计算机视觉+Numpy和OpenCV入门
Day 1：Python基础+Numpy和OpenCV入门
-
Python基础
- 变量与数据类型、函数与类的定义、列表与字典操作
- 文件读写操作（读写图像和数据文件）
练习任务：写一个Python脚本，读取一个图像并保存灰度图像。
import cv2 img = cv2.imread('image.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imwrite('gray_image.jpg', gray) -
Numpy基础
- 数组创建与索引
- 矩阵运算（矩阵乘法、转置、逆矩阵计算）
练习任务：利用Numpy生成一个随机矩阵，计算其特征值和特征向量。
读取一个图像并保存灰度图像。
# 练习任务：写一个Python脚本，读取一个图像并保存灰度图像。
# 1. 读取图像
# 2. 将图像转换为灰度图像
# 3. 保存灰度图像
# 提示：使用OpenCV库
# 4. 保存灰度图像
# 提示：使用OpenCV库
# 5. 显示原始图像和灰度图像
# 提示：使用matplotlib库
# 6. 保存原始图像和灰度图像
# 提示：使用matplotlib库
import cv2
import matplotlib.pyplot as plt
import numpy as np
# 读取图像
img = cv2.imread('cat.jpg')
# 将图像转换为灰度图像
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 保存灰度图像
cv2.imwrite('gray_cat.jpg', gray_img)
# 显示原始图像和灰度图像
plt.subplot(1, 2, 1)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('Original Image')
plt.axis('off')
plt.subplot(1, 2, 2)
plt.imshow(gray_img, cmap='gray')
plt.title('Gray Image')
plt.axis('off')
plt.show()
# 保存原始图像和灰度图像
plt.imsave('original_cat.jpg', cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.imsave('gray_cat.jpg', gray_img, cmap='gray')
Numpy基础
# 20250210
#Numpy基础
# - 数组创建与索引
# - 矩阵运算（矩阵乘法、转置、逆矩阵计算）
# > 练习任务：利用Numpy生成一个随机矩阵，计算其特征值和特征向量。
# 1. 生成一个3x3的随机矩阵
# 2. 计算矩阵的特征值和特征向量
# 3. 打印特征值和特征向量
# 提示：使用Numpy库
import numpy as np
# 创建一个包含5个元素的一维数组
arr1 = np.array([1, 2, 3, 4, 5])
print(arr1)
# [1 2 3 4 5]
# 创建一个包含3x3个元素的二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2)
# [[1 2 3]
# [4 5 6]
# [7 8 9]]
# 创建一个包含3x3个元素的随机矩阵
arr3 = np.random.rand(3, 3)
print(arr3)
# [[0.43466011 0.11696293 0.08589901]
# [0.43506184 0.96955457 0.94011666]
# [0.0907567 0.71107309 0.2533223 ]]
print(arr1[0]) # 访问数组的第一个元素
print(arr2[1, 2]) # 访问第二行第三列的元素
print(arr3[0, 0]) # 访问随机矩阵的第一个元素
# 1
# 6
# 0.434660114961665
# 矩阵运算（矩阵乘法、转置、逆矩阵计算）
# 创建两个矩阵
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
# 矩阵乘法
result = np.dot(A, B)
print(result)
# [[19 22]
# [43 50]]
# 矩阵转置
A_transpose = A.T
print(A_transpose)
# [[1 3]
# [2 4]]
# 逆矩阵计算
A_inv = np.linalg.inv(A)
print(A_inv)
# [[-2. 1. ]
# [ 1.5 -0.5]]
# 计算矩阵的特征值和特征向量
A = np.array([[4, -2], [1, 1]])
eigenvalues, eigenvectors = np.linalg.eig(A)
print('特征值：', eigenvalues)
print('特征向量：', eigenvectors)
# 特征值： [3. 2.]
# 特征向量：
# [[0.89442719 0.70710678]
# [-0.4472136 0.70710678]]
# 总结
# Numpy数组创建与索引：通过 np.array() 创建数组，可以进行索引操作获取特定的元素。
# 矩阵运算：
# 矩阵乘法使用 np.dot() 或 @；
# 矩阵转置使用 .T；
# 矩阵的逆使用 np.linalg.inv()。
# 特征值与特征向量：通过 np.linalg.eig() 可以计算矩阵的特征值和特征向量。