2018 年 9月随笔档案 - 绿茵好莱坞

5-3 直方图均衡化

摘要：我们使用直方图均衡化的时候，必须要对单通道进行处理。所以我们首先要完成通道的分解。我们要把原来的三通道分解成单通道。 split()方法。将彩色图片传递进去之后，它返回的就是一个三通道数据。我们分别把三通道数据为大家实现一下。这样我们分别就有三个通道完成了直方图的均衡化。但是通道分解完之后我们要合阅读全文

posted @ 2018-09-30 23:41 绿茵好莱坞阅读(886) 评论(0) 推荐(0) 编辑

5-2 彩色图片直方图

摘要：我们先通过opencv API调用的方式来实现这个功能。 RGB三种颜色通道它的直方图已经为大家绘制出来了。这就是彩色图片的直方图绘制。在绘制的时候我们为了把坐标归一化，必须要求出当前整个hist中所有数据所有像素它的最大值最小值以及它们各自的下标，并且把它进行归一化处理。处理完之后然后再将结果阅读全文

posted @ 2018-09-30 22:09 绿茵好莱坞阅读(434) 评论(0) 推荐(0) 编辑

5-1 美化效果章节介绍

摘要：图片滤波，噪声的去除当前的这些效果，我们直接可以在美颜算法或者美颜相机中可以直接看到这些实用的案例。 RGB三种颜色的直方图，它有横纵两个坐标。其中横坐标描述的是0-255的颜色等级，总共两百五十六种。因为2^8=256，8位的颜色深度。纵坐标是每个颜色等级在整张图片上出现的概率。注意我们纵坐标上阅读全文

posted @ 2018-09-30 17:51 绿茵好莱坞阅读(209) 评论(0) 推荐(0) 编辑

摘要：import cv2 import numpy as np img = cv2.imread('image0.jpg',1) font = cv2.FONT_HERSHEY_SIMPLEX cv2.rectangle(img,(200,100),(500,400),(0,255,0),3) # 1 dst 2 文字内容 3 坐标 4 5 字体大小 6 color 7 粗细 8 line typ... 阅读全文

posted @ 2018-09-28 17:02 绿茵好莱坞阅读(171) 评论(0) 推荐(0) 编辑

4-16 矩形圆形任意多边形绘制

摘要：import cv2 import numpy as np newImageInfo = (500,500,3)#定义一个元组，描述图片的宽高以及颜色深度信息 dst = np.zeros(newImageInfo,np.uint8)#目标图片 #1 dst 当前的目标图片 2 左上角起始点 3 右下角 4 颜色 5 是否fill(填充) #如果是-1,表明矩形框中的内容是需要填充的. cv2... 阅读全文

posted @ 2018-09-28 16:03 绿茵好莱坞阅读(353) 评论(0) 推荐(0) 编辑

4-15 线段绘制

摘要：import cv2 import numpy as np newImageInfo = (500,500,3)#描述图片的宽高信息颜色深度为3,表明它是一个RGB的彩色图片 dst = np.zeros(newImageInfo,np.uint8)#定义一个图片的数据类型np.uint8 # line # 绘制线段 1 dst 2 begin 3 end 4 color cv2.lin... 阅读全文

posted @ 2018-09-27 04:45 绿茵好莱坞阅读(175) 评论(0) 推荐(0) 编辑

4-14 图像特效小结

摘要：灰度图片和彩色图片,它们的颜色维度是不一样的。彩色图片每一个颜色是三维的，分别是RGB三种颜色来组成。通过opencv API的方法来把彩色图片转化为灰度图片。灰度图片实现的算法原理：通过RGB取均值的方式将彩色图片转化为灰度图片。还介绍了一个比较著名的心理学公式：gray = r*0.299+ 阅读全文

posted @ 2018-09-26 22:40 绿茵好莱坞阅读(122) 评论(0) 推荐(0) 编辑

4-13 油画特效

摘要：第三步灰度等级的划分。第四步灰度段中像素的个数统计。阅读全文

posted @ 2018-09-26 14:27 绿茵好莱坞阅读(360) 评论(0) 推荐(0) 编辑

4-12 颜色映射

摘要：我们通过查找表查找一组新的RGB。用新的RGB来代替原来像素值的过程。如果大家不想做表的话可以用一些简单的公式来进行颜色映射。用公式的方法可能无法表达一些更为复杂的效果。因为颜色效果越复杂，那么利用公式进行拟合的时候难度就越大，甚至拟合之后的计算量要远远超过查找表。阅读全文

posted @ 2018-09-26 13:36 绿茵好莱坞阅读(192) 评论(0) 推荐(0) 编辑

4-11 浮雕效果

摘要：150就是当前的灰度值，边沿细节就是我们的相邻像素之差。阅读全文

posted @ 2018-09-25 20:59 绿茵好莱坞阅读(241) 评论(0) 推荐(0) 编辑

4-10 边缘检测2

摘要：图片卷积和矩阵运算不是一回事。矩阵是行列式相乘。阅读全文

posted @ 2018-09-25 15:02 绿茵好莱坞阅读(214) 评论(0) 推荐(0) 编辑

4-9 边缘检测1

摘要：边缘检测的实质其实就是图像的卷积运算。阅读全文

posted @ 2018-09-24 02:26 绿茵好莱坞阅读(131) 评论(0) 推荐(0) 编辑

4-8 图片融合

摘要：# dst = src1*a+src2*(1-a) a=0.3 1-a=0.7 import cv2 import numpy as np img0 = cv2.imread('image0.jpg',1) img1 = cv2.imread('image1.jpg',1) imgInfo = img0.shape height = imgInfo[0] width = imgInfo[1] ... 阅读全文

posted @ 2018-09-23 15:18 绿茵好莱坞阅读(202) 评论(0) 推荐(0) 编辑

4-7 毛玻璃

摘要：import cv2 import numpy as np import random img = cv2.imread('image2.jpg',1) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] dst = np.zeros((height,width,3),np.uint8)#为什么我们总是把高度放在第一位,因为我... 阅读全文

posted @ 2018-09-23 13:59 绿茵好莱坞阅读(216) 评论(0) 推荐(0) 编辑

4-6 马赛克

摘要：import cv2 import numpy as np img = cv2.imread('image0.jpg',1) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] for m in range(100,300): for n in range(100,200): # pixel ->10*1... 阅读全文

posted @ 2018-09-22 22:37 绿茵好莱坞阅读(135) 评论(0) 推荐(0) 编辑

4-5 颜色反转

摘要：这一行是彩色图片的灰度处理，我们不需要进行灰度处理，我们需要处理的就是彩色图片。这是彩色图片的颜色反转，有点类似于我们照相机上的底板效果。分成两种：灰度图像的颜色反转和彩色图像的颜色反转。二者都是用当前的最大值减去当前的像素值。阅读全文

posted @ 2018-09-22 19:30 绿茵好莱坞阅读(488) 评论(0) 推荐(0) 编辑

4-4 算法优化

摘要：# 1 灰度最重要 2 基础 3 实时性 # 定点-》浮点 +- */ >> # r*0.299+g*0.587+b*0.114 import cv2 import numpy as np img = cv2.imread('image0.jpg',1) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] # RGB R=G... 阅读全文

posted @ 2018-09-22 00:43 绿茵好莱坞阅读(178) 评论(0) 推荐(0) 编辑

4-3 图像灰度处理2

摘要：import cv2 import numpy as np img = cv2.imread('image0.jpg',1) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] # RGB R=G=B = gray (R+G+B)/3 dst = np.zeros((height,width,3),np.uint8) for ... 阅读全文

posted @ 2018-09-22 00:21 绿茵好莱坞阅读(173) 评论(0) 推荐(0) 编辑

4-2 图像灰度处理1

摘要：#imread #方法1 imread import cv2 img0 = cv2.imread('image0.jpg',0) img1 = cv2.imread('image0.jpg',1) print(img0.shape) print(img1.shape) cv2.imshow('src',img0) cv2.waitKey(0) #方法2 cvtColor import c... 阅读全文

posted @ 2018-09-21 23:28 绿茵好莱坞阅读(153) 评论(0) 推荐(0) 编辑

4-1 图像特效介绍

摘要：阅读全文

posted @ 2018-09-21 23:04 绿茵好莱坞阅读(170) 评论(0) 推荐(0) 编辑

3-13 图片几何变换小结

摘要：阅读全文

posted @ 2018-09-21 22:55 绿茵好莱坞阅读(135) 评论(0) 推荐(0) 编辑

3-12 图片旋转

摘要：import cv2 import numpy as np img = cv2.imread('image3.png',1) cv2.imshow('src',img) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] # 2*3 matRotate = cv2.getRotationMatrix2D((height*0.5... 阅读全文

posted @ 2018-09-21 16:44 绿茵好莱坞阅读(239) 评论(0) 推荐(0) 编辑

3-11 图片仿射变换

摘要：import cv2 import numpy as np img = cv2.imread('image0.jpg',1) cv2.imshow('src',img) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] # src 3->dst 3 (左上角左下角右上角)仿射变换的实质实际上就是把原图像的三个点映射到目... 阅读全文

posted @ 2018-09-21 15:23 绿茵好莱坞阅读(326) 评论(0) 推荐(0) 编辑

3-10 图片缩放

摘要：# [[A1 A2 B1],[A3 A4 B2]] # [[A1 A2],[A3 A4]] [[B1],[B2]] # newX = A1*x + A2*y+B1 # newY = A3*x + A4*y+B2 # x->x*0.5 y->y*0.5 # newX = 0.5*x import cv2 import numpy as np img = cv2.imread('image0.j... 阅读全文

posted @ 2018-09-21 14:26 绿茵好莱坞阅读(201) 评论(0) 推荐(0) 编辑

3-9 图片镜像

摘要：import cv2 import numpy as np img = cv2.imread('image3.png',1) cv2.imshow('src',img) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] deep = imgInfo[2] newImgInfo = (height*2,width,deep)... 阅读全文

posted @ 2018-09-21 04:31 绿茵好莱坞阅读(170) 评论(0) 推荐(0) 编辑

3-8 图片移位3

摘要：import cv2 import numpy as np img = cv2.imread('image0.jpg',1) cv2.imshow('src',img) imgInfo = img.shape dst = np.zeros(img.shape,np.uint8) height = imgInfo[0] width = imgInfo[1] for i in range(0,he... 阅读全文

posted @ 2018-09-21 03:45 绿茵好莱坞阅读(177) 评论(0) 推荐(0) 编辑

3-7 图片移位2

摘要：# [1,0,100],[0,1,200] 2*2 2*1 # [[1,0],[0,1]] 2*2 A # [[100],[200]] 2*1 B # xy C # A*C+B = [[1*x+0*y],[0*x+1*y]]+[[100],[200]] # = [[x+100],[y+200]] 沿着x轴右移了100个点，沿着y轴向下移动了200个点 #(10,20)->(110,120) ... 阅读全文

posted @ 2018-09-21 03:30 绿茵好莱坞阅读(118) 评论(0) 推荐(0) 编辑

3-6 图片位移1

摘要：# 1 API 2 算法原理 3 源代码 import cv2 import numpy as np img = cv2.imread('image0.jpg',1) cv2.imshow('src',img) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] ### 设置一个偏移矩阵这个偏移矩阵用numpy来表示 matSh... 阅读全文

posted @ 2018-09-20 16:32 绿茵好莱坞阅读(223) 评论(0) 推荐(0) 编辑

3-5 图片剪切

摘要：#100 -》 200 x #100 -》300 y import cv2 img = cv2.imread('image0.jpg',1) imgInfo = img.shape dst = img[100:200,100:300] cv2.imshow('image',dst) cv2.waitKey(0) 阅读全文

posted @ 2018-09-20 16:18 绿茵好莱坞阅读(104) 评论(0) 推荐(0) 编辑

3-4 图片缩放3

摘要：# 1 info 2 空白模板 3 xy import cv2 import numpy as np img = cv2.imread('image0.jpg',1) imgInfo = img.shape height = imgInfo[0] width = imgInfo[1] dstHeight = int(height/2) dstWidth = int(width/2) dstIm... 阅读全文

posted @ 2018-09-19 20:04 绿茵好莱坞阅读(246) 评论(0) 推荐(0) 编辑

3-3 图片缩放2

摘要：#最近临域插值双线性插值原理 # src 10*20 dst 5*10 # dst src x 2 newX # newX = x*(src 行/目标行) newX = 1* (10/5) = 2 # newY = y*(src 列/目标列) newY = 2* (20/10) = 4 # 12.3 = 12 # 双线性插值 # A1 = 20% 上+80%下 A2 # B1 = ... 阅读全文

posted @ 2018-09-19 17:10 绿茵好莱坞阅读(90) 评论(0) 推荐(0) 编辑

3-2 图片缩放1

摘要：图片的缩放顾名思义就是改变图片的宽度和高度。阅读全文

posted @ 2018-09-18 21:58 绿茵好莱坞阅读(136) 评论(0) 推荐(0) 编辑

3-1 本章介绍

摘要：阅读全文

posted @ 2018-09-18 21:01 绿茵好莱坞阅读(88) 评论(0) 推荐(0) 编辑

2-22 小综合：人工神经网络逼近股票价格4

摘要：import tensorflow as tf import numpy as np import matplotlib.pyplot as plt date = np.linspace(1,15,15) endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,268... 阅读全文

posted @ 2018-09-18 14:50 绿茵好莱坞阅读(229) 评论(0) 推荐(0) 编辑

2-21 小综合：人工神经网络逼近股票价格3

摘要：import tensorflow as tf import numpy as np import matplotlib.pyplot as plt date = np.linspace(1,15,15) endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,268... 阅读全文

posted @ 2018-09-17 23:41 绿茵好莱坞阅读(233) 评论(0) 推荐(0) 编辑

2-20 小综合：人工神经网络逼近股票价格2

摘要：w1是一个1行10列的权重矩阵。w1的维度是一个1行10列的。b1也是一个1行10列的偏移矩阵。w2是一个10行1列的权重矩阵。b2是一个15行1列的偏移矩阵。阅读全文

posted @ 2018-09-17 21:40 绿茵好莱坞阅读(367) 评论(0) 推荐(0) 编辑

2-19 小综合：人工神经网络逼近股票价格1

摘要：import tensorflow as tf import numpy as np import matplotlib.pyplot as plt date = np.linspace(1,15,15) endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,... 阅读全文

posted @ 2018-09-17 16:43 绿茵好莱坞阅读(231) 评论(0) 推荐(0) 编辑

2-18 matplotlib模块的使用

摘要：import numpy as np import matplotlib.pyplot as plt x = np.array([1,2,3,4,5,6,7,8]) y = np.array([3,5,7,6,2,6,10,15]) plt.plot(x,y,'r') # 折线 1 x 2 y 3 color import numpy as np import matplo... 阅读全文

posted @ 2018-09-14 21:29 绿茵好莱坞阅读(190) 评论(0) 推荐(0) 编辑

2-17 numpy模块使用

摘要：#CURD import numpy as np data1 = np.array([1,2,3,4,5]) print(data1) data2 = np.array([[1,2], [3,4]]) print(data2) #维度 print(data1.shape,data2.shape) # zero ones 空矩阵单位矩阵 pri... 阅读全文

posted @ 2018-09-14 15:11 绿茵好莱坞阅读(197) 评论(0) 推荐(0) 编辑

2-16 矩阵基础3

摘要：import tensorflow as tf mat0 = tf.constant([[0,0,0],[0,0,0]])#两行三列 mat1 = tf.zeros([2,3]) mat2 = tf.ones([3,2]) mat3 = tf.fill([2,3],15) with tf.Session() as sess: print(sess.run(mat0)) print... 阅读全文

posted @ 2018-09-14 12:15 绿茵好莱坞阅读(194) 评论(0) 推荐(0) 编辑

2-15 矩阵基础2

摘要：一种矩阵加法，两种矩阵乘法。矩阵加法非常简单，就是对应元素的相加。第一个矩阵是M行k列，第二个矩阵必须是k行N列。第一个矩阵的列必须要和第二个矩阵的行数相同。这样它们乘出来的结果就是M*N。第一个的列和第二个的行抵消掉。当M、N、k相同的时候，得到的结果肯定也是M*N。如果两个矩阵想相乘，第一个矩阅读全文

posted @ 2018-09-14 11:15 绿茵好莱坞阅读(282) 评论(0) 推荐(0) 编辑

2-14 矩阵基础1

摘要：#placehold import tensorflow as tf data1 = tf.placeholder(tf.float32) data2 = tf.placeholder(tf.float32) dataAdd = tf.add(data1,data2) with tf.Session() as sess: print(sess.run(dataAdd,feed_dict=... 阅读全文

posted @ 2018-09-14 03:53 绿茵好莱坞阅读(196) 评论(0) 推荐(0) 编辑

2-13 常量变量四则运算

摘要：C:\Users\ZHONGZHENHUA\.ipython\profile_default\ipython_config.py 阅读全文

posted @ 2018-09-08 11:25 绿茵好莱坞阅读(244) 评论(0) 推荐(0) 编辑

2-12 tensorflow运算原理

摘要：#opencv tensorflow #类比语法 api 原理 #基础数据类型运算符流程字典数组 import tensorflow as tf #data1 = tf.constant(2.5) data1 = tf.constant(2.5,dtype=tf.float32) #data1 = tf.constant(2,dtype=tf.int32) #data1 = tf.c... 阅读全文

posted @ 2018-09-03 10:41 绿茵好莱坞阅读(161) 评论(0) 推荐(0) 编辑

09 2018 档案

导航

统计

公告

搜索

常用链接

随笔档案