数字图像处理（一）：numpy的基本操作和简单绘图

python中的jupyter的基本操作

esc  //进行命令模式
按b  //向下增加一行
按a  //向上增加一行
连续按两次d  //删除一行


//编辑模式
shift + enter  //运行命令

//运行的变量是根据运行的顺序决定的

//想要隐藏输出结果，点击jupyter对应代码块左边栏即可

//shift + tab   //可以查看函数介绍

按tab自动补全函数！！
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

numpy创建矩阵

• 使用numpy进行普通矩阵创建

import numpy as np
x = np.array([1,2,3])  //创建矩阵中每个元素的类型为int32
y = np.uint8([1,2,3])  //创建矩阵中每个元素的类型为uint8

x = np.float32(x)   //此时将x中的元素类型转换为float32

#使用arange函数创建矩阵，到不了最后一位
z = np.arange(10)   //生成([0,1,2,3,4,5,6,7,8,9]),默认从0开始，步长为1
z = np.array(2, 10 ,2)  //生成([2,4,6,8]),从2开始，步长为2

#使用linespace函数创建矩阵，可以到最后一位
u = np.linespace(0, 10, 11)  //将0到10分成11份，每份长度为1，生成([0,1,2,3,4,5,6,7,8,9,10])

np.pi = 3.14   //也就是pi
1
2
3
4
5
6
7
8
9
10
11
12
13
14

• 使用numpy进行特殊矩阵创建

np.zeros((2,4), dtype = np.int32)    //创建全0矩阵
np.ones((2,4), dtype = np.float32)   //创建全1矩阵
np.eye(3)    //创建3x3的单位矩阵，默认为float64类型
1
2
3

• 使用np.random.randint()创建矩阵

np.random.randint(0, 10, 5, np.int32)  //在[0,10)范围内随机生成1x5矩阵。其中，它的子元素类型为int32
np.random.randint(0, 10, (3,4), np.int32) //在[0,10)范围内随机生成3x4矩阵
1
2

numpy中矩阵转换

• 形状改变：reshapeA.reshape((1,9))

  • 将原矩阵转换为1x9，但是并不改变本身矩阵，可以等于某个矩阵获得改变后的结果

    a = np.zeros((3,4))
    b = a.reshape(1,12)
    print(a)  //(3,4)
    print(b)  //(1,12)
    1
    2
    3
    4

  • A.reshape(-1, 9) 让电脑自动计算是 多少行9列

• 将矩阵展开为一维 A.flatten()，A.ravel()

  • A.flatten()生成的形式为(9,),而不是(1,9)
  • A.ravel()效果一样

• 矩阵转置：A.T、A.transpose()，均可实现矩阵转置

• 矩阵堆叠，可以多个矩阵进行堆叠

  • np.hstack(([], [])) 矩阵的水平堆叠，要求行数相同
  • np.vstack(([], [])) 矩阵的垂直堆叠，要求列数相同

numpy中的最大值最小值平均值

• 最大值、最小值平均值A.max(),A.min()，A.mean()
  • 整个矩阵进行处理
• 对某一行/列进行处理，三种运算均相同
  • A.max(axis=0) 计算每列的最大值 = np.max(A, axis=0)
  • A.max(axis=1) 计算每行的最大值

numpy中的数学运算

• 矩阵相加：A+B 两个矩阵对应元素相加

• 四种基础运算均可直接写出，均是对应元素运算

  • 当形状不相同时，先广播再乘，这时均是对应相乘

    a = [[1,1,1],
         [1,1,1],
         [1,1,1]]
    b = [1,2,3]
    a * b = [[1,2,3],
             [1,2,3],
             [1,2,3]]
    a @ b = [6,6,6]    @代表两个矩阵数学相乘
    a.dot(b) = [6,6,6]  //也代表两个矩阵的数学相乘
    1
    2
    3
    4
    5
    6
    7
    8
    9

• np.pow(A, 2) 每个元素平方

• np.sqrt(A) 每个元素开平方

• np.log(A) 每个元素取对数，默认底数为2

numpy中元素获取

• 取第0行A[0, :]

• 取第0列A[:, 0]

• 取第2-最后行，第2-最后列A[1:,1:]

  b = [[1,2,3],
       [1,2,3],
       [1,2,3]]
  b[1:, 1:] = [[2,3],
               [2,3]]
  1
  2
  3
  4
  5

简单绘图

• plt.plot(x,y) 散点图

  • plt.plot(x,y,"*") 线段的样式调整为*号
  • plt.plot(x,y,"*",color='r') 将线段的颜色调整为红色，“*”

  import numpy as np
  import matplotlib.pyplot as plt
  
  x = np.arange(2, 20)
  y = 2 * x + np.random.randint(5, 20, 18)
  plt.plot(x,y)
  plt.show()
  1
  2
  3
  4
  5
  6
  7

• plt.plot(x,y) 更高级的写法

x = np.linspace(0, 1, 100)
y1 = np.power(x, 0.5)
y2 = x
y3 = np.power(x, 1.5)

//将每条线上定义一个label
plt.plot(x, y1, label=0.5)  
plt.plot(x, y2, label=1)
plt.plot(x, y3, label=1.5)

//显示每条线上的label，如果不添加，不显示label
plt.legend()  

plt.xlabel("r")     //x轴添加标签
plt.ylabel("s")     //y轴添加标签
plt.grid()          //显示网格
plt.xlim([0, 1])    //限定x轴的取值范围
plt.ylim([0, 1])    //限定y轴的取值范围
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

• plt.hist 直方图

  • 统计元素出现的个数

  x = np.random.randint(0, 101, 1000)
  plt.hist(x, rwidth=0.9)  //将柱状图的柱子分开，只显示90%
  plt.hist(x, rwidth=0.9, color='g')  //将柱子的颜色变为绿色
  plt.show()
  1
  2
  3
  4

• bins的参数设置

  • 如果不设置，默认直方图中有10个柱子
  • 如果bins为数字n，则代表设置直方图有n个柱子
  • 如果bins为数组，则生成的柱状以前后两个元素的中间值为中心生成柱子，统计范围为数组的范围
    • 如bins = （0.5，1.5，2.5），则生成的柱子以1和2为中心，统计范围是[0.5，2.5）

  bins = np.arange(-0.5, 101, 1)   //以整数0,1,2,3,..,100为中心生成柱子，统计范围为(-0.5, 100)
  plt.plot(x, bins)
  plt.show()
  1
  2
  3