪声处理、图像分割、归一化、细化等图像处理方法;其次,探讨了数字字符特征向量的提取;最后采用了bp神经网络算法,并以MATLAB作为编程工具实现了具有友好的形用户界面的自由手写数字识别系统。 三、研究结论 在实验过程中我们分别对10个数字10个样本进行测试。从检测结果来看,虽然用于训练的数据集并不是很多,但误差率并不是很高,这也体现了BP算法的优越性,如果用更多的数据进行训练会使得正确的检测率提高而错误的检测率降低,从而使网络趋于收敛。实验结果表明,本方法具有较高的识别率,并具有较好的抗噪性能。 四、目录 1 绪论 1.1 字符识别概述 1.2 数字识别研究的目的及意义 1.3 手写数字识别的典型应用 1.4 国内外研究现状 1.5 手写数字识别系统概述 1.6 本文内容安排 2 手写数字识别中预处理技术 2.1 图像灰度化 2.2 图像二值化 2.3 图像反色 2.4 图像去噪声 2.5 数字分割 2.6 数字归一化 2.7 数字细化 3 手写数字识别中特征值提取技术 3.1 特征提取概述 3.2 手写体字符特征提取方法概述 3.3 手写数字识别中的结构特征提取 3.4 手写数字识别中的统计特征提取 4 人工神经网络分类器 4.1 人工神经网络概述 4.2 BP神经网络概述 4.3 本文的神经网络结构设计 5 系统实现与结果分析 5.1 系统实现 5.1.1 系统实现环境 5.1.2 系统处理流程及主要工作 5.1.3 系统界面 5.2 结果分析 6 结束语
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