SciPy和Numpy处理能力

1.SciPy和Numpy的处理能力：

numpy的处理能力包括：

a powerful N-dimensional array object N维数组；
advanced array slicing methods (to select array elements)；N维数组的分片方法；
convenient array reshaping methods；N维数组的变形方法；

and it even contains 3 libraries with numerical routines:

basic linear algebra functions；基本线性代数函数；
basic Fourier transforms；基本傅立叶变换；
sophisticated random number capabilities；精巧的随机数生成能力；

scipy是科学和工程计算工具。包括处理多维数组，多维数组可以是向量、矩阵、图形（图形图像是像素的二维数组）、表格（一个表格是一个二维数组）；目前能处理的对象有：

statistics；统计学；
numeric integration；数值积分；
special functions；特殊函数；
integration, ordinarydifferential equation (ODE) solvers；积分和解常微分方程；
gradient optimization；梯度优化；
geneticalgorithms；遗传算法；
parallel programming tools（an expression-to-C++ compilerfor fast execution, and others）；并行编程工具；

在将来会增加下面的计算处理能力（现在已经部分地具备了这些能力）：

Circuit Analysis (wrapper around Spice?)；电路分析；
Micro-Electro Mechanical Systems simulators (MEMs)；
Medical image processing；医学图像处理；
Neural networks；神经网络；
3-D Visualization via VTK；3D可视化；
Financial analysis；金融分析；
Economic analysis；经济分析；
Hidden Markov Models；隐藏马尔科夫模型；

2.处理图像 翻译链接：http://reverland.org/python/2012/11/12/numpyscipy/

原始链接：http://scipy-lectures.github.io/advanced/image_processing/index.html

特征提取和分形：

边缘检测

合成数据：

>>> 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)_来找到搞强度的变化：

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

sob

示例源码

canny滤镜

Canny滤镜可以从skimage中获取(文档)，但是为了方便我们在这个教程中作为一个_单独模块_导入：

>>> #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

edge

示例源码

需要调整几个参数……过度拟合的风险

分割

基于_直方图_的分割(没有空间信息)

  >>> 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

segmente