1 Scipy简介 Scipy依赖于Numpy Scipy提供了真正的矩阵 Scipy包含的功能：最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理、图像处理、常微分方程求解器等 Scipy是高端科学计算工具包 Scipy由一些特定功能的子模块组成 2 图片消噪:傅里叶变换 #模块用来计算快速傅里叶变换 import scipy.fftpack as fftpack import matplotlib.pyplot as plt %matplotlib inline #读取图片 data = plt.imread('moonlanding.png') # data2 = fftpack.fft2(data) data3 = np.where(np.abs(data2)>8e2,0,data2) data4 = fftpack.ifft2(data3) data5 = np.real(data4) plt.figure(figsize=(12,9)) plt.imshow(data5,cmap = 'gray') 3 图片灰度处理
最大值法: R=G=B=max(R,G,B) 这种方法灰度亮度比较高
data2 = data.mean(axis = 2)平均值法: R=G=B=(R+G+B)/3 这种方法灰度图像比较柔和
加权平均值 : R=G=B=(w1R+w2G+w3*B) 根据不同的权重得到不同底色的图片
data3 = np.dot(data,[0.299,0.587,0.114]) 4 Matplotlib中的绘图技巧单条曲线
x = np.arange(0.0,6.0,0.01) plt.plot(x, x**2) plt.show()多条曲线
x = np.arange(1, 5,0.01) plt.plot(x, x**2) plt.plot(x, x**3.0) plt.plot(x, x*3.0) plt.show() x = np.arange(1, 5) plt.plot(x, x*1.5, x, x*3.0, x, x/3.0) plt.show()标题与标签
plt.plot([1, 3, 2, 4]) plt.xlabel('This is the X axis') plt.ylabel('This is the Y axis') plt.show() plt.plot([1, 3, 2, 4]) plt.title('Simple plot') plt.show()根据线型绘制图片
numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。
numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中。
numpy.random.standard_normal(size=None)：随机一个浮点数或N维浮点数组，标准正态分布随机样本
cumsum ：计算轴向元素累加和，返回由中间结果组成的数组 , 重点就是返回值是“由中间结果组成的数组”
plt.plot(np.random.randn(1000).cumsum(), linestyle = ':',marker = '.', label='one') plt.plot(np.random.randn(1000).cumsum(), 'r--', label='two') plt.plot(np.random.randn(1000).cumsum(), 'b.', label='three') plt.legend(loc='best') # loc='best' plt.show() 5 scipy积分求圆周率绘制圆
f = lambda x : (1 - x**2)**0.5 import numpy as np import matplotlib.pyplot as plt x = np.linspace(-1,1,1000) plt.figure(figsize = (4,4)) plt.plot(x,f(x),'-',x,-f(x),'-',color = 'r')使用Scipy.integrate.quad()来进行计算
#integrate.quad(函数,区间端点) ,返回值为面积与精度 from scipy import integrate def g(x): return (1- x**2)**0.5 area,err = integrate.quad(g,-1,1) print(area,err) 6 scipy文件的输入与输出保存二进制文件
from scipy import io as spio import numpy as np a = np.ones((3,3)) #mat文件是标准的二进制文件 spio.savemat('./data/file.mat',mdict={'a':a})读取图片
from scipy import misc data = misc.imread('./data/moon.png')读取保存的文件
data = spio.loadmat('./data/file.mat') data['a']保存图片
#模糊，轮廓，细节，edge_enhance，edge_enhance_more， 浮雕，find_edges，光滑，smooth_more，锐化 misc.imsave('./data/save.png',arr=data) 7 使用ndimage处理图片导包提取数据处理数据
misc.face(gray=True,cmap='gray') 读取图片并可以进行灰度预处理
ndimage.rotate(图片,角度) 旋转图片
ndimage.zoom(图片,比例) 缩放图片
face[0:400,450:900] 切割图片,一维从0-400,二维从450-900
from scipy import misc,ndimage #原始图片 face = misc.face(gray=True) #移动图片坐标 shifted_face = ndimage.shift(face, (50, 50)) #移动图片坐标，并且指定模式 shifted_face2 = ndimage.shift(face, (-200, 0), mode='wrap') #旋转图片 rotated_face = ndimage.rotate(face, -30) #切割图片 cropped_face = face[10:-10, 50:-50] #对图片进行缩放 zoomed_face = ndimage.zoom(face, 0.5) faces = [shifted_face,shifted_face2,rotated_face,cropped_face,zoomed_face]绘制图片
plt.figure(figsize = (12,12)) for i,face in enumerate(faces): plt.subplot(1,5,i+1) plt.imshow(face,cmap = plt.cm.gray) plt.axis('off')图片的过滤
#导包处理滤波 from scipy import misc,ndimage import numpy as np import matplotlib.pyplot as plt face = misc.face(gray=True) face = face[:512, -512:] # 做成正方形 #图片加噪 noisy_face = np.copy(face).astype(np.float) #噪声图片 noisy_face += face.std() * 0.5 * np.random.standard_normal(face.shape) #高斯过滤 blurred_face = ndimage.gaussian_filter(noisy_face, sigma=1) #中值滤波 median_face = ndimage.median_filter(noisy_face, size=5) #signal中维纳滤波 from scipy import signal wiener_face = signal.wiener(noisy_face, (5, 5)) titles = ['noisy','gaussian','median','wiener'] faces = [noisy_face,blurred_face,median_face,wiener_face]绘制图片
plt.figure(figsize=(12,12)) plt.subplot(141) plt.imshow(noisy_face,cmap = 'gray') plt.title('noisy') plt.subplot(142) plt.imshow(blurred_face,cmap = 'gray') plt.title('gaussian') plt.subplot(143) plt.imshow(median_face,cmap = 'gray') plt.title('median') plt.subplot(144) plt.imshow(wiener_face,cmap = 'gray') plt.title('wiener') plt.show() 8 pandas绘图函数