1.scikit-image
目前創(chuàng)新互聯(lián)建站已為上千多家的企業(yè)提供了網(wǎng)站建設(shè)、域名、網(wǎng)頁空間、網(wǎng)站托管維護、企業(yè)網(wǎng)站設(shè)計、耒陽網(wǎng)站維護等服務(wù)，公司將堅持客戶導(dǎo)向、應(yīng)用為本的策略，正道將秉承"和諧、參與、激情"的文化，與客戶和合作伙伴齊心協(xié)力一起成長，共同發(fā)展。
scikit-image是一個開源的Python包，適用于numpy數(shù)組。它實現(xiàn)了用于研究，教育和工業(yè)應(yīng)用的算法和實用工具。即使是那些剛接觸Python生態(tài)系統(tǒng)的人，它也是一個相當(dāng)簡單直接的庫。此代碼是由活躍的志愿者社區(qū)編寫的，具有高質(zhì)量和同行評審的性質(zhì)。
2.Numpy
Numpy是Python編程的核心庫之一，并為數(shù)組提供支持。圖像本質(zhì)上是包含數(shù)據(jù)點像素的標(biāo)準(zhǔn)Numpy數(shù)組。因此，我們可以通過使用基本的NumPy操作，例如切片、掩膜和花式索引，來修改圖像的像素值?？梢允褂胹kimage加載圖像并使用matplotlib顯示圖像。
3.Scipy
scipy是Python的另一個類似Numpy的核心科學(xué)模塊，可用于基本的圖像操作和處理任務(wù)。特別是子模塊scipy.ndimage，提供了在n維NumPy數(shù)組上操作的函數(shù)。該包目前包括線性和非線性濾波，二值形態(tài)學(xué)，B樣條插值和對象測量等功能函數(shù)。
4. PIL/Pillow
PIL是Python編程語言的一個免費庫，它支持打開、操作和保存許多不同的文件格式的圖像。然而，隨著2009年的最后一次發(fā)布，它的開發(fā)停滯不前。但幸運的是還有Pillow，一個PIL積極開發(fā)的且更容易安裝的分支，它能運行在所有主要的操作系統(tǒng)，并支持Python3。這個庫包含了基本的圖像處理功能，包括點運算、使用一組內(nèi)置卷積核的濾波和色彩空間的轉(zhuǎn)換。
5.OpenCV-Python
OpenCV是計算機視覺應(yīng)用中應(yīng)用最廣泛的庫之一
。OpenCV-Python是OpenCV的python版API。OpenCV-Python的優(yōu)點不只有高效，這源于它的內(nèi)部組成是用C/C++編寫的，而且它還容易編寫和部署。這使得它成為執(zhí)行計算密集型計算機視覺程序的一個很好的選擇。
6.SimpleCV
SimpleCV也是一個用于構(gòu)建計算機視覺應(yīng)用程序的開源框架。有了它，你就可以訪問幾個高性能的計算機視覺庫，如OpenCV，而且不需要先學(xué)習(xí)了解位深度、文件格式、顏色空間等。它的學(xué)習(xí)曲線大大小于OpenCV，正如它們的口號所說“計算機視覺變得簡單”。
7.Mahotas
Mahotas是另一個計算機視覺和圖像處理的Python庫。它包括了傳統(tǒng)的圖像處理功能例如濾波和形態(tài)學(xué)操作以及更現(xiàn)代的計算機視覺功能用于特征計算，包括興趣點檢測和局部描述符。該接口是Python語言，適合于快速開發(fā)，但是算法是用C語言實現(xiàn)的，并根據(jù)速度進行了調(diào)優(yōu)。Mahotas庫速度快，代碼簡潔，甚至具有最小的依賴性。
8.SimpleITK
ITK或者Insight Segmentation and Registration
Toolkit是一個開源的跨平臺系統(tǒng)，為開發(fā)人員提供了一套廣泛的圖像分析軟件工具
。其中,SimpleITK是建立在ITK之上的簡化層，旨在促進其在快速原型設(shè)計、教育、解釋語言中的應(yīng)用。SimpleITK是一個圖像分析工具包，包含大量支持一般過濾操作、圖像分割和匹配的組件。SimpleITK本身是用C++寫的，但是對于包括Python以內(nèi)的大部分編程語言都是可用的。
9.pgmagick
pgmagick是GraphicsMagick庫的一個基于python的包裝。GraphicsMagick圖像處理系統(tǒng)有時被稱為圖像處理的瑞士軍刀。它提供了一個具有強大且高效的工具和庫集合，支持以88種主要格式讀取、寫入和操作圖像。
10.Pycairo
Pycairo是圖像處理庫cairo的一組Python捆綁。Cairo是一個用于繪制矢量圖形的2D圖形庫。矢量圖形很有趣，因為它們在調(diào)整大小或轉(zhuǎn)換時不會失去清晰度。Pycairo是cairo的一組綁定，可用于從Python調(diào)用cairo命令。
如何用python實現(xiàn)圖像的一維高斯濾波器
現(xiàn)在把卷積模板中的值換一下，不是全1了，換成一組符合高斯分布的數(shù)值放在模板里面，比如這時中間的數(shù)值最大，往兩邊走越來越小，構(gòu)造一個小的高斯包。實現(xiàn)的函數(shù)為cv2.GaussianBlur()。對于高斯模板，我們需要制定的是高斯核的高和寬（奇數(shù)），沿x與y方向的標(biāo)準(zhǔn)差(如果只給x，y=x，如果都給0，那么函數(shù)會自己計算)。高斯核可以有效的出去圖像的高斯噪聲。當(dāng)然也可以自己構(gòu)造高斯核，相關(guān)函數(shù)：cv2.GaussianKernel().
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(‘flower.jpg‘,0) #直接讀為灰度圖像
for i in range(2000): #添加點噪聲
temp_x = np.random.randint(0,img.shape[0])
temp_y = np.random.randint(0,img.shape[1])
img[temp_x][temp_y] = 255
blur = cv2.GaussianBlur(img,(5,5),0)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默認彩色，另一種彩色bgr
plt.subplot(1,2,2),plt.imshow(blur,‘gray‘)
SVM 是 Support Vector Machine 的簡稱，它的中文名為支持向量機，屬于一種有監(jiān)督的機器學(xué)習(xí)算法，可用于離散因變量的分類和連續(xù)因變量的預(yù)測。通常情況下，該算法相對于其他單一的分類算法（如 Logistic 回歸、決策樹、樸素貝葉斯、 KNN 等）會有更好的預(yù)測準(zhǔn)確率，主要是因為它可以將低維線性不可分的空間轉(zhuǎn)換為高維的線性可分空間。
“分割帶”代表了模型劃分樣本點的能力或可信度，“分割帶”越寬，說明模型能夠?qū)颖军c劃分得越清晰，進而保證模型泛化能力越強，分類的可信度越高；反之，“分割帶”越窄，說明模型的準(zhǔn)確率越容易受到異常點的影響，進而理解為模型的預(yù)測能力越弱，分類的可信度越低。
線性可分的 所對應(yīng)的函數(shù)間隔滿足 的條件，故 就等于 。所以，可以將目標(biāo)函數(shù) 等價為如下的表達式：
假設(shè)存在一個需要最小化的目標(biāo)函數(shù) ，并且該目標(biāo)函數(shù)同時受到 的約束。如需得到最優(yōu)化的解，則需要利用拉格朗日對偶性將原始的最優(yōu)化問題轉(zhuǎn)換為對偶問題，即：
分割面的求解
分割面的表達式
對于非線性SVM模型而言，需要經(jīng)過兩個步驟，一個是將原始空間中的樣本點映射到高維的新空間中，另一個是在新空間中尋找一個用于識別各類別樣本點線性“超平面”。
假設(shè)原始空間中的樣本點為 ，將樣本通過某種轉(zhuǎn)換 映射到高維空間中，則非線性SVM模型的目標(biāo)函數(shù)可以表示為：
其中，內(nèi)積 可以利用核函數(shù)替換，即 。對于上式而言，同樣需要計算最優(yōu)的拉格朗日乘積 ，進而可以得到線性“超平面” 與 的值：
假設(shè)原始空間中的兩個樣本點為 ，在其擴展到高維空間后，它們的內(nèi)積 如果等于樣本點 在原始空間中某個函數(shù)的輸出，那么該函數(shù)就稱為核函數(shù)。
線性核函數(shù)的表達式為 ，故對應(yīng)的分割“超平面”為：
多項式核函數(shù)的表達式為 ，故對應(yīng)的分割“超平面”為：
高斯核函數(shù)的表達式為 ，故對應(yīng)的分割“超平面”為：
Sigmoid 核函數(shù)的表達式為 ，故對應(yīng)的分割“超平面”為：
在實際應(yīng)用中， SVM 模型對核函數(shù)的選擇是非常敏感的，所以需要通過先驗的領(lǐng)域知識或者交叉驗證的方法選出合理的核函數(shù)。大多數(shù)情況下，選擇高斯核函數(shù)是一種相對偷懶而有效的方法，因為高斯核是一種指數(shù)函數(shù)，它的泰勒展開式可以是無窮維的，即相當(dāng)于把原始樣本點映射到高維空間中。
output_13_0.png
重慶分公司
重慶分公司
