使用jupyterLab 进行前期的学习，首先进行软件的安装。如下图所示：
1.创建一个python虚拟环境
conda create --name demo_py3.8 python=3.8
2.根据换源的情况进行安装。
3. 运行jupyter-lab，打开，然后会弹出网址。
http://localhost:8888/lab
学习使用numpy# 为了了解图像本质，我们需要先了解一下数组和矩阵的概念 # 首先回忆一下，如何创建一个列表 list_a = [1,2,3,4,5] # 使用type命令查看数据类型，是list类型 type(list_a) # 再创建一个列表，使这个列表的元素仍然是列表 list_b = [ [1,2], [3,4], [5,6] ] # 打印列表 [[1, 2], [3, 4], [5, 6]] list_b # 通过找数字索引，打印第list_b第2个元素的第1个元素 3 list_b[1][0] # 这种结构我们也叫数组，比如list_a是一维数组，list_b是二维数组 # 为了更高效的处理数组，我们常用numpy在这个包 # 首先导入numpy包，重命名一下 import numpy as np # 那numpy如何创建数组呢？ # 可以用Python列表直接转换 # 首先创建一个Python 列表 list_c = [1,2,3,4] # 在使用np.array()将Python列表转换为numpy的数组 numpy.ndarray my_array = np.array(list_c) # 打印一下 array([1, 2, 3, 4]) my_array # 那numpy还有一些内置函数可以快速地创建数组 # 比如我们使用np.arange()可以快速创建连续数字的数组 # 比如我创建一个0~9 的一维数组 array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) np.arange(0,10) # jupyterlab中使用shift+tab可以查看函数的帮助文档（查看一下，此刻输入np.arange()，弹出对应函数帮助文档） # 可以看到这个arange()函数有start、stop和step参数，分别代表了起始值，终止值，以及步长 # 如果我希望创建0~10中连续偶数的数组，只需将步长设为2（此刻输入np.arange(0,10,2)） # array([0, 2, 4, 6, 8]) np.arange(0,10,2) # 还可以用np.ones创建全是1的数组，（此时输入np.ones()，弹出帮助说明） # 比如我要创建一个大小为3*3的全1数组 np.ones(shape=(3,3)) # 再创建一个大小为10*3的全1数组 # 可以看到10是行数，3是列数 np.ones(shape=(10,3)) # 或者使用np.zeros()全0数组 # 比如创建大小为5*5的全0数组 np.zeros(shape=(5,5)) # 首先使用np.randint函数一些随机整数 array([53, 86, 55, 17, 87, 12, 28, 95, 2, 44]) arr = np.random.randint(0,100,10) # 使用max获取最大值 arr.max() # 再使用argmax() 获取最大值的索引 arr.argmax() # 使用min函数获取最小值 arr.min() # 使用argmin获取最小值索引 arr.argmin() # 使用mean()方法获取取平均值 arr.mean() # 如果要获取humpy数组的大小，使用numpy.shape， (10,) arr.shape # 也可以使用reshape函数转换数组的形状，比如我将arr转换成5*2的数组 arr.reshape((5,2)) # 再变形成2行5列 arr.reshape((2,5)) # 如果尝试变形为大小为2*10呢？会报错：ValueError: cannot reshape array of size 10 into shape (2,10) arr.reshape((2,10)) # 那二维数组，我们在数学上也称为矩阵，我们再看一下numpy对矩阵的操作 # 首先创建一个10*10 的矩阵 matrix = np.arange(0,100).reshape((10,10)) # 查看一下大小：(10, 10) matrix.shape # 使用中括号中加索引方式，获取矩阵对应元素，比如我获取第3行第5列元素 matrix[2,4] # 如果要获取某一行所有元素，我们需要使用numpy的切片： # 比如我要获取第3行所有元素，只需将第二个位置变成冒号: matrix[2,:] # 类似的，比如我要获取第6列所有元素，只需将第一个位置变成冒号: matrix[:,5] # 比如我要获取第1~3行，第2~4列矩阵，我们可以用数字配合冒号的方式来获取 matrix[0:3,1:4] # 当然我们可以使用等号赋值语句，比如我将这些位置赋值0 matrix[0:3,1:4] = 0 # 好，以上就是numpy对数组和矩阵的操作用法
二维矩阵是先行后列，可以对比理解一下为啥图片是先计算高，在计算宽，本质就是个三维矩阵。
猫咪图理解图像 # 首先导入numpy
import numpy as np
# 为了在notebook中显示图片，导入matplotlib库
import matplotlib.pyplot as plt
# 加这行在Notebook显示图像
%matplotlib inline
# 再使用一个PIL库，用于读取图像
from PIL import Image
# 我在img文件夹下放了一张图片（演示一下）
# 我们用PIL库读取图片，注意路径要正确
img = Image.open('./img/cat.jpg')
# 显示图像
img
# 查看一下变量的类型：PIL.JpegImagePlugin.JpegImageFile type(img) # 可以看到这个不是numpy的数组格式，那numpy还不能处理它 # 首先我们需要将它转化为numpy 数组，使用numpy.asarray()函数 img_arr = np.asarray(img) # 查看类型：numpy.ndarray type(img_arr) # 我们查看大小：(1253, 1880, 3) 高度，宽度，RGB三通道 img_arr.shape # 再使用matplot的imshow()方法显示Numpy数组形式的图片 plt.imshow(img_arr) # 可以看到横坐标和纵坐标显示了图片的长度是1800多，高度是1200多
# 我们继续对这个图片操作，先使用numpy的copy方法复制一份原图 img_arr_copy = img_arr.copy() # 检查一下大小：(1253, 1880, 3) img_arr_copy.shape # 首先使用numpy切片，将R,G,B三个颜色通道中的R红色通道显示出来 plt.imshow(img_arr_copy[:,:,0])
# 大家会发现这个颜色很奇怪，都是翠绿色，为什么会显示成这样呢？ # 我们打开matplot的官网关于颜色表colormap的说明： # https://matplotlib.org/stable/gallery/color/colormap_reference.html # 可以看到默认的颜色：是翠绿色（viridis ）。那这个颜色方便色盲观看的 # 我们也可以将cmap颜色设置成火山岩浆样式：magma plt.imshow(img_arr_copy[:,:,0],cmap='magma')
# 我们打印一下红色R通道的数组 img_arr_copy[:,:,0] # 好，我们知道，计算机是分不清到底哪一个通道是红色的，每一个颜色通道其实都是一个灰度图，我们首先将cmap颜色设置为gray灰度 # 看一下 plt.imshow(img_arr_copy[:,:,0],cmap='gray')
# 我们知道，红色通道中的 0呢就是没有红色，代表纯黑色，而越接近255呢，就代表越红，255就纯红色 # 那看这个灰度图，颜色越浅，表示这里越红 # 我们可以看一下红色通道的灰度图上颜色最浅的就是这个吊坠（鼠标指示） # 那回到原来彩色图片，可以看到这个吊坠确实是最红的 # 类似的，我们将绿色通道也显示为灰度模式 plt.imshow(img_arr_copy[:,:,1],cmap='gray')
