from PIL import Image, ImageDraw # 将图片平移并旋转 gray2 = Image.fromarray(src) width, height = gray2.size # 计算中心点和X轴角度 center = (max_point[0], max_point[1]) angle = np.arctan2(point2[1] - max_point[1], point2[0] - max_point[0]) * 180 / np.pi img_translated = gray2.transform((width, height), Image.AFFINE, (1, 0, center[0] - width/2, 0, 1, center[1] - height/2), resample=Image.BICUBIC) img_translated_rotated = img_translated.rotate(angle, resample=Image.BICUBIC, expand=True) #img_translated_rotated.show() #裁剪 img4 = Image.fromarray(src) width1, height1 = img4.size width2, height2 = img_translated_rotated.size left = (width2 - width1 )/2 top = (height2 - height1 )/2 right = (width2 - width1 )/2 + width1 bottom = (height2 - height1 )/2 + height1 cropped_image = img_translated_rotated.crop((left, top, right, bottom )) import cv2 GRID_STEP = distance/2 # 设置1010栅格（暂时尝试） grid_num_x = 10 grid_num_y = 10 def transform_point_set(points, max_point, distance, angle): # 平移向量 translation_vector = np.array([distance * np.cos(anglenp.pi/180), distance * np.sin(anglenp.pi/180)]) # 旋转矩阵 rotation_matrix = np.array([[np.cos(anglenp.pi/180), -np.sin(anglenp.pi/180)], [np.sin(anglenp.pi/180), np.cos(angle*np.pi/180)]]) # 将点集转换为 numpy 数组 point_array = np.array(points) max_point_array = np.array(max_point) # 对点集进行平移和旋转 point_array = (point_array - max_point_array) @ rotation_matrix + max_point_array + translation_vector # 将 numpy 数组转换为列表 points2 = point_array.tolist() return points2 points2 = transform_point_set(points, max_point, distance, angle) print(points2) #第2.5部分（用作确认检验） from PIL import Image, ImageDraw #裁剪 img4 = Image.fromarray(src) width1, height1 = img4.size width2, height2 = img_translated_rotated.size left = (width2 - width1 )/2 top = (height2 - height1 )/2 right = (width2 - width1 )/2 + width1 bottom = (height2 - height1 )/2 + height1 cropped_image = img_translated_rotated.crop((left, top, right, bottom )) # 导入图片（） img_array = np.asarray(cropped_image) img = Image.fromarray(img_array) draw = ImageDraw.Draw(img) for point in point

import platform import cv2 import numpy as np import screeninfo from PIL import Image, ImageDraw, ImageFont class EnhancedImageViewer: """增强版图像查看器，支持缩放、平移和亮度查看""" def init(self, image_path, title="图像查看器"): self.image_path = image_path self.original_image = cv2.imread(image_path) if self.original_image is None: raise FileNotFoundError(f"无法加载图像: {image_path}") # 获取灰度图像用于亮度分析 self.gray_image = cv2.cvtColor(self.original_image, cv2.COLOR_BGR2GRAY) # 获取屏幕尺寸 try: screen = screeninfo.get_monitors()[0] self.max_width = screen.width - 100 self.max_height = screen.height - 100 except: self.max_width = 1280 self.max_height = 720 # 初始缩放状态 self.scale_factor = 1.0 self.offset_x = 0 self.offset_y = 0 self.pan_start = None # 创建显示图像 self.display_image = self.original_image.copy() self.resized_display = self.resize_to_fit(self.original_image) # 创建窗口 self.window_name = title cv2.namedWindow(self.window_name, cv2.WINDOW_NORMAL) cv2.setMouseCallback(self.window_name, self.mouse_callback) # 更新显示 self.update_display() def resize_to_fit(self, image): """调整图像尺寸以适应屏幕""" height, width = image.shape[:2] scale_width = self.max_width / width scale_height = self.max_height / height self.scale_factor = min(scale_width, scale_height, 1.0) new_width = int(width * self.scale_factor) new_height = int(height * self.scale_factor) if self.scale_factor < 1.0: return cv2.resize(image, (new_width, new_height), interpolation=cv2.INTER_AREA) return image.copy() def put_chinese_text(self, image, text, position, font_size=20, color=(255, 255, 255)): """在图像上添加中文文本""" if image is None or image.size == 0: return image # 确保图像是3通道的 if len(image.shape) == 2: image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR) # 转换为PIL图像 (RGB格式) pil_img = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) draw = ImageDraw.Draw(pil_img) # 使用支持中文的字体 try: font = ImageFont.truetype("simhei.ttf", font_size) except: try: font = ImageFont.truetype("msyh.ttc", font_size) except: try: font = ImageFont.truetype("/usr/share/fonts/truetype/droid/DroidSansFallbackFull.ttf", font_size) except: font = ImageFont.load_default() # 添加文本 draw.text(position, text, font=font, fill=color) # 转换回OpenCV格式 return cv2.cvtColor(np.array(pil_img), cv2.COLOR_RGB2BGR) def update_display(self): """更新显示图像""" # 根据缩放和平移调整显示区域 if self.scale_factor > 1.0: # 缩放大于1.0时需要裁剪 height, width = self.original_image.shape[:2] scaled_width = int(width * self.scale_factor) scaled_height = int(height * self.scale_factor) # 创建缩放后的图像 scaled_image = cv2.resize(self.original_image, (scaled_width, scaled_height), interpolation=cv2.INTER_LINEAR) # 应用平移偏移 x1 = max(0, min(self.offset_x, scaled_width - self.max_width)) y1 = max(0, min(self.offset_y, scaled_height - self.max_height)) x2 = min(x1 + self.max_width, scaled_width) y2 = min(y1 + self.max_height, scaled_height) # 裁剪显示区域 self.display_image = scaled_image[y1:y2, x1:x2] else: # 缩放小于等于1.0时直接显示 self.display_image = self.resized_display.copy() # 添加帮助文本 help_text = "左键:查看亮度 | 滚轮:缩放 | 中键拖动:平移 | ESC:退出 | R:重置 | S:保存" self.display_image = self.put_chinese_text( self.display_image, help_text, (10, 20), font_size=20, color=(0, 255, 0) ) # 显示图像 cv2.imshow(self.window_name, self.display_image) def mouse_callback(self, event, x, y, flags, param): """鼠标事件回调函数""" # 鼠标左键点击 - 显示亮度值 if event == cv2.EVENT_LBUTTONDOWN: # 计算原始图像坐标 orig_x, orig_y = self.convert_coords(x, y) # 获取原始图像中的亮度值 if 0 <= orig_x < self.gray_image.shape[1] and 0 <= orig_y < self.gray_image.shape[0]: intensity = self.gray_image[orig_y, orig_x] # 在当前显示图像上添加标记和信息 display_copy = self.display_image.copy() cv2.circle(display_copy, (x, y), 5, (0, 0, 255), -1) # 添加中文文本 text = f"位置: ({orig_x}, {orig_y}) 亮度: {intensity}" display_copy = self.put_chinese_text( display_copy, text, (x + 10, y - 10), font_size=18, color=(0, 255, 255) ) cv2.imshow(self.window_name, display_copy) # 鼠标滚轮缩放 - 跨平台处理 elif event == cv2.EVENT_MOUSEWHEEL: # 获取操作系统类型 os_type = platform.system() # Windows系统处理 if os_type == 'Windows': # Windows上flags包含滚轮增量 wheel_delta = flags if wheel_delta > 0: # 向上滚动 - 放大 self.zoom_at_point(x, y, 1.1) else: # 向下滚动 - 缩小 self.zoom_at_point(x, y, 0.9) # Linux/Mac系统处理 else: # Linux/Mac上flags表示方向 if flags > 0: # 向上滚动 - 放大 self.zoom_at_point(x, y, 1.1) else: # 向下滚动 - 缩小 self.zoom_at_point(x, y, 0.9) # 鼠标中键拖动平移 elif event == cv2.EVENT_MBUTTONDOWN: self.pan_start = (x, y) elif event == cv2.EVENT_MOUSEMOVE and flags & cv2.EVENT_FLAG_MBUTTON: if self.pan_start: dx = x - self.pan_start[0] dy = y - self.pan_start[1] self.offset_x += dx * (1 / self.scale_factor) self.offset_y += dy * (1 / self.scale_factor) self.pan_start = (x, y) self.update_display() elif event == cv2.EVENT_MBUTTONUP: self.pan_start = None def zoom_at_point(self, x, y, zoom_factor): """以指定点为中心缩放图像""" # 保存当前缩放前的原始坐标 orig_x, orig_y = self.convert_coords(x, y) # 更新缩放因子 new_scale = self.scale_factor * zoom_factor # 限制缩放范围 if new_scale < 0.1: new_scale = 0.1 elif new_scale > 10: new_scale = 10 # 计算缩放后该点在新坐标系中的位置 if self.scale_factor > 1.0: # 当前是放大状态 self.offset_x += orig_x * (1 / self.scale_factor - 1 / new_scale) self.offset_y += orig_y * (1 / self.scale_factor - 1 / new_scale) else: # 当前是缩小或正常状态 self.offset_x = orig_x * (1 - 1 / new_scale) self.offset_y = orig_y * (1 - 1 / new_scale) self.scale_factor = new_scale self.update_display() def convert_coords(self, x, y): """将显示坐标转换为原始图像坐标""" if self.scale_factor > 1.0: # 放大状态下的坐标转换 orig_x = int((x + self.offset_x) / self.scale_factor) orig_y = int((y + self.offset_y) / self.scale_factor) else: # 缩小或正常状态下的坐标转换 orig_x = int(x / self.scale_factor) orig_y = int(y / self.scale_factor) # 确保坐标在有效范围内 orig_x = max(0, min(orig_x, self.original_image.shape[1] - 1)) orig_y = max(0, min(orig_y, self.original_image.shape[0] - 1)) return orig_x, orig_y def run(self): """运行查看器主循环""" while True: key = cv2.waitKey(1) & 0xFF if key == 27: # ESC退出 break elif key == ord('r'): # 重置视图 self.scale_factor = 1.0 self.offset_x = 0 self.offset_y = 0 self.resized_display = self.resize_to_fit(self.original_image) self.update_display() elif key == ord('s'): # 保存当前视图 cv2.imwrite("viewer_screenshot.png", self.display_image) print("截图已保存为 viewer_screenshot.png") cv2.destroyAllWindows() # 参数设置 image_path = '2.jpg' num_levels = 7 # 等高线层数 contour_thickness = 2 # 等高线粗细 blur_size = (9, 9) # 高斯模糊尺寸 clahe_params = {'clipLimit': 4.0, 'tileGridSize': (8, 8)} # 对比度增强参数 def preprocess_image(image_path): """图像预处理""" image = cv2.imread(image_path) if image is None: raise FileNotFoundError(f"无法加载图像: {image_path}") # 转换为灰度图并降噪 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, blur_size, 0) # 对比度增强 clahe = cv2.createCLAHE(**clahe_params) enhanced = clahe.apply(blurred) return image, gray, enhanced def analyze_intensity(enhanced): """亮度分析""" min_intensity = np.min(enhanced) max_intensity = np.max(enhanced) normalized = cv2.normalize(enhanced.astype('float'), None, 0, 1, cv2.NORM_MINMAX) return min_intensity, max_intensity, normalized def generate_heatmap(image, normalized): """生成热力图""" heatmap = cv2.applyColorMap((normalized * 255).astype(np.uint8), cv2.COLORMAP_JET) blended = cv2.addWeighted(image, 0.7, heatmap, 0.3, 0) return heatmap, blended def process_contours(image, enhanced, min_intensity, max_intensity, num_levels): """处理等高线""" height, width = image.shape[:2] contour_image = np.zeros_like(image) color_intensity_map = [] # 计算亮度层级 levels = np.linspace(min_intensity, max_intensity, num_levels).astype(np.uint8) kernel = np.ones((3, 3), np.uint8) for i, level in enumerate(levels): # 创建当前亮度层级的掩膜 lower_val = max(int(level) - 10, 0) upper_val = min(int(level) + 10, 255) mask = cv2.inRange(enhanced, lower_val, upper_val) # 形态学处理 mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 查找等高线 contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 计算颜色（冷色调到暖色调渐变） normalized_level = (level - min_intensity) / (max_intensity - min_intensity) if normalized_level < 0.5: hue = 120 + 60 * normalized_level * 2 else: hue = 60 * (1 - (normalized_level - 0.5) * 2) hue = np.clip(hue, 0, 180) # 转换为BGR颜色 color = cv2.cvtColor(np.uint8([[[hue, 255, 255]]]), cv2.COLOR_HSV2BGR)[0][0] color = tuple(map(int, color)) # 存储颜色-亮度映射 color_intensity_map.append((color, level)) # 绘制等高线 cv2.drawContours(contour_image, contours, -1, color, contour_thickness) return contour_image, color_intensity_map def create_color_bar(image, color_intensity_map, min_intensity, max_intensity): """创建颜色条""" height, width = image.shape[:2] bar_width = int(width * 0.03) bar_height = int(height * 0.3) bar_x = width - int(width * 0.05) - bar_width bar_y = int(height * 0.05) # 生成颜色条 color_bar = np.zeros((bar_height, bar_width, 3), dtype=np.uint8) for i in range(bar_height): idx = int((1 - i / bar_height) * (len(color_intensity_map) - 1)) color_bar[i, :] = color_intensity_map[idx][0] # 添加到图像 result = image.copy() result[bar_y:bar_y + bar_height, bar_x:bar_x + bar_width] = color_bar # 添加边框 cv2.rectangle(result, (bar_x, bar_y), (bar_x + bar_width, bar_y + bar_height), (255, 255, 255), 1) # 添加刻度和标签 num_ticks = 5 for i, pos in enumerate(np.linspace(0, bar_height, num_ticks)): y_pos = int(bar_y + pos) cv2.line(result, (bar_x - 5, y_pos), (bar_x, y_pos), (255, 255, 255), 1) # 计算标签位置 value = int(min_intensity + (max_intensity - min_intensity) * (1 - pos / bar_height)) text_x = bar_x - 50 text_y = y_pos + (15 if i == 0 else -10 if i == num_ticks - 1 else 0) # 添加带描边的文本 cv2.putText(result, str(value), (text_x, text_y), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 0, 0), 2) cv2.putText(result, str(value), (text_x, text_y), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (255, 255, 255), 1) # 添加标题 cv2.putText(result, 'Light Intensity', (bar_x - 100, bar_y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 0, 0), 2) cv2.putText(result, 'Light Intensity', (bar_x - 100, bar_y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (255, 255, 255), 1) return result def main(): """主处理流程""" try: # 1. 图像预处理 image, gray, enhanced = preprocess_image(image_path) # 2. 亮度分析 min_intensity, max_intensity, normalized = analyze_intensity(enhanced) # 3. 生成热力图 heatmap, blended = generate_heatmap(image, normalized) # 4. 处理等高线 contour_image, color_intensity_map = process_contours( image, enhanced, min_intensity, max_intensity, num_levels ) # 5. 创建最终结果 base_image = cv2.addWeighted(image, 0.7, contour_image, 0.3, 0) final_result = create_color_bar(base_image, color_intensity_map, min_intensity, max_intensity) # 保存结果 cv2.imwrite("result.png", final_result) cv2.imwrite("Contours.png", contour_image) cv2.imwrite('Heatmap.png', heatmap) cv2.imwrite('Blended.png', blended) print("处理完成! 对比度图像结果已保存") # 启动交互式查看器 viewer = EnhancedImageViewer("result.png", "亮度等高线分析") viewer.run() except Exception as e: print(f"处理过程中发生错误: {str(e)}") if name == "main": main() 输出的图片名称应该为原始图片名称+现在的名称

pil_img = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) draw = ImageDraw.Draw(pil_img) # 使用支持中文的字体 try: font = ImageFont.truetype("simhei.ttf", font_size) except: try: ...

import os import pandas as pd import numpy as np from PIL import ImageDraw, Image import matplotlib.pyplot as plt import h5py %matplotlib inline fastmri_path = '../data/' fastmri_file = 'file1001064' annotation_path = '../Annotations/knee.csv' # Labels for this file df = pd.read_csv(annotation_path, index_col=None, header=0) labels_for_file = df.loc[df['file'] == fastmri_file] labels_for_file['label'].unique() array(['Meniscus Tear'], dtype=object) datafile = os.path.join(fastmri_path, fastmri_file + '.h5') f = h5py.File(datafile,'r') img_data = f['reconstruction_rss'][:] img_data = img_data[:, ::-1, :] # flipped up down def plot_bounding_box(image, labels): plotted_image = ImageDraw.Draw(image) for label in labels: _, _, _, x0, y0, w, h, label_txt = label x1 = x0 + w y1 = y0 + h plotted_image.rectangle(((x0,y0), (x1,y1)), outline="white") plotted_image.text((x0, max(0, y0 - 10)), label_txt, fill= "white") return np.array(image) # Display an imageslice with annotations slice_choice = 16 labels_for_slice = labels_for_file.loc[labels_for_file['slice'] == slice_choice].values.tolist() arrimg = np.squeeze(img_data[slice_choice,:,:]) image_2d_scaled = (np.maximum(arrimg,0) / arrimg.max()) * 255.0 image_2d_scaled = Image.fromarray(np.uint8(image_2d_scaled)) annotated_img = plot_bounding_box(image_2d_scaled, labels_for_slice) plt.figure(figsize = (5,5)) plt.imshow(annotated_img,'gray') plt.show()

image_data = (image_data - np.min(image_data)) / (np.max(image_data) - np.min(image_data)) image_data = (image_data * 255).astype(np.uint8) # 5. 创建图形和坐标轴 fig, ax = plt.subplots(1) ax.imshow...

import cv2 import numpy as np from paddleocr import PaddleOCR import re import traceback from PIL import Image, ImageDraw, ImageFont # 初始化PaddleOCR ocr = PaddleOCR( use_textline_orientation=True, lang="ch", # det_algorithm="DB", # 固定使用 DB 检测算法（更稳定） text_det_thresh=0, # 降低检测阈值，让检测框更贴合文字 text_det_unclip_ratio=0.5, # 缩小文本框扩展比例，避免框过大 text_det_box_thresh=0.5, # 过滤小文本框的阈值 # det_model_dir='D:\DaiMaGongJu\PaddleOCR\models\ch_PP-OCRv4_det_server_infer', ) def preprocess_image(image): """图像预处理以提高识别率""" gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8)) gray = clahe.apply(gray) # gray = cv2.adaptiveThreshold( # gray, # 255, # cv2.ADAPTIVE_THRESH_GAUSSIAN_C, # cv2.THRESH_BINARY,11,2) # kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) # gray = cv2.dilate(gray, kernel, iterations=1) # gray = cv2.erode(gray, kernel, iterations=1) gray = cv2.GaussianBlur(gray, (3, 3), 0) return cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR) def shrink_box(pts, shrink_ratio=0.03): """按比例收缩检测框""" x_min = np.min(pts[:, 0, 0]) y_min = np.min(pts[:, 0, 1]) x_max = np.max(pts[:, 0, 0]) y_max = np.max(pts[:, 0, 1]) width = x_max - x_min height = y_max - y_min x_min += width * shrink_ratio x_max -= width * shrink_ratio y_min += height * shrink_ratio y_max -= height * shrink_ratio return np.array([[[x_min, y_min]], [[x_max, y_min]], [[x_max, y_max]], [[x_min, y_max]]], dtype=np.int32) def draw_text_with_pil(image, text, position, color, font_size=14): """使用PIL库绘制中文文本""" # 转换为PIL图像 pil_image = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) draw = ImageDraw.Draw(pil_image) # 尝试加载中文字体，可根据系统调整字体路径 try: font = ImageFont.truetype("simhei.ttf", font_size, encoding="utf-8") except IOError: # 如果找不到指定字体，使用默认字体 font = ImageFont.load_default() # 绘制文本 draw.text(position, text, font=font, fill=tuple(reversed(color))) # 转回OpenCV格式 return cv2.cvtColor(np.array(pil_image), cv2.COLOR_RGB2BGR) def detect_text_with_colored_boxes(image_path, output_path=None): """使用PaddleOCR识别文本并绘制彩色边界框""" image = cv2.imread(image_path) if image is None: raise FileNotFoundError(f"无法读取图像: {image_path}") if len(image.shape) == 2: image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR) try: processed_image = preprocess_image(image) result = ocr.predict(processed_image) color_map = { 'title': (0, 0, 255), 'body': (0, 255, 0), 'footer': (255, 0, 0), 'number': (255, 255, 0), 'default': (0, 255, 255) } recognized_text = [] if isinstance(result, list): if len(result) > 0 and isinstance(result[0], dict): for item in result: if 'rec_texts' in item and 'dt_polys' in item and 'rec_scores' in item: texts = item['rec_texts'] coords_list = item['dt_polys'] scores = item['rec_scores'] for i in range(min(len(texts), len(coords_list), len(scores))): text = texts[i].strip() coords = coords_list[i] confidence = scores[i] if len(text) > 0 and confidence > 0.3: pts = np.array(coords, np.int32).reshape((-1, 1, 2)) category = classify_text(text, i) color = color_map.get(category, color_map['default']) cv2.polylines(image, [pts], True, color, 2) # 计算文本位置 x, y = pts[0][0][0], pts[0][0][1] y = max(y - 15, 15) # 调整位置，确保文本不超出图像 # 使用PIL绘制文本 image = draw_text_with_pil(image, text, (x, y - 15), color) recognized_text.append({ 'text': text, 'category': category, 'confidence': confidence, 'coordinates': coords }) else: print(f"无法解析的结果格式: {list(item.keys())[:5]}...") else: for i, item in enumerate(result): if isinstance(item, list) and len(item) >= 2: coords = item[0] text_info = item[1] if isinstance(text_info, (list, tuple)) and len(text_info) >= 2: text = text_info[0].strip() confidence = text_info[1] if len(text) > 0 and confidence > 0.3: pts = np.array(coords, np.int32).reshape((-1, 1, 2)) category = classify_text(text, i) color = color_map.get(category, color_map['default']) cv2.polylines(image, [pts], True, color, 2) x, y = pts[0][0][0], pts[0][0][1] y = max(y - 15, 15) image = draw_text_with_pil(image, text, (x, y - 15), color) recognized_text.append({ 'text': text, 'category': category, 'confidence': confidence, 'coordinates': coords }) else: print(f"跳过格式异常的结果项: {item[:50]}...") else: print(f"OCR返回非预期格式: {type(result)}") if output_path: cv2.imwrite(output_path, image) return recognized_text, image except Exception as e: print(f"OCR处理过程中出错: {str(e)}") traceback.print_exc() raise def classify_text(text, idx): """根据文本内容和位置分类""" if idx < 3 and len(text) > 2: return 'title' elif re.match(r'^[\d\.¥￥%,]+$', text): return 'number' elif any(keyword in text for keyword in ['合计', '日期', '谢谢', '总计', '欢迎', '下次光临']): return 'footer' else: return 'body' if name == "main": input_image = 'small.jpg' output_image = 'document_ocr2.jpg' try: print("开始OCR识别...") results, processed_image = detect_text_with_colored_boxes(input_image, output_image) print(f"识别完成，共识别出 {len(results)} 个文本区域") for item in results: print(f"[{item['category']}] {item['text']} (置信度: {item['confidence']:.2f})") cv2.imshow('OCR Result', processed_image) cv2.waitKey(0) cv2.destroyAllWindows() except FileNotFoundError as e: print(f"文件错误: {e}") except Exception as e: print(f"处理过程中出错: {e}") 该代码在识别图片中的文字时，识别框与文字不贴合，改进代码

from paddleocr import PaddleOCR # 初始化模型 ocr = PaddleOCR( det_db_box_thresh=0.7, # 提高阈值，过滤掉置信度较低的框 det_db_unclip_ratio=1.2, # 减小膨胀系数，使框更紧凑 # 其他参数... ) ...

langchain4j-anthropic-spring-boot-starter-0.31.0.jar中文文档.zip

1、压缩文件中包含：中文文档、jar包下载地址、Maven依赖、Gradle依赖、源代码下载地址。 2、使用方法：解压最外层zip，再解压其中的zip包，双击【index.html】文件，即可用浏览器打开、进行查看。 3、特殊说明：（1）本文档为人性化翻译，精心制作，请放心使用；（2）只翻译了该翻译的内容，如：注释、说明、描述、用法讲解等；（3）不该翻译的内容保持原样，如：类名、方法名、包名、类型、关键字、代码等。 4、温馨提示：（1）为了防止解压后路径太长导致浏览器无法打开，推荐在解压时选择“解压到当前文件夹”（放心，自带文件夹，文件不会散落一地）；（2）有时，一套Java组件会有多个jar，所以在下载前，请仔细阅读本篇描述，以确保这就是你需要的文件。 5、本文件关键字： jar中文文档.zip,java,jar包,Maven,第三方jar包,组件,开源组件,第三方组件,Gradle,中文API文档,手册,开发手册,使用手册,参考手册。

TMS320F28335电机控制程序详解：BLDC、PMSM无感有感及异步VF源代码与开发资料

TMS320F28335这款高性能数字信号处理器（DSP）在电机控制领域的应用，涵盖了BLDC（无刷直流电机）、PMSM（永磁同步电机）的无感有感控制以及异步VF（变频调速）程序。文章不仅解释了各类型的电机控制原理，还提供了完整的开发资料，包括源代码、原理图和说明文档，帮助读者深入了解其工作原理和编程技巧。适合人群：从事电机控制系统开发的技术人员，尤其是对TMS320F28335感兴趣的工程师。使用场景及目标：适用于需要掌握TMS320F28335在不同电机控制应用场景下具体实现方法的专业人士，旨在提高他们对该微控制器的理解和实际操作能力。其他说明：文中提供的开发资料为读者提供了从硬件到软件的全面支持，有助于加速项目开发进程并提升系统性能。

基于爬山搜索法的风力发电MPPT控制Simulink仿真：定步长与变步长算法性能对比 - 爬山搜索法最新版

基于爬山搜索法的风力发电最大功率点追踪（MPPT）控制的Simulink仿真模型，重点比较了定步长和变步长算法在不同风速条件下的表现。文中展示了两种算法的具体实现方法及其优缺点。定步长算法虽然结构简单、计算量小，但在风速突变时响应较慢，存在明显的稳态振荡。相比之下，变步长算法能够根据功率变化动态调整步长，表现出更快的响应速度和更高的精度，尤其在风速突变时优势明显。实验数据显示，变步长算法在风速从8m/s突增至10m/s的情况下，仅用0.3秒即可稳定，功率波动范围仅为±15W，而定步长算法则需要0.8秒，功率波动达到±35W。适合人群：从事风力发电研究的技术人员、对MPPT控制感兴趣的工程技术人员以及相关专业的高校师生。使用场景及目标：适用于风力发电系统的设计与优化，特别是需要提高系统响应速度和精度的场合。目标是在不同风速条件下，选择合适的MPPT算法以最大化风能利用率。其他说明：文章还讨论了定步长算法在风速平稳情况下的优势，提出了根据不同应用场景灵活选择或组合使用这两种算法的建议。

基于MatlabSimulink的风电场调频策略研究：虚拟惯性、超速减载与下垂控制的协调优化

内容概要：本文详细探讨了在Matlab/Simulink环境下，针对风电场调频的研究，尤其是双馈风机调频策略的应用及其与其他调频策略的协调工作。文中介绍了三种主要的调频策略——虚拟惯性、超速减载和下垂控制，并基于三机九节点系统进行了改进，模拟了四组风电机组的协同调频过程。研究指出，虚拟惯性的应用虽然可以提供短期频率支持，但也可能导致频率二次跌落的问题。因此，需要通过超速减载和下垂控制来进行补偿，以维持电网的稳定。此外，文章还展示了在变风速条件下，风电机组对电网频率支撑能力的显著提升，尤其是在高比例风电并网渗透的情况下，频率最低点提高了50%，验证了调频策略的有效性。适合人群：从事电力系统、风电场运营管理和调频技术研发的专业人士，以及对风电调频感兴趣的科研人员和技术爱好者。使用场景及目标：适用于希望深入理解风电场调频机制及其优化方法的人群。目标是掌握不同调频策略的工作原理及其协调工作的关键点，提高风电场的运行效率和稳定性。其他说明：本文通过具体的案例研究和仿真数据，展示了调频策略的实际效果，强调了合理运用调频策略对于风电场稳定运行的重要意义。同时，也为未来的风电调频技术创新提供了理论依据和实践经验。

三菱QL系列PLC在3C-FPC组装机中的定位与伺服控制及触摸屏应用解析

三菱Q系列和L系列PLC在3C-FPC组装机中的具体应用，涵盖硬件架构、软件编程以及实际操作技巧。主要内容包括：使用QX42数字输入模块和QY42P晶体管输出模块进行高效信号处理；采用JE系列伺服控制系统实现高精度四轴联动；利用SFC（顺序功能图）和梯形图编程方法构建稳定可靠的控制系统；通过触摸屏实现多用户管理和权限控制；并分享了一些实用的调试和维护技巧，如流水线节拍控制和工程师模式进入方法。最终，该系统的设备综合效率（OEE）达到了92%以上。适合人群：从事自动化控制领域的工程师和技术人员，尤其是对三菱PLC有初步了解并希望深入了解其高级应用的人群。使用场景及目标：适用于需要高精度、高效能的工业生产设备控制场合，旨在帮助用户掌握三菱PLC及其相关组件的应用技能，提高生产效率和产品质量。其他说明：文中提供了详细的编程实例和操作指南，有助于读者更好地理解和实践。同时提醒使用者在调试过程中应注意伺服刚性参数调整，避免不必要的机械损伤。

Simulink环境下四永磁同步电机偏差耦合转速同步控制仿真模型及其应用

内容概要：本文介绍了作者在Simulink上搭建的一个用于四永磁同步电机偏差耦合转速同步控制的仿真模型。文中详细描述了四永磁同步电机系统的建模方法，包括电机本体、电源、控制器等组成部分的设置。重点阐述了偏差耦合转速同步控制策略的具体实现方式，即利用PID控制器调节各电机的转速差值，确保所有电机能以相同的速率运转。此外，还展示了不同工况下仿真的实验结果，证明了所提方案的有效性。最后讨论了该模型在未来可能的发展方向和应用场景。适合人群：从事工业自动化领域的研究人员和技术人员，特别是关注多电机系统协调控制的研究者。使用场景及目标：适用于希望深入了解多电机同步控制机制的人群，旨在提供一种有效的解决方案来应对多电机系统中存在的协调难题，提升系统的稳定性和效率。其他说明：文中提供了具体的MATLAB/Simulink代码片段作为参考，便于读者理解和复现相关工作。

电机过调制算法模型：从线性调制区到过调制区的技术验证与应用

电机过调制算法模型，涵盖从线性调制区到过调制区的转换机制及其在量产车中的实际应用。首先解释了调制区的判定方法，特别是关键阈值的选择依据。接着深入探讨了过调制Ⅰ区的削波和角度补偿策略，以及过调制Ⅱ区采用的六边形调制方式。文中还提到了滞回切换逻辑的应用，以减少转矩脉动，并强调了高精度运算对于算法稳定性的至关重要性。适合人群：从事电机控制系统研究与开发的技术人员，尤其是关注永磁同步电机驱动器性能优化的专业人士。使用场景及目标：适用于需要深入了解电机调制算法的工作原理和技术细节的研究人员和工程师，旨在提高电机效率并解决实际工程中遇到的问题。其他说明：文章不仅提供了理论分析，还包括具体的代码实现片段，有助于读者更好地理解和实践相关技术。同时提醒开发者注意实际应用中的细微差别和潜在挑战。

Matlab实现多光束干涉模拟：从三束光到复杂模式的探索与应用

如何利用Matlab进行多光束干涉的模拟实验。首先，作者通过简单的三束光干涉模型展示了基本的设置方法，包括波长、入射角的选择以及关键代码段的解释。接着深入探讨了相位计算的方法，强调了使用三角函数而非复数表示的优势。随后，文章逐步扩展到更多光束的情况，揭示了随着光束数量增加所带来的物理现象变化，如主极大的尖锐化。最后，提供了完整的代码包，不仅实现了高效的复数运算，还展示了光强和相位分布的图形化结果。适合人群：对光学现象感兴趣的科研工作者、学生以及希望深入了解多光束干涉特性的技术人员。使用场景及目标：①帮助读者理解多光束干涉的基本原理及其数学表达；②提供实际编码经验，使读者能够动手重现实验效果；③探索不同参数配置下产生的独特光学现象。其他说明：文中附带了详细的代码注释和优化建议，确保初学者也能顺利上手。同时，通过调整参数可以观察到丰富的干涉图案，有助于教学演示和技术研究。

基于TMS320F28335 DSP的光伏逆变器设计：Boost升压与单相全桥逆变及MPPT实现

基于TMS320F28335 DSP的光伏逆变器设计方案。系统主要包括DC-DC Boost升压电路和DCAC单相全桥逆变电路两大部分，利用TMS320F28335的强大处理能力及其内置的ePWM模块实现高效的PWM和SPWM波形控制。同时，文中探讨了通过恒压跟踪法（CVT法）实现最大功率点跟踪（MPPT），并通过软件锁相环完成系统的同频、同相控制。此外，文章还提供了完整的PCB设计、原理图以及相关代码，便于读者理解和实际操作。适合人群：从事电力电子、嵌入式系统开发的技术人员，尤其是对光伏逆变器设计感兴趣的工程师。使用场景及目标：适用于需要深入理解光伏逆变器工作原理和技术细节的研究人员或开发者，旨在帮助他们掌握从硬件设计到软件编程的完整流程，提高实际项目的开发效率。其他说明：文中提供的资料详尽全面，既包括理论讲解又涵盖具体实施步骤，有助于读者快速上手并应用于实际项目中。

C语言实现扩展卡尔曼滤波EKF在锂电池SOC估计中的应用及其实现细节

使用C语言实现扩展卡尔曼滤波（EKF）在锂电池SOC（荷电状态）估计中的应用。首先阐述了卡尔曼滤波器在电池状态估计中的重要性和应用场景，接着具体讲解了EKF的C语言实现方式，包括初始化参数、定义关键函数、设置系统和噪声模型等步骤。文中还分别讨论了定参和FFRLS（快速遗忘递归最小二乘法）两种情况下的参数设定与更新机制，并展示了该算法在VS2019和Ubuntu 20.04.4两个平台上的成功运行及其结果图表。适合人群：具备一定编程基础并对嵌入式系统或电池管理系统感兴趣的开发者和技术爱好者。使用场景及目标：适用于需要精确估计锂电池SOC的应用场合，如电动汽车、便携式电子产品等领域。通过学习本文，读者可以掌握EKF的基本原理及其C语言实现技巧，从而为实际项目提供技术支持。其他说明：附带的源代码和实验数据有助于加深理解，同时提供了在不同操作系统环境下测试和验证的机会。

langchain4j-azure-ai-search-0.32.0.jar中文文档.zip

1、压缩文件中包含：中文文档、jar包下载地址、Maven依赖、Gradle依赖、源代码下载地址。 2、使用方法：解压最外层zip，再解压其中的zip包，双击【index.html】文件，即可用浏览器打开、进行查看。 3、特殊说明：（1）本文档为人性化翻译，精心制作，请放心使用；（2）只翻译了该翻译的内容，如：注释、说明、描述、用法讲解等；（3）不该翻译的内容保持原样，如：类名、方法名、包名、类型、关键字、代码等。 4、温馨提示：（1）为了防止解压后路径太长导致浏览器无法打开，推荐在解压时选择“解压到当前文件夹”（放心，自带文件夹，文件不会散落一地）；（2）有时，一套Java组件会有多个jar，所以在下载前，请仔细阅读本篇描述，以确保这就是你需要的文件。 5、本文件关键字： jar中文文档.zip,java,jar包,Maven,第三方jar包,组件,开源组件,第三方组件,Gradle,中文API文档,手册,开发手册,使用手册,参考手册。

负载转矩观测技术在永磁同步电机FOC中的应用：快速准确的前馈补偿与文献支持

内容概要：本文介绍了负载转矩观测技术在永磁同步电机（PMSM）场向量控制（FOC）中的应用，重点讨论了一种新颖的负载转矩观测器。该观测器相比传统龙伯格方法设计更为巧妙，参数调节容易，能够快速准确地观测负载转矩。通过将观测到的负载转矩用作前馈补偿，提高了系统的抗负载扰动能力和响应速度。文中还提供了算法的参考文献和仿真模型，验证了该观测器的有效性和优越性。适合人群：从事电机控制领域的研究人员和技术人员，特别是关注永磁同步电机FOC技术和负载转矩观测的研究者。使用场景及目标：适用于需要提升永磁同步电机控制系统性能的场合，如工业自动化、电动汽车等领域。目标是通过引入新型负载转矩观测器，改善系统的稳定性和动态响应特性。其他说明：文中详细对比了新旧两种观测器的方法，强调了新技术的优势，并提供了仿真模型供进一步研究。

from PIL import Image, ImageDraw # 将图片平移并旋转 gray2 = Image.fromarray(src) width, height = gray2.size # 计算中心点和X轴角度 center = (max_point[0], max_point[1]) angle = np.arctan2(point2[1] - max_point[1], point2[0] - max_point[0]) * 180 / np.pi img_translated = gr

相关推荐

PIL.Image.open和cv2.imread的比较与相互转换的方法

gray2rgb.rar_Gray转化为RGB_gray2rgb_gray2rgb算法

Python 实现OpenCV格式和PIL.Image格式互转

langchain4j-anthropic-spring-boot-starter-0.31.0.jar中文文档.zip

TMS320F28335电机控制程序详解：BLDC、PMSM无感有感及异步VF源代码与开发资料

基于爬山搜索法的风力发电MPPT控制Simulink仿真：定步长与变步长算法性能对比 - 爬山搜索法 最新版

基于MatlabSimulink的风电场调频策略研究：虚拟惯性、超速减载与下垂控制的协调优化

三菱QL系列PLC在3C-FPC组装机中的定位与伺服控制及触摸屏应用解析

Simulink环境下四永磁同步电机偏差耦合转速同步控制仿真模型及其应用

电机过调制算法模型：从线性调制区到过调制区的技术验证与应用

Matlab实现多光束干涉模拟：从三束光到复杂模式的探索与应用

基于TMS320F28335 DSP的光伏逆变器设计：Boost升压与单相全桥逆变及MPPT实现

C语言实现扩展卡尔曼滤波EKF在锂电池SOC估计中的应用及其实现细节

langchain4j-azure-ai-search-0.32.0.jar中文文档.zip

负载转矩观测技术在永磁同步电机FOC中的应用：快速准确的前馈补偿与文献支持

大家在看

机械臂建模+MATLAB代码+六自由度.zip

易语言WinSock模块应用

VxWorks和RTlinux的性能测试分析

波特率任意设 串口调试助手

十几种水下图像增强算法源代码

最新推荐

langchain4j-anthropic-spring-boot-starter-0.31.0.jar中文文档.zip

TMS320F28335电机控制程序详解：BLDC、PMSM无感有感及异步VF源代码与开发资料

基于爬山搜索法的风力发电MPPT控制Simulink仿真：定步长与变步长算法性能对比 - 爬山搜索法 最新版

基于MatlabSimulink的风电场调频策略研究：虚拟惯性、超速减载与下垂控制的协调优化

三菱QL系列PLC在3C-FPC组装机中的定位与伺服控制及触摸屏应用解析

Visual C++.NET编程技术实战指南

HarmonyOS内核深度探秘：优化自由行旅游系统的策略

tkinter模块所有控件

局域网五子棋游戏：娱乐与聊天的完美结合

自由行旅游新篇章：HarmonyOS技术融合与系统架构深度解析

基于爬山搜索法的风力发电MPPT控制Simulink仿真：定步长与变步长算法性能对比 - 爬山搜索法最新版

波特率任意设串口调试助手

基于爬山搜索法的风力发电MPPT控制Simulink仿真：定步长与变步长算法性能对比 - 爬山搜索法最新版