【21天python打卡】第20天 python经典案例（6）
大家好，今天是21天python打卡的第20天。今天我们重点通过案例图像的手绘效果，学习python中numpy库的相关知识，通过自己所学的知识进行拓展，使用try语句实现对异常结果的处理，其次，我们分享了如何批量安装python的第三方库文件，最后，我们通过案例体育竞技分析，学习了random的相关知识，相信大家每天学习一点知识，总有一天会变得越来越厉害。
活动地址：CSDN21天学习挑战赛
学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。
目录
图像的手绘效果
概念与原理
核心原理：
图像的数组形式与变换
实现思路步骤：
1、梯度的重构
2、构造guan光源效果
3、梯度归一化
4、图像生成
实验相关库
【numpy库介绍】
【numpy库安装】
【numpy库基本使用】
代码如下
实验结果
拓展程序
代码如下
实验结果
第三方库批量安装程序
代码实现
体育竞技分析
一.random简介
二、各函数使用方法
代码实现
实验结果
图像的手绘效果
概念与原理
我们都知道手绘图效果的特征主要有：
黑白灰色
边界线条较重
相同或相近色彩趋于白色
略有光源效果
核心原理：
利用像素之间的梯度值和虚拟深度值对图像进行重构，根据灰度变化来模拟人类视觉的模拟程度。
把图像看成二维离散函数，灰度梯度其实就是这个二维离散函数的求导，用差分代替微分，求取图像的灰度梯度。常用的一些灰度梯度模板有：Roberts 梯度、Sobel 梯度、Prewitt 梯度、Laplacian 梯度。
以Sobel 梯度计算来解释：
梯度方向及图像灰度增大的方向，其中梯度方向的梯度夹角大于平坦区域的梯度夹角。如下图所示，灰度值增加的方向梯度夹角大，此时梯度夹角大的方向为梯度方向。对应在图像中寻找某一点的梯度方向即通过计算该点与其8邻域点的梯度角，梯度角最大即为梯度方向。
图像的数组形式与变换
其中，需要用到的方法：
Image.open( ): 打开图片
np.array( ) : 将图像转化为数组
convert("L"): 将图片转换成二维灰度图片
Image.fromarray( ): 将数组还原成图像uint8格式
实现思路步骤：
1、梯度的重构
numpy的梯度函数np.gradient(a) ： 计算数组a中元素的梯度，f为多维时，返回每个维度的梯度。
离散梯度： xy坐标轴连续三个x轴坐标对应的y轴值：a, b, c 其中b的梯度是（c-a）/2，而c的梯度是： (c-b)/1。
当为二维数组时，np.gradient(a) 得出两个数组，第一个数组对应最外层维度的梯度，第二个数组对应第二层维度的梯度。
代码如下：
grad=np.gradient(a)
grad_x,grad_y=grad
grad_x = grad_x * depth / 100.#对grad_x值进行归一化
grad_y = grad_y * depth / 100.#对grad_y值进行归一化
2、构造guan光源效果
设计一个位于图像斜上方的虚拟光源，光源相对于图像的视角为Elevation,方位角为Azimuth，建立光源对各点梯度值的影响函数，运算出各点的新像素值：
其中：
np.cos(evc.el) : 单位光线在地平面上的投射长度。
dx、dy、dz ：光源对xyz三方向的影响程度。
3、梯度归一化
构造x和y轴梯度的三维归一化单位坐标系；
梯度与光源相互作用，将梯度转化为灰度。
4、图像生成
im2 = Image.fromarray(a2.astype('uint8')) #重构图像
im2.save('fcityHandDraw.jpg')
实验相关库
【numpy库介绍】
numpy的全称是Numerical Python，是Python的一个扩展程序库，它不仅针对数组运算提供了大量的函数库，而且它还能够支持维度数组与矩阵运算。重要的是，numpy内部解除了CPython中的全局解释器锁（GIL），运行效率非常好，是处理大量数组类结构和机器学习框架的基础库！
【numpy库安装】
一般使用pip install numpy进行安装，对于进行机器学习和大数据分析的小朋友，强烈推荐安装Anaconda，其中含有大量的机器学习和数据相关的Python模块，安装成功后即可使用了，不用浪费时间了。
安装成功后，我们在Python编译器中进行测试，使用import numpy，如果不报错，说明我们的numpy安装无误了。
【numpy库基本使用】
Numpy中定义的最重要使用最频繁的对象就是ndarray的N维数组类型。
它描述相同类型（dtype）的元素集合，可以使用基于零的索引访问集合中的项目，它的类似Python中的列表索引。我们学习numpy库，首先得学习ndarray对象。
ndarray的创建方式如下：
numpy.array(object, dtype =None, copy =True, order =None, subok =False, ndmin =0)
各参数解释如下：
【object】：数组或嵌套的数列
【dtype】：数组元素的数据类型，可选
【copy 】：对象能否复制，可选
【order】：创建数组的样式，C为行方向，F为列方向，A为任意方向，默认为A
【subok】：默认返回一个与基类类型一致的数组
【ndmin】：指定生成数组的最小维度
代码如下
from PIL import Image
import numpy as np
vec_el = np.pi/2.2 # 光源的俯视角度，弧度值
vec_az = np.pi/4. # 光源的方位角度，弧度值
depth = 10. # (0-100)
im = Image.open('fcity.jpg').convert('L')
a = np.asarray(im).astype('float')
grad = np.gradient(a) #取图像灰度的梯度值
grad_x, grad_y = grad #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
dx = np.cos(vec_el)np.cos(vec_az) #光源对x 轴的影响
dy = np.cos(vec_el)np.sin(vec_az) #光源对y 轴的影响
dz = np.sin(vec_el) #光源对z 轴的影响
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化
a2 = a2.clip(0,255)
im2 = Image.fromarray(a2.astype('uint8')) #重构图像
im2.save('fcityHandDraw.jpg')
我们导入一个图片试试看什么效果。
实验结果
运行程序后
拓展程序
我们可以运用我们之前学习的异常处理方法加入到现有的程序。
代码如下
from PIL import Image
import numpy as np
try:
vec_el = np.pi/2.2 # 光源的俯视角度，弧度值
vec_az = np.pi/4. # 光源的方位角度，弧度值
depth = 10. # (0-100)
im = Image.open('fcity.jpg').convert('L')
a = np.asarray(im).astype('float')
grad = np.gradient(a) #取图像灰度的梯度值
grad_x, grad_y = grad #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
dx = np.cos(vec_el)np.cos(vec_az) #光源对x 轴的影响
dy = np.cos(vec_el)np.sin(vec_az) #光源对y 轴的影响
dz = np.sin(vec_el) #光源对z 轴的影响
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化
a2 = a2.clip(0,255)
im2 = Image.fromarray(a2.astype('uint8')) #重构图像
im2.save('fcityHandDraw.jpg')
print("输出图像手绘成功")
except:
print("文件名错误")
这样就把我们之前学到的异常处理的例子学以致用了。
我们来运行一下吧。
实验结果
实验前：
实验后
我们看到我们这个程序对文件名用严格的要求，如果文件名有误，程序就无法运行，就会报错。我们接下来用错误的文件名试一下，看看会输出什么。
第三方库批量安装程序
大家经常在运行python文件时，经常报错，缺少第三方库文件，我们一个一个安装十分麻烦，我们就编写了一个可以批量安装第三方库文件的程序。大家也可以在如下程序中libs中添加自己想要的库文件。
代码实现
import os
libs = {"numpy","matplotlib","pillow","sklearn","requests",\
"jieba","beautifulsoup4","wheel","networkx","sympy",\
"pyinstaller","django","flask","werobot","pyqt5",\
"pandas","pyopengl","pypdf2","docopt","pygame"}
try:
for lib in libs:
os.system("pip install "+lib)
print("Successful")
except:
print("Failed Somehow")体育竞技分析
一.random简介
random库是用于产生并运用随机数的标准库。Python中的主要使用是让其掌握在程序中运用随机数的能力。
random常见随机函数有9个:seed()、random()、randint()、getrandbits()、randrange()、uniform()、choice()、shuffle()、sample().
二、各函数使用方法
- random.seed(a)作用:设置初始化随机数种子a
参数:
a:随机数种子,可以是整数或浮点数
用random库产生随机数不一定要设置随机数种子，如果不设置,则random库默认以系统时间产生当作随机数种子。设置种子的好处是可以重复再现相同的随机数序列
作用:设置初始化随机数种子a
- random.random()作用:生成一个[0.0,1.0)之间的随机小数参数:无
- random.randint(a,b)作用:生成一个[a,b]之间的随机整数
参数:
a：随机区间的开始值,整数
b：随机区间的结束值，随机数包含结束值整数
- random.getrandbits(k)作用：生成一个k比特长度的随机整数
参数:
k:长度的整数值
- random.randrange(start,stop[,step])作用:生成一个[start,stop)之间以step为步数的随机整数参数：start：随机区间的开始值,整数stop：随机区间的结束值，随机数包含结束值，整数step：随机区间的步长值，整数。步长值可选，如果不设定步长，默认步长为1
- random.uniform(a,b)作用:生成一个[a,b]之间的随机小数
参数:
a：随机区间的开始值，整数或浮点数
b：随机区间的结束值，随机数包含结束值，整数或浮点数
- random.choice(seq)作用:从序列类型(例如列表)seq中随机返回一个元素
参数:
seq：序列类型,例如列表类型
- random.shuffle(seq)作用:从序列类型seq中元素随机排列，返回打乱后的序列
参数:
seq:序列类型，例如列表类型
调用该函数后，序列类型变量seq将被改变
- random.sample(pop,k)作用:从pop类型中随机选取k个元素，以列表类型返回。
参数:
pop:序列类型,例如列表类型
k:选取的个数,整数
代码实现
from random import random
def printIntro():
print("这个程序模拟两个选手A和B的某种竞技比赛")
print("程序运行需要A和B的能力值（以0到1之间的小数表示）")
def getInputs():
a = eval(input("请输入选手A的能力值(0-1): "))
b = eval(input("请输入选手B的能力值(0-1): "))
n = eval(input("模拟比赛的场次: "))
return a, b, n
def simNGames(n, probA, probB):
winsA, winsB = 0, 0
for i in range(n):
scoreA, scoreB = simOneGame(probA, probB)
if scoreA > scoreB:
winsA += 1
else:
winsB += 1
return winsA, winsB
def gameOver(a,b):
return a==15 or b==15
def simOneGame(probA, probB):
scoreA, scoreB = 0, 0
serving = "A"
while not gameOver(scoreA, scoreB):
if serving == "A":
if random() < probA:
scoreA += 1
else:
serving="B"
else:
if random() < probB:
scoreB += 1
else:
serving="A"
return scoreA, scoreB
def printSummary(winsA, winsB):
n = winsA + winsB
print("竞技分析开始，共模拟{}场比赛".format(n))
print("选手A获胜{}场比赛，占比{:0.1%}".format(winsA, winsA/n))
print("选手B获胜{}场比赛，占比{:0.1%}".format(winsB, winsB/n))
def main():
printIntro()
probA, probB, n = getInputs()
winsA, winsB = simNGames(n, probA, probB)
printSummary(winsA, winsB)
main()
实验结果
今天就讲到这里，下一篇我们继续分享python的案例。