本文实例讲述了Python比较两个图片相似度的方法。分享给大家供大家参考。具体分析如下：
这段代码实用pil模块比较两个图片的相似度，根据实际实用，代码虽短但效果不错，还是非常靠谱的，前提是图片要大一些，太小的图片不好比较。附件提供完整测试代码和对比用的图片。#!/usr/bin/python
# Filename: histsimilar.py
# -*- coding: utf-8 -*-
import Image
def make_regalur_image(img, size = (256, 256)):
return img.resize(size).convert('RGB')
def split_image(img, part_size = (64, 64)):
w, h = img.size
pw, ph = part_size
assert w % pw == h % ph == 0
return [img.crop((i, j, i+pw, j+ph)).copy() \
for i in xrange(0, w, pw) \
for j in xrange(0, h, ph)]
def hist_similar(lh, rh):
assert len(lh) == len(rh)
return sum(1 - (0 if l == r else float(abs(l - r))/max(l, r)) for l, r in zip(lh, rh))/len(lh)
def calc_similar(li, ri):
#   return hist_similar(li.histogram(), ri.histogram())
return sum(hist_similar(l.histogram(), r.histogram()) for l, r in zip(split_image(li), split_image(ri))) / 16.0
def calc_similar_by_path(lf, rf):
li, ri = make_regalur_image(Image.open(lf)), make_regalur_image(Image.open(rf))
return calc_similar(li, ri)
def make_doc_data(lf, rf):
li, ri = make_regalur_image(Image.open(lf)), make_regalur_image(Image.open(rf))
li.save(lf + '_regalur.png')
ri.save(rf + '_regalur.png')
fd = open('stat.csv', 'w')
fd.write('\n'.join(l + ',' + r for l, r in zip(map(str, li.histogram()), map(str, ri.histogram()))))
#   print >>fd, '\n'
#   fd.write(','.join(map(str, ri.histogram())))
fd.close()
import ImageDraw
li = li.convert('RGB')
draw = ImageDraw.Draw(li)
for i in xrange(0, 256, 64):
draw.line((0, i, 256, i), fill = '#ff0000')
draw.line((i, 0, i, 256), fill = '#ff0000')
li.save(lf + '_lines.png')
if __name__ == '__main__':
path = r'testpic/TEST%d/%d.JPG'
for i in xrange(1, 7):
print 'test_case_%d: %.3f%%'%(i, \
calc_similar_by_path('testpic/TEST%d/%d.JPG'%(i, 1), 'testpic/TEST%d/%d.JPG'%(i, 2))*100)
#   make_doc_data('test/TEST4/1.JPG', 'test/TEST4/2.JPG')
电脑技术网从python分析问题步骤Python比较两个图片相似度的方法分析来看，对python分析问题步骤Python比较两个图片相似度的方法的结果。
完整实例代码点击此处本站下载。
希望本文所述对大家的Python程序设计有所帮助。
更多:python分析问题步骤Python比较两个图片相似度的方法
https://www.002pc.comhttps://www.002pc.com/python/3321.html
你可能感兴趣的Python,相似,图片,方法,比较,两个
No alive nodes found in your cluster
0踩
赏
0 赞

1.java中创建线程的方式

    1>继承Thread类，重写run()方法；
    2>实现Runnable接口，实例化Thread类




2.继承Thread类

实现代码
new Thread(){
	@Override
	public void run(){
		while(true){
			try {
				Thread.sleep(2000);
			} catch (InterruptedException e) {
				e.printStackTrace();
			} 
		}
	}
}.start();

方法步骤

    1>定义一个类（TestThread）继承Thread；
    2>重写run()方法；
    3>创建多线程对象；
    4>对象调用start()方法，开启一个线程




3.实现Runnable接口

实现代码
new Thread(new Runnable(){
	public void run(){
		while(true){
			try {
					Thread.sleep(2000);
			} catch (InterruptedException e) {
					e.printStackTrace();
			}
			System.out.println(Thread.currentThread().getName());
			}
	 }
}).start();

方法步骤

    1>定义一个类（如PrimeRun）实现Runnable接口，覆盖Runnable接口中的run方法；
    2>通过Thread类建立线程对象，将Runnable接口的子类实例对象作为实际参数传递给Thread类的构造方法；




4.两种方式的对比分析

相对于继承Thread类来说，实现Runnable接口有以下优点

    1>适合多个线程处理同一资源的情况；
    2>可以避免java单继承带来的局限性；
    3>有利于程序的健壮性，代码能被多个线程共享，实现代码和数据的独立。

大家好，在网上看到过很多vue源码的解析，大多是copy和摘抄的，少有自己的理解，所以下决心花时间整理一遍自己对vue源码的理解。我只是一个普普通通的码农，如果本文有写的不对之处，希望各路大神指正，谢谢！
vue版本：2.5.17
源代码相关链接：https://cdn.bootcdn.net/ajax/libs/vue/2.5.17/vue.js
首先，本人采取的是最简单的debugger调试方法，按照步骤与逻辑分层次解析vue源码，我认为这是最快、最简单、也是最有效的方法。本文使用的vue调试代码如下：
<div id="main">
  <h1>count: {{times}}</h1>
  <p @click="cons">{{text}}</p>
</div>
<script src="./vue2.5.17/dist/vue.js"></script>
<script>
  var timeId = null
  var vm = new Vue({
    el: '#main',
    data: function () {
      return {
        times: 1,
        text: "我的"
      };
    },
    created: function () {
      var me = this;
      timeId = setInterval(function () {
        me.times++;
      }, 1000);
    },
    methods: {
      cons() {
        console.log(6211)
        debugger
        this.text = "你的"
      }
    }
  });

这是一个非常简单的例子，但可以很好地帮助我们解读vue的整个运行流程。
render渲染篇
首先找到mount周期函数，查看options的值，其实就是我们使用new Vue创建的实例对象





下面是template的值，即即将渲染的模板（html字符串）



然后进入创建编译函数createCompileToFunctionFn



进入createCompiler里，得到ast的值，即一个id为main的标签，内部包含三个字节点，分别是h1标签，文本标签（换行符标签），p标签



下面是code属性的render值

进入mountComponent函数



主要是调用了callHook方法，实现beforeMount（加载前的）生命周期



进入callHook方法，调用pushTarget和popTarget方法，完成生命周期beforeMount（此时vm的_hasHookEvent未定义，不需要绑定事件）



下面是_hasHookEvent方法:



这里关键的一步是给当前实例vm，绑定更新的函数_update,然后生成watcher实例，实现vm和更新组件的监视，当数据改变时，即通过watcher来通知更新。



进入watcher函数



之后进入到get方法，去获取数据



在pushTarget函数里通过Dep绑定刚才Watcher监视数据的变化，h1标签中的times数据变成了1，这时通过vm实例绑定的_update方法。





先调用_render方法，得到id为main的节点后，调用_update方法。



之后通过__patch__方法，



对新旧节点进行对比

主要去研究这句代码：

createChildren(vnode, children, insertedVnodeQueue);



之后销毁旧的节点，进入



函数销毁

之后原节点销毁了，被新节点取代。



经过一系列的判断，进入parseHTML



渲染的大致流程是使用indexOf寻找开头的div标签，即”<”，最后将全部标签渲染到页面上。

在大数据分析和产品、运营优化方面，大数据分析方法是其核心，那么如何做好数据分析呢，今天我们来讲讲互联网运营中的数据分析方法。
1.细分分析
细分分析是分析的基础，单一维度下的指标数据的信息价值很低。
细分方法可以分为两类，一类逐步分析，比如：来北京市的访客可分为朝阳，海淀等区;另一类是维度交叉，如：来自付费SEM的新访客。细分用于解决所有问题。比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。
2.对比分析
对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值，通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。常见的对比方法包括：时间对比，空间对比，标准对比。时间对比有三种：同比，环比，定基比。例如：本周和上周进行对比就是环比;本月第一周和上月第一周对比就是同比;所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。
3.漏斗分析
转化漏斗分析是业务分析的基本模型，最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。
漏斗帮助我们解决两方面的问题：在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。
4.同期群分析
大数据的数据有多大？同期群(cohort)分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。
同期群分析深受欢迎的重要原因是十分简单，但却十分直观。同期群只用简单的一个图表，直接描述了用户在一段时间周期(甚至是整个LTV)的留存或流失变化情况。以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。
5.聚类分析
聚类分析具有简单，直观的特征，网站分析中的聚类主要分为：用户，页面或内容，来源。
用户聚类主要体现为用户分群，用户标签法;页面聚类则主要是相似，相关页面分组法;来源聚类主要包括渠道，关键词等。例如：在页面分析中，经常存在带?参数的页面。比如：资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。