精华内容
下载资源
问答
  • 3D图形在数据分析、数据建模、图形和图像处理等领域中都有着广泛的应用,下面将给大家介绍一下如何使用python进行3D图形的绘制,包括3D散点、3D表面、3D轮廓、3D直线(曲线)以及3D文字等的绘制。准备工作:python中...

    3D图形在数据分析、数据建模、图形和图像处理等领域中都有着广泛的应用,下面将给大家介绍一下如何使用python进行3D图形的绘制,包括3D散点、3D表面、3D轮廓、3D直线(曲线)以及3D文字等的绘制。

    准备工作:

    python中绘制3D图形,依旧使用常用的绘图模块matplotlib,但需要安装mpl_toolkits工具包,安装方法如下:windows命令行进入到python安装目录下的Scripts文件夹下,执行: pip install --upgrade matplotlib即可;linux环境下直接执行该命令。

    安装好这个模块后,即可调用mpl_tookits下的mplot3d类进行3D图形的绘制。

    下面以实例进行说明。

    1、3D表面形状的绘制

    from mpl_toolkits.mplot3d import Axes3D

    import matplotlib.pyplot as plt

    import numpy as np

    fig = plt.figure()

    ax = fig.add_subplot(111, projection='3d')

    # Make data

    u = np.linspace(0, 2 * np.pi, 100)

    v = np.linspace(0, np.pi, 100)

    x = 10 * np.outer(np.cos(u), np.sin(v))

    y = 10 * np.outer(np.sin(u), np.sin(v))

    z = 10 * np.outer(np.ones(np.size(u)), np.cos(v))

    # Plot the surface

    ax.plot_surface(x, y, z, color='b')

    plt.show()

    这段代码是绘制一个3D的椭球表面,结果如下:

    832c2ac4ec75b7c50a3c04d3b288c904.png

    2、3D直线(曲线)的绘制

    import matplotlib as mpl

    from mpl_toolkits.mplot3d import Axes3D

    import numpy as np

    import matplotlib.pyplot as plt

    mpl.rcParams['legend.fontsize'] = 10

    fig = plt.figure()

    ax = fig.gca(projection='3d')

    theta = np.linspace(-4 * np.pi, 4 * np.pi, 100)

    z = np.linspace(-2, 2, 100)

    r = z**2 + 1

    x = r * np.sin(theta)

    y = r * np.cos(theta)

    ax.plot(x, y, z, label='parametric curve')

    ax.legend()

    plt.show()

    这段代码用于绘制一个螺旋状3D曲线,结果如下:

    be69fc02373ade76d0248292fa8fe47c.png

    3、绘制3D轮廓

    from mpl_toolkits.mplot3d import axes3d

    import matplotlib.pyplot as plt

    from matplotlib import cm

    fig = plt.figure()

    ax = fig.gca(projection='3d')

    X, Y, Z = axes3d.get_test_data(0.05)

    cset = ax.contour(X, Y, Z, zdir='z', offset=-100, cmap=cm.coolwarm)

    cset = ax.contour(X, Y, Z, zdir='x', offset=-40, cmap=cm.coolwarm)

    cset = ax.contour(X, Y, Z, zdir='y', offset=40, cmap=cm.coolwarm)

    ax.set_xlabel('X')

    ax.set_xlim(-40, 40)

    ax.set_ylabel('Y')

    ax.set_ylim(-40, 40)

    ax.set_zlabel('Z')

    ax.set_zlim(-100, 100)

    plt.show()

    绘制结果如下:

    1a0509e0140d667bc9b703a6f009cd49.png

    4、绘制3D直方图

    from mpl_toolkits.mplot3d import Axes3D

    import matplotlib.pyplot as plt

    import numpy as np

    fig = plt.figure()

    ax = fig.add_subplot(111, projection='3d')

    x, y = np.random.rand(2, 100) * 4

    hist, xedges, yedges = np.histogram2d(x, y, bins=4, range=[[0, 4], [0, 4]])

    # Construct arrays for the anchor positions of the 16 bars.

    # Note: np.meshgrid gives arrays in (ny, nx) so we use 'F' to flatten xpos,

    # ypos in column-major order. For numpy >= 1.7, we could instead call meshgrid

    # with indexing='ij'.

    xpos, ypos = np.meshgrid(xedges[:-1] + 0.25, yedges[:-1] + 0.25)

    xpos = xpos.flatten('F')

    ypos = ypos.flatten('F')

    zpos = np.zeros_like(xpos)

    # Construct arrays with the dimensions for the 16 bars.

    dx = 0.5 * np.ones_like(zpos)

    dy = dx.copy()

    dz = hist.flatten()

    ax.bar3d(xpos, ypos, zpos, dx, dy, dz, color='b', zsort='average')

    plt.show()

    绘制结果如下:

    53ae631d1636bbc1290737f4def34ad4.png

    5、绘制3D网状线

    from mpl_toolkits.mplot3d import axes3d

    import matplotlib.pyplot as plt

    fig = plt.figure()

    ax = fig.add_subplot(111, projection='3d')

    # Grab some test data.

    X, Y, Z = axes3d.get_test_data(0.05)

    # Plot a basic wireframe.

    ax.plot_wireframe(X, Y, Z, rstride=10, cstride=10)

    plt.show()

    绘制结果如下:

    b4b55fab2a79a8b0e15b6121e3b3a722.png

    6、绘制3D三角面片图

    from mpl_toolkits.mplot3d import Axes3D

    import matplotlib.pyplot as plt

    import numpy as np

    n_radii = 8

    n_angles = 36

    # Make radii and angles spaces (radius r=0 omitted to eliminate duplication).

    radii = np.linspace(0.125, 1.0, n_radii)

    angles = np.linspace(0, 2*np.pi, n_angles, endpoint=False)

    # Repeat all angles for each radius.

    angles = np.repeat(angles[..., np.newaxis], n_radii, axis=1)

    # Convert polar (radii, angles) coords to cartesian (x, y) coords.

    # (0, 0) is manually added at this stage, so there will be no duplicate

    # points in the (x, y) plane.

    x = np.append(0, (radii*np.cos(angles)).flatten())

    y = np.append(0, (radii*np.sin(angles)).flatten())

    # Compute z to make the pringle surface.

    z = np.sin(-x*y)

    fig = plt.figure()

    ax = fig.gca(projection='3d')

    ax.plot_trisurf(x, y, z, linewidth=0.2, antialiased=True)

    plt.show()

    绘制结果如下:

    40d550d209ded1e42c6fc29c65cc9308.png

    7、绘制3D散点图

    from mpl_toolkits.mplot3d import Axes3D

    import matplotlib.pyplot as plt

    import numpy as np

    def randrange(n, vmin, vmax):

    '''

    Helper function to make an array of random numbers having shape (n, )

    with each number distributed Uniform(vmin, vmax).

    '''

    return (vmax - vmin)*np.random.rand(n) + vmin

    fig = plt.figure()

    ax = fig.add_subplot(111, projection='3d')

    n = 100

    # For each set of style and range settings, plot n random points in the box

    # defined by x in [23, 32], y in [0, 100], z in [zlow, zhigh].

    for c, m, zlow, zhigh in [('r', 'o', -50, -25), ('b', '^', -30, -5)]:

    xs = randrange(n, 23, 32)

    ys = randrange(n, 0, 100)

    zs = randrange(n, zlow, zhigh)

    ax.scatter(xs, ys, zs, c=c, marker=m)

    ax.set_xlabel('X Label')

    ax.set_ylabel('Y Label')

    ax.set_zlabel('Z Label')

    plt.show()

    绘制结果如下:

    3d07beab0ccee95b3b02170a386bda25.png

    8、绘制3D文字

    from mpl_toolkits.mplot3d import Axes3D

    import matplotlib.pyplot as plt

    fig = plt.figure()

    ax = fig.gca(projection='3d')

    # Demo 1: zdir

    zdirs = (None, 'x', 'y', 'z', (1, 1, 0), (1, 1, 1))

    xs = (1, 4, 4, 9, 4, 1)

    ys = (2, 5, 8, 10, 1, 2)

    zs = (10, 3, 8, 9, 1, 8)

    for zdir, x, y, z in zip(zdirs, xs, ys, zs):

    label = '(%d, %d, %d), dir=%s' % (x, y, z, zdir)

    ax.text(x, y, z, label, zdir)

    # Demo 2: color

    ax.text(9, 0, 0, "red", color='red')

    # Demo 3: text2D

    # Placement 0, 0 would be the bottom left, 1, 1 would be the top right.

    ax.text2D(0.05, 0.95, "2D Text", transform=ax.transAxes)

    # Tweaking display region and labels

    ax.set_xlim(0, 10)

    ax.set_ylim(0, 10)

    ax.set_zlim(0, 10)

    ax.set_xlabel('X axis')

    ax.set_ylabel('Y axis')

    ax.set_zlabel('Z axis')

    plt.show()

    绘制结果如下:

    7dae8928a9449a09223e5b418d924984.png

    9、3D条状图

    from mpl_toolkits.mplot3d import Axes3D

    import matplotlib.pyplot as plt

    import numpy as np

    fig = plt.figure()

    ax = fig.add_subplot(111, projection='3d')

    for c, z in zip(['r', 'g', 'b', 'y'], [30, 20, 10, 0]):

    xs = np.arange(20)

    ys = np.random.rand(20)

    # You can provide either a single color or an array. To demonstrate this,

    # the first bar of each set will be colored cyan.

    cs = [c] * len(xs)

    cs[0] = 'c'

    ax.bar(xs, ys, zs=z, zdir='y', color=cs, alpha=0.8)

    ax.set_xlabel('X')

    ax.set_ylabel('Y')

    ax.set_zlabel('Z')

    plt.show()

    绘制结果如下:

    70e0a885576cd98e204ecb5a55b15151.png

    2017.09.21

    展开全文
  • 目前PIL的官方最新版本为1.1.7,支持的版本为python 2.5, 2.6, 2.7,并不支持python3,但有高手把它重新编译生成python3下可安装的exe了。这一非官方下载或者直接点下面:PIL-1.1.7.win32-py3.2.‌exe [994 KB] ...

    目前PIL的官方最新版本为1.1.7,支持的版本为python 2.5, 2.6, 2.7,并不支持python3,但有高手把它重新编译生成python3下可安装的exe了。这一非官方下载

    或者直接点下面:

    PIL-1.1.7.win32-py3.2.‌exe  [994 KB]  [Python 3.2]  [32 bit]  [Jul 03, 2012]

    PIL-1.1.7.win32-py3.3.‌exe  [988 KB]  [Python 3.3b1]  [32 bit]  [Jul 03, 2012]

    最近在做一件比较 evil 的事情——验证码识别,以此来学习一些新的技能。因为我是初学,对图像处理方面就不太了解了,欲要利吾事,必先利吾器,既然只是做一下实验,那用 Python 来作原型开发再好不过了。在 Python 中,比较常用的图像处理库是 PIL(Python Image Library),当前版本是 1.1.7 ,用起来非常方便。大家可以在 http://www.pythonware.com/products/pil/index.htm 下载和学习。

    在这里,我主要是介绍一下做图像识别时可能会用到的一些 PIL 提供的功能,比如图像增强、还有滤波之类的。最后给出使用 Python 做图像处理与识别的优势与劣势。

    基本图像处理

    使用 PIL 之前需要 import Image 模块

    注意:在python3中,请使用from PIL import Image,不要使用import Image

    import Image  #python2

    from PIL import Image #python3

    然后你就可以使用Image.open(‘xx.bmp’) 来打开一个位图文件进行处理了。打开文件你不用担心格式,也不用了解格式,无论什么格式,都只要把文件名丢给 Image.open 就可以了。真所谓 bmp、jpg、png、gif……,一个都不能少。

    img = Image.open(‘origin.png’)    # 得到一个图像的实例对象 img

    图 1原图

    图像处理中,最基本的就是色彩空间的转换。一般而言,我们的图像都是 RGB 色彩空间的,但在图像识别当中,我们可能需要转换图像到灰度图、二值图等不同的色彩空间。 PIL 在这方面也提供了极完备的支持,我们可以:

    new_img = img.convert(‘L’)

    把 img 转换为 256 级灰度图像, convert() 是图像实例对象的一个方法,接受一个 mode 参数,用以指定一种色彩模式,mode 的取值可以是如下几种:

    · 1 (1-bit pixels, black and white, stored with one pixel per byte)

    · L (8-bit pixels, black and white)

    · P (8-bit pixels, mapped to any other mode using a colour palette)

    · RGB (3x8-bit pixels, true colour)

    · RGBA (4x8-bit pixels, true colour with transparency mask)

    · CMYK (4x8-bit pixels, colour separation)

    · YCbCr (3x8-bit pixels, colour video format)

    · I (32-bit signed integer pixels)

    · F (32-bit floating point pixels)

    怎么样,够丰富吧?其实如此之处,PIL 还有限制地支持以下几种比较少见的色彩模式:LA (L with alpha), RGBX (true colour with padding) and RGBa (true colour with premultiplied alpha)。

    下面看一下 mode 为 ‘1’、’L’、’P’时转换出来的图像:

    图 2 mode = '1'

    图 3 mode = 'L'

    图 4 mode = 'P'

    convert() 函数也接受另一个隐含参数 matrix,转换矩阵 matrix 是一个长度为4 或者16 tuple。下例是一个转换 RGB 空间到 CIE XYZ 空间的例子:

    rgb2xyz = (

    0.412453, 0.357580, 0.180423, 0,

    0.212671, 0.715160, 0.072169, 0,

    0.019334, 0.119193, 0.950227, 0 )

    out = im.convert("RGB", rgb2xyz)

    除了完备的色彩空间转换能力外, PIL 还提供了resize()、rotate()等函数以获得改变大小,旋转图片等几何变换能力,在图像识别方面,图像实例提供了一个 histogram() 方法来计算直方图,非常方便实用。

    图像增强

    图像增强通常用以图像识别之前的预处理,适当的图像增强能够使得识别过程达到事半功倍的效果。 PIL 在这方面提供了一个名为 ImageEnhance 的模块,提供了几种常见的图像增强方案:

    import ImageEnhance

    enhancer = ImageEnhance.Sharpness(image)

    for i in range(8):

    factor = i / 4.0

    enhancer.enhance(factor).show("Sharpness %f" % factor)

    上面的代码即是一个典型的使用 ImageEnhance 模块的例子。 Sharpness 是 ImageEnhance 模块的一个类,用以锐化图片。这一模块主要包含如下几个类:Color、Brightness、Contrast和Sharpness。它们都有一个共同的接口 .enhance(factor) ,接受一个浮点参数 factor,标示增强的比例。下面看看这四个类在不同的 factor 下的效果

    图 5 使用Color 进行色彩增强,factor 取值 [0, 4],步进 0.5

    图 6 用 Birghtness 增强亮度,factor取值[0,4],步进0.5

    图 7用 Contrast 增强对比度, factor 取值 [0,4],步进0.5

    图 8用 Sharpness 锐化图像,factor取值 [0,4],步进0.5

    图像 Filter

    PIL 在 Filter 方面的支持是非常完备的,除常见的模糊、浮雕、轮廓、边缘增强和平滑,还有中值滤波、ModeFilter等,简直方便到可以做自己做一个Photoshop。这些 Filter 都放置在 ImageFilter 模块中,ImageFilter主要包括两部分内容,一是内置的 Filter,如 BLUR、DETAIL等,另一部分是 Filter 函数,可以指定不同的参数获得不同的效果。示例如下:

    import ImageFilter

    im1 = im.filter(ImageFilter.BLUR)

    im2 = im.filter(ImageFilter.MinFilter(3))

    im3 = im.filter(ImageFilter.MinFilter()) # same as MinFilter(3)

    可以看到 ImageFilter 模块的使用非常简单,每一个 Filter 都只需要一行代码就可调用,开发效率非常高。

    图 9使用 BLUR

    图 10使用 CONTOUR

    图 11使用 DETAIL

    图 12使用 EMBOSS

    图 13使用 EDGE_ENHANCE

    图 14使用 EDGE_ENHANCE_MORE

    图 15使用 FIND_EDGES

    图 16使用 SHARPEN

    图 17使用 SMOOTH

    图 18使用 SMOOTH_MORE

    以上是几种内置的 Filter 的效果图,除此之外, ImageFilter 还提供了一些 Filter 函数,下面我们来看看这些可以通过参数改变行为的 Filter 的效果:

    图 19使用 Kernel(),参数:size = (3, 3), kernel = (0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5)

    图 20使用 MaxFilter,默认参数

    图 21使用 MinFilter,默认参数

    图 22使用 MedianFilter,默认参数

    图 23使用 ModeFilter,参数 size = 3

    图 24使用 RankFilter,参数 size = 3, rank = 3

    小结

    到此,对 PIL 的介绍就告一段落了。总的来说,对于图像处理和识别,PIL 内建了强大的支持,从各种增强算法到 Filter ,都让人无法怀疑使用 Python 的可行性。 Python唯一的劣势在于执行时间过慢,特别是当实现一些计算量大的算法时候,需要极强的耐心。我曾用 Hough Transform(霍夫变换)来查找图像中的直线,纯 Python 的实现处理一个 340 * 100 的图片也要花去数秒时间(P4 3.0G + 1G memory)。但使用 PIL 无需关注图像格式、内建的图像增强算法和 Filter 算法,这些优点使 Python 适合用于构造原型和进行实验,在这两方面Python 比 matlab 更加方便。商业的图像识别产品开发,可以考虑已经被 boost accepted的来自 adobe 的开源 C++ 库 gil,可以兼顾执行性能和开发效率。

    原文:http://blog.csdn.net/lanphaday/article/details/1852726

    展开全文
  • 一、本节简述本节主要讲解图像的一些基础知识,以及图像的加载和获得属性,最后将会学到 OpenCV 摄像头的简单使用。二、图像基本知识1、图像是什么:图像是客观对象的一种相似性的、生动性的描述或写真,是人类社会...

    一、本节简述

    本节主要讲解图像的一些基础知识,以及图像的加载和获得属性,最后将会学到 OpenCV 摄像头的简单使用。

    二、图像基本知识

    1、图像是什么:

    图像是客观对象的一种相似性的、生动性的描述或写真,是人类社会活动中最常用的信息载体。或者说图像是客观对象的一种表示,它包含了被描述对象的有关信息。

    2、图像基本属性有哪些:

    通道数目、高与宽、像素数据、图像类型

    三、示例代码

    import cv2 as cv

    def video_demo():

    #打开0号摄像头,捕捉该摄像头实时信息

    #参数0代表摄像头的编号

    #有多个摄像头的情况下,可用编号打开摄像头

    #若是加载视频,则将参数改为视频路径,cv.VideoCapture加载视频是没有声音的,OpenCV只对视频的每一帧进行分析

    capture=cv.VideoCapture(0)

    while(True):

    #获取视频的返回值 ref 和视频中的每一帧 frame

    ref,frame=capture.read()

    #加入该段代码将使拍出来的画面呈现镜像效果

    #第二个参数为视频是否上下颠倒 0为上下颠倒 1为不进行上下颠倒

    frame= cv.flip(frame,1)

    #将每一帧在窗口中显示出来

    cv.imshow("video",frame)

    #设置视频刷新频率,单位为毫秒

    #返回值为键盘按键的值

    c=cv.waitKey(50)

    #27为 Esc 按键的返回值

    if c==27:

    break

    def get_image_info(image):

    #图像类别

    #图像类别为numpy.dnarray,即n维数组

    print(type(image))

    #获取图像通道数目

    #返回值如:(900, 640, 3)

    # 这三个数字代表图片纵向像素、横向像素和通道数目

    print(image.shape)

    #图像总大小,计算公式为:长*宽*通道数目

    print(image.size)

    #每个像素点所占字节位数

    print(image.dtype)

    #读入图片文件

    src=cv.imread('textImg.jpg')

    get_image_info(src)

    #将图片保存为 testSave.png

    cv.imwrite("testSave.png",src)

    video_demo()

    #等待用户操作

    cv.waitKey(0)

    #释放所有窗口

    cv.destroyAllWindows()

    展开全文
  • cv2.resize(src,dsize,dst=None,fx=None,fy=None,interpolation=None):图像的尺寸可以自己手动设置,你也可以指定缩放因子。我们可以选择使用不同的插值方法。在缩放时我们推荐使用 cv2.INTER_AREA,在扩展时我们...

    颜色空间转换

    转换颜色空间

    要用到的函数是:cv2.cvtColor(input_image ,flag),其中 flag就是转换类型。
    对于 BGR↔Gray 的转换,我们要使用的 flag 就是 cv2.COLOR_BGR2GRAY。
    同样对于 BGR↔HSV 的转换,我们用的 flag 就是 cv2.COLOR_BGR2HSV。

    物体跟踪

    知道如何从BGR转换到HSV,可以用来提取带有某个特定颜色的物体,在 HSV 颜色空间中要比在 BGR 空间中更容易表示一个特定颜色。关于HSV的颜色范围

           • 从视频中获取每一帧图像
      • 将图像转换到 HSV 空间
      • 设置 HSV 阈值到某颜色范围。
      • 获取指定色物体,当然我们还可以做其他任何我们想做的事,比如:在蓝色物体周围画一个圈。

    import cv2
    import numpy as np
    
    cap = cv2.VideoCapture(r'shipin.mp4')
    
    while(1):
        ret, frame = cap.read()
        hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
     
        # 设置灰色的HSV颜色范围 
        lower_gray = np.array([0, 0, 46])
        upper_gray = np.array([180, 43, 220])
    
        mask = cv2.inRange(hsv, lower_gray, upper_gray)
    
        res = cv2.bitwise_and(frame, frame, mask=mask)
    
        cv2.imshow('frame', frame)
        cv2.imshow('mask', mask)
        cv2.imshow('res', res)
        k = cv2.waitKey(5) & 0xFF
        if k ==27:
            break
    
    cv2.destroyAllWindows()

    要同时提取多个颜色,将各mask相加就能同时显示了:

    mask_green = cv2.inRange(hsv, lower_green, upper_green)
    mask_yellow = cv2.inRange(hsv, lower_yellow, upper_yellow)
    mask = mask_yellow + mask_green
    res = cv2.bitwise_and(frame, frame, mask=mask)

    几何变换

    扩展缩放

    cv2.resize(src,dsize,dst=None,fx=None,fy=None,interpolation=None):图像的尺寸可以自己手动设置,你也可以指定缩放因子。我们可以选择使用不同的插值方法。在缩放时我们推荐使用 cv2.INTER_AREA,在扩展时我们推荐使用 v2.INTER_CUBIC(慢) 和 v2.INTER_LINEAR。默认情况下所有改变图像尺寸大小的操作使用的插值方法都是 cv2.INTER_LINEAR。

    scr:输入图片。  dsize:输出图像尺寸 。dst:输出图片。fx:沿水平轴的比例因子(缩放系数)。  fy:沿垂直轴的比例因子(缩放系数)。  interpolation:插值方法。

    img = cv2.imread('timg.jpg')
    res = cv2.resize(img, None, fx=0.25, fy=0.25, interpolation=cv2.INTER_CUBIC) # 缩放为原图的四分之一
    height, width = img.shape[:2]
    # res = cv2.resize(img,(2*width, 2*height), interpolation=cv2.INTER_CUBIC) #dsize=(2*width,2*height),图片扩大两倍
    while(1):
        cv2.imshow('res', res)
        #cv2.imshow('img', img)
        if cv2.waitKey(1) & 0xFF == 27:
            break

     

     

    展开全文
  • Python3图像处理之识别图像中的文字

    千次阅读 2019-02-12 15:32:55
    ②安装pytesser3:pip install pytesser3 ③安装pytesseract:pip install pytesseract ④安装autopy3: 先安装wheel:pip install wheel 下载autopy3-0.51.1-cp36-cp36m-win_amd64.whl【点击打...
  • ImageFilter模块包含预定义...这个库的3.3.x版本提供下面一组预定义图像的增强过滤器: 1.BLUR 2.CONTOUR 3.DETALL 4.EDGE_ENHANCE 5.EDGE_EHANCE_MORE 6.EMBOSS 7.FIND_EDGES 8.SMOOTH 9.SMOOTH_MORE 10....
  • 生成全黑图height = 100width = 300img = np.zeros((height,width,3), dtype='uint8')生成全白height = 100width = 300img = np.full((height,width,3), 255, dtype='uint8')剪切从 300 × 300 的图像截图出 100×...
  • Python数字图像处理

    千次阅读 2017-06-21 13:58:01
    转:宁静家园python数字图像处理(1):环境安装和配置python数字图像处理(2):图像的读取、显示与保存python数字图像处理3):图像像素的访问与裁剪python数字图像处理(4):图像数据类型及颜色空间转换python...
  • python数字图像处理

    千次阅读 2018-08-07 22:08:50
    这里博客是自己做的个系统整理,主要说的是python在数字图像处理方面的应用,主要用到的库有PIL和skimage PIL库 1、用python简单处理图片:打开、显示、保存图像 2、用python简单处理图片:图像通道、几何变换...
  • 看这个视频3Python 在图形学方面的应用,请看。本书主要讲授如何利用Python实现计算机图形学相关的绘制,包括基本元素的绘制、二维和三维坐标变换、透视、相交、删除隐藏线、着色、数据拟合及曲面绘制等,并通过两...
  • 第1 章 图像处理入门 11.1 什么是图像处理图像处理的应用 21.1.1 什么是图像以及...61.3.1 安装pip 61.3.2 在Python 中安装图像处理库 61.3.3 安装Anaconda 发行版 71.3.4 安装Jupyter 笔...
  • 彩色图像的访问形式:image[i, j, c]其中,i表示图片的行数,j表示图片的列数,c表示图片的通道数(RGB三通道分别对应0,1,2),坐标是从左上角开始的。灰度图片访问方式为:gray[i, j]例一:输出小猫图片的G通道中的...
  • Python Imaging Library (PIL)是python下的图像处理模块,支持多种格式,并提供强大的图形与图像处理功能。目前PIL的官方最新版本为1.1.7,支持的版本为python 2.5, 2.6, 2.7,并不支持python3,但有高手把它重新...
  • 这篇文章主要介绍了python Pillow图像处理方法汇总,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下安装:pip install pillow操作图像:#!/usr/bin/env python3#...
  • Python图像处理3

    千次阅读 2016-10-01 12:52:23
    cv2.fastNlMeansDenoisingMulti():适用于短时间的图像序列(灰度图像)。imgtoDenoiseIndex设置哪些帧需要去噪,需要传入一个帧的索引。temporaWindowSize设置用于去噪的相邻帧的数目(奇数)。在这种情况下...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,190
精华内容 1,276
关键字:

python3图像处理

python 订阅