随笔分类 -  python

摘要:前言 细胞图片数据如下 细胞识别 要想对图片中细胞进行分类,首先就要将图片中的细胞识别出来 首先读入图片,接着转化为灰度图,接着对图片进行高斯模糊化处理,接着采用自适应的阀值将图片转化为二值图像,接着定义椭圆形的核对图像进行先腐蚀后膨胀的操作,用于处理噪声。 效果图如下: 灰度图像 阀值处理为二值图 阅读全文
posted @ 2022-01-08 13:22 启林O_o 阅读(690) 评论(0) 推荐(0) 编辑
摘要:本文是对该系统实现的一个总结和备忘 本系统的结构图大致如下图,前端采用vue及element-ui plus,后端使用Django,数据库使用Mysql,区块链环境使用ganache-cli,文件系统使用go-ipfs,后端和区块链使用web3.py,后端与ipfs交互使用ipfshttpclien 阅读全文
posted @ 2021-07-15 08:50 启林O_o 阅读(890) 评论(5) 推荐(0) 编辑
摘要:数据类型 字符串 单引号,双引号包围都可 .upper() .lower() .title() +:合并字符串 \n:换行符 \t:制表符 .strip():删除字符两端空白 .lstrip():删左端 .rstrip() str():将非字符变为字符 int():将字符型数值转换为数值 数字 整数 阅读全文
posted @ 2021-01-11 16:51 启林O_o 阅读(97) 评论(0) 推荐(0) 编辑
摘要:参考《web安全之深度学习实战》这本书 前言 目前常用的木马病毒等的检测工具主要有两种:一种是静态检测,通过匹配一些特征码或者危险函数来识别webshell等,但是这种方式需要完善的匹配规则,而且只能识别已知的webshell。另一种是动态检测,通过检测文件执行时表现出来的特征,查看它是否是一个we 阅读全文
posted @ 2020-07-15 11:58 启林O_o 阅读(751) 评论(0) 推荐(0) 编辑
摘要:基本原理 搜索引擎由四部分组成:搜索器、索引器、检索器、用户接口。其运行过程如下: 通过爬虫抓取网页 建立索引数据库 按索引进行排序 处理用户请求,对查找结果排序 其中,网页的分析算法有pagerank,hits等,以下采用pagerank算法 搜索器 爬取的页面 为自己乱写了三个页面,便于验证自己 阅读全文
posted @ 2020-06-22 17:20 启林O_o 阅读(205) 评论(0) 推荐(0) 编辑
摘要:设计今下午终于验收了,╰(°▽°)╯ 本文主要实现一个带界面的端口扫描器 一篇特别好的博客https://thief.one/2018/05/17/1/ 扫描原理 端口扫描方式主要以下几种:tcp全连接、tcp syn、fin、udp扫描 TCP全连接扫描 利用tcp的三次握手,如果能建立连接,则说 阅读全文
posted @ 2020-06-18 22:43 启林O_o 阅读(745) 评论(2) 推荐(0) 编辑
摘要:报错如下 只要将Python安装目录下Lib目录下(我这里是D:\python\Lib)的fcntl.py重命名为fcntl_ex.py即可 阅读全文
posted @ 2020-05-03 16:32 启林O_o 阅读(285) 评论(0) 推荐(0) 编辑
摘要:一、介绍 逻辑回归算法属于监督学习的分类算法,用于解决二分类(0或1)问题 一篇很好的概念介绍 "https://zhuanlan.zhihu.com/p/28408516" 1、sigmoid函数 逻辑回归引入sigmoid函数进行分类 g(x)=11+ex 当x为0 阅读全文
posted @ 2020-02-17 17:43 启林O_o 阅读(380) 评论(0) 推荐(0) 编辑
摘要:介绍 朴素贝叶斯是监督学习分类算法 分类方法:比如已知一个数据集由两类数据(类A,类B)组成,对于一个数据x,如果x属于A的概率大于x属于B的概率,那么x属于A类。 如何计算相关概率:使用条件概率进行分类 条件概率 在事件B发生的条件下事件A发生的概率p(A|B) \(p(A|B)=\frac{ 阅读全文
posted @ 2020-02-08 17:15 启林O_o 阅读(268) 评论(0) 推荐(0) 编辑
摘要:介绍 决策树是监督学习的分类算法,关键在于决策树树的构造。构造决策树的算法有:ID3、C4.5、CART。 ID3算法的构造决策树的过程如下: 选择特征 因为有好几个特征,依据哪一个特征划分,如,形如['四条腿','会叫','狗'],是依据有几条腿的特征,还是会不会叫的特征,所以要有评判标准:可以依 阅读全文
posted @ 2020-02-03 21:52 启林O_o 阅读(217) 评论(0) 推荐(0) 编辑
摘要:介绍 k近邻算法(KNN)属于监督学习的分类算法,通过测量不同特征值之间的距离进行分类,算法过程如下 计算数据点与已知数据集中每个点的距离 对距离从小到大进行排序 选取前k个距离值 确定前k个距离值所在类别的出现的概率 将前k个点出现频率最高的类别作为当前数据的预测分类 主要代码如下 其中距离计算, 阅读全文
posted @ 2020-01-31 23:06 启林O_o 阅读(266) 评论(0) 推荐(0) 编辑
摘要:解决问题 对教育漏洞提交平台的漏洞相关数据进行分析。 内容与要求 爬取网站提交的漏洞的相关信息,对每年漏洞数量,漏洞类型变化,漏洞类型比例,提交漏洞排名,存在漏洞数最多等方面进行统计分析,并可视化 使用工具 Requests 用于爬取页面 BeautifulSoup用于页面分析 Pandas用于数据 阅读全文
posted @ 2020-01-12 12:28 启林O_o 阅读(2221) 评论(0) 推荐(0) 编辑
摘要:目标 对历年美国总统就职演说词频分析,并绘制云图 准备 分析工具:matplotlib,wordcloud 数据文档:美国历届总统就职演说英文版文档 这些文档,放到了后面 效果 分析 1、出现最多的是government,第二是People 2、出现了很多new hope great well be 阅读全文
posted @ 2020-01-12 11:54 启林O_o 阅读(383) 评论(0) 推荐(0) 编辑
摘要:# 目标 统计三国演义中出现次数前100,并绘制云图 # 准备 分析工具:jieba,pandas,matplotlib,wordcloud 数据文档:三国演义.txt(原著),三国人物.txt(三国人名,大约1000多个),三国字.txt(一些常见人名及字,约800) 这些文档,放到了后面 ## 说明 1、并不是严格的人物出场次数,有时可能只是提到,也算进去了 2、可能有jieba分词不准确的地... 阅读全文
posted @ 2020-01-12 11:39 启林O_o 阅读(2423) 评论(0) 推荐(1) 编辑
摘要:# 用turtle画一个雪人 公选的第一个小作业 ## 程序说明 ### 总体设计 ![](https://img2018.cnblogs.com/blog/1503988/202001/1503988-20200112111214328-909169253.png) ### 躯干 ![](https://img2018.cnblogs.com/blog/1503988/202001/150398... 阅读全文
posted @ 2020-01-12 11:15 启林O_o 阅读(683) 评论(0) 推荐(0) 编辑
摘要:#本文主要是慕课北京理工大学的数据分析和爬虫两门课的简单笔记 这两门课挺不错,入门挺好 本文主要包含了numpy、matploitlib、pandas、requests、beautiful soup、re库的简单入门笔记 数据维度 一维数据:数组,列表,集合 列表数据类型可以不同,数组相同。 可用列 阅读全文
posted @ 2020-01-10 21:48 启林O_o 阅读(455) 评论(0) 推荐(0) 编辑
摘要:基于MD5的HMAC 一、单向散列函数 种类有md4,md5,sha1,sha2,ripemd,ripemd160,sha3等 性质: 由不同长度的输入,生成固定长度的输出。 计算速度快。 单向性,由输入得到输出,由输出得不到输入。 弱抗撞击性:不容易找到一条消息与该消息的散列值相同 强抗撞击性:不 阅读全文
posted @ 2019-07-21 18:57 启林O_o 阅读(927) 评论(0) 推荐(0) 编辑
摘要:对一幅BMP格式的灰度图像进行二 元Fano编码和译码 才开始写python,写的比较乱,仅供参考,可参考我的另一篇文章对一幅BMP格式灰度图进行二元霍夫曼编码 主要思想 1、分组: 费诺编码构造树时设计对一组数进行分组,即将一组数分为两组,使这两组最接近平均。 这时需要用到背包算法的思想,我采取这 阅读全文
posted @ 2019-05-26 00:55 启林O_o 阅读(528) 评论(0) 推荐(0) 编辑
摘要:对一幅BMP格式的灰度图像进行二元霍夫曼编码和译码 信息论的实验终于结束了,才开始写python,写的比较乱,仅供参考 主要思想 霍夫曼编码关键在于树的构造,其构造要达到的目的为权重越大越靠近叶子结点,权重越小越靠近根,即使出现次数越多的值的码长越短。 构造时每次去权重最小的两个点合并为一个点n,这 阅读全文
posted @ 2019-05-26 00:20 启林O_o 阅读(968) 评论(0) 推荐(1) 编辑

点击右上角即可分享
微信分享提示