图像的几何变换主要包括：平移、扩大与缩小、旋转、仿射、透视等等。图像变换是建立在矩阵运算基础上的，通过矩阵运算可以很快的找到对应关系。理解变换的原理需要理解变换的构造方法以及矩阵的运算方法。   OpenCV提供了两个转换函数cv2.warpAffine和cv2.warpPerspective，可以使用它们进行各种转换。 cv2.warpAffine采用2x3变换矩阵，而cv2.warpPerspective采

import cv2 import numpy as np img = cv2.imread(a.jpg, 0) reg, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) contours, hierarchy = cv2.findContours(thresh, cv2.RETR_LIST, cv2.CHAIN_APP

1. 轮廓检测 contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]] ) 第一个是输入图像，第二个是轮廓检索模式，第三个是轮廓近似方法 参数1(image)：单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；

cv::Mat cv::getRotationMatrix2D( Point2f center, double angle, double scale ) { angle *= CV_PI/180; double alpha = cos(angle)*scale; double beta = sin(angle)*scale; Mat M(2, 3, CV_64F); doubl

在python里，图片以数组的形式保存，我们用例子说明，用数组创建图1，并且修改左下角像素的颜色，如图2 图1     图2   # -*- coding: UTF-8 -*- import cv2 import numpy as np #创建4行3列 12个像素的3通道彩色图， #第1维是行， 第2维是列，第3维的BGR值， # 以下img 第0行，第0列是

  数加 数乘/积 互相加 互相乘/点积 数学向量 标量运算即为向量和数字间的运算。向量与数的运算就是向量内每一个元素与这一个数进行相应的运算。如下图的一个标量运算： 一个数乘以一个向量等于这个数同向量中的每个

前面已经讲过一元线性回归，参考机器学习--- 一元线性回归 1. 理论 现在讲讲多元线性回归， 我们之前开发的线性回归仅能处理单一的特征x，也就是房子的面积，而且我们仅仅依赖它来预测房子的价格。我们如果真的去预测一套房子的价格的话，单单依靠房子的面积肯定是不够的。因为影响房价的因素肯定不仅仅是面积。比如，有几个卧室呀，有几个卫生间呀，房龄多久了呀等等。 即:  

 python numpy 切片  对于一维数组来说，python原生的list和numpy的array的切片操作都是相同的。无非是记住一个规则arr_name[start: end: step],就可以了。 实例： step默认为1，当为负数时，表示从右到左 当start缺省时，默认为0，即 a[:3]相当于 a[0:3] 当end缺

图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。 一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarization）。 1. 全局阈（yu）值： Python-OpenCV中提

loc是指location的意思，iloc中的i是指integer。二者都是行索引 这两者的区别如下： loc：works on labels in the index. iloc：works on the positions in the index (so it only takes integers). 也就是说loc是根据index来索引，比如下边的df定义了一个index，那么loc就根据这个i

什么是Pandas? Pandas的名称来自于面板数据（panel data）和Python数据分析（data analysis）。 Pandas是一个强大的分析结构化数据的工具集，基于NumPy构建，提供了 高级数据结构 和 数据操作工具，它是使Python成为强大而高效的数据分析环境的重要因素之一。 一个强大的分析和操作大型结构化数据集所需的工具集

举例说明 一般使用 import math 或者 from scipy import stats 不建议使用 from math import *   （如果存在相同名称的函数名，会被覆盖）