01_Opencv图像处理入门

序

6月28号回家，玩、开始有写博客的想法、玩、看完Python基础，终于终于终于开始写Deep Learning的部分了

一、环境搭建

因为没啥基础，我这里用的是最low的开发平台
win10+Anaconda 3+Python 3.6+OpenCV 3.4.2+TensorFlow 1.13
整个搭建过程还算是比较简单的，唯一可能出现的问题就是网速很慢，网上有很多教程，自行百度，我就简单介绍一下安装过程

• 下载安装Anaconda，官网上会提供3.6和2.7两个版本，自行选择

• 安装完成打开，Anaconda Navigator创建一个新的环境，点击左下角create如图

  
  创建环境

• 创建完成后，需要安装OpenCV和TensorFlow两个库

  
  OpenCV安装
  TensorFlow安装

• 最后在搭建的环境下安装Notebook

  
  安装Notebook

二、入门基础

1. 使用OpenCV实现图像的读、写、操作

import cv2  #引入OpenCV包
img=cv2.imread('image0.jpg',1)  #读取图片，第一个参数是文件名，第二个参数0表示读取灰色图像，1表示读取彩色图像
## 1.写入对象 2.源图像 3.写入图像质量
cv2.imwrite('imageTest.jpg',img,[cv2.IMWRITE_JPEG_QUALITY,50])
#1M 100k 10k 0-100 有损压缩
#-----------------------------------------------------------------------
(b,g,r)=img[100,100]  #利用元组读取对应像素点的数据
print (b,g,r)
# 修改数据
for i in range(1,100):  
    img[i,100]=(255,0,0)

cv2.imshow('image',img) #图片展示，1.展示图像名称 2.图像源
cv2.waitKey(0)  #等待，与c语言的控制台显示一样意思

2. Numpy和Matplot的基本用法
严格意义上来说还需要掌握Pandas，这三个是数据处理必要的小技能了，

import numpy as np
import matplotlib.pyplot as plt

你大概需要掌握这些：

• Numpy创建数组
  1.使用np.array()由python list创建
  2.使用np的routines函数创建
  2.1 np.ones()
  2.2 zeros()
  2.3 np.full()
  2.4 np.eye()
  2.5 np.linspace()
  2.6 arange()
  2.7 randint()
  2.8 randn() 正态分布
  2.9 normal() 正态分布
  2.10 random_sample() 生成0到1的随机数

• Numpy查看数组属性
  1.数组元素个数
  2.数组形状
  3.数组维度
  4.数组元素类型

• 数组的基本操作
  1.索引
  2.切片
  3.变形
  4.级联
  5.切分

• Numpy计算
  条件运算
  统计运算
  数组运算
  矩阵运算
  矩阵的广播

1. 认识Matploblib
   1.1 Figure
   1.2 Axes
   1.3 Multiple Axes

2. 基本绘图
   2.1 线
   2.2 散点图
   2.3 条形图
   2.4 直方图
   2.5 饼图

3. 图信息修改
   3.1 区间上下限
   3.2 图例说明
   3.3 区间分段
   3.4 布局
   3.5 轴相关

其实我也不是很会，起码做到心里有数吧，我放上几个参考链接：
Numpy基本用法
菜鸟教程 Numpy使用方法
matplot的基本用法
3. TensorFlow的基本概念与用法

Tensorflow是一种计算图模型，即用图的形式来表示运算过程的一种模型。Tensorflow程序一般分为图的构建和图的执行两个阶段。

图的构建阶段也称为图的定义阶段：在图模型中定义所需的运算，每次运算的的结果以及原始的输入数据都可称为一个节点
图模型的构建阶段：只在图中定义所需要的运算，而没有去执行运算

这里通过代码的形式对TensorFlow的基本用法进行介绍：
源码：主要参考的是我学习的慕课网的人工智能图像处理入门课程

• 常量与变量的定义以及Session的两种运行方式

import tensorflow as tf
#定义一个常量
data1 = tf.constant(2,dtype=tf.int32)
#声明一个变量
data2 = tf.Variable(10,name='var')
print(data1)
print(data2)
'''
两种方式的主要差别在于，后一种不需要调用.close()方法
sess = tf.Session()
print(sess.run(data1))
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(data2))
sess.close()
# 本质 tf = tensor + 计算图
# tensor 数据
# op 
# graphs 数据操作
# session
'''
init = tf.global_variables_initializer()
sess = tf.Session()
with sess:
    sess.run(init)
    print(sess.run(data2))
#--------------------------------------
Tensor("Const_4:0", shape=(), dtype=int32)
<tf.Variable 'var_4:0' shape=() dtype=int32_ref>
2
10

• 四则运算

import tensorflow as tf
data1 = tf.constant(6)
data2 = tf.Variable(2)
dataAdd = tf.add(data1,data2)
dataCopy = tf.assign(data2,dataAdd)# dataAdd ->data2
dataMul = tf.multiply(data1,data2)
dataSub = tf.subtract(data1,data2)
dataDiv = tf.divide(data1,data2)
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(dataAdd))
    print(sess.run(dataMul))
    print(sess.run(dataSub))
    print(sess.run(dataDiv))
    print('sess.run(dataCopy)',sess.run(dataCopy))#8->data2
    print('dataCopy.eval()',dataCopy.eval())#8+6->14->data = 14
    print('tf.get_default_session()',tf.get_default_session().run(dataCopy))
print('end!')
#-----------------------------------------------------------
8
12
4
3.0
sess.run(dataCopy) 8
dataCopy.eval() 14
tf.get_default_session() 20
end!

• 矩阵基础

#placehold
import tensorflow as tf
data1 = tf.placeholder(tf.float32)
data2 = tf.placeholder(tf.float32)
dataAdd = tf.add(data1,data2)
with tf.Session() as sess:
    print(sess.run(dataAdd,feed_dict={data1:6,data2:2}))
    # 1 dataAdd 2 data (feed_dict = {1:6,2:2})
print('end!')
#----------------------------
8.0
end!
#-------------------------------
#类比 数组 M行N列 []   内部[]  [里面 列数据]   [] 中括号整体 行数
#[[6,6]] [[6,6]]
import tensorflow as tf
data1 = tf.constant([[6,6]])
data2 = tf.constant([[2],
                     [2]])
data3 = tf.constant([[3,3]])
data4 = tf.constant([[1,2],
                     [3,4],
                     [5,6]])
print(data4.shape)# 维度
with tf.Session() as sess:
    print(sess.run(data4)) #打印整体
    print(sess.run(data4[0]))# 打印某一行
    print(sess.run(data4[:,0]))#MN 列
    print(sess.run(data4[0,1]))# 1 1  MN = 0 32 = M012 N01
#-----------------------------------------------------
(3, 2)
[[1 2]
 [3 4]
 [5 6]]
[1 2]
[1 3 5]
2

import tensorflow as tf
mat0 = tf.constant([[0,0,0],[0,0,0]])
mat1 = tf.zeros([2,3])
mat2 = tf.ones([3,2])
mat3 = tf.fill([2,3],15)
with tf.Session() as sess:
    #print(sess.run(mat0))
    #print(sess.run(mat1))
    #print(sess.run(mat2))
    print(sess.run(mat3))
#-----------------------------------------
8.0
end!
#---------------------------------------
#---------------------------------------
import tensorflow as tf
mat1 = tf.constant([[2],[3],[4]])
mat2 = tf.zeros_like(mat1)
mat3 = tf.linspace(0.0,2.0,11)
mat4 = tf.random_uniform([2,3],-1,2)
with tf.Session() as sess:
    print(sess.run(mat2))
    print(sess.run(mat3))
    print(sess.run(mat4))
#-------------------------------------------
[[0]
 [0]
 [0]]
[ 0.          0.2         0.40000001  0.60000002  0.80000001  1.
  1.20000005  1.39999998  1.60000002  1.80000007  2.        ]
[[ -1.66177750e-04   7.87446260e-01  -4.10951853e-01]
 [ -9.58950400e-01   1.97116375e-01  -2.69421697e-01]]

小结

也算是正式开始研究生生活，我总感觉自己能潇洒的好日子不多了。希望能坚持下去，周更吧！