快速學(xué)完OpenCV+python計算機(jī)視覺圖像處理（二）

快速學(xué)完OpenCV+python計算機(jī)視覺圖像處理（?）2計算機(jī)視覺?門之OpenCV?門、TensorFlow?門2-1本章介紹本章主要內(nèi)容：OpenCV初識OpenCV?件結(jié)構(gòu)Demo1圖?讀?。簣D?封裝格式、壓縮編碼Demo2圖?寫?：圖?質(zhì)量Demo3像素操作：矩陣顏?空間課程?結(jié)OpenCV是?個開源的計算機(jī)視覺庫，應(yīng)?領(lǐng)域很?泛，在地圖、導(dǎo)航、?機(jī)、嵌?式等等應(yīng)?很常見。2-2下Mac?站式開發(fā)環(huán)境anaconda搭建Mac版本的詳細(xì)搭建流程我??試了，其實?同?異，?家可以根據(jù)下?我給的鏈接按照操作?步?步搭建，很簡單的。1.下載并安裝anaconda2.下載并安裝tensorflow和OpenCV3.下載并安裝notebook點擊，附上Mac詳細(xì)安裝教程2-3Windows下?站式開發(fā)環(huán)境anaconda搭建這個視頻??講的是tf1.x版本的，雖然現(xiàn)在?業(yè)界很多都還是使?的1.x版本，但是2.x確實?1.x強(qiáng)?很多，也在慢慢轉(zhuǎn)換成2.x，?家也可以學(xué)習(xí)2.x版本的TensorFlow。1.下載并安裝anaconda2.下載并安裝tensorflow和OpenCV3.下載并安裝notebook點擊，附W上indows詳細(xì)安裝教程2-4測試案例HelloWorld#1import2string3printimporttensorflowastfhello=tf.constant('hellotf!')sess=tf.Session()print(sess.run(hello))#常量sessprint這?必須使?tf1.x版本，如果你的是tf2.x版本建議降級之后再使?importcv2print('helloopencv')2-5案例1：圖?的讀取和展?importcv2img=cv2.imread('image0.jpg',1)cv2.imshow('image',img)cv2.waitKey(0)2-6Opencv模塊組織結(jié)構(gòu)這?介紹了各個模塊中的功能。其中，?較重要的模塊有core、imgcodecs、imgproc、ml、photo這?個模塊。2-7案例2：圖?寫?圖??件分為?件頭和?件數(shù)據(jù)，不同的?件格式（jpg、png等），?件頭和?件數(shù)據(jù)都是不?樣的，?件數(shù)據(jù)也是?件進(jìn)?壓縮編碼后的?件數(shù)據(jù)，??部分的?件頭描述的就是數(shù)據(jù)部分的的解碼信息和以及附加信息，解碼器可以根據(jù)附加信息將?件數(shù)據(jù)還原成圖像最原始的數(shù)據(jù)。代碼如下：importcv2#1?件的讀取2封裝格式解析3數(shù)據(jù)解碼4數(shù)據(jù)加載img=cv2.imread('image0.jpg',1)cv2.imshow('image',img)#jpgpng1?件頭2?件數(shù)據(jù)cv2.waitKey(0)#1.14M130kimportcv2img=cv2.imread('image0.jpg',1)cv2.imwrite('image1.jpg',img)#1name2data2-8案例3：不同圖?質(zhì)量保存不同圖?質(zhì)量也就是不同壓縮?的圖?。1.JPEGJPEG是有損壓縮，壓縮?為0-100，為0時，壓縮?越?，越模糊；為100時，壓縮?越低，越清晰（見下圖）importcv2img=cv2.imread('image_jpg.jpg',1)#1M100k10k0-100有損壓縮cv2.imwrite('imageTest0.jpg',img,[cv2.IMWRITE_JPEG_QUALITY,0])cv2.imwrite('imageTest100.jpg',img,[cv2.IMWRITE_JPEG_QUALITY,100])imageTest0=cv2.imread('imageTest0.jpg',1)imageTest100=cv2.imread('imageTest100.jpg',1)cv2.imshow('img',img)cv2.imshow('imageTest0',imageTest0)cv2.imshow('imageTest100',imageTest100)cv2.waitKey(0)2.PNGPNG是?損壓縮，壓縮?為0-9；為0時，壓縮?越低，越清晰；為9時，壓縮?越?，越模糊importcv2image_png=cv2.imread('image_png.png',1)#1M100k10k0-100有損壓縮cv2.imwrite('imageTest0.png',image_png,[cv2.IMWRITE_PNG_COMPRESSION,0])cv2.imwrite('imageTest9.png',image_png,[cv2.IMWRITE_PNG_COMPRESSION,9])imageTest0=cv2.imread('imageTest0.png',1)imageTest9=cv2.imread('imageTest9.png',1)cv2.imshow('image_png',image_png)cv2.imshow('imageTest0',imageTest0)cv2.imshow('imageTest9',imageTest9)cv2.waitKey(0)直觀上，PNG圖?看不出來有啥?變化，但是看直接看圖???，我們可以清晰的看到為0時圖???和原圖?樣，為9時?了很多。2-9像素操作基礎(chǔ)我們看到的每?張圖?或者視頻??的每?幀，其實都是由像素點組成的，那么什么是像素點呢？百度吧！，上?都有，這?就不說了。下圖中，表??個像素點由RGB三種顏?組成，RGB每?個基?都有8位，也就是0~255，?計算機(jī)只能識別?進(jìn)制，所以下?那串?dāng)?shù)字就是對應(yīng)計算機(jī)中讀取到的這個像素點的數(shù)值。下圖中，第6點是png圖?有個α系數(shù)，表?透明系數(shù)。還有，我們的彩?圖像的通道由B、G、R這個順序組成的。2-10案例4：像素讀取寫?不要偷懶，?動敲?邊。這?有個?技巧，當(dāng)我們輸?某?個函數(shù)，不知道這個函數(shù)括號??的變量是什么意思的時候，我們輸??個左括號或者第?個變量之后輸??個逗號，都會提?你下?個變量寫什么，如果真的不知道什么意思，可以按住ctrl+點擊?標(biāo)左鍵進(jìn)?函數(shù)內(nèi)部查看也有可能是ctrl+alt+?標(biāo)左鍵，就?如我的電腦按住ctrl+左鍵就只是顯??堆|這個豎線。根據(jù)個?情況?議。接下來就是像素讀取寫?代碼：importcv2img=cv2.imread('1.jpg',1)#讀取圖?，其中0表?讀?彩?圖?，-1表?灰度圖?，1表?保留讀取圖?原有的顏?通道#上??句也可以?以下?式表?img_color=cv2.imread('1.jpg',cv2.IMREAD_COLOR)#可以?0表?cv2.IMREAD_COLORimg_gray=cv2.imread('1.jpg',cv2.IMREAD_GRAYSCALE)#可以?-1表?cv2.IMREAD_GRAYSCALEimg_unchanged=cv2.imread('1.jpg',cv2.IMREAD_UNCHANGED)#可以?1表?cv2.IMREAD_UNCHANGED(b,g,r)=img[50,50]#img[50,50]表?img50,50在這個位置的像素點，因為是三通道，分別對應(yīng)著、BG、R，千萬不能弄錯print(b,g,r)#輸出結(jié)果為251252250#50,150-->150,150，即畫?條豎線foriinrange(1,150):img[50+i,150]=(0,0,255)#(0,0,255)表?紅?#150,50-->150,150，即畫?條橫線foriinrange(1,150):img_color[150,50+i]=(0,255,0)#(0,255,0)表?綠?#50,50-->150,150，即將左上到右下組成的的矩形進(jìn)?內(nèi)部填充foriinrange(1,150):forjinrange(1,150):img_gray[50+i,50+j]=255#255??#50,150-->150,50，即將左下到右上組成的的矩形進(jìn)?內(nèi)部填充foriinrange(1,150):forjinrange(1,150):img_unchanged[50+i,150-j]=(255,0,0)#(255,0,0)表?藍(lán)?cv2.imshow("img",img)cv2.imshow("img_color",img_color)cv2.imshow("img_gray",img_gray)cv2.imshow("img_unchanged",img_unchanged)cv2.waitKey(0)2-11tensorflow常量變量定義importtensorflowastfdata1=tf.constant(2,dtype=32)data2=tf.Variable(10,name='var')print(data1)print(data2)sess=tf.Session()print(sess.run(data1))sess.run(tf.global_variables_initializer())print(sess.run(data2))2-12tensorflow運算原理下?內(nèi)容只適?于tf1.x版本，tf2.x拋棄了張量，所以想要運?必須下載1.x版本。importtensorflowastfdata1=tf.constant(2,dtype=32)data2=tf.Variable(10,name='var')print(data1)print(data2)sess=tf.Session()print(sess.run(data1))'''sess.run(tf.global_variables_initializer())print(sess.run(data2))sess.close()#關(guān)閉會話，如果不?close，也可以?with進(jìn)?關(guān)閉#本質(zhì)tf=tensor+計算圖#tensor數(shù)據(jù)#op#graphs數(shù)據(jù)操作#session'''init=tf.global_variables_initializer()sess=tf.Session()withsess:sess.run(init)print(sess.run(data2))2-13常量變量四則運算importtensorflowastfdata1=tf.constant(6)data2=tf.constant(2)dataAdd=tf.add(data1,data2)dataSub=tf.subtract(data1,data2)dataMul=tf.multiply(data1,data2)dataDiv=tf.divide(data1,data2)withtf.Session()assess:print("data1+data2={}".format(sess.run(dataAdd)))print("data1-data2={}".format(sess.run(dataSub)))print("data1*data2={}".format(sess.run(dataMul)))print("data1/data2={}".format(sess.run(dataDiv)))print('end!')運?結(jié)果為：data1+data2=8data1-data2=4data1*data2=12data1/data2=3.0end!上?都是常亮的加減乘除，下?修改?個值為變量進(jìn)?加減乘除看看效果：importtensorflowastfdata1=tf.constant(6)#data2=tf.constant(2)將data2=tf.Variable(2)#data2改為變量dataAdd=tf.add(data1,data2)dataCopy=tf.assign(data2,dataAdd)#dataAdd的值復(fù)制給data2將data26+2=8為，這時dataSub=tf.subtract(data1,data2)dataMul=tf.multiply(data1,data2)dataDiv=tf.divide(data1,data2)init=tf.global_variables_initializer()#存在變量，需要進(jìn)?初始化withtf.Session()assess:sess.run(init)print("data1+data2={}".format(sess.run(dataAdd)))print("data1-data2={}".format(sess.run(dataSub)))print("data1*data2={}".format(sess.run(dataMul)))print("data1/data2={}".format(sess.run(dataDiv)))print("sess.run(dataCopy)=",sess.run(dataCopy))#值為8print("dataCopy.eval()=",dataCopy.eval())#8+6=14->dataCopyprint("tf.get_default_session()=",tf.get_default_session().run(dataCopy))#14+6=20->dataCopy,eval功能?樣和上?print('end!')運?結(jié)果為：data1+data2=8data1-data2=4data1*data2=12data1/data2=3.0sess.run(dataCopy)=8dataCopy.eval()=14tf.get_default_session()=20end!2-14矩陣基礎(chǔ)1placeholder，中?意思是占位符，在tensorflow中類似于函數(shù)參數(shù)，運?時必須傳?值。importtensorflowastfdata1=tf.placeholder(tf.float32)#這?通過placeholder先填坑data2=tf.placeholder(tf.float32)dataAdd=tf.add(data1,data2)withtf.Session()assess:#通過feed_dict()函數(shù)向占位符喂?數(shù)據(jù)，?字典的?式填坑print(sess.run(dataAdd,feed_dict={data1:8,data2:6}))print('end')運?結(jié)果：14.0end以下是矩陣基礎(chǔ)知識：importtensorflowastf#外?的中括號表?這是?個矩陣，??的中括號表?這是???列data1=tf.constant([[8,8]])data2=tf.constant([[2],[2]])data3=tf.Variable(6,name='var')print('data1:',data1)#直接輸出不會打印矩陣，輸出的第?個表?常量還是變量，第?個表?形狀，第三個表?類型print('data2:{}'.format(data2))#format?法和上??樣data3=tf.constant([[3,3]])data4=tf.constant([[1,3],[2,4],[7,8]])print('data3.shape:',data3.shape)print('data4.shape:',data4.shape)withtf.Session()assess:print(sess.run(data4))#打印整體print(sess.run(data4[1]))#打印某??print(sess.run(data4[:,0]))#表:?打印所有?，0表?打印第?列print(sess.run(data4[0,1]))#0,1表?打印第1?第?列的數(shù)print('end!')運?結(jié)果：data1:Tensor("Const:0",shape=(1,2),dtype=int32)data2:Tensor("Const_1:0",shape=(2,1),dtype=int32)data3.shape:(1,2)data4.shape:(3,2)[[13][24][78]][24][127]3end!2-15矩陣基礎(chǔ)2矩陣的?播在??有介紹。importtensorflowastfdata1=tf.constant([[6,6]])data2=tf.constant([[2],[3]])data3=tf.constant([[2,2]])data4=tf.constant([[1,2],[4,5],[8,9]])#相同維度的矩陣加法matAdd=tf.add(data1,data3)#這?data1data4的維度不同，?了?播的特性，將低維擴(kuò)展成?維data1，變成data4相同維度，且每??相同和matAdd2=tf.add(data1,data4)#矩陣乘法,要滿?矩陣相乘格式，即第?個矩陣列要和第?個矩陣?相同matMul=tf.matmul(data1,data2)#這?乘法是將矩陣中對應(yīng)元素各?相乘，不同維度??播特性，并且數(shù)據(jù)類型必須相同，否則報錯matMul2=tf.multiply(data1,data4)withtf.Session()assess:print(sess.run(matAdd))print(sess.run(matAdd2))print(sess.run(matMul))print(sess.run(matMul2))運?結(jié)果如下：[[88]][[78][1011][1415]][[30]][[612][2430][4854]]2-16矩陣基礎(chǔ)3?定要???敲，多動?，多思考，??寫?遍寫多遍，代碼如下：importtensorflowastf#這?定義了?個2?3列全0的矩陣，很?煩data1=tf.constant([[0,0,0],[0,0,0]])#這?直接?zeros函數(shù)給定?個2?3列全0的矩陣,默認(rèn)float32型，很簡單data2=tf.zeros([2,3])#這?直接?ones函數(shù)給定?個3?2列全1的矩陣,格式轉(zhuǎn)為int32型data3=tf.ones([3,2],dtype=32)#這?直接?fill函數(shù)填充?個全為8866的?列的矩陣data4=tf.fill([6,6],88)#這?定義了?個3?1列的矩陣data5=tf.constant([[6],[8],[6]])#這?直接?zeros_like給定了?個格式像data5全為0的矩陣data6=tf.zeros_like(data5)#這?直接?ones_like給定了?個格式像data5全為1的矩陣data7=tf.ones_like(data5)#這?調(diào)?了linspace函數(shù)，將0.0-3.0等分為5等份，開始為0.0，結(jié)束為3.0data8=tf.linspace(0.,3.,5)#這?調(diào)?random_uniform函數(shù)，隨機(jī)?成-2~2之間的6?6列的數(shù)組，最?值為-2，最?值為2data9=tf.random_uniform([6,6],-2,2)withtf.Session()assess:print('===========data1===========')print(sess.run(data1))print('===========data2===========')print(sess.run(data2))print('===========data3===========')print(sess.run(data3))print('===========data4===========')print(sess.run(data4))print('===========data5===========')print(sess.run(data5))print('===========data6===========')print(sess.run(data6))print('===========data7===========')print(sess.run(data7))print('===========data8===========')print(sess.run(data8))print('===========data9===========')print(sess.run(data9))運?結(jié)果如下：===========data1===========[[000][000]]===========data2===========[[0.0.0.][0.0.0.]]===========data3===========[[11][11][11]]===========data4===========[[888888888888][888888888888][888888888888][888888888888][888888888888][888888888888]]===========data5===========[[6][8][6]]===========data6===========[[0][0][0]]===========data7===========[[1][1][1]]===========data8===========[0.0.751.52.253.]===========data9===========[[0.111971861.41248081.0134263-1.9970236-0.47386456-0.9146967][1.03463130.63341760.422109131.95678230.5573721-0.5008154][-1.36026050.28631544-1.11301761.01303430.254903321.5334082][-1.5158668-1.18222621.2910948-0.194971561.22649531.0197816][1.9740758-0.839287760.094179151.73914670.5077319-0.6977172][-0.21380329-1.28175590.6250396-0.394576071.6598969-0.43963957]]2-17numpy模塊使?更多numpy相關(guān)的功能請查看代碼如下：#使?numpy模塊進(jìn)?增(Create)\(Delete)\(Update)\(Read)==CURD刪改查importnumpyasnp?#array創(chuàng)建?個?維數(shù)組data1=np.array([1,2,3,4,5,6])#array創(chuàng)建?個?維數(shù)組?data2=np.array([[1,2,3],[4,5,6]])print(data1)print('===========beforeupdate===========')print(data2)#shape表?維度print('data1.shape:{0}\ndata2.shape:{1}'.format(data1.shape,data2.shape))#numpyoneszeros這些都和TensorFlow?樣的和print(np.ones([3,3]))print(np.zeros(([2,2])))#修改data2中第2?第2列的數(shù)據(jù)為88data2[1,1]=88print('===========afterupdate===========')print(data2)#讀取data2第2?第2列的數(shù)據(jù)print(data2[1,1])#定義?個2?3列全為1的矩陣data3=np.ones([2,3])#矩陣與數(shù)字基本運算print('data3=\n',data3)print('data3+3=\n',data3+3)#data3直接與3相加print('data3-3=\n',data3-3)#data3直接與3相減print('data3*3=\n',data3*3)#data3直接與3相乘print('data3/3=\n',data3/3)#data3直接與3相除#兩個矩陣的+和*，當(dāng)然不同，不同維度就會產(chǎn)??播特性data4=np.array([[1,2,1],[4,5,4]])print('data3+data4=\n',data3+data4)#由于data3為全為1print('data3*data4=\n',data3*data4)運?結(jié)果如下：[123456]===========beforeupdate===========[[123][456]]data1.shape:(6,)data2.shape:(2,3)[[1.1.1.][1.1.1.][1.1.1.]][[0.0.][0.0.]]===========afterupdate===========[[123][4886]]88data3=[[1.1.1.][1.1.1.]]data3+3=[[4.4.4.][4.4.4.]]data3-3=[[-2.-2.-2.][-2.-2.-2.]]data3*3=[[3.3.3.][3.3.3.]]data3/3=[[0.333333330.333333330.33333333][0.333333330.333333330.33333333]]data3+data4=[[2.3.2.][5.6.5.]]data3*data4=[[1.2.1.][4.5.4.]]2-18matplotlib模塊的使?更多numpy相關(guān)的功能請查看代碼如下：importnumpyasnpimportmatplotlib.pyplotasplt#x=np.array([1,2,3,4,5,6,7,8,9])#y=np.array([5,2,3,7,4,8,10,13,15])#?成1~10(不包括10)，步長為1的9組數(shù)x=np.arange(1,10,1)#隨機(jī)?成3~20之間，??為9的數(shù)組y=np.random.randint(3,20,size=9)#plot是折線圖，x為x軸坐標(biāo)，y為y軸左邊，'r'為顏?,lw=5表?線寬plt.plot(x,y,'r',lw=5)#plt.show()#show就會將折線圖和柱狀圖分為兩個窗?顯?如果這?加上x=np.arange(1,10,1)y=np.random.randint(3,20,size=9)#bar表?，柱狀圖和png圖??樣，這?的alpha也表?透明度，0(完全透明)~1(不透明)plt.bar(x,y,alpha=0.5,color='g')plt.show()運?結(jié)果如下：2-19?綜合：??神經(jīng)?絡(luò)逼近股票價格1股票相信?家都應(yīng)該玩過吧，開盤價<收盤價就是紅?K線圖，我們?情就像吃了蜜?樣甜。開盤價>收盤價就是綠?K線圖，我們的?情就?吃了苦??樣，整個?都不好受。下?就是具體的K線圖。代碼如下所?：importnumpyasnpimporttensorflowastfimportmatplotlib.pyplotasplt#先?linspace?成?組1~15的個數(shù)為15個的等差數(shù)列data=np.linspace(1,15,15,dtype=32)data2=np.arange(1,16)#輸出結(jié)果上??樣，np.arange(1,16)輸出不包括16startPrice=np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])endPrice=np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08])#?動?成隨機(jī)的開始結(jié)束價格#startPrice=np.random.uniform(2500,2600,15)#endPrice=np.random.uniform(2550,2700,15)print("data2:",data2)print('startPrice:',startPrice)print('endPrice:',endPrice)#figure作?為連續(xù)畫?個圖，如果只?畫?個圖，可以不需要,這?只有?個圖，所以可以不?要#plt.figure(num='stock')foriinrange(0,15):#柱狀圖dataSet=np.zeros([2])#?成兩組值為0的數(shù)組，分別?來存放開始結(jié)束價格的橫坐標(biāo)dataSet[0]=idataSet[1]=ipriceSet=np.zeros([2])#?成兩組值為0的數(shù)組，分別?來存放開始結(jié)束價格的價格值priceSet[0]=startPrice[i]priceSet[1]=endPrice[i]#畫線進(jìn)?判斷，如果開始價格結(jié)>束價格，說明是價格下降了，對應(yīng)綠?線KifstartPrice[i]>endPrice[i]:plt.plot(dataSet,priceSet,color='g',lw=6)else:#如果開始價格<結(jié)束價格，說明是價格上漲了，對應(yīng)紅?線Kplt.plot(dataSet,priceSet,color='r',lw=6)plt.show()運?結(jié)果如下：2-20?綜合：??神經(jīng)?絡(luò)逼近股票價格2這?節(jié)的內(nèi)容是將?成的股票價格K線圖?傳統(tǒng)的神經(jīng)?絡(luò)來模擬，下?是具體的過程：從上圖可以看出，輸?層對應(yīng)著天數(shù)，可以??定義，這?是?個15?1列的矩陣。隱藏層設(shè)的是?個1x10的矩陣，輸出層是15x1的矩陣，是?個Javascript庫，?于完全在您的瀏覽器中訓(xùn)練深度學(xué)習(xí)模型（神經(jīng)?絡(luò)），?家可以試試看看。這?是?個訓(xùn)練數(shù)據(jù)的循環(huán)體，將每?次的輸出值和輸?值做差，若果差異?于2%，就會進(jìn)?梯度下降，然后循環(huán)，?直到它們的差異?于2%才會結(jié)束循環(huán)。2-21~2-22?綜合：??神經(jīng)?絡(luò)逼近股票價格3-4代碼如下：#導(dǎo)?必要模塊importtensorflowastfimportnumpyasnpimportmatplotlib.pyplotasplt#date=np.arange(1,16)date=np.linspace(1,15,15)#print(date)startPrice=np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])endPrice=np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08])#print(startPrice)#print(endPrice)plt.f