第6章 Python 数字图像处理(DIP) - 彩色图像处理3 -色彩变换、彩色校正、彩色图像平滑和锐化、HSI彩色空间中的分割、RGB空间中的分割、彩色边缘检测

这里写目录标题

  • 色彩变换
  • 彩色图像平滑和锐化
  • 使用彩色分割图像
      • HSI 彩色空间中的分割
      • RGB空间中的分割
      • 彩色边缘检测
  • 彩色图像中的噪声

色彩变换

# 图像颜色分量的显示
from PIL import Imageimg_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0630(01)(strawberries_fullcolor).tif')
img_cmyk = img_ori.convert("CMYK")img_temp = np.array(img_cmyk)
img_c = img_temp[:, :, 0]
img_m = img_temp[:, :, 1]
img_y = img_temp[:, :, 2]
img_k = img_temp[:, :, 3]plt.figure(figsize=(20, 25))
plt.subplot(541), plt.imshow(img_cmyk), plt.title('Original CMYK')# CMYK, seems is CMY, as K is all black
plt.subplot(545), plt.imshow(img_c, 'gray'), plt.title('Cyan')
plt.subplot(546), plt.imshow(img_m, 'gray'), plt.title('Magenta')
plt.subplot(547), plt.imshow(img_y, 'gray'), plt.title('Yellow')
plt.subplot(5, 4, 8), plt.imshow(img_k, 'gray'), plt.title('Black')# Show RGB channels
img_rgb = np.array(img_ori)
plt.subplot(5, 4, 9), plt.imshow(img_rgb[:, :, 0], 'gray'), plt.title('Red')
plt.subplot(5, 4, 10), plt.imshow(img_rgb[:, :, 1], 'gray'), plt.title('Green')
plt.subplot(5, 4, 11), plt.imshow(img_rgb[:, :, 2], 'gray'), plt.title('Blue')# Show HSI channels
img_hsi = img_ori.convert("HSV")
img_hsi = np.array(img_hsi)
plt.subplot(5, 4, 13), plt.imshow(img_hsi[:, :, 0], 'gray'), plt.title('Hue')
plt.subplot(5, 4, 14), plt.imshow(img_hsi[:, :, 1], 'gray'), plt.title('Saturation')
plt.subplot(5, 4, 15), plt.imshow(img_hsi[:, :, 2], 'gray'), plt.title('Intensity')plt.tight_layout()
plt.show()

在这里插入图片描述

from PIL import Imageimg_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0630(01)(strawberries_fullcolor).tif')
img_cmyk = img_ori.convert("CMYK")img_temp = np.array(img_cmyk)
img_c = img_temp[:, :, 0]
img_m = img_temp[:, :, 1]
img_y = img_temp[:, :, 2]
img_k = img_temp[:, :, 3]plt.figure(figsize=(20, 25))
plt.subplot(541), plt.imshow(img_cmyk), plt.title('Original CMYK')# CMYK, seems is CMY, as K is all black
plt.subplot(545), plt.imshow(img_c, 'gray'), plt.title('Cyan')
plt.subplot(546), plt.imshow(img_m, 'gray'), plt.title('Magenta')
plt.subplot(547), plt.imshow(img_y, 'gray'), plt.title('Yellow')
plt.subplot(548), plt.imshow(img_k, 'gray'), plt.title('Black')# change K value
img_k_new = img_k * 1 + 150
img_cmyk_new = np.dstack((img_c, img_m, img_y, img_k_new))plt.subplot(549), plt.imshow(img_cmyk_new, 'gray'), plt.title('New CMYK')plt.tight_layout()
plt.show()

在这里插入图片描述

def gamma_img(img, c, gamma):img = np.array(img).astype(float)output_img = c * img ** gammaimg_scale = np.uint8((output_img / output_img.max()) * 255)return img_scale
def sigmoid_plot(img, scale):x = np.linspace(img.min(), img.max(), 500)x1 = x - 125y = 1 / (1 + np.exp(-x1 / scale))return x, yplt.plot(x, y)plt.grid()
def sigmoid_transform(img, scale):img = np.array(img).astype(float)img_temp = (img - 125.)img_new = 1 / (1 + np.exp(-img_temp / scale))img_new = np.uint8(normalize(img_new) * 255)return img_new
# 色调和彩色校正
from PIL import Imageimg_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0635(top_ left_flower).tif')plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(img_ori), plt.title('Original')img_colour = sigmoid_transform(img_ori, 30)plt.subplot(132), plt.imshow(img_colour), plt.title('Colour Correct')# x, y = sigmoid_plot(np.array(img_ori), 40)
# plt.subplot(133), sigmoid_plot(np.array(img_ori), 40), plt.title("Transform")x, y = sigmoid_plot(np.array(img_ori), 40)
plt.axes([0.68, 0.15, 0.15, 0.3]), plt.plot(x, y), plt.title("Transform"), plt.grid()# plt.tight_layout()
plt.show()

在这里插入图片描述

# 色调和彩色校正
from PIL import Imageimg_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0635(middle_row_left_chalk ).tif')plt.figure(figsize=(10, 5))
plt.subplot(121), plt.imshow(img_ori), plt.title('Original')img_colour = gamma_img(img_ori, 1, 1.5)plt.subplot(1, 2, 2), plt.imshow(img_colour), plt.title('Colour Correct')plt.tight_layout()
plt.show()

在这里插入图片描述

# 色调和彩色校正
from PIL import Imageimg_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0635(bottom_left_stream).tif')plt.figure(figsize=(10, 5))
plt.subplot(121), plt.imshow(img_ori), plt.title('Original')img_colour = gamma_img(img_ori, 1, 0.5)plt.subplot(1, 2, 2), plt.imshow(img_colour), plt.title('Colour Correct')plt.tight_layout()
plt.show()

在这里插入图片描述

彩色图像平滑和锐化

import numpy as npdef arithmentic_mean(image, kernel):""":param image: input image:param kernel: input kernel:return: image after convolution"""img_h = image.shape[0]img_w = image.shape[1]m = kernel.shape[0]n = kernel.shape[1]# paddingpadding_h = int((m -1)/2)padding_w = int((n -1)/2)image_pad = np.pad(image.copy(), (padding_h, padding_w), mode="constant", constant_values=0)image_convol = image.copy()for i in range(padding_h, img_h + padding_h):for j in range(padding_w, img_w + padding_w):temp = np.sum(image_pad[i-padding_h:i+padding_h+1, j-padding_w:j+padding_w+1] * kernel)image_convol[i - padding_h][j - padding_w] = 1/(m * n) * tempimage_convol = np.uint8(normalize(image_convol) * 255)return image_convol
# 图像颜色分量的显示
from PIL import Image# img_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0638(a)(lenna_RGB).tif')
img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0638(a)(lenna_RGB).tif')
img_ori = img_ori[:, :, ::-1]# Show RGB channels
plt.figure(figsize=(10, 10))
img_rgb = np.array(img_ori)
plt.subplot(2, 2, 1), plt.imshow(img_rgb), plt.title('RGB')
plt.subplot(2, 2, 2), plt.imshow(img_rgb[:, :, 0], 'gray'), plt.title('Red')
plt.subplot(2, 2, 3), plt.imshow(img_rgb[:, :, 1], 'gray'), plt.title('Green')
plt.subplot(2, 2, 4), plt.imshow(img_rgb[:, :, 2], 'gray'), plt.title('Blue')plt.tight_layout()
plt.show()# Show HSI channels
plt.figure(figsize=(15, 5))
img_hsi = cv2.cvtColor(np.array(img_ori), cv2.COLOR_RGB2HSV)
img_hsi = np.array(img_hsi)
plt.subplot(1, 3, 1), plt.imshow(img_hsi[:, :, 0], 'gray'), plt.title('Hue')
plt.subplot(1, 3, 2), plt.imshow(img_hsi[:, :, 1], 'gray'), plt.title('Saturation')
plt.subplot(1, 3, 3), plt.imshow(img_hsi[:, :, 2], 'gray'), plt.title('Intensity')plt.tight_layout()
plt.show()

在这里插入图片描述在这里插入图片描述

# 图像平滑
mean_kernal = np.ones([5, 5])
mean_kernal = mean_kernal / (mean_kernal.size)img_rgb_new = np.zeros(img_rgb.shape, np.uint8)for i in range(3):img_temp = img_rgb[:, :, i]img_dst = arithmentic_mean(img_temp, kernel=mean_kernal)img_rgb_new[:, :, i] = img_dstimg_hsi_new = np.zeros(img_rgb.shape, np.uint8)for i in range(3):if i == 2:img_temp = img_hsi[:, :, i]img_dst = arithmentic_mean(img_temp, kernel=mean_kernal)img_hsi_new[:, :, i] = img_dstelse:img_hsi_new[:, :, i] = img_hsi[:, :, i]img_hsi_rgb = cv2.cvtColor(img_hsi_new, cv2.COLOR_HSV2RGB)img_diff = img_rgb_new - img_hsi_rgbplt.figure(figsize=(15, 5))
plt.subplot(1, 3, 1), plt.imshow(img_rgb_new), plt.title('RGB')
plt.subplot(1, 3, 2), plt.imshow(img_hsi_rgb), plt.title('HSI RGB')
plt.subplot(1, 3, 3), plt.imshow(img_diff), plt.title('Differenc')plt.tight_layout()
plt.show()

在这里插入图片描述

def laplacian_img(img_gray):# 拉普拉期算子,用于边缘检对于检测图像中的模糊也非常有用kernel_laplacian = np.array(([0,1,0],[1,-4,1],[0,1,0]), np.int8)imgkernel_laplacian = cv2.filter2D(img_gray, -1, kernel_laplacian)laplacian_img = np.uint8(normalize(img_gray + imgkernel_laplacian) * 255)return laplacian_img
# 图像锐化
img_rgb_new = np.zeros(img_rgb.shape, np.uint8)for i in range(3):img_temp = img_rgb[:, :, i]img_dst = laplacian_img(img_temp)img_rgb_new[:, :, i] = img_dstimg_hsi_new = np.zeros(img_rgb.shape, np.uint8)for i in range(3):if i == 2:img_temp = img_hsi[:, :, i]img_dst = laplacian_img(img_temp)img_hsi_new[:, :, i] = img_dstelse:img_hsi_new[:, :, i] = img_hsi[:, :, i]img_hsi_rgb = cv2.cvtColor(img_hsi_new, cv2.COLOR_HSV2RGB)img_diff = img_rgb_new - img_hsi_rgbplt.figure(figsize=(15, 5))
plt.subplot(1, 3, 1), plt.imshow(img_rgb_new), plt.title('RGB')
plt.subplot(1, 3, 2), plt.imshow(img_hsi_rgb), plt.title('HSI RGB')
plt.subplot(1, 3, 3), plt.imshow(img_diff), plt.title('Differenc')plt.tight_layout()
plt.show()

在这里插入图片描述

使用彩色分割图像

HSI 彩色空间中的分割

# HSI彩色图像分割img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0642(a)(jupiter_moon_original).tif')
img_ori = img_ori[:, :, ::-1] # BGR 2 RGB# Show HSI channels
plt.figure(figsize=(14, 20))
img_hsi = cv2.cvtColor(np.array(img_ori), cv2.COLOR_RGB2HSV)plt.subplot(4, 2, 1), plt.imshow(img_ori), plt.title('Ori')
plt.subplot(4, 2, 2), plt.imshow(img_hsi[:, :, 0], 'gray'), plt.title('Hue')
plt.subplot(4, 2, 3), plt.imshow(img_hsi[:, :, 1], 'gray'), plt.title('Saturation')
plt.subplot(4, 2, 4), plt.imshow(img_hsi[:, :, 2], 'gray'), plt.title('Intensity')# Threshold
img_s = normalize(img_hsi[:, :, 1])
thresh = 0.255 #0.255 #img_s.max() * 0.1 + 0.233
print(thresh)img_thresh = img_s.copy()
img_thresh = np.where(img_thresh <= thresh, img_thresh, 1)
img_thresh = np.where(img_thresh > thresh, img_thresh, 0)
plt.subplot(4, 2, 5), plt.imshow(img_thresh, 'gray'), plt.title('Binary Thred of Saturation')# Threshold X Hue
img_thred_hue = img_hsi[:, :, 0] * img_thresh
plt.subplot(4, 2, 6), plt.imshow(img_thred_hue, 'gray'), plt.title('Hue X Binary Thred')# Histogram
plt.subplot(4, 2, 7), plt.hist(img_thred_hue.flatten(), bins=256), plt.title('Hue X Binary Thred')# Binary
img_binary = img_thred_hue.copy()
img_binary = np.where(img_binary <= 125, img_binary, 255) # >125 为1
img_binary = np.where(img_binary > 125, img_binary, 0)  # < 125为0
plt.subplot(4, 2, 8), plt.imshow(img_binary, 'gray'), plt.title('Binary')plt.tight_layout()
plt.show()
0.255

在这里插入图片描述

RGB空间中的分割

  1. 欧氏距离
  2. 协方差矩阵
  3. 边界盒
def rgb_segment(img_rgb, img_roi, d0):"""RGB spatial domain sementation base of ROIparam: img_rgb: input image, RGB channelparam: img_roi: region of interesting of the image where you want to be seperatedparam: d0: the Euculidean distance of the ROI region against othersreturn: img_dst, a mask image range [0, 1]    """mean = np.mean(img_roi, axis=(0, 1))sigma = np.std(img_roi, axis=(0, 1))img_dst = np.zeros(img_rgb.shape[:2])height, width = img_dst.shapefor h in range(height):for w in range(width):temp = img_rgb[h, w]if np.linalg.norm(temp - mean) <= d0:img_dst[h, w] = 1else:img_dst[h, w] = 0return img_dst
# RGB彩色图像分割img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0642(a)(jupiter_moon_original).tif')
# img_ori = img_ori[:, :, ::-1] # BGR 2 RGB
img_rgb = cv2.cvtColor(img_ori, cv2.COLOR_BGR2RGB)plt.figure(figsize=(14, 20))
plt.subplot(4, 2, 1), plt.imshow(img_rgb), plt.title('Ori')# draw rectangle
# img_rect = cv2.rectangle(img_rgb, (60, 240), (98, 315), (255, 255, 255), 2)
# plt.subplot(4, 2, 2), plt.imshow(img_rect), plt.title('ROI')# show ROI
roi = img_rgb[240:315, 60:98, :]
mean = np.mean(roi, axis=(0, 1))
sigma = np.std(roi, axis=(0, 1))
print(f"RGB mean -> {mean}")
print(f"RGB sigma  -> {sigma}")
plt.subplot(4, 2, 3), plt.imshow(roi), plt.title('ROI')img_dst = rgb_segment(img_rgb, roi, d0=38)plt.subplot(4, 2, 4), plt.imshow(img_dst, 'gray'), plt.title('Segment')plt.tight_layout()
plt.show()   
RGB mean -> [146.81298246  40.47473684  42.62385965]
RGB sigma  -> [23.60878011 25.67369246 17.97835714]

在这里插入图片描述

彩色边缘检测

img1_r = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(a)(RGB1-red).tif', -1)
img1_g = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(b)(RGB1-green).tif', -1)
img1_b = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(c)(RGB1-blue).tif', -1)img1_rgb = np.dstack((img1_r, img1_g, img1_b))img2_r = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(e)(RGB2_red).tif', -1)
img2_g = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(f)(RGB2_green).tif', -1)
img2_b = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(g)(RGB2_blue).tif', -1)img2_rgb = np.dstack((img2_r, img2_g, img2_b))plt.figure(figsize=(20, 10))plt.subplot(2, 4, 1), plt.imshow(img1_r, 'gray'), plt.title('R channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 2), plt.imshow(img1_g, 'gray'), plt.title('G channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 3), plt.imshow(img1_b, 'gray'), plt.title('B channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 4), plt.imshow(img1_rgb), plt.title('RGB'), plt.xticks([]), plt.yticks([])plt.subplot(2, 4, 5), plt.imshow(img2_r, 'gray'), plt.title('R channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 6), plt.imshow(img2_g, 'gray'), plt.title('G channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 7), plt.imshow(img2_b, 'gray'), plt.title('B channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 8), plt.imshow(img2_rgb), plt.title('RGB'), plt.xticks([]), plt.yticks([])plt.tight_layout()
plt.show()   

在这里插入图片描述

彩色图像中的噪声

# RGB channel merge to RGB image
img1_r = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0648(a)(lenna-noise-R-gauss-mean0-var800).tif', 0)
img1_g = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0648(b)(lenna-noise-G-gauss-mean0-var800).tif', 0)
img1_b = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0648(c)(lenna-noise-B-gauss-mean0-var800).tif', 0)
img1_rgb = np.dstack((img1_r, img1_g, img1_b))plt.figure(figsize=(10, 10))plt.subplot(2, 2, 1), plt.imshow(img1_r, 'gray'), plt.title('R channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 2, 2), plt.imshow(img1_g, 'gray'), plt.title('G channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 2, 3), plt.imshow(img1_b, 'gray'), plt.title('B channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 2, 4), plt.imshow(img1_rgb), plt.title('RGB'), plt.xticks([]), plt.yticks([])plt.tight_layout()
plt.show()   

在这里插入图片描述

# convert RGB to HSI, noise affect all channels
img1_hsi = cv2.cvtColor(img1_rgb, cv2.COLOR_RGB2HSV_FULL)plt.figure(figsize=(15, 5))plt.subplot(1, 3, 1), plt.imshow(img1_hsi[:, :, 0], 'gray'), plt.title('Hue'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 2), plt.imshow(img1_hsi[:, :, 1], 'gray'), plt.title('Saturation'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 3), plt.imshow(img1_hsi[:, :, 2], 'gray'), plt.title('Intensity'), plt.xticks([]), plt.yticks([])plt.tight_layout()
plt.show()   

在这里插入图片描述

# RGB image, only green channel affect noise, but convert to HSI, all channel affect
img1_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0650(a)(rgb_image_G_saltpep_pt05).tif')
img1_rgb = img1_ori[:, :, ::-1]plt.figure(figsize=(20, 10))img1_hsi = cv2.cvtColor(img1_rgb, cv2.COLOR_RGB2HSV_FULL)plt.subplot(2, 4, 1), plt.imshow(img1_rgb), plt.title('RGB'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 2), plt.imshow(img1_hsi[:, :, 0], 'gray'), plt.title('Hue'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 3), plt.imshow(img1_hsi[:, :, 1], 'gray'), plt.title('Saturation'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 4), plt.imshow(img1_hsi[:, :, 2], 'gray'), plt.title('Intensity'), plt.xticks([]), plt.yticks([])plt.subplot(2, 4, 5), plt.imshow(img1_rgb[:, :, 0], 'gray'), plt.title('R channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 6), plt.imshow(img1_rgb[:, :, 1], 'gray'), plt.title('G channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 7), plt.imshow(img1_rgb[:, :, 2], 'gray'), plt.title('B channel'), plt.xticks([]), plt.yticks([])plt.tight_layout()
plt.show()   

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/260534.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

javascript 在对象中使用 定时器_如何使用JavaScript 面向对象编程

学习目标理解面向对象开发思想掌握 JavaScript 面向对象开发相关模式面向对象介绍什么是对象Everything is object (一切皆对象)我们可以从两个层次来理解对象&#xff1a;(1) 对象是单个事物的抽象。一本书、一辆汽车、一个人都可以是对象&#xff0c;一个数据库、一张网页、一…

char数组转string_String类和其它数据类型的相互转换

对于上面的这些包装类&#xff0c;除了Character以外&#xff0c;都有可以直接使用字符串参数的构造函数&#xff0c;这也就使得我们将String类转换为这些数据类型变得相当之简单&#xff0c;即&#xff1a;Boolean(String s)、Integer(String s)、Long(String s)、Float(Strin…

ORACLE 各种闪回操作

1、Flashback Database&#xff08;利用闪回日志恢复&#xff09; Oracle Flashback Database特性允许通过SQL语句Flashback Database语句&#xff0c;让数据库前滚到当前的前一个时间点或者SCN&#xff0c;而不需要做时间点的恢复。闪回数据库可以迅速将数据库回到误操作或人为…

【转】介绍设置Session失效的几种方法

转载地址&#xff1a;http://developer.51cto.com/art/201106/269493.htm Session对象是HttpSessionState的一个实例。该类为当前用户会话提供信息&#xff0c;还提供对可用于存储信息会话范围的缓存的访问&#xff0c;以及控制如何管理会话的方法。下面介绍设置session失效的几…

mysql导入数据load data infile用法整理

有时候我们需要将大量数据批量写入数据库&#xff0c;直接使用程序语言和Sql写入往往很耗时间&#xff0c;其中有一种方案就是使用MySql Load data infile导入文件的形式导入数据&#xff0c;这样可大大缩短数据导入时间。 假如是从MySql客户端调用&#xff0c;将客户端的文件导…

python3循环一直到一个值结束_一步一步学Python3(小学生也适用) 第十七篇:循环语句for in循环...

一、Python for in循环Python for in 循环&#xff0c;是用来遍历任何数据序列&#xff0c;如一个列表&#xff0c;一个字符串&#xff0c;一个字典&#xff0c;一个元组等。for in 循环的一般语法如下&#xff1a;for item in 序列:语句块else:语句块for in 字符串&#xff1…

设置Jupyter notebook 默认工作路径,修改Jupyter notebook 默认浏览器为Chrome

这里写目录标题一 设置Jupyter notebook 默认工作路径二 修改Jupyter notebook 默认浏览器为Chrome一 设置Jupyter notebook 默认工作路径 安装好anaconda 后&#xff0c;jupyter notebook默认是有安装好的。在windows的菜单栏找到anaconda目录&#xff0c;如下图 鼠标右键点…

python调用c#注意事项_Python调用C#编写的DLL

起因是工作中需要用的开发编写的DLL&#xff0c;但是它是使用C#编写的&#xff0c;本人不想使用C#去写测试代码&#xff0c;所以需要使用Python来掉这个DLL内的方法 就用这个就很好&#xff0c;不要问为啥不用微软的Ironpython和别的啥&#xff0c;好用就行了&#xff0c;解决问…

jquery实战--定宽

大家有没有遇到过一个问题&#xff0c;就是一个列表&#xff0c;或是一段文字过多时&#xff0c;截取多余的部分用省略号&#xff0c;好吧&#xff0c;证明你实力的时候到了&#xff0c;我下面先分解一下方法&#xff0c;再用插件写出来,首先我们说的是&#xff0c;用到的第一个…

struts2 Action获取表单数据

1.通过属性驱动式 1.首先设置 表单中的数据的name值 如&#xff1a;<input type"text" name"username" value""> 2.你用的是struts2&#xff0c;那么就在java类中写一个变量&#xff1a;变量名和页面上的name值一致 并有这个变量的get 和…

python 计算器 eval ctf_CTF逆向--.NET与Python篇

题目(来源&#xff1a;Jarvis-OJ)&#xff1a;Classical CrackmeClassical CrackMe2FindKeyLoginClassical Crackme首先查壳没有壳&#xff0c;不过发现这是一个.net的程序&#xff0c;将其拖进dnSpy中&#xff0c;找到主程序&#xff0c;同时发现关键代码&#xff0c;如下所示…

2016年秋季个人阅读计划

阅读书目&#xff1a;《软件需求十步走》 读后感发表日期&#xff1a;阅读书目&#xff1a;《用户故事与敏捷方法》 读后感发表日期&#xff1a;第一篇&#xff1a;10月1日 第二篇&#xff1a;10月3日 第三篇&#xff1a;10月7日 第四篇&#xff1a;10月15日 第五篇&#xff1a…

第10章 Python 数字图像处理(DIP) - 图像分割 基础知识 标准差分割法

This Chapter is all about image segmentation. I still not finished whole chapter, but here try to publish some for reference. 这里写目录标题基础知识import sys import numpy as np import cv2 import matplotlib import matplotlib.pyplot as plt import PIL from …

OFBiz的探索进阶

主要参照https://cwiki.apache.org/OFBIZ/ofbiz-tutorial-a-beginners-development-guide.html这个教程&#xff0c;实现的过程教程上很详细&#xff0c;故这里不多说 还参考了下http://www.hotwaxmedia.com/apache-ofbiz-blog/ofbiz/ofbiz-tutorials/ofbiz-tutorial-building-…

python3语法都相同吗_python2 与 python3 语法区别--转

原文地址&#xff1a;http://old.sebug.net/paper/books/dive-into-python3/porting-code-to-python-3-with-2to3.html 使用2to3将代码移植到Python 3 ❝ Life is pleasant. Death is peaceful. It’s the transition that’s troublesome. ❞ — Isaac Asimov (attributed) 概…

对GCD的一些理解和实践

对GCD的一些理解和实践GCD GCD&#xff0c;全程Grand Central Dispatch&#xff0c;是苹果为了多核并行提出的解决方案。它是使用C语言实现&#xff0c;但是由于用了block来处理回调&#xff0c;所以使用起来十分方便。并且GCD会自动管理线程的生命周期&#xff0c;不需要我们去…

python scrapy爬虫遇见301_在Pycharm中运行Scrapy爬虫项目的基本操作

目标在Win7上建立一个Scrapy爬虫项目&#xff0c;以及对其进行基本操作。运行环境&#xff1a;电脑上已经安装了python(环境变量path已经设置好)&#xff0c;以及scrapy模块&#xff0c;IDE为Pycharm 。操作如下&#xff1a;一、建立Scrapy模板。进入自己的工作目录&#xff0c…

[Buzz Today]2012.08.08

# Dark Reign 2 源代码现身Google Code Pandemic工作室开发的即时战略游戏《Dark Reign 2》源代码被泄露到了Google Code http://code.google.com/p/darkreign2/ # Warsow 1.0发布 Set in a futuristic cartoonish world, Warsow is a completely free fast-paced first-person…

PyTorch训练中Dataset多线程加载数据,比Dataloader里设置多个workers还要快

PyTorch训练中Dataset多线程加载数据&#xff0c;而不是在DataLoader 背景与需求 现在做深度学习的越来越多人都有用PyTorch&#xff0c;他容易上手&#xff0c;而且API相对TF友好的不要太多。今天就给大家带来最近PyTorch训练的一些小小的心得。 大家做机器学习、深度学习都…

Trading

http://v.youku.com/v_show/id_XMTA0OTcxMjgw.html?fromy1.2-1-87.3.8-1.1-1-1-7 转载于:https://www.cnblogs.com/wangjianping/p/3705524.html