做的网站有广告图片seo和sem的区别与联系

---

一、图像的旋转

1、使用numpy方法实现旋转

• 读取图片并重设图片大小

import cv2
import numpy as npimg=cv2.imread("kele.png")
img=cv2.resize(img,dsize=None,fx=0.5,fy=0.5)cv2.imshow('yuantu',img)

1）顺时针旋转90度

# 旋转90度，k=-1,表示顺时针旋转90度
rotated_image1=np.rot90(img,k=-1)
cv2.imshow('totated_image1',rotated_image1)

2）逆时针旋转90度

# 旋转90度，k=-1,表示顺时针旋转90度
rotated_image1=np.rot90(img,k=-1)
cv2.imshow('totated_image1',rotated_image1)

2、使用opencv的方法实现图像旋转

1）顺时针旋转90度

rotated_image=cv2.rotate(img,cv2.ROTATE_90_CLOCKWISE)   #顺时针旋转90
cv2.imshow('shun90',img)

2）逆时针旋转90度

rotated_image1=cv2.rotate(img,cv2.ROTATE_90_COUNTERCLOCKWISE)   #逆时针旋转90度
cv2.imshow('ni90',rotated_image1)

3）旋转180度

rotated_image2=cv2.rotate(img,cv2.ROTATE_180)   #旋转180度
cv2.imshow('180',rotated_image2)
cv2.waitKey(0)

3、效果

---

二、多图像匹配

• 这是之前写的单模板、多模板匹配，可以先去看一下方便理解：Opencv图像处理：模板匹配对象

1、模板

2、匹配对象

3、代码实现

1）预处理

import cv2
import numpy as npimg_rgb=cv2.imread('image.jpg')
img_gray=cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template=cv2.imread('tem.jpg',0)
template1 = np.rot90(template,k=-1)
template2 = np.rot90(template,k=1)
h,w=template.shape[:2]

2）定义find_temp函数

def find_temp(temp):res=cv2.matchTemplate(img_gray,temp,cv2.TM_CCOEFF_NORMED)threshold=0.9loc=np.where(res>=threshold)for pt in zip(*loc[::-1]):cv2.rectangle(img_rgb,pt,(pt[0]+w,pt[1]+h),(0,0,255),1)

3）进行模板匹配

find_temp(template)
find_temp(template1)
find_temp(template2)
cv2.imshow('', img_rgb)
cv2.waitKey(0)

---

三、打包与np.where()函数

1、np.where()函数

1）作为条件选择器

np.where(condition, x=None, y=None)

• condition：布尔数组或表达式，用于指定条件。
• x, y（可选）：当条件为 True 时返回 x 对应位置的元素，为 False 时返回 y 对应位置的元素。
• 返回值：形状与 condition 相同的数组，元素来自 x 或 y。

import numpy as npa = np.array([1, 2, 3, 4, 5])
# 将大于 3 的元素替换为 10，否则保持原值
result = np.where(a > 3, 10, a)
print(result)  # 输出: [ 1  2  3 10 10]# 更复杂的条件（结合逻辑运算）
b = np.array([10, 20, 30, 40])
condition = (a > 2) & (b < 35)  # 同时满足两个条件
result = np.where(condition, a * 2, b // 2)
print(result)  # 输出: [ 2  4  6 20]（仅前3个元素满足条件，最后一个不满足，取 b//2=20）

2）作为条件索引获取器（省略 x 和 y）

np.where(condition)

• 作用：返回满足条件 condition 的元素的索引（以元组形式表示，每个元素对应数组的一个维度）。
• 返回值：元组 (ind1, ind2, …, indn)，其中 indi 是第 i 维满足条件的索引数组。

a = np.array([1, 2, 3, 4, 4, 5])
# 获取值为 4 的元素的索引
indices = np.where(a == 4)
print(indices)  # 输出: (array([3, 4]),)（一维数组，索引为 3 和 4）# 二维数组示例
b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
condition = b > 5
indices = np.where(condition)
print(indices)  # 输出: (array([1, 2, 2]), array([2, 0, 1, 2]))，对应行和列的索引

2、打包与解包

1）打包

a=[1,2,3]
b=[4,5,6]# 使用zip将他们按位置进行配对
zipped=zip(a,b)
print(list(zipped))
# 输出：[(1,4),(2,5),(3,6)]

2）解包

zip()将多个可迭代对象（列表、元组）进行解压操作

# 假设我们已经有了一个打包好的zip对象
zipped=zip(a,b)# #使用*运算符解包，得到转置的结果
unzipped=zip(*zipped)

loc = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]# 1. loc[::-1]：反转列表
reversed_loc = loc[::-1]
print(reversed_loc)  # 输出: [[7, 8, 9], [4, 5, 6], [1, 2, 3]]# 2. *reversed_loc：解包列表
# 此时相当于 zip([7, 8, 9], [4, 5, 6], [1, 2, 3])# 3. zip(*reversed_loc)：使用 zip 函数进行打包
zipped = zip(*reversed_loc)
for pt in zipped:print(pt)
# 输出:
# (7, 4, 1)
# (8, 5, 2)
# (9, 6, 3)

---