【21天python打卡】第20天 python经典案例(6)

简介: ​大家好,今天是21天python打卡的第20天。今天我们重点通过案例图像的手绘效果,学习python中numpy库的相关知识,通过自己所学的知识进行拓展,使用try语句实现对异常结果的处理,其次,我们分享了如何批量安装python的第三方库文件,最后,我们通过案例体育竞技分析,学习了random的相关知识,相信大家每天学习一点知识,总有一天会变得越来越厉害。

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。


102.jpeg


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:

0.jpeg


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

1.jpeg


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

2.jpeg

3.png


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。

4.png


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

3.png


今天就讲到这里,下一篇我们继续分享python的案例。

相关文章
|
19天前
|
机器学习/深度学习 数据可视化 数据挖掘
Python编程的深入探索与实用案例
Python编程的深入探索与实用案例
19 3
|
4天前
|
数据采集 机器学习/深度学习 数据可视化
数据挖掘实战:Python在金融数据分析中的应用案例
Python在金融数据分析中扮演关键角色,用于预测市场趋势和风险管理。本文通过案例展示了使用Python库(如pandas、numpy、matplotlib等)进行数据获取、清洗、分析和建立预测模型,例如计算苹果公司(AAPL)股票的简单移动平均线,以展示基本流程。此示例为更复杂的金融建模奠定了基础。【6月更文挑战第13天】
20 3
|
4天前
|
存储 缓存 Python
野生的Python装饰器案例
野生的Python装饰器案例
|
8天前
|
开发者 Python
入门实战丨Python小游戏经典案例
入门实战丨Python小游戏经典案例
15 4
|
9天前
|
存储 算法 搜索推荐
掌握区间合并:解决实际问题的算法策略和应用案例【python LeetCode题目56】
掌握区间合并:解决实际问题的算法策略和应用案例【python LeetCode题目56】
|
9天前
|
存储 算法 安全
LeetCode 题目 49:字母异位词分组 5种算法实现与典型应用案例【python】
LeetCode 题目 49:字母异位词分组 5种算法实现与典型应用案例【python】
|
10天前
|
SQL 供应链 数据可视化
python可视化练习:一家运动服装品牌销售数据的可视化改进案例研究
python可视化练习:一家运动服装品牌销售数据的可视化改进案例研究
|
13天前
|
Python 容器
GitHub狂揽6700 Star,Python进阶必备的案例、技巧与工程实践
当下是 Python 急剧发展的时代,越来越多的人开始学习和使用Pyhon,而大家也遇到了各种问题。这份手册清晰、细致地介绍了 Python 代码应该遵循的编程风格,并解释了背后的原理和机制。
|
19天前
|
Python 容器
GitHub狂揽6700 Star,Python进阶必备的案例、技巧与工程实践
当下是 Python 急剧发展的时代,越来越多的人开始学习和使用Pyhon,而大家也遇到了各种问题。这份手册清晰、细致地介绍了 Python 代码应该遵循的编程风格,并解释了背后的原理和机制。 入门 Python 语言相对简单,但写出优雅的代码并非易事。这份手册深入讲解了 Python进阶知识的方方面面,并配以许多有趣的案例故事,使读者能更轻松地理解各种原理,并更好地将其运用于日常工作。
|
20天前
|
机器学习/深度学习 算法 数据挖掘
4小时学完!15年技术大牛用247个实战案例剖析的Python教程
今天给小伙伴们分享一份15年技术大牛用247个实战案例剖析的Python教程,这份教程全程彩图讲解,告别枯燥!60秒学会⼀个⼩例⼦,带你系统学习Python,从⼊门到⼤师。 涵盖了Python基础、Python字符串和正则、Python⽂件和⽇期、Python三⼤利器、Python绘图、Python之坑、Python第三⽅包、机器学习和深度学必知算法、Python实战、Pandas数据分析案例实战十大篇幅的精品案例教程