您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Modeler   Code  
会员   
   
 
     
   
 订阅
  捐助
openCV和Tensorflow起步
 
作者:lhdoeo
908 次浏览     评价:  
 2019-10-29
 
编辑推荐:
本文主要讲解了配置开发环境Anaconda和tensorflow的一些基础知识,希望对您的学习有所帮助。
本文来自简书,由火龙果软件琪琪编辑推荐

1.配置开发环境Anaconda

(1)打开Anaconda Prompt,将网址替换为清华镜像,这样下载各种依赖会快一些:

conda config --add channels
https://mirrors.tuna.tsinghua.edu.cn
/anaconda/pkgs/free/
conda config --set show_channel_urls yes

(2)打开Anaconda Navigator,创建一个运行环境,名称为tensorflow36,并安装tensorflow和opencv

2.Hello World

(1)在Navigator中Home页面里运行notebook

(2)图片的读取与展示

cv2.imread()用于图片读取,它接受2个参数。参数1为文件名,参数2为图片读取类型,0为读取成灰度图,1为读取成彩色图

cv2.imshow()用于显示图片,它接受2个参数。参数1为窗体名称,参数2为读取图片的原始数据

cv2.waitKey(0)用于程序暂停,要显示图片必须运行这行代码

import cv2
img = cv2.imread('image0.jpg',1)
cv2.imshow('image',img)
cv2.waitKey(0)

(3)图片的写入

cv2.imwrite()该方法接受3个参数。参数1为文件名,参数2为图片原始数据,参数三为压缩质量,不同的图片格式拥有不同的数值范围,对于jpg来说可选质量0-100,对于png来说压缩范围为0-9

import cv2
img = cv2.imread('image0.jpg',1)
#完成图片的写入功能
cv2.imwrite('image1.jpg',img,[cv2.IMWRITE_JPEG_QUALITY,50])
cv2.imwrite('image1.png',img,[cv2.IMWRITE_PNG_COMPRESSION,0])
#jpg 0 压缩比高 png 0 压缩比低
#jpg 压缩范围 0-100 png 压缩范围 0-9

(4)像素操作基本概念

颜色深度:按8bit举例,就是用8位存储一个颜色的值,8bit的每个颜色通道的取值范围是0-255

图片大小:640x480即水平、竖直方向上有640、480个像素;640x480x3即图片占用的空间(8bit图片)

图片格式:对于png图片来说,它采用的都是无损压缩方式,比jpg多出一个alpha颜色通道,用来存储透明度

颜色通道:opencv读取的图片颜色通道是按bgr来排列的(b,g,r) = img[0,0]用元组来存储一个像素的颜色

(b,g,r) = img[100,100] #img[]是一个矩阵结构,读取出的数据以元组储存,左上角为起点
print(b,g,r) #openCV读取颜色为bgr
for i in range(1,100):
for j in range(1,100):
img[100+i,100+j] = (255,0,0)
cv2.imshow('image2',img)
cv2.waitKey(0)

(5)tensorflow基础知识

使用图 (graph) 来表示计算任务

在被称之为 会话 (Session) 的上下文 (context) 中执行图

使用张量(tensor) 表示数据

通过变量 (Variable) 维护状态

使用 feed 和 fetch 可以为任意的操作赋值或者从其中获取数据

在Tensorflow计算图(graph)中,操作间传递的数据都是 tensor。 可以把 TensorFlow中tensor 看作是一个 n 维的数组或列表。 一个 tensor 包含一个静态类型 rank,和 一个 shape。

图中的节点被称之为 op (operation)。 一个 op 获得 0 个或多个 Tensor,执行计算, 产生 0 个或多个 Tensor。每个 Tensor 是一个类型化的多维数组。例如,你可以将一小组图像集表示为一个四维浮点数数组 [batch, height, width, channels]。

一个图描述了计算的过程。为了进行计算,图必须在会话里被启动。会话将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上,同时提供执行 op 的方法。这些方法执行后, 将产生的 tensor 返回。

(6)Tensorflow四则运算

tf.add()加法 tf.substract()减法 tf.multiply()乘法 tf.divide()除法

使用占位符方式

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={data1:2,data2:6}))
print('end')

(7)tensorflow矩阵

通过[ [data1,data2,... ] ]创建,最外层的[ ]只代表一个数组,里面的[ ]代表一行,内层的数据个数代表了几列,例如[[1,2],[3,4]]代表一个2*2的矩阵

import tensorflow as tf
data1 = tf.constant([[6,6]])#创建一个1x2的矩阵
data2 = tf.constant([[2],[2]])#创建一个2x1的矩阵
data3 = tf.constant([[1,2],[3,4],[5,6]])#3x2矩阵
print(data3.shape)
with tf.Session() as sess:
print(sess.run(data3))
print(sess.run(data3[0]))#打印第一行
print(sess.run(data3[:,0]))#打印第一列
print(sess.run(data3[0,1]))#第一行第二列

   
908 次浏览     评价: 订阅 捐助
相关文章

我们该如何设计数据库
数据库设计经验谈
数据库设计过程
数据库编程总结
 
相关文档

数据库性能调优技巧
数据库性能调整
数据库性能优化讲座
数据库系统性能调优系列
相关课程

高性能数据库设计与优化
高级数据库架构师
数据仓库和数据挖掘技术
Hadoop原理、部署与性能调优