图像的手绘效果
概念与原理
我们都知道手绘图效果的特征主要有：
- 黑白灰色
- 边界线条较重
- 相同或相近色彩趋于白色
- 略有光源效果
核心原理：
利用像素之间的梯度值和虚拟深度值对图像进行重构，根据灰度变化来模拟人类视觉的模拟程度。
把图像看成二维离散函数，灰度梯度其实就是这个二维离散函数的求导，用差分代替微分，求取图像的灰度梯度。常用的一些灰度梯度模板有：Roberts 梯度、Sobel 梯度、Prewitt 梯度、Laplacian 梯度。
以Sobel 梯度计算来解释：
梯度方向及图像灰度增大的方向，其中梯度方向的梯度夹角大于平坦区域的梯度夹角。如下图所示，灰度值增加的方向梯度夹角大，此时梯度夹角大的方向为梯度方向。对应在图像中寻找某一点的梯度方向即通过计算该点与其8邻域点的梯度角，梯度角最大即为梯度方向。
图像的数组形式与变换
其中，需要用到的方法：
- Image.open( ): 打开图片
- np.array( ) : 将图像转化为数组
- convert("L"): 将图片转换成二维灰度图片
- Image.fromarray( ): 将数组还原成图像uint8格式
实现思路步骤：
1、梯度的重构
numpy的梯度函数np.gradient(a) ： 计算数组a中元素的梯度，f为多维时，返回每个维度的梯度。
离散梯度： xy坐标轴连续三个x轴坐标对应的y轴值：a, b, c 其中b的梯度是（c-a）/2，而c的梯度是： (c-b)/1。
当为二维数组时，np.gradient(a) 得出两个数组，第一个数组对应最外层维度的梯度，第二个数组对应第二层维度的梯度。
代码如下：
grad=np.gradient(a)
grad_x,grad_y=grad
grad_x = grad_x * depth / 100.#对grad_x值进行归一化
grad_y = grad_y * depth / 100.#对grad_y值进行归一化
2、构造guan光源效果
设计一个位于图像斜上方的虚拟光源，光源相对于图像的视角为Elevation,方位角为Azimuth，建立光源对各点梯度值的影响函数，运算出各点的新像素值：
其中：
np.cos(evc.el) : 单位光线在地平面上的投射长度。
dx、dy、dz ：光源对xyz三方向的影响程度。
3、梯度归一化
- 构造x和y轴梯度的三维归一化单位坐标系；
- 梯度与光源相互作用，将梯度转化为灰度。
4、图像生成
im2 = Image.fromarray(a2.astype('uint8')) #重构图像
im2.save('fcityHandDraw.jpg')
实验相关库
【numpy库介绍】
numpy的全称是Numerical Python，是Python的一个扩展程序库，它不仅针对数组运算提供了大量的函数库，而且它还能够支持维度数组与矩阵运算。重要的是，numpy内部解除了CPython中的全局解释器锁（GIL），运行效率非常好，是处理大量数组类结构和机器学习框架的基础库！
【numpy库安装】
一般使用pip install numpy进行安装，对于进行机器学习和大数据分析的小朋友，强烈推荐安装Anaconda，其中含有大量的机器学习和数据相关的Python模块，安装成功后即可使用了，不用浪费时间了。
安装成功后，我们在Python编译器中进行测试，使用import numpy，如果不报错，说明我们的numpy安装无误了。
【numpy库基本使用】
Numpy中定义的最重要使用最频繁的对象就是ndarray的N维数组类型。
它描述相同类型（dtype）的元素集合，可以使用基于零的索引访问集合中的项目，它的类似Python中的列表索引。我们学习numpy库，首先得学习ndarray对象。
ndarray的创建方式如下：
numpy.array(object, dtype =None, copy =True, order =None, subok =False, ndmin =0)
各参数解释如下：
【object】：数组或嵌套的数列
【dtype】：数组元素的数据类型，可选
【copy 】：对象能否复制，可选
【order】：创建数组的样式，C为行方向，F为列方向，A为任意方向，默认为A
【subok】：默认返回一个与基类类型一致的数组
【ndmin】：指定生成数组的最小维度
代码如下
from PIL import Image import numpy as np vec_el = np.pi/2.2 # 光源的俯视角度，弧度值 vec_az = np.pi/4. # 光源的方位角度，弧度值 depth = 10. # (0-100) im = Image.open('fcity.jpg').convert('L') a = np.asarray(im).astype('float') grad = np.gradient(a) #取图像灰度的梯度值 grad_x, grad_y = grad #分别取横纵图像梯度值 grad_x = grad_x*depth/100. grad_y = grad_y*depth/100. dx = np.cos(vec_el)np.cos(vec_az) #光源对x 轴的影响 dy = np.cos(vec_el)np.sin(vec_az) #光源对y 轴的影响 dz = np.sin(vec_el) #光源对z 轴的影响 A = np.sqrt(grad_x**2 + grad_y**2 + 1.) uni_x = grad_x/A uni_y = grad_y/A uni_z = 1./A a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化 a2 = a2.clip(0,255) im2 = Image.fromarray(a2.astype('uint8')) #重构图像 im2.save('fcityHandDraw.jpg')
我们导入一个图片试试看什么效果。
实验结果
运行程序后
拓展程序
我们可以运用我们之前学习的异常处理方法加入到现有的程序。
代码如下
from PIL import Image import numpy as np try: vec_el = np.pi/2.2 # 光源的俯视角度，弧度值 vec_az = np.pi/4. # 光源的方位角度，弧度值 depth = 10. # (0-100) im = Image.open('fcity.jpg').convert('L') a = np.asarray(im).astype('float') grad = np.gradient(a) #取图像灰度的梯度值 grad_x, grad_y = grad #分别取横纵图像梯度值 grad_x = grad_x*depth/100. grad_y = grad_y*depth/100. dx = np.cos(vec_el)np.cos(vec_az) #光源对x 轴的影响 dy = np.cos(vec_el)np.sin(vec_az) #光源对y 轴的影响 dz = np.sin(vec_el) #光源对z 轴的影响 A = np.sqrt(grad_x**2 + grad_y**2 + 1.) uni_x = grad_x/A uni_y = grad_y/A uni_z = 1./A a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化 a2 = a2.clip(0,255) im2 = Image.fromarray(a2.astype('uint8')) #重构图像 im2.save('fcityHandDraw.jpg') print("输出图像手绘成功") except: print("文件名错误")
这样就把我们之前学到的异常处理的例子学以致用了。
我们来运行一下吧。
实验结果
实验前：
实验后
我们看到我们这个程序对文件名用严格的要求，如果文件名有误，程序就无法运行，就会报错。我们接下来用错误的文件名试一下，看看会输出什么。
第三方库批量安装程序
大家经常在运行python文件时，经常报错，缺少第三方库文件，我们一个一个安装十分麻烦，我们就编写了一个可以批量安装第三方库文件的程序。大家也可以在如下程序中libs中添加自己想要的库文件。
代码实现
import os libs = {"numpy","matplotlib","pillow","sklearn","requests",\ "jieba","beautifulsoup4","wheel","networkx","sympy",\ "pyinstaller","django","flask","werobot","pyqt5",\ "pandas","pyopengl","pypdf2","docopt","pygame"} try: for lib in libs: os.system("pip install "+lib) print("Successful") except: print("Failed Somehow")
体育竞技分析
一.random简介
random库是用于产生并运用随机数的标准库。Python中的主要使用是让其掌握在程序中运用随机数的能力。
random常见随机函数有9个:seed()、random()、randint()、getrandbits()、randrange()、uniform()、choice()、shuffle()、sample().
二、各函数使用方法
random.seed(a)作用:设置初始化随机数种子a
参数:
a:随机数种子,可以是整数或浮点数
用random库产生随机数不一定要设置随机数种子，如果不设置,则random库默认以系统时间产生当作随机数种子。设置种子的好处是可以重复再现相同的随机数序列
作用:设置初始化随机数种子a
random.random()作用:生成一个[0.0,1.0)之间的随机小数参数:无
random.randint(a,b)作用:生成一个[a,b]之间的随机整数
参数:
a：随机区间的开始值,整数
b：随机区间的结束值，随机数包含结束值整数
random.getrandbits(k)作用：生成一个k比特长度的随机整数
参数:
k:长度的整数值
random.randrange(start,stop[,step])作用:生成一个[start,stop)之间以step为步数的随机整数参数：start：随机区间的开始值,整数stop：随机区间的结束值，随机数包含结束值，整数step：随机区间的步长值，整数。步长值可选，如果不设定步长，默认步长为1
random.uniform(a,b)作用:生成一个[a,b]之间的随机小数
参数:
a：随机区间的开始值，整数或浮点数
b：随机区间的结束值，随机数包含结束值，整数或浮点数
random.choice(seq)作用:从序列类型(例如列表)seq中随机返回一个元素
参数:
seq：序列类型,例如列表类型
random.shuffle(seq)作用:从序列类型seq中元素随机排列，返回打乱后的序列
参数:
seq:序列类型，例如列表类型
调用该函数后，序列类型变量seq将被改变
random.sample(pop,k)作用:从pop类型中随机选取k个元素，以列表类型返回。
参数:
pop:序列类型,例如列表类型
k:选取的个数,整数
代码实现
from random import random def printIntro(): print("这个程序模拟两个选手A和B的某种竞技比赛") print("程序运行需要A和B的能力值（以0到1之间的小数表示）") def getInputs(): a = eval(input("请输入选手A的能力值(0-1): ")) b = eval(input("请输入选手B的能力值(0-1): ")) n = eval(input("模拟比赛的场次: ")) return a, b, n def simNGames(n, probA, probB): winsA, winsB = 0, 0 for i in range(n): scoreA, scoreB = simOneGame(probA, probB) if scoreA > scoreB: winsA += 1 else: winsB += 1 return winsA, winsB def gameOver(a,b): return a==15 or b==15 def simOneGame(probA, probB): scoreA, scoreB = 0, 0 serving = "A" while not gameOver(scoreA, scoreB): if serving == "A": if random() < probA: scoreA += 1 else: serving="B" else: if random() < probB: scoreB += 1 else: serving="A" return scoreA, scoreB def printSummary(winsA, winsB): n = winsA + winsB print("竞技分析开始，共模拟{}场比赛".format(n)) print("选手A获胜{}场比赛，占比{:0.1%}".format(winsA, winsA/n)) print("选手B获胜{}场比赛，占比{:0.1%}".format(winsB, winsB/n)) def main(): printIntro() probA, probB, n = getInputs() winsA, winsB = simNGames(n, probA, probB) printSummary(winsA, winsB) main()
实验结果
今天就讲到这里，下一篇我们继续分享python的案例。
