调整图像尺寸
# 这个代码用于调整图像尺寸
.
import scipy.misc
import matplotlib.pyplot as plt
import numpy as np
# 将 Lena 图像加载到数组中
lena = scipy.misc.lena()
# 图像宽高
LENA_X = 512
LENA_Y = 512
# 检查图像的宽高
np.testing.assert_equal((LENA_Y, LENA_X), lena.shape)
# 设置调整系数,水平 3,竖直 2
yfactor = 2
xfactor = 3
# 调整图像尺寸,水平(沿轴 1)拉伸 3 倍,竖直(沿轴 0 )拉伸两倍
resized = lena.repeat(yfactor, axis=0)
.repeat(xfactor, axis=1)
# 检查调整后数组
np.testing.assert_equal((yfactor * LENA_Y, xfactor * LENA_Y), resized.shape)
# 绘制原图像(两行一列的第一个位置)
plt.subplot(211)
plt.title("Lena")
plt.axis("off")
plt.imshow(lena)
# 绘制调整后图像(两行一列的第二个位置)
plt.subplot(212)
plt.title("Resized")
plt.axis("off")
plt.imshow(resized)
plt.show()
创建视图及副本
import scipy.misc
import matplotlib.pyplot as plt
# 加载 Lena 图像
lena = scipy.misc.lena()
# copy 创建副本,Python 对象复制,内部内存复制
acopy = lena.copy()
# view 创建视图,Python 对象复制,内部内存共享
aview = lena.view()
# 绘制 Lena 图像(左上角)
plt.subplot(221)
plt.imshow(lena)
# 绘制副本(右上角)
plt.subplot(222)
plt.imshow(acopy)
# 绘制视图(左下角)
plt.subplot(223)
plt.imshow(aview)
# 将副本所有元素清零
# 由于数组的数据保存在内部内存中
# 副本不受影响,视图(以及引用)会跟着变化
aview.flat = 0
# 绘制修改后的视图(右下角)
plt.subplot(224)
plt.imshow(aview)
翻转图像
import scipy.misc
import matplotlib.pyplot as plt
# 加载 Lena 图像
lena = scipy.misc.lena()
# 绘制 Lena 图像(左上角)
plt.subplot(221)
plt.title('Original')
plt.axis('off')
plt.imshow(lena)
# 绘制翻转后的图像(右上角)
# Python 的 [::-1] 用于翻转序列
# 这里翻转了第二个维度,也就是水平翻转
plt.subplot(222)
plt.title('Flipped')
plt.axis('off')
plt.imshow(lena[:,::-1])
# 绘制切片后的图像(左下角)
# 取图像的左半部分和上半部分
plt.subplot(223)
plt.title('Sliced')
plt.axis('off') plt.imshow(lena[:lena.shape[0]/2,:lena.shape[1]/2])
# 添加掩码,将偶数元素变为 0
# 布尔数组可用作索引
mask = lena % 2 == 0
masked_lena = lena.copy()
masked_lena[mask] = 0
# 绘制添加掩码后的图像(右下角)
plt.subplot(224)
plt.title('Masked')
plt.axis('off')
plt.imshow(masked_lena)
plt.show()
花式索引
# 这个代码通过将数组对角线上的元素设为 0 ,来展示花式索引
# 花式索引就是使用数组作为索引来索引另一个数组
import scipy.misc
import matplotlib.pyplot as plt
# 加载 Lena 图像
# Load the Lena array
lena = scipy.misc.lena()
# 取图片的宽和高
height = lena.shape[0]
width = lena.shape[1]
# 使用花式索引将对角线上的元素设为 0
# x 为 0 ~ width - 1 的数组
# y 为 0 ~ height - 1 的数组
lena[range(height), range(width)] = 0
# 将副对角线上元素也设为 0
# x 为 width - 1 ~ 0 的数组
# y 为 0 ~ height - 1 的数组
lena[range(height), range(width - 1, -1, -1)] = 0
# 画出带对角线的 Lena 图像
plt.imshow(lena)
plt.show()
将位置列表用于索引
# 这个代码的目的就是把 Lena 图像弄花
import scipy.misc
import matplotlib.pyplot as plt
import numpy as np
# 加载 Lena 图像
lena = scipy.misc.lena()
# 取图像宽高
height = lena.shape[0]
width = lena.shape[1]
def shuffle_indices(size):
'''
生成 0 ~ size - 1 的数组并打乱
'''
arr = np.arange(size)
np.random.shuffle(arr)
return arr
# 生成 x 随机索引和 y 随机索引
xindices = shuffle_indices(width)
np.testing.assert_equal(len(xindices), width)
yindices = shuffle_indices(height) np.testing.assert_equal(len(yindices), height)
# 画出打乱后的图像
# ix_ 函数将 yindices 转置,xindices 不变
# 结果是一个 height x 1 的数组和一个 1 x width 的数组
# 用于索引时,都会扩展为 height x width 的数组
plt.imshow(lena[np.ix_(yindices, xindices)])
plt.show()
布尔索引
import scipy.misc
import matplotlib.pyplot as plt
import numpy as np
# 加载 Lena 图像
lena = scipy.misc.lena()
# 取大小为 size 的数组
# 4 的倍数的下标为 True,其余为 False
def get_indices(size):
arr = np.arange(size)
return arr % 4 == 0
# 绘制 Lena
# 对角线上每四个元素将一个元素清零
lena1 = lena.copy()
yindices = get_indices(lena.shape[0])
xindices = get_indices(lena.shape[1])
lena1[yindices, xindices] = 0
plt.subplot(211)
plt.imshow(lena1)
lena2 = lena.copy()
# 最大值 1/4 ~ 3/4 之间的元素清零
# 这里用到了数组广播
lena2[(lena > lena.max()/4) & (lena
分离数独的九宫格
import numpy as np
# 数独是个 9x9 的二维数组
# 包含 9 个 3x3 的九宫格
sudoku = np.array([
[2, 8, 7, 1, 6, 5, 9, 4, 3],
[9, 5, 4, 7, 3, 2, 1, 6, 8],
[6, 1, 3, 8, 4, 9, 7, 5, 2],
[8, 7, 9, 6, 5, 1, 2, 3, 4],
[4, 2, 1, 3, 9, 8, 6, 7, 5],
[3, 6, 5, 4, 2, 7, 8, 9, 1],
[1, 9, 8, 5, 7, 3, 4, 2, 6],
[5, 4, 2, 9, 1, 6, 3, 8, 7],
[7, 3, 6, 2, 8, 4, 5, 1, 9]
])
# 要将其变成 3x3x3x3 的四维数组
# 但不能直接 reshape,因为这样会把一行变成一个九宫格
shape = (3, 3, 3, 3)
# 大行之间隔 27 个元素,大列之间隔 3 个元素
# 小行之间隔 9 个元素,小列之间隔 1 个元素
strides = sudoku.itemsize * np.array([27, 3, 9, 1])
squares = np.lib.stride_tricks.as_strided(sudoku, shape=shape, strides=strides)
print(squares)
'''
[[[[2 8 7] [9 5 4] [6 1 3]]
[[1 6 5] [7 3 2] [8 4 9]]
[[9 4 3] [1 6 8] [7 5 2]]]
[[[8 7 9] [4 2 1] [3 6 5]]
[[6 5 1] [3 9 8] [4 2 7]]
[[2 3 4] [6 7 5] [8 9 1]]]
[[[1 9 8] [5 4 2] [7 3 6]]
[[5 7 3] [9 1 6] [2 8 4]]
[[4 2 6] [3 8 7] [5 1 9]]]]
'''
数组广播
import scipy.io.wavfile
import matplotlib.pyplot as plt
import urllib2
import numpy as np
# 下载音频文件
response = urllib2.urlopen('http://www.thesoundarchive.com/austinpowers/smashingbaby.wav')
print(response.info())
# 将文件写到磁盘
WAV_FILE = 'smashingbaby.wav'
filehandle = open(WAV_FILE, 'w')
filehandle.write(response.read())
filehandle.close()
# 使用 SciPy 读取音频文件
sample_rate, data = scipy.io.wavfile.read(WAV_FILE)
print("Data type", data.dtype, "Shape", data.shape)
# ('Data type', dtype('uint8'), 'Shape', (43584L,))
# 绘制原始音频文件(上方)
# y 值是数据,x 值是数据的下标
plt.subplot(2, 1, 1)
plt.title("Original")
plt.plot(data)
# 使音频更安静
# 数组广播的意思是,两个数组进行运算时
# 较小尺寸的数组会扩展自身,与较大数组对齐
# 如果数组与标量运算,那么将标量与数组的每个元素运算
# 所以这里数组的每个元素都 x 0.2
# 具体规则请见官方文档
newdata = data * 0.2
newdata = newdata.astype(np.uint8)
print("Data type", newdata.dtype, "Shape", newdata.shape)
# ('Data type', dtype('uint8'), 'Shape', (43584L,))
# 保存更安静的音频
scipy.io.wavfile.write("quiet.wav", sample_rate, newdata)
# 绘制更安静的音频文件(下方)
plt.subplot(2, 1, 2)
plt.title("Quiet")
plt.plot(newdata)
plt.show()
服务器托管,北京服务器托管,服务器租用 http://www.fwqtg.net
机房租用,北京机房租用,IDC机房托管, http://www.fwqtg.net
相关推荐: 研发质量指标大 PK:MTTR vs MTBF,谁是靠谱王?
在研发质量管理中,「提高代码/测试质量」更重要,还是「提升故障响应能力」更重要? LigaAI 最近和一些朋友探讨了这个问题。一种观点认为提升研发质量应该从代码质量抓起——擒贼先擒王,从源头减少故障发生才是根本之道; 另一种声音则指出,生产故障几乎不可能通过预…