1.SciPy和Numpy的處理能力：

numpy的處理能力包括：

• a powerful N-dimensional array object N維數組；
• advanced array slicing methods (to select array elements)；N維數組的分片方法；
• convenient array reshaping methods；N維數組的變形方法；

and it even contains 3 libraries with numerical routines:

• basic linear algebra functions；基本線性代數函數；
• basic Fourier transforms；基本傅立葉變換；
• sophisticated random number capabilities；精巧的隨機數生成能力；

scipy是科學和工程計算工具。包括處理多維數組，多維數組可以是向量、矩陣、圖形（圖形圖像是像素的二維數組）、表格（一個表格是一個二維數組）；目前能處理的對象有：

• statistics；統計學；
• numeric integration；數值積分；
  
• special functions；特殊函數；
• integration, ordinarydifferential equation (ODE) solvers；積分和解常微分方程；
• gradient optimization；梯度優化；
• geneticalgorithms；遺傳算法；
• parallel programming tools（an expression-to-C++ compilerfor fast execution, and others）；并行編程工具；

在將來會增加下面的計算處理能力（現在已經部分地具備了這些能力）：

• Circuit Analysis (wrapper around Spice?)；電路分析；
• Micro-Electro Mechanical Systems simulators (MEMs)；
• Medical image processing；醫學圖像處理；
• Neural networks；神經網絡；
• 3-D Visualization via VTK；3D可視化；
• Financial analysis；金融分析；
• Economic analysis；經濟分析；
• Hidden Markov Models；隱藏馬爾科夫模型；

2.處理圖像 翻譯鏈接：http://reverland.org/python/2012/11/12/numpyscipy/

原始鏈接：http://scipy-lectures.github.io/advanced/image_processing/index.html

特征提取和分形：

邊緣檢測

合成數據：

>>> im = np.zeros((256, 256)) >>> im[64:-64, 64:-64] = 1 >>> >>> im = ndimage.rotate(im, 15, mode='constant') >>> im = ndimage.gaussian_filter(im, 8)

使用_梯度操作(Sobel)_來找到搞強度的變化：

>>> sx = ndimage.sobel(im, axis=0, mode='constant') >>> sy = ndimage.sobel(im, axis=1, mode='constant') >>> sob = np.hypot(sx, sy)

示例源碼

canny濾鏡

Canny濾鏡可以從skimage中獲取(文檔)，但是為了方便我們在這個教程中作為一個_單獨模塊_導入：

>>> #from skimage.filter import canny >>> #or use module shipped with tutorial >>> im += 0.1*np.random.random(im.shape) >>> edges = canny(im, 1, 0.4, 0.2) # not enough smoothing >>> edges = canny(im, 3, 0.3, 0.2) # better parameters

示例源碼

需要調整幾個參數……過度擬合的風險

分割

• 基于_直方圖_的分割(沒有空間信息)

  >>> n = 10>>> l = 256>>> im = np.zeros((l, l))>>> np.random.seed(1)>>> points = l*np.random.random((2, n**2))>>> im[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1>>> im = ndimage.gaussian_filter(im, sigma=l/(4.*n))>>> mask = (im > im.mean()).astype(np.float)>>> mask += 0.1 * im>>> img = mask + 0.2*np.random.randn(*mask.shape)>>> hist, bin_edges = np.histogram(img, bins=60)>>> bin_centers = 0.5*(bin_edges[:-1] + bin_edges[1:])>>> binary_img = img > 0.5

總結

以上是生活随笔為你收集整理的SciPy和Numpy处理能力的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。