Python
Python语言简介
Python语言特点
优点
缺点
相关学习链接

Python语言简介

编程语言是用来定义计算机程序的语言，用来向计算机发出的指令。
python语言是一种面向对象的解释型计算机程序设计语言。


最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。
Python语言特点

优点


开源：Python是FLOSS（自由/开放源码软件）之一。使用者可以自由地发布这个软件的拷贝、阅读它的源代码、对它做改动、把它的一部分用于新的自由软件中。FLOSS是基于一个团体分享知识的概念。


简单：Python是一种代表简单主义思想的语言。阅读一个良好的Python程序就感觉像是在读英语一样。它使你能够专注于解决问题而不是去搞明白语言本身。
eg：用四种语言同时写一段代码，显然，所用的Python语句最少


解释性：一个用编译性语言比如C或C++写的程序可以从源文件（即C或C++语言）转换到一个你的计算机使用的语言（二进制代码，即0和1）。这个过程通过编译器和不同的标记、选项完成。

运行程序的时候，连接/转载器软件把你的程序从硬盘复制到内存中并且运行。而Python语言写的程序不需要编译成二进制代码。你可以直接从源代码运行 程序。

在计算机内部，Python解释器把源代码转换成称为字节码的中间形式，然后再把它翻译成计算机使用的机器语言并运行。这使得使用Python更加简单。也使得Python程序更加易于移植。


面向对象：Python既支持面向过程的编程也支持面向对象的编程。在“面向过程”的语言中，程序是由 过程或仅仅是可重用代码的函数构建起来的。在“面向对象”的语言中，程序是由数据和功能组合而成的对象构建起来的。


易学：Python极其容易上手，因为Python有极其简单的说明文档 。


速度快：Python 的底层是用 C 语言写的，很多标准库和第三方库也都是用 C 写的，运行速度非常快。


规范的代码：Python采用强制缩进的方式使得代码具有较好可读性,对规范性要求非常高


可扩展性：如果需要一段关键代码运行得更快或者希望某些算法不公开，可以部分程序用C或C++编写，然后在Python程序中使用它们。


可移植性：由于它的开源本质，Python已经被移植在许多平台上（经过改动使它能够工作在不同平台上）。


高层语言：用Python语言编写程序的时候无需考虑诸如如何管理你的程序使用的内存一类的底层细节。


可嵌入性：可以把Python嵌入C/C++程序，从而向程序用户提供脚本功能。


丰富的库：Python标准库确实很庞大。它可以帮助处理各种工作，包括正则表达式、文档生成、单元测试、线程、数据库、网页浏览器、CGI、FTP、电子邮件、XML、XML-RPC、HTML、WAV文件、密码系统、GUI（图形用户界面）、Tk和其他与系统有关的操作。这被称作Python的“功能齐全”理念。除了标准库以外，还有许多其他高质量的库，如wxPython、Twisted和Python图像库等等。


缺点

运行速度慢
国内市场小
中文资料匮乏
构架选择太多

相关学习链接
https://www.bilibili.com/video/av14184325

   原文来自于“猪猪文案”公众号。更多好文章等着你来发现。

演讲稿是演讲的重要依据，演讲者通过演讲稿把文字转换成语言传达给大众，使大众在思想情感上产生共鸣，是传递信息的一种方式，所以，演讲搞得好坏决定了演讲的成功与失败，那么，演讲稿的写作需要具备哪些特点呢？
因为演讲的听众是特定的，所以有针对性的听众对象，就可以选择一些针对性的选材，听众对象越明确，对他们的心理、爱好、思想、情感表达方面，都有一定的针对性，比如说，《爱的教育》这种形式的演讲，鼓励家长和学生之间传递爱，针对的就是全国各校学生和家长之间的互动，学生和老师之间的互动，这种类型的演讲，起到的是鼓励作用，所以演讲者在情感的表达上，要有针对性。
除了以情感的表达，肢体语言的应用也是非常重要的，人们常说肢体语言是人类的第二语言，这种全是在演讲的过程中可以说是发挥的淋漓尽致，还可以通过那种语言交融，多种文体并用的方式，让演讲稿更加精彩，确切的说，演讲稿可以使用议论文的结构、新闻的真实、小说的语言、相声的诙谐等方式进行呈现，在语言上没有特定的形式。
最后一点是内容集中，结构清晰，所谓集中就是说演讲稿的内容材料虽然很多，但是，所有的点都是为了突出主题，整篇文章只有一个中心点，并且对这个中心点进行分析和解决。

图像特征可以包括颜色特征、纹理特征、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰。图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。
图像局部特征描述的核心问题是不变性(鲁棒性)和可区分性。由于使用局部图像特征描述子的时候，通常是为了鲁棒地处理各种图像变换的情况。因此，在构建/设计特征描述子的时候，不变性问题就是首先需要考虑的问题。在宽基线匹配中，需要考虑特征描述子对于视角变化的不变性、对尺度变化的不变性、对旋转变化的不变性等；在形状识别和物体检索中，需要考虑特征描述子对形状的不变性。
局部特征点是图像特征的局部表达，它只能反应图像上具有的局部特殊性，所以它只适合于对图像进行匹配，检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征，如颜色分布，纹理特征，主要物体的形状等。全局特征容易受到环境的干扰，光照，旋转，噪声等不利因素都会影响全局特征。相比而言，局部特征点，往往对应着图像中的一些线条交叉，明暗变化的结构中，受到的干扰也少。
对于局部特征的检测，通常使用局部图像描述子来进行。
斑点与角点是两类局部特征点。斑点通常是指与周围有着颜色和灰度差别的区域，如草原上的一棵树或一栋房子。它是一个区域，所以它比角点的抗噪能力要强，稳定性要好。而角点则是图像中物体的拐角或者线条之间的交叉部分。
斑点检测原理与举例
LoG与DoH
斑点检测的方法主要包括利用高斯拉普拉斯算子检测的方法(LOG),以及利用像素点Hessian矩阵(二阶微分)及其行列式值的方法(DOH)。
DoH方法就是利用图像点二阶微分Hessian矩阵, Hessian矩阵行列式的值，同样也反映了图像局部的结构信息。与LoG相比，DoH对图像中的细长结构的斑点有较好的抑制作用。
无论是LoG还是DoH，它们对图像中的斑点进行检测，其步骤都可以分为以下两步：
使用不同的生成或模板，并对图像进行卷积运算；
在图像的位置空间与尺度空间中搜索LoG与DoH响应的峰值。
SIFT(尺度不变特征变换)
尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。该描述子具有非常强的稳健性。
SIFT算法步骤
构建DOG尺度空间
模拟图像数据的多尺度特征，大尺度抓住概貌特征，小尺度注重细节特征。通过构建高斯金字塔(每一层用不同的参数\(\sigma\)做高斯模糊(加权))，保证图像在任何尺度都能有对应的特征点，即保证尺度不变性。
关键点搜索和定位：
确定是否为关键点，需要将该点与同尺度空间不同\(\sigma\)值的图像中的相邻点比较，如果该点为max或min，则为一个特征点。找到所有特征点后，要去除低对比度和不稳定的边缘效应的点，留下具有代表性的关键点(比如，正方形旋转后变为菱形，如果用边缘做识别，4条边就完全不一样，就会错误；如果用角点识别，则稳定一些)。去除这些点的好处是增强匹配的抗噪能力和稳定性。最后，对离散的点做曲线拟合，得到精确的关键点的位置和尺度信息。
方向赋值
为了实现旋转不变性，需要根据检测到的关键点的局部图像结构为特征点赋值。具体做法是用梯度方向直方图。在计算直方图时，每个加入直方图的采样点都使用圆形高斯函数进行加权处理，也就是进行高斯平滑。这主要是因为SIFT算法只考虑了尺度和旋转不变形，没有考虑仿射不变性。通过高斯平滑，可以使关键点附近的梯度幅值有较大权重，从而部分弥补没考虑仿射不变形产生的特征点不稳定。注意，一个关键点可能具有多个关键方向，这有利于增强图像匹配的鲁棒性。
关键点描述子生成
关键点描述子不但包括关键点，还包括关键点周围对其有贡献的像素点。这样可使关键点有更多的不变特性，提高目标匹配效率。在描述子采样区域时，需要考虑旋转后进行双线性插值，防止因旋转图像出现白点。同时，为了保证旋转不变性，要以特征点为中心，在附近领域内旋转\(\theta\)角，然后计算采样区域的梯度直方图，形成n维SIFT特征矢量(如128-SIFT)。最后，为了去除光照变化的影响，需要对特征矢量进行归一化处理。
SIFT特征提取的优点
SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；
多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；
高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
可扩展性，可以很方便的与其他形式的特征向量进行联合；
需要较少的经验主义知识，易于开发。
SIFT特征提取的缺点
实时性不高，因为要不断地进行下采样和插值等操作；
有时特征点较少(比如模糊图像)；
对边缘光滑的目标无法准确提取特征(比如边缘平滑的图像，检测出的特征点过少，对圆更是无能为力)。
SIFT特征提取可以解决的问题
目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决：
目标的旋转、缩放、平移(RST)
图像仿射/投影变换(视点viewpoint)
光照影响(illumination)
目标遮挡(occlusion)
杂物场景(clutter)
噪声
角点检测的原理与举例
角点检测的方法也是极多的，其中具有代表性的算法是Harris算法与FAST算法。
算法原理详解：Harris特征点检测，FAST特征检测
Harris角点特征提取
Harris角点检测是一种基于图像灰度的一阶导数矩阵检测方法。检测器的主要思想是局部自相似性/自相关性，即在某个局部窗口内图像块与在各个方向微小移动后的窗口内图像块的相似性。该算法认为像素周围显示存在多余一个方向的边，便认为该点为兴趣点，即称为角点。
Harris算法步骤
利用水平、竖直差分算子对图像每个像素进行滤波以求得\(I_x, I_y\)，进而求得图像域中点\(x\)上的对称半正定矩阵\(M_I = M_I(x)\)：
\[M_I=\nabla I \nabla I^T=\left[
\begin{array}{c}
I_x \\
I_y
\end{array}
\right]
\left[ \begin{array}{c}
I_x & I_y
\end{array}\right] = \left[
\begin{array}{cc}
I_x^2 & I_x I_y \\
I_x I_y & I_y^2
\end{array}
\right]
\]
选择权重矩阵\(W\)(通常为高斯滤波器\(G\))对\(M\)进行滤波
\[W = exp(- \frac{x^2+y^2}{2\sigma^2})
\]
\[ M_I = W * M_I
\]
利用\(M\)计算对应于每个像素的角点量\(cim\)即\(R\):
\[cim = \frac{I_x^2*I_y^2-(I_xI_y)^2}{I_x^2+I_y^2}
\]
在矩阵 \(cim\) 中，同时满足 \(cim\) 大于一阙值 \(thresh\) 和 \(cim\) 是某领域内的局部极大值，这两个条件的点被认为是角点。
提高阙值，则提取的角点数目变少，降低阙值，则提取的角点数目变多
另外求局部极大值的领域大小也会影响提取角点的数目和容忍度
Harris角点性质
该算法算子对亮度和对比度的变化不敏感。
这是因为在进行Harris角点检测时，使用了微分算子对图像进行微分运算，而微分运算对图像密度的拉升或收缩和对亮度的抬高或下降不敏感。换言之，对亮度和对比度的仿射变换并不改变Harris响应的极值点出现的位置，但是，由于阈值的选择，可能会影响角点检测的数量。
算子具有旋转不变性。
Harris角点检测算子使用的是角点附近的区域灰度二阶矩矩阵。而二阶矩矩阵可以表示成一个椭圆，椭圆的长短轴正是二阶矩矩阵特征值平方根的倒数。当特征椭圆转动时，特征值并不发生变化，所以判断角点响应值也不发生变化，由此说明Harris角点检测算子具有旋转不变性。
算子不具有尺度不变性。
Harris算法实现
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
from scipy.ndimage import filters
class Harris:
def __init__(self, img_path):
self.img_path = img_path
self.grayImg = None
self.Ix = None
self.Iy = None
self.Ix_mul_Ix = None
self.Ix_mul_Iy = None
self.Iy_mul_Iy = None
self.cim = None
self.filtered_coords = None
def _rgb2gray(self):
self.grayImg = Image.open(self.img_path).convert('L')
self.grayImg = np.array(self.grayImg)
def _cal_ix_iy(self, sigma=3):
# 计算导数
self.Ix = np.zeros(self.grayImg.shape)
filters.gaussian_filter(self.grayImg, (sigma, sigma), (0, 1), self.Ix)
self.Iy = np.zeros(self.grayImg.shape)
filters.gaussian_filter(self.grayImg, (sigma, sigma), (1, 0), self.Iy)
def _cal_para(self):
# 计算Ix^2,Iy^2和Ix*Iy并加入高斯滤波
self.Ix_mul_Ix = filters.gaussian_filter(self.Ix*self.Ix, 3)
self.Iy_mul_Iy = filters.gaussian_filter(self.Iy*self.Iy, 3)
self.Ix_mul_Iy = filters.gaussian_filter(self.Ix*self.Iy, 3)
def _cal_cim(self):
self.cim = (self.Ix_mul_Ix*self.Iy_mul_Iy - 2*self.Ix_mul_Iy) / (self.Ix_mul_Ix + self.Iy_mul_Iy)
def cal_harris(self, min_dist=10, threshold=0.1):
self._rgb2gray()
self._cal_ix_iy()
self._cal_para()
self._cal_cim()
conner_threshold = self.cim.max()*threshold
self.cim = (self.cim > conner_threshold) * 1
coords = np.array(self.cim.nonzero()).T
candidate_values = [self.cim[c[0], c[1]] for c in coords]
index = np.argsort(candidate_values)
allowed_locations = np.zeros(self.cim.shape)
allowed_locations[min_dist:-min_dist, min_dist:-min_dist] = 1
self.filtered_coords = []
for i in index:
if allowed_locations[coords[i, 0], coords[i, 1]] == 1:
self.filtered_coords.append(coords[i])
allowed_locations[(coords[i, 0] - min_dist):(coords[i, 0] + min_dist),
(coords[i, 1] - min_dist):(coords[i, 1] + min_dist)] = 0  # 此处保证min_dist*min_dist只有一个harris特征点
return self.filtered_coords
def plot_harris_point(self):
plt.figure()
plt.gray()
plt.imshow(Image.open(self.img_path).convert('L'))
plt.plot([p[1] for p in self.filtered_coords], [p[0] for p in self.filtered_coords], '*')
plt.axis('off')
plt.show()
if __name__ == '__main__':
img_path = "./imgs/3.jpg"
harris = Harris(img_path)
harris.cal_harris()
harris.plot_harris_point()
结果演示
参考文献

正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串
正则表达式的作用
给定的字符串是否符合指定正则表达式的过滤逻辑，即匹配(例如Email地址检测，电话号码合法性判断等)
根据正则表达式从指定字符串中捕获特定的信息(例如从文章中获取所有含有a字母的单词)
…
正则表达式的特点
灵活性、逻辑性、功能性非常强大
以极简的方式控制复杂的字符串
可读性差，对初学者晦涩难懂
…
正则表达式语法(包括Python的专用扩展)
正则表达式由普通字符和元字符两大部分组成，而元字符相当于正则表达式的游戏规则，是其灵魂所在.因此，要掌握正则表达式在表达什么，最关键的就是要弄懂它的元字符的作用规则.
一般字符
.(点号)
匹配除了换行符之外的任意字符，在DOTALL模式下可以匹配换行符
例如：a.cd 匹配 abcd
\(反斜杠)
转义字符，它可能是最重要的元字符，一来它可以给后面的字符赋予特殊的意义，二来又能把元字符恢复原意
例如：\\匹配 \自身，\* 匹配 星号
[ ](方括号)
字符集合，匹配字符集包含的任意字符，字符集可以逐个列出([abcdefg])，也可以用区间表示([a-g])，如果第一个字符是^则表示一个负值字符集，意思就是匹配不包含本字符集的其他字符
例如：b[aiu]g 匹配 bag 、big 、 bug
预定义字符集
\d
匹配一个数字，等价于[0-9]
例如：a\db 匹配 a1b、a2b等
\D
匹配一个非数字字符，等价于[^0-9]
\s
匹配任何不可见字符，包括空格、制表符、换页符等等. 等价于[ \f\n\r\t\v]
例如：a\sc 匹配 a c
\S
匹配任何可见字符.等价于[^ \f\n\r\t\v]
\w
匹配单词字符和下划线. 等价于[a-zA-Z0-9_]
例如：a\wc 匹配 a1c , abc , aac , a9c, azc …
\W
匹配非单词字符.等价于[^a-zA-Z0-9_]
数量词
{n}
n为非负整数，匹配前面一个表达式n次
例如：a{2}c 匹配 aac 但不匹配 ac
{n,m}
n,m为非负整数，n<=m，匹配前面的一个表达式n至m次，其中n或m可以省略其中一个，n省略则匹配0~m次，m省略则匹配0~无限次
例如：a{1,3}c 匹配 ac、aac、aaac
*
匹配前面一个表达式0次或多次.等价于{0,}
例如：a*c 匹配 c、ac、aac、aaac、….
+
匹配前面一个表达式1次或无限次.等价于{1,}
例如：a+c 匹配 ac、aac…..
?
匹配前面一个表达式0次或1次.等价于{0,1}
例如：a?c 匹配 c 和 ac
*、+、？、{n,m}在Python中默认是贪婪的，即总是尝试匹配尽可能多，例如用 a\d+ 查找字符串  a1234abcd 则匹配到 a1234，而 ？可以使其变为非贪婪，即尽可能少匹配，例如用 a\d+? 查找字符串 a1234abcd 则匹配到 a1
边界匹配
^
匹配字符串的开头，或多行模式下匹配每一行的开头
例如：用 ^abc\d+ 查找 abc123abc456 将匹配到 abc123
$
匹配字符串的结尾，或多行模式下匹配每一行的结尾
例如：用 abc\d+$ 查找 abc123abc456 将匹配到 abc456
\A
匹配字符串的开头，在非多行模式下其实和^是一样的，在多行模式下它只会匹配全文的开头
\Z
匹配字符串的结尾，在非多行模式下其实和$是一样的，在多行模式下它只会匹配全文的结尾
\b
这是一个零宽界定符，不占任何位置，用于表示单词边界即词首或词尾
例如：用 \w+e\b 查找 english apple years 的结果是 apple
\B
这是一个零宽界定符，不占任何位置，用于表示非单词边界
例如：用 \w+e\w* 查找 english apple years 的结果是 apple 和 years
例如：用 \w+e\B\w* 查找 english apple years 的结果是 years
例如：用 \w+e\B 查找 english apple years 的结果是 ye
逻辑分组
|
将两个匹配条件进行逻辑“或”(Or)运算
例如：\w*b|\w*c 将匹配 字符串 “ abd acd ” 中的 ab 和 ac
(表达式)
括号内的表达式作为一个分组，一个正则表达式可以包含多个分组，从左至右分别用编号1,2,3…9表示各个分组，分组后可以接数量词*、+、?、{n}…等，另外表达式中的 | 只对分组内有效
例如：(abcd){3} 匹配 abcdabcdabcd
(?P表达式)
命名分组，这是一个python扩展语法，它为分组指定了一个name的分组名
例如：(?Pabcd)
(?P=name)
对命名分组的逆向引用，即引用名为name的这个分组的匹配结果，这是一个python扩展语法
例如：(?P\d+)Jack(?P=age) 匹配 19Jack19
\
引用指定编号的分组匹配结果
例如：(\d+)abcd\1 匹配 10abcd10
特殊构造(不作为分组)
(?:表达式)
括号内的表达式不作为分组，没有分组编号，但可以后接数量词，表达式中可以有“或逻辑”
(?iLmsux)
iLmsux每个字符代表一种匹配模式，只能写在正则表达式的开头，可以同时选择多种匹配模式
例如：(?i)abc 忽略大小写，匹配 ABC 、aBC …
(?#…)
#后面…是注释内容
例如：\d+(?#number)abc 匹配 123abc
(?=表达式)
正向肯定预查，之后的字符必须要匹配表达式才能匹配成功，它不会消耗匹配的字符串，只作为肯定.
例如：windows(?=98|2000|xp|7) 可以匹配 windows2000 的 windows 并且2000这个字符串不会被消耗，但是不会匹配 windows8 的 windows.
(?!表达式)
正向否定预查，之后的字符必须要不匹配表达式才视为有效，它不会消耗匹配的字符串，只作为否定.
例如：windows(?!98|2000|xp|7) 可以匹配 windows8 的 windows 并且8这个字符串不会被消耗，但是不会匹配 windows2000 的 windows.
(?<=表达式)
反向肯定预查，与正向类似只是方向相反(我仿佛在逗你!)
例如：(?<=\d+)abc 匹配 前面是数字的abc
(?
反向否定预查，与正向类似只是方向相反
例如：(?
Python如何使用正则表达式
转载请注明出处：