Python编程：NUmpy和CV库

OpenCV (cv2) 库

OpenCV (Open Source Computer Vision Library) 是一个开源的计算机视觉和机器学习软件库。以下是使用 cv2 模块的详细指南：

1. 安装 OpenCV

pip install opencv-python  # 基础模块
# 或者
pip install opencv-contrib-python  # 包含额外模块

2. 基本图像操作

读取和显示图像

import cv2 as cv

# 读取图像
img = cv.imread('image.jpg')  # 返回NumPy数组

# 检查图像是否正确加载
if img is None:
    print("无法加载图像")
else:
    # 显示图像
    cv.imshow('Image Window', img)
    cv.waitKey(0)  # 等待任意按键
    cv.destroyAllWindows()

保存图像

cv.imwrite('output.jpg', img)

3. 图像处理基础

颜色空间转换

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)  # 转为灰度
hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV)    # 转为HSV

图像滤波

# 高斯模糊
blurred = cv.GaussianBlur(img, (5, 5), 0)

# 边缘检测
edges = cv.Canny(img, 100, 200)

4. 视频处理

读取摄像头

cap = cv.VideoCapture(0)  # 0表示默认摄像头

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    cv.imshow('Camera', frame)
    if cv.waitKey(1) == ord('q'):  # 按q退出
        break

cap.release()
cv.destroyAllWindows()

处理视频文件

cap = cv.VideoCapture('video.mp4')

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    # 在此处添加处理代码
    processed = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)
    
    cv.imshow('Video', processed)
    if cv.waitKey(25) == ord('q'):
        break

cap.release()
cv.destroyAllWindows()

5. 特征检测

人脸检测

face_cascade = cv.CascadeClassifier(cv.data.haarcascades + 'haarcascade_frontalface_default.xml')
faces = face_cascade.detectMultiScale(gray, 1.3, 5)

for (x, y, w, h) in faces:
    cv.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

角点检测

corners = cv.goodFeaturesToTrack(gray, 25, 0.01, 10)
corners = np.int0(corners)

for i in corners:
    x, y = i.ravel()
    cv.circle(img, (x, y), 3, (0, 0, 255), -1)

6. 实用技巧

图像缩放

resized = cv.resize(img, None, fx=0.5, fy=0.5, interpolation=cv.INTER_AREA)

绘制图形和文字

cv.rectangle(img, (50, 50), (200, 200), (0, 255, 0), 2)
cv.circle(img, (300, 300), 50, (0, 0, 255), -1)
cv.putText(img, 'OpenCV', (100, 100), cv.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)

获取图像属性

print(f"图像尺寸: {img.shape}")  # (高度, 宽度, 通道数)
print(f"像素总数: {img.size}")
print(f"数据类型: {img.dtype}")

7. 高级功能

图像阈值处理

ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)

轮廓检测

contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
cv.drawContours(img, contours, -1, (0, 255, 0), 2)

8. 常见问题解决

1. 图像路径问题：

   • 使用绝对路径或确保相对路径正确

   • 检查文件是否存在：import os; print(os.path.exists('image.jpg'))

2. 窗口不显示：

   • 确保调用了 cv.waitKey()

   • 在Jupyter中使用 matplotlib 显示

3. 版本检查：

   print(cv.__version__)

OpenCV 提供了丰富的计算机视觉功能，从基础的图像处理到高级的机器学习算法，是计算机视觉领域最常用的库之一。

NumPy 库

NumPy 是 Python 科学计算的基础库，提供了强大的多维数组对象和各种计算功能。

1. 安装 NumPy

基础安装

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

安装特定版本

pip install numpy==1.24.3 -i https://pypi.tuna.tsinghua.edu.cn/simple

使用 conda 安装

conda install numpy

2. 验证安装

import numpy as np
print(np.__version__)  # 查看版本号
print(np.show_config())  # 查看编译配置

3. 基础使用示例

创建数组

import numpy as np

# 从列表创建
a = np.array([1, 2, 3])  # 一维数组
b = np.array([[1, 2], [3, 4]])  # 二维数组

# 特殊数组
zeros = np.zeros((3, 4))  # 全0数组
ones = np.ones((2, 2))  # 全1数组
random = np.random.rand(3, 3)  # 随机数组

数组运算

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 基本运算
print(a + b)  # 加法
print(a * b)  # 乘法（元素级）
print(np.dot(a, b))  # 点积

# 广播机制
print(a + 5)  # 数组与标量运算

4. 常用功能

数组索引和切片

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print(arr[1, 2])  # 第2行第3列元素
print(arr[:, 1])  # 所有行的第2列
print(arr[1:3, 0:2])  # 子数组

数学函数

x = np.array([1, 2, 3])

print(np.sin(x))  # 三角函数
print(np.exp(x))  # 指数函数
print(np.log(x))  # 对数函数

统计计算

data = np.random.randn(100)  # 100个随机数

print(np.mean(data))  # 平均值
print(np.std(data))  # 标准差
print(np.median(data))  # 中位数

5. 高级功能

矩阵运算

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

print(A @ B)  # 矩阵乘法
print(np.linalg.inv(A))  # 矩阵求逆
print(np.linalg.det(A))  # 行列式

形状操作

arr = np.arange(12)  # 0-11的一维数组

# 改变形状
mat = arr.reshape(3, 4)  # 3行4列矩阵
flat = mat.flatten()  # 展平为一维

# 转置
print(mat.T)

6. 性能优化技巧

向量化运算

# 不好的方式（使用循环）
result = np.zeros(1000)
for i in range(1000):
    result[i] = i * 2

# 好的方式（向量化）
result = np.arange(1000) * 2

内存视图

big_array = np.random.rand(1000000)

# 创建视图而非副本
view = big_array[::100]  # 每100个元素取一个（不复制数据）

7. 常见问题解决

1. 安装问题：

   • 确保使用正确的Python环境

   • 尝试升级pip：python -m pip install --upgrade pip

2. 性能问题：

   • 使用NumPy内置函数而非Python循环

   • 考虑使用np.einsum进行复杂运算

3. 内存错误：

   • 使用np.save/np.load处理大型数组

   • 考虑使用dtype=np.float32减少内存占用

8. 学习资源

• NumPy官方文档

• NumPy教程

• Python Data Science Handbook

NumPy 是Python数据科学生态系统的基石，掌握它将为学习Pandas、SciPy、scikit-learn等库打下坚实基础。

Matplotlib库

Matplotlib 是 Python 最流行的数据可视化库，以下是完整的安装和使用指南：

1. 安装 Matplotlib

基础安装

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完整套件（推荐）

pip install matplotlib numpy pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

使用 conda 安装

conda install matplotlib

2. 验证安装

import matplotlib
print(matplotlib.__version__)  # 查看版本号

3. 基础使用示例

简单折线图

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 绘制图形
plt.figure(figsize=(8, 4))  # 设置图形大小
plt.plot(x, y, label='sin(x)', color='blue', linewidth=2)
plt.title('Sine Wave')  # 标题
plt.xlabel('x')  # x轴标签
plt.ylabel('sin(x)')  # y轴标签
plt.legend()  # 显示图例
plt.grid(True)  # 显示网格
plt.show()  # 显示图形

4. 常用图表类型

散点图

x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)
sizes = 1000 * np.random.rand(50)

plt.scatter(x, y, c=colors, s=sizes, alpha=0.5)
plt.colorbar()  # 显示颜色条
plt.show()

柱状图

labels = ['A', 'B', 'C', 'D']
values = [15, 30, 45, 10]

plt.bar(labels, values, color=['red', 'green', 'blue', 'yellow'])
plt.show()

饼图

sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0)  # 突出第二部分

plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%')
plt.axis('equal')  # 保证是圆形
plt.show()

5. 多子图布局

使用 subplot

plt.figure(figsize=(10, 5))

# 第一个子图
plt.subplot(1, 2, 1)  # 1行2列的第1个
plt.plot(x, np.sin(x), 'r-')

# 第二个子图
plt.subplot(1, 2, 2)
plt.plot(x, np.cos(x), 'b--')

plt.tight_layout()  # 自动调整子图间距
plt.show()

使用 subplots (推荐)

fig, axes = plt.subplots(2, 2, figsize=(10, 8))  # 2行2列

# 访问各个子图
axes[0, 0].plot(x, np.sin(x))
axes[0, 1].scatter(x, np.random.rand(100))
axes[1, 0].bar(labels, values)
axes[1, 1].pie(sizes, labels=labels)

plt.tight_layout()
plt.show()

6. 高级功能

3D 图形

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, projection='3d')

X = np.arange(-5, 5, 0.25)
Y = np.arange(-5, 5, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)

ax.plot_surface(X, Y, Z, cmap='viridis')
plt.show()

自定义样式

plt.style.use('ggplot')  # 使用ggplot风格

# 可用的内置样式
print(plt.style.available)

# 自定义颜色和线型
plt.plot(x, y, color='#FF5733', linestyle='--', 
         linewidth=2, marker='o', markersize=8)

7. 保存图形

plt.plot(x, y)
plt.savefig('plot.png', dpi=300, bbox_inches='tight')  # 保存为PNG
plt.savefig('plot.pdf')  # 保存为PDF

8. 常见问题解决

1. 中文显示问题：

plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

1. 图形不显示：

   • 确保最后调用了 plt.show()

   • 在Jupyter中使用 %matplotlib inline

2. 性能优化：

   • 对于大数据集，使用 rasterized=True

   • 考虑使用 plt.tight_layout() 自动调整布局

9. 学习资源

• Matplotlib官方文档

• Matplotlib教程

• Python Data Science Handbook

Matplotlib 提供了丰富的可视化功能，从简单的2D图表到复杂的3D可视化，是数据分析和科学研究的重要工具。