成人免费xxxxx在线视频软件_久久精品久久久_亚洲国产精品久久久_天天色天天色_亚洲人成一区_欧美一级欧美三级在线观看

Python 圖像識別的十個經典算法

作者：手把手PythonAI編程
開發(fā)
本文介紹了 Python 圖像識別的十個經典算法，通過實際代碼示例，我們展示了如何應用這些算法來處理圖像。

圖像識別是計算機視覺領域的一個重要分支，它涉及從圖像中提取信息并進行分類或識別。Python 作為一門強大的編程語言，在圖像識別方面有著廣泛的應用。今天，我們就來聊聊 Python 圖像識別的 10 個經典算法，并通過實際代碼示例來幫助大家更好地理解和應用這些算法。

1. 直方圖均衡化（Histogram Equalization）

直方圖均衡化是一種常用的圖像增強技術，可以改善圖像的對比度。

import cv2
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('example.jpg', 0)  # 以灰度模式讀取圖像

# 應用直方圖均衡化
equalized_image = cv2.equalizeHist(image)

# 顯示原圖和處理后的圖像
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.subplot(1, 2, 2)
plt.title('Equalized Image')
plt.imshow(equalized_image, cmap='gray')
plt.show()

2. Canny 邊緣檢測

Canny 邊緣檢測是一種多級邊緣檢測算法，能夠檢測出圖像中的邊緣。

import cv2
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('example.jpg', 0)  # 以灰度模式讀取圖像

# 應用 Canny 邊緣檢測
edges = cv2.Canny(image, 100, 200)

# 顯示原圖和邊緣檢測結果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.subplot(1, 2, 2)
plt.title('Edges')
plt.imshow(edges, cmap='gray')
plt.show()

3. Hough 變換

Hough 變換用于檢測圖像中的直線和圓等幾何形狀。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('example.jpg', 0)  # 以灰度模式讀取圖像

# 應用 Canny 邊緣檢測
edges = cv2.Canny(image, 50, 150)

# 應用 Hough 變換檢測直線
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, threshold=100, minLineLength=100, maxLineGap=10)

# 繪制檢測到的直線
line_image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
for line in lines:
    x1, y1, x2, y2 = line[0]
    cv2.line(line_image, (x1, y1), (x2, y2), (0, 255, 0), 2)

# 顯示原圖和檢測結果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.subplot(1, 2, 2)
plt.title('Detected Lines')
plt.imshow(line_image)
plt.show()

4. SIFT 特征檢測

SIFT（Scale-Invariant Feature Transform）是一種用于圖像特征檢測和描述的算法。

import cv2
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('example.jpg', 0)  # 以灰度模式讀取圖像

# 創(chuàng)建 SIFT 對象
sift = cv2.SIFT_create()

# 檢測關鍵點和描述符
keypoints, descriptors = sift.detectAndCompute(image, None)

# 繪制關鍵點
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# 顯示原圖和關鍵點
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.subplot(1, 2, 2)
plt.title('Image with Keypoints')
plt.imshow(image_with_keypoints, cmap='gray')
plt.show()

5. SURF 特征檢測

SURF（Speeded-Up Robust Features）是 SIFT 的一種快速版本。

import cv2
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('example.jpg', 0)  # 以灰度模式讀取圖像

# 創(chuàng)建 SURF 對象
surf = cv2.xfeatures2d.SURF_create(400)

# 檢測關鍵點和描述符
keypoints, descriptors = surf.detectAndCompute(image, None)

# 繪制關鍵點
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# 顯示原圖和關鍵點
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.subplot(1, 2, 2)
plt.title('Image with Keypoints')
plt.imshow(image_with_keypoints, cmap='gray')
plt.show()

6. ORB 特征檢測

ORB（Oriented FAST and Rotated BRIEF）是一種高效的特征檢測和描述算法。

import cv2
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('example.jpg', 0)  # 以灰度模式讀取圖像

# 創(chuàng)建 ORB 對象
orb = cv2.ORB_create()

# 檢測關鍵點和描述符
keypoints, descriptors = orb.detectAndCompute(image, None)

# 繪制關鍵點
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# 顯示原圖和關鍵點
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.subplot(1, 2, 2)
plt.title('Image with Keypoints')
plt.imshow(image_with_keypoints, cmap='gray')
plt.show()

7. K-Means 聚類

K-Means 是一種常用的聚類算法，可以用于圖像分割。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('example.jpg')

# 將圖像轉換為二維數組
Z = image.reshape((-1, 3))

# 將數據類型轉換為 float32
Z = np.float32(Z)

# 定義 K-Means 參數
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 3
ret, label, center = cv2.kmeans(Z, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)

# 將中心值轉換為 uint8
center = np.uint8(center)

# 將標簽映射回圖像
res = center[label.flatten()]
segmented_image = res.reshape((image.shape))

# 顯示原圖和分割后的圖像
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.subplot(1, 2, 2)
plt.title('Segmented Image')
plt.imshow(cv2.cvtColor(segmented_image, cv2.COLOR_BGR2RGB))
plt.show()

8. 主成分分析（PCA）

PCA 是一種常用的數據降維技術，可以用于圖像壓縮。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像
image = cv2.imread('example.jpg', 0)  # 以灰度模式讀取圖像

# 將圖像轉換為二維數組
Z = image.reshape((-1, 1))

# 將數據類型轉換為 float32
Z = np.float32(Z)

# 應用 PCA
mean, eigenvectors = cv2.PCACompute(Z, mean=None)

# 選擇前 n 個主成分
n_components = 50
projected = cv2.PCAProject(Z, mean, eigenvectors[:, :n_components])

# 重構圖像
reconstructed = cv2.PCABackProject(projected, mean, eigenvectors[:, :n_components])
reconstructed_image = reconstructed.reshape(image.shape).astype(np.uint8)

# 顯示原圖和重構后的圖像
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.subplot(1, 2, 2)
plt.title('Reconstructed Image')
plt.imshow(reconstructed_image, cmap='gray')
plt.show()

9. 卷積神經網絡（CNN）

CNN 是深度學習中的一種常用模型，特別適用于圖像識別任務。

import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt

# 加載數據集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

# 數據預處理
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

# 構建 CNN 模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# 編譯模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 訓練模型
history = model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.2)

# 評估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

# 繪制訓練過程中的損失和準確率
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.legend()
plt.subplot(1, 2, 2)
plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.legend()
plt.show()

10. YOLOv5 目標檢測

YOLO（You Only Look Once）是一種實時目標檢測算法，YOLOv5 是其最新版本。

import torch
from PIL import Image
import matplotlib.pyplot as plt

# 加載預訓練的 YOLOv5 模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

# 讀取圖像
image = Image.open('example.jpg')

# 進行目標檢測
results = model(image)

# 顯示檢測結果
results.show()

實戰(zhàn)案例：手寫數字識別

假設我們需要構建一個手寫數字識別系統(tǒng)，可以使用上面提到的 CNN 模型來實現(xiàn)。我們將使用 MNIST 數據集進行訓練和測試。

import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt

# 加載數據集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

# 數據預處理
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

# 構建 CNN 模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# 編譯模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 訓練模型
history = model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.2)

# 評估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

# 繪制訓練過程中的損失和準確率
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.legend()
plt.subplot(1, 2, 2)
plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.legend()
plt.show()

本文介紹了 Python 圖像識別的 10 個經典算法，包括直方圖均衡化、Canny 邊緣檢測、Hough 變換、SIFT 特征檢測、SURF 特征檢測、ORB 特征檢測、K-Means 聚類、主成分分析（PCA）、卷積神經網絡（CNN）和 YOLOv5 目標檢測。通過實際代碼示例，我們展示了如何應用這些算法來處理圖像。

責任編輯：趙寧寧 來源： 手把手PythonAI編程
Python圖像識別
相關推薦

2025-03-25 08:30:00

OpenCV計算機視覺圖像識別

2024-08-26 14:57:36

2024-05-30 12:27:42

Python代碼

2023-06-27 15:50:23

Python圖像處理

2022-10-20 09:33:35

2010-09-08 14:35:22

CSS

2019-08-13 11:39:29

編程語言技術Python

2022-02-25 11:07:19

計算機圖像識別深度學習

2021-04-09 20:49:44

PythonOCR圖像

2021-10-22 09:09:27

Python圖像處理工具編程語言

2021-02-03 17:15:35

圖像識別AI人工智能

2024-07-18 15:08:27

2018-04-24 10:45:00

Python人工智能圖像識別

2023-06-13 06:51:09

Spark機器學習回歸

2023-11-22 19:24:36

2022-10-11 23:35:28

神經網絡VGGNetAlexNet

2024-06-18 08:16:49

2024-01-30 00:40:10

2024-12-03 14:33:42

Python遞歸編程

2022-08-26 09:38:39

Pandas數據查詢
點贊
收藏

51CTO技術棧公眾號

主站蜘蛛池模板： 操人网| 国产日韩欧美在线观看 | 色综合色综合网色综合 | 91视频在线 | 日本天天操 | 97国产超碰 | 国产精品亚洲综合 | 天天亚洲 | 国产成人久久精品 | 国产欧美在线 | 色欧美片视频在线观看 | 丝袜一区二区三区 | 免费的一级视频 | 欧美在线一区二区三区 | 成人福利在线视频 | 国产剧情久久 | 国产激情福利 | 久久丝袜 | 欧美精品在线一区二区三区 | 91精品久久久久久久久久 | 亚洲国产aⅴ成人精品无吗 亚洲精品久久久一区二区三区 | 久久久免费精品 | 日韩精品视频一区二区三区 | 91成人影院| 国产精品美女在线观看 | 狠狠色综合久久丁香婷婷 | av无遮挡 | www免费视频 | 国产探花在线精品一区二区 | 欧美日韩专区 | 99re6在线| 日本黄色短片 | 成人免费黄视频 | av中文字幕在线播放 | a级大毛片| 国产精品亚洲欧美日韩一区在线 | 久草视频在线播放 | 欧美日韩国产在线观看 | 欧美不卡 | 翔田千里一区二区 | 欧美日韩在线一区二区 |