python环境_数字图像处理

1、JupyterNotebook下载地址https://www.anaconda.com/安装个人版64-Bit Graphical Installer (477 MB)

按装numpy pip install numpy -i http://mirrors.aliyun.com/pypi/simple/

安装matplotlib pip install matplotlib -i http://mirrors.aliyun.com/pypi/simple/

图像处理库pip install scikit-image -i http://mirrors.aliyun.com/pypi/simple/

或者pip install scikit-image -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

安装opencv(指定版本防止不能调用库) 

pip install opencv_python==3.4.2.16 -i http://mirrors.aliyun.com/pypi/simple/ 

pip install opencv-contrib-python==3.4.2.16 -i http://mirrors.aliyun.com/pypi/simple/

生成jupyter配置文件

执行jupyter notebook --generate-config

设置文件位置，找到jupyter_notebook_config.py文件

修改这个#c.NotebookApp.notebook_dir = ''

 

查看登陆token  jupyter notebook list

 

智能算法实现

tensorflow 小白易，可以使用keras，keras封装了tnesorfow里边的方法可以用

tensorfow和keras版本需要匹配

pip install tensorflow==1.13.1  pip install keras==2.2.4

AttributeError: ‘str‘ object has no attribute ‘decode‘  需要降低pip install h5py==2.10.0

训练识别数字

https://www.cnblogs.com/ncuhwxiong/p/9774515.html

https://blog.csdn.net/weixin_36158843/article/details/112541075

 

使用模型识别数字

pip install torch -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

pip install torchvision -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

pip install mnist -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

#展示训练好的模型在测试集图片上的表现效果
import torch
from torchvision import datasets, transforms
import torchvision
from mnist import *
import glob
import cv2
import torch.nn.functional as F
from torch.autograd import Variable

import numpy as np

from skimage import io,transform

img1 = cv2.imread('4.jpg', 0)
img1 = cv2.resize(img, (28, 28))

output=model.predict(img1.reshape(1,28,28,1))
plt.imshow(img1)
height,width=img.shape
dst=np.zeros((height,width),np.uint8)
for i in range(height):
for j in range(width):
dst[i,j]=255-img[i,j]
img = dst
img=np.array(img).astype(np.float32)
img=np.expand_dims(img,0)
img=np.expand_dims(img,0)#扩展后，为[1，1，28，28]
img=torch.from_numpy(img)
img = img.to(device)
output=model(Variable(img))
prob = F.softmax(output, dim=1)
prob = Variable(prob)
prob = prob.cpu().numpy() #用GPU的数据训练的模型保存的参数都是gpu形式的，要显示则先要转回cpu，再转回numpy模式
print(prob) #prob是10个分类的概率
pred = np.argmax(prob) #选出概率最大的一个
print(pred.item())