【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

人工智能47

专栏地址：『youcans 的 OpenCV 例程300篇 - 总目录』
01. 图像的读取（cv2.imread）
02. 图像的保存（cv2.imwrite）
03. 图像的显示（cv2.imshow）
04. 用 matplotlib 显示图像（plt.imshow）

【OpenCV 例程300篇】001. 图像的读取（cv2.imread）

函数 cv2.imread() 用于从指定的文件读取图像。

函数说明：

retval = cv.imread(filename[, flags])

  • 函数 cv2.imread() 从指定文件加载图像并返回该图像的矩阵。
  • 如果无法读取图像（文件丢失，权限不正确，格式不支持或无效），该函数返回一个空矩阵。
  • 目前支持的文件格式：
  • Windows 位图 - * .bmp，* .dib
  • JPEG 文件 - * .jpeg， .jpg，.jpe
  • JPEG 2000文件 - * .jp2
  • 便携式网络图形 - * .png
  • WebP - * .webp
  • 便携式图像格式 - * .pbm， .pgm， .ppm * .pxm，* .pnm
  • TIFF 文件 - * .tiff，* .tif

参数说明：

  • filename：读取图像的文件路径和文件名
  • flags：读取图片的方式，可选项
  • cv2.IMREAD_COLOR(1)：始终将图像转换为 3 通道BGR彩色图像，默认方式
  • cv2.IMREAD_GRAYSCALE(0)：始终将图像转换为单通道灰度图像
  • cv2.IMREAD_UNCHANGED(-1)：按原样返回加载的图像（使用Alpha通道）
  • cv2.IMREAD_ANYDEPTH(2)：在输入具有相应深度时返回16位/ 32位图像，否则将其转换为8位
  • cv2.IMREAD_ANYCOLOR(4)：以任何可能的颜色格式读取图像
  • 返回值 retval：读取的 OpenCV 图像，nparray 多维数组

注意事项：

  1. OpenCV 读取图像文件，返回值是一个nparray 多维数组。OpenCV 对图像的任何操作，本质上就是对 Numpy 多维数组的运算。
  2. OpenCV 中彩色图像使用 BGR 格式，而 PIL、PyQt、matplotlib 等库使用的是 RGB 格式。
  3. cv2.imread() 如果无法从指定文件读取图像，并不会报错，而是数返回一个空矩阵。
  4. cv2.imread() 指定图片的存储路径和文件名，在 python3 中不支持中文和空格（但并不会报错）。必须使用中文时，可以使用 cv2.imdecode() 处理，参见扩展例程。
  5. cv2.imread() 读取图像时默认忽略透明通道，但可以使用 CV_LOAD_IMAGE_UNCHANGED 参数读取透明通道。
  6. 对于彩色图像，可以使用 flags=0 按照读取为灰度图像。

基本例程：


    imgFile = "../images/imgLena.tif"
    img1 = cv2.imread(imgFile, flags=1)
    img2 = cv2.imread(imgFile, flags=0)

扩展例程：


    import urllib.request as request
    response = request.urlopen("https://profile.csdnimg.cn/8/E/F/0_youcans")
    imgUrl = cv2.imdecode(np.array(bytearray(response.read()), dtype=np.uint8), -1)


    imgFile = "../images/测试图01.png"

    img = cv2.imdecode(np.fromfile(imgFile, dtype=np.uint8), -1)

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

（本节完）

版权声明：
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/121168935)
Copyright 2022 youcans, XUPT
Crated：2021-11-18
更多内容请见：>『youcans 的 OpenCV 例程300篇 - 总目录』 (https://blog.csdn.net/youcans/article/details/125112487)

Original: https://blog.csdn.net/youcans/article/details/121168935
Author: YouCans
Title: 【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

相关阅读1

Title: seldom 2.0 让接口自动化测试更简单

前言

HTTP接口测试很简单，不管工具、框架、还是平台，只要很的好的几个点就是好工具。

  1. 测试数据问题：比如删除接口，重复执行还能保持结果一致，必定要做数据初始化。
  2. 接口依赖问题：B接口依赖A的返回值，C接口依赖B接口的返回值。
  3. 加密问题：不同的接口加密规则不一样。有些用到时间戳、md5、base64、AES，如何提供种能力。
  4. 断言问题：有些接口返回的结构体很复杂，如何灵活的做到断言。

对于以上问题，工具和平台要么不支持，要么很麻烦，然而框架是最灵活的。

unittest/pytest + requests/https 直接上手写代码就好了，既简单又灵活。

那么同样是写代码，A框架需要10行，B框架只需要5行，然而又不失灵活性，那我当然是选择更少的了，毕竟，人生苦短嘛。

seldom适合个人接口自动化项目，它有以下优势。

  • 可以写更少的代码
  • 自动生成HTML/XML测试报告
  • 支持参数化，减少重复的代码
  • 支持生成随机数据
  • 支持har文件转case
  • 支持数据库操作

这些是seldom支持的功能，我们只需要集成HTTP接口库，并提供强大的断言即可。 seldom 2.0 加入了HTTP接口自动化测试支持。

Seldom 兼容 Requests API 如下:

seldom requests self.get() requests.get() self.post() requests.post() self.put() requests.put() self.delete() requests.delete()

Seldom VS Request+unittest

先来看看unittest + requests是如何来做接口自动化的：

import unittest
import requests

class TestAPI(unittest.TestCase):

    def test_get_method(self):
        payload = {'key1': 'value1', 'key2': 'value2'}
        r = requests.get("http://httpbin.org/get", params=payload)
        self.assertEqual(r.status_code, 200)

if __name__ == '__main__':
    unittest.main()

这其实已经非常简洁了。同样的用例，用seldom实现。

# test_req.py
import seldom

class TestAPI(seldom.TestCase):

    def test_get_method(self):
        payload = {'key1': 'value1', 'key2': 'value2'}
        self.get("http://httpbin.org/get", params=payload)
        self.assertStatusCode(200)

if __name__ == '__main__':
    seldom.main()

主要简化点在，接口的返回数据的处理。当然，seldom真正的优势在断言、日志和报告。

har to case

对于不熟悉 Requests 库的人来说，通过Seldom来写接口测试用例还是会有一点难度。于是，seldom提供了 har 文件转 case 的命令。

首先，打开fiddler 工具进行抓包，选中某一个请求。

然后，选择菜单栏： file -> Export Sessions -> Selected Sessions...

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

选择导出的文件格式。

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

点击 next 保存为 demo.har 文件。

最后，通过 seldom -h2c 转为 demo.py 脚本文件。

> seldom -h2c .\demo.har
.\demo.py
2021-06-14 18:05:50 [INFO] Start to generate testcase.

2021-06-14 18:05:50 [INFO] created file: D:\.\demo.py

demo.py 文件。

import seldom

class TestRequest(seldom.TestCase):

    def start(self):
        self.url = "http://httpbin.org/post"

    def test_case(self):
        headers = {"User-Agent": "python-requests/2.25.0", "Accept-Encoding": "gzip, deflate", "Accept": "application/json", "Connection": "keep-alive", "Host": "httpbin.org", "Content-Length": "36", "Origin": "http://httpbin.org", "Content-Type": "application/json", "Cookie": "lang=zh"}
        cookies = {"lang": "zh"}
        self.post(self.url, json={"key1": "value1", "key2": "value2"}, headers=headers, cookies=cookies)
        self.assertStatusCode(200)

if __name__ == '__main__':
    seldom.main()

运行测试

打开debug模式 seldom.run(debug=True) 运行上面的用例。

> python .\test_req.py
2021-04-29 18:19:39 [INFO] A run the test in debug mode without generating HTML report!

2021-04-29 18:19:39 [INFO]
              __    __
   ________  / /___/ /___  ____ ____
  / ___/ _ \/ / __  / __ \/ __ ` ___/
 (__  )  __/ / /_/ / /_/ / / / / / /
/____/\___/_/\__,_/\____/_/ /_/ /_/
url: http://httpbin.org/get         method: GET
Ran 1 test in 0.619s

OK

通过日志/报告都可以清楚的看到。

  • 请求的方法
  • 请求url
  • 响应的类型
  • 响应的数据

更强大的断言

断言接口返回的数据是我们在做接口自动化很重要的工作。

assertJSON

接口返回结果如下：

{
  "args": {
    "hobby": [
      "basketball",
      "swim"
    ],
    "name": "tom"
  }
}

我的目标是断言 name 和 hobby 部分的内容。seldom可以针对 JSON文件进行断言。

import seldom

class TestAPI(seldom.TestCase):

    def test_assert_json(self):
        payload = {'name': 'tom', 'hobby': ['basketball', 'swim']}
        self.get("http://httpbin.org/get", params=payload)
        assert_json = {'args': {'hobby': ['swim', 'basketball'], 'name': 'tom'}}
        self.assertJSON(assert_json)

运行日志

test_get_method (test_req.TestAPI) ...

type: json
{'args': {'hobby': ['basketball', 'swim'], 'name': 'tom'}, 'headers': {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate', 'Host': 'httpbin.org', 'User-Agent': 'python-requests/2.22.0', 'X-Amzn-Trace-Id': 'Root=1-608a896d-48fac4f6139912ba01d2626f'}, 'origin': '183.178.27.36', 'url': 'http://httpbin.org/get?name=tom&hobby=basketball&hobby=swim'}
💡 Assert data has not key: headers
💡 Assert data has not key: origin
💡 Assert data has not key: url
ok


> Original: https://www.cnblogs.com/fnng/p/14887574.html
> Author: 虫师
> Title: seldom 2.0  让接口自动化测试更简单

## **相关阅读2**
##  Title: NET框架下如何使用PaddleOCRSharp

![NET框架下如何使用PaddleOCRSharp](https://johngo-pic.oss-cn-beijing.aliyuncs.com/articles/20221220/2709606-20220219140924990-378501129.png)

打开VSIDE,新建Windows窗体应用(.NET Framework)类型的项目，选择一个.NET框架，如.NET Framework 4.0，右键点击项目，选择属性》生成，目标平台设置成X64.

![NET框架下如何使用PaddleOCRSharp](https://johngo-pic.oss-cn-beijing.aliyuncs.com/articles/20221220/2709606-20220219141230862-1700304632.png)

菜单》工具》选项，Nuget包管理器》程序包管理，默认包管理格式切换为：

**PackageReferene**格式， **此设置可以在安装包以后，自动复制相关的依赖文件到输出目录**。

![NET框架下如何使用PaddleOCRSharp](https://johngo-pic.oss-cn-beijing.aliyuncs.com/articles/20221220/2709606-20220219141230946-1773767866.png)

安装nuget包

**方法一：**

菜单》视图》其他窗口》程序包管理器控制台：

Install-Package PaddleOCRSharp -Version 1.2.2


回车，等待安装nuget包完成

**方法二：**

命令行:

cd /d xxx.csproj文件全路径
dotnet add package PaddleOCRSharp --version 1.2.2


**方法三：**

项目文件.csproj中直接添加

添加

"PaddleOCRSharp" Version="1.2.2" />


**方法四：**

项目名称右键点击》管理nuget程序包,在浏览界面，搜索"PaddleOCRSharp"选择版本点击【安装】

![NET框架下如何使用PaddleOCRSharp](https://johngo-pic.oss-cn-beijing.aliyuncs.com/articles/20221220/2709606-20220219141230786-2028956624.png)

在窗体界面添加一个按钮，在按钮的事件中添加net示例代码，F5运行，打开一个本地图片进行识别。

```csharp;gutter:true;
OpenFileDialog ofd = new OpenFileDialog();

            ofd.Filter = "*.*|*.bmp;*.jpg;*.jpeg;*.tiff;*.tiff;*.png";

            if (ofd.ShowDialog() != DialogResult.OK) return;

            var imagebyte = File.ReadAllBytes(ofd.FileName);

            Bitmap bitmap = new Bitmap(new MemoryStream(imagebyte));

            OCRModelConfig config = null;

            OCRParameter oCRParameter = new  OCRParameter ();

           //oCRParameter.use_gpu=1;当使用GPU版本的预测库时，该参数打开才有效果

            OCRResult ocrResult = new OCRResult();

            using (PaddleOCREngine engine = new PaddleOCREngine(config, oCRParameter))

            {

                ocrResult = engine.DetectText(bitmap );

            }

            if (ocrResult != null)

            {

                MessageBox.Show(ocrResult.Text,"识别结果");

            }

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

微信公众号

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

Original: https://www.cnblogs.com/raoyutian/p/15912470.html
Author: 明月心技术学堂
Title: NET框架下如何使用PaddleOCRSharp

相关阅读3

Title: 语音识别原理与应用 洪青阳 第一章 概论

目录

第一章 语音识别概论

1.1 语音的产生和感知

1.2 语音识别过程

1.3语音识别发展历史

第一章 语音识别概论

语音识别的基础理论包括 语音的产生和感知过程、语音信号基础知识、语音特征提取等。

关键技术包括高斯混合模型（Gaussian Mixture Model，GMM）、隐马尔科夫模型（Hidden Markov Model，HMM）、深度神经网络（Deep Neural Network，DNN），以及基于这些模型形成的 GMM-HMM、DNN-HMM 和 端到端（End-to-End，E2E）系统。语言模型和 解码器 也非常关键，直接影响语音识别实际应用的效果。

1.1 语音的产生和感知

人的 发音器官包括 肺、气管、声带、喉、咽、鼻腔、口腔、和唇。

肺部产生的气流冲击声带，产生振动。

声带每开启和闭合一次的时间是一个 基音周期（Pitch period）T，其倒数为 基音频率（F0=1/T， 基频），范围在70HZ---450HZ。基频越高，声音越尖细。基频随时间的变化，也反映了声调的变化。

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

语音的产生过程可进一步抽象成如上图所示的激励的模型。包括 激励源和声道部分。在激励源部分， 冲击序列发生器以基音周期产生周期性信号，经过声带振动， 相当于经过 声门波模型，肺部气流大小相当于振幅； 随机噪声发生器产生非周期性信号。 声道模型模拟口腔、鼻腔等声道器官，最后产生语音信号。我们要发浊音时，声带振动形成准周期的冲击序列。发清音时，声带松弛，相当于发出一个随机噪声。

1.2 语音识别过程

音素（phone）是构成语音的最小单位。英语中有48个音素（20个元音和28个辅音）。

若采用元音和辅音来分类，汉语普通话有32个音素，包括元音10个，辅音22个。 但普通话的韵母多是复韵母，不是简单的元音，因此 拼音一般分为声母（initial）和韵母（final）。

音节（syllable）是听觉能感受到的最自然的语音单位，由一个或多个音素按一定的规律组合而成。英语音节可由一个元音或元音和辅音构成。汉语的音节由声母、韵母和音调构成，其中音调信息包括在韵母中。所以，汉语音节结构可以简化为：声母+韵母。

注：音素（序列）组成音节（序列），从而识别出文字。

汉字与汉语音节并不是一一对应的。一个汉字可以对应多个音节，一个音节可对应多个汉字。

例如：

和 ----- he二声 he四声 huo二声 huo四声 hu二声

tian二声 ----- 填 甜

语音识别过程是个复杂的过程，但其最终任务归结为，找到对应 观测值序列O的最可能的 词序列W'。按贝叶斯准则转化为：

W' = arg max P(W|O) = arg max(P(O|W)P(W))/(P(O))

W' = arg max P(O|W)P(W)

其中，P(O)与P(W)没有关系，可认为是常量，因此P(W|O)的最大值可转换为P(O|W)和P(W)两项乘积的最大值，第一项P(O|W)由声学模型决定，第二项P(W)由语言模型决定。

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

上图是典型的语音识别过程。为了让机器识别语音，首先提取声学特征，然后通过解码器得到状态序列，并转换为对应的识别单元。一般是通过词典将音素序列（如普通话的声母和韵母），转换为词序列，然后用语言模型规整约束，最后得到句子识别结果。

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

如上图所示，对"今天天气很好"进行词序列、因素序列、状态序列的分解，并和观测值序列对应，其中每个音素对应一个HMM，并且其发射状态（深色）对应多帧观测值。

【OpenCV 例程300篇】01. 图像的读取（cv2.imread）

现在工业应用普遍要求 大词汇量连续语音识别（LVCSR）。

1.3语音识别发展历史

解决任务： 孤立词识别 → 大规模连续语音识别 → 复杂场景识别

技术发展： 模板匹配（DTW） → 统计模型（GMM-HMM） → 深度学习（DNN-HMM，E2E）

DTW（Dynamic Time Warping）动态时间规整：使用动态规划算法将两段不同长度的语音在时间轴上进行了对齐。该算法把时间规整和距离的计算有机地结合起来，解决了不同时长语音的匹配问题。在一些要求资源占用率低、识别人比较特定的环境下，DTW是一种很经典很常用的模板匹配算法。

统计模型两项很重要的成果是 声学模型和 语言模型，语言模型以 n元语言模型（n-gram）为代表，声学模型则以 HMM为代表。

GMM-HMM：（1）用HMM对语音状态的转移概率建模；（2）用 高斯混合模型（Gaussian Mixture Model，GMM）对语音状态的观测值概率建模。

HTK（Hidden Markov Tool Kit）是一款开源的基于HMM的语音识别工具包。

Ka1di，是DNN-HMM系统的基石，在工业界得到广泛应用。

大多数主流的语音识别解码器基于 加权有限状态转换器（WFST），把发音词典、声学模型和语言模型编译成静态解码网络，这样可大大加快解码速度，为语音识别的实时应用奠定基础。

RNN可更有效、更充分地利用语音中的上下文信息。引入LSTM或其变体以解决梯度消失的问题。

CNN可通过共享权值来减少计算的复杂度，并且CNN被证明在挖掘语音局部信息的能力上更为突出。

Attention模型的对齐关系没有先后顺序的限制，完全靠数据驱动得到，对齐的盲目性会导致训练和解码时间过长。而CTC的前向后向算法可以引导输出序列和输入序列按时间顺序对齐。

Transformer架构：在 Decoder和Encoder中均采用Attention机制。

Original: https://blog.csdn.net/hnlg311709000526/article/details/120912777
Author: 楚歌汉水
Title: 语音识别原理与应用 洪青阳 第一章 概论