Python截取图片区域并保存03

人工智能26

提供一张图片，如何截剪其中的某一部分的区域？

我的思路是分两步：

  1. 找到要裁剪区域的坐标

  2. 根据图片坐标进行剪切，并保存

import cv2
from PIL import Image

def getCoordinate(img):
    rectangle = []
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)        # 灰度图
    ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY|cv2.THRESH_OTSU)    # 二值化

    element3 = cv2.getStructuringElement(cv2.MORPH_RECT, (8, 8))    # 设置膨胀和腐蚀操作
    dilation = cv2.dilate(binary, element3, iterations=1)   # 膨胀一次，让轮廓突出
    contours, hierarchy = cv2.findContours(dilation, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_TC89_L1)  # 检测轮廓
    cv2.drawContours(img, contours, -1, (0, 0, 255), 3)  # 参数值为1， 给contours[1]绘制轮廓。 -1: 给所有的contours绘制轮廓
    cv2.imshow("img", img)
    cv2.waitKey()

    for contour in contours:
        x, y, w, h = cv2.boundingRect(contour)
        rectangle.append((x, y, x + w, y + h))
    print(f'rectangle: {rectangle}')
    return rectangle

if __name__ == '__main__':
    imgPath = 'D:\\img.bmp'
    img = cv2.imread(imgPath)
    # 保存
    getCoordinate(img)

import cv2
from PIL import Image

def savePic(rectangle):
    for i in range(len(rectangle)):
        imgPath = "D:\\PythonWork\\Contour\\Photos\\" + str(i+1) + ".PNG"  #notes: 图片的扩展名要一致
        im = Image.open(defaultImgPath)
        im = im.crop(rectangle[i])  # 对图片进行切割 im.crop(top_x, top_y, bottom_x, bottom_y)
        im.save(imgPath)

if __name__ == '__main__':
    defaultImgPath = 'D:\\test.PNG'
    img = cv2.imread(defaultImgPath)
    # 保存图片，getCoordinate()可以查看上一步中的源码
    coordinateValue = getCoordinate(img)
    savePic(coordinateValue)

1. getCoordinate()可以查看一、获取感兴趣图片坐标中的源码

2. 如果指定某一区域坐标，main主函数如下：

if __name__ == '__main__':
    rnt = [(46, 28, 101, 61)]
    savePic(rnt)

  1. cv2.COLOR_BGR2GRAY 将BGR格式转换成灰度图片 灰度图片并不是指常规意义上的黑白图片，只用看是不是无符号八位整型（unit8）

  2. ret,dst = cv2.threshold(src,thresh,maxval,type) #返回的第一个参数为阈值，第二个为结果图像

  3. cv2.threshold(dilation, 0, 255, cv2.THRESH_BINARY) #二值化 将灰度图dilation中灰度值小于0的点置0，灰度值大于255的点置255

  4. cv2.getStructuringElement(shape, ksize)

cv2.getStructuringElement(cv2.MORPH_RECT, (8, 8)) #设置膨胀和腐蚀操作的核函数

cv2.MORPH_RECT: 矩形结构元素，所有元素值都是1 ksize：代表形状元素的大小

  1. cv2.dilate(binary, element3, iterations=1) #膨胀一次，让轮廓突出

  2. cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图

cv2.findContours(dilation, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_TC89_L1) #查找轮廓

cv2.RETR_EXTERNAL 表示只检测外轮廓

cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似算法

cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。

contours返回值：cv2.findContours()函数首先返回一个list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示。可以通过len(contours)知道返回的轮廓。

  1. cv2.boundingRect(contour)：矩形边框（Bounding Rectangle）是说，用一个最小的矩形，把找到的形状包起来。

Original: https://blog.csdn.net/spring_r/article/details/125514686
Author: spring_r
Title: Python截取图片区域并保存03

相关阅读1

Title: 内网机conda环境配置流程

多次被公司的内网机搞到崩溃后，我下定决心摸一会鱼写篇文章总结一下，希望以后不需要再用到了。

诚挚感谢几位原作者的分享，我只是搬运工。

内外网电脑各一台，系统都是windows，（重点）一个有权限的老板帮我在两台机子之间拷文件。

conda create --name [environment name] python==[3.7]

python版本不一样的话下的包是不通用的，如果非要自己手动下的话也需要注意一下，比如：

tensorflow-2.3.0-cp37-cp37m-win_amd64.whl

，这里面 _cp37_的意思就是适用python3.7.

为什么还需要一台外网机，不直接从镜像网站下包：
很多包是有依赖的前置包的，有的前置包又有自己的前置，如果是全新的环境的话需要安十几个，甚至几十个前置的依赖包，顺序也有好几层。手动去弄太麻烦了，而且也会有版本匹配问题。

方法1：直接打包环境

推荐重新配环境的时候用这种方法，一次就完成了，比较快。

conda install conda-pack

可以跑一些基础的代码试一下，没有问题的话就可以开始打包了：

conda pack -n [environment name] -o [target file name].tar.gz

后半部分也可以不加。打包完成后，拷到内网，开始在内网机上操作。

conda config --set offline true

makedir [folder name]
tar -zxvf [env name].tar.gz -C [folder name]
source [folder name]/bin/activate

方法2：从外网批量下载依赖包

打包过后的环境用到一半想起有的包没安，以及由于 _tensroflow-gpu_这种我的丐版外网机装不上的高级东西，又搜罗了单个包的安装方法。

pip download [package] -d ./[target folder]

cd C:\

，以去D盘为例，直接输：

D:

。在目标文件夹里面：

pip install  -r requirement.txt

完成！
好像还有一种不会全部更新依赖包的方法，但用那个每次都出错，我也懒得找了，有需要的自己百度一下吧。
这种全部更新的方法的问题就在于依赖包的版本，比如我用的 tensorflow_是2.3.0，匹配 _numpy 1.19及以下的某几个版本，但我安另一个包的时候就直接给我更新到更高的版本去了，同一份代码就开始报错。
解决：那种方法在我的环境里不好使，我就直接重安了一遍numpy......

如果能帮看到的人节省一点百度的时间我就很高兴啦。

Original: https://blog.csdn.net/tiezhu_yuan/article/details/123548122
Author: 学术界巨饿袁铁柱
Title: 内网机conda环境配置流程

相关阅读2

Title: 多任务学习-Multitask Learning概述zz

1、单任务学习VS多任务学习

单任务学习：一次只学习一个任务（task），大部分的机器学习任务都属于单任务学习。

多任务学习：把多个相关（related）的任务放在一起学习，同时学习多个任务。

多任务学习（multitask learning）产生的原因？

现在大多数机器学习任务都是单任务学习。对于复杂的问题，也可以分解为简单且相互独立的子问题来单独解决，然后再合并结果，得到最初复杂问题的结果。这样做看似合理，其实是不正确的，因为现实世界中很多问题不能分解为一个一个独立的子问题，即使可以分解，各个子问题之间也是相互关联的，通过一些共享因素或共享表示（share representation）联系在一起。把现实问题当做一个个独立的单任务处理，忽略了问题之间所富含的丰富的关联信息。多任务学习就是为了解决这个问题而诞生的。把多个相关（related）的任务（task）放在一起学习。这样做真的有效吗？答案是肯定的。多个任务之间共享一些因素，它们可以在学习过程中，共享它们所学到的信息，这是单任务学习所具备的。相关联的多任务学习比单任务学习能去的更好的泛化（generalization）效果。

单任务与多任务对比如图1所示：

图1 单任务学习与多任务学习对比

从图1中可以发现，单任务学习时，各个任务之间的模型空间（Trained Model）是相互独立的（图1上）。多任务学习时，多个任务之间的模型空间（Trained Model）是共享的（图1下）。

假设用含一个隐含层的神经网络来表示学习一个任务，单任务学习和多任务学习可以表示成如图2所示。

图2 基于单层神经网络的单任务和多任务学习对比

从图二可以发现，单任务学习时，各个task任务的学习是相互独立的，多任务学习时，多个任务之间的浅层表示共享（shared representation）。

2、多任务学习的定义

多任务学习（Multitask learning）定义：基于共享表示（shared representation），把多个相关的任务放在一起学习的一种机器学习方法。

多任务学习（Multitask Learning）是一种推导迁移学习方法，主任务（main tasks）使用相关任务（related tasks）的训练信号（training signal）所拥有的领域相关信息（domain-specific information），做为一直推导偏差（inductive bias）来提升主任务（main tasks）泛化效果（generalization performance）的一种机器学习方法。多任务学习涉及多个相关的任务同时并行学习，梯度同时反向传播，多个任务通过底层的共享表示（shared representation）来互相帮助学习，提升泛化效果。简单来说：多任务学习把多个相关的任务放在一起学习（注意，一定要是相关的任务，后面会给出相关任务（related tasks）的定义，以及他们共享了那些信息），学习过程（training）中通过一个在浅层的共享（shared representation）表示来互相分享、互相补充学习到的领域相关的信息（domain information），互相促进学习，提升泛化的效果。

共享表示shared representation：

共享表示的目的是为了提高泛化（improving generalization），图2中给出了多任务学习最简单的共享方式，多个任务在浅层共享参数。MTL中共享表示有两种方式：

（1）、基于参数的共享（Parameter based）：比如基于神经网络的MTL，高斯处理过程。

（2）、基于约束的共享（regularization based）：比如均值，联合特征（Joint feature）学习（创建一个常见的特征集合）。

3、多任务学习有效的原因

为什么把多个相关的任务放在一起学习，可以提高学习的效果？关于这个问题，有很多解释。这里列出其中一部分，以图2中由单隐含层神经网络表示的单任务和多任务学习对比为例。

（1）、多人相关任务放在一起学习，有相关的部分，但也有不相关的部分。当学习一个任务（Main task）时，与该任务不相关的部分，在学习过程中相当于是噪声，因此，引入噪声可以提高学习的泛化（generalization）效果。

（2）、单任务学习时，梯度的反向传播倾向于陷入局部极小值。多任务学习中不同任务的局部极小值处于不同的位置，通过相互作用，可以帮助隐含层逃离局部极小值。

（3）、添加的任务可以改变权值更新的动态特性，可能使网络更适合多任务学习。比如，多任务并行学习，提升了浅层共享层（shared representation）的学习速率，可能，较大的学习速率提升了学习效果。

（4）、多个任务在浅层共享表示，可能削弱了网络的能力，降低网络过拟合，提升了泛化效果。

还有很多潜在的解释，为什么多任务并行学习可以提升学习效果（performance）。多任务学习有效，是因为它是建立在多个相关的，具有共享表示（shared representation）的任务基础之上的，因此，需要定义一下，什么样的任务之间是相关的。

4、相关（relate）定义

相关（related）的具体定义很难，但我们可以知道的是，在多任务学习中，related tasks可以提升main task的学习效果，基于这点得到相关的定义：

Related（Main Task，Related tasks，LearningAlg）= 1

LearningAlg（Main Task||Related tasks）> LearningAlg（Main Task） （1）

LearningAlg表示多任务学习采用的算法，公式（1）：第一个公式表示，把Related tasks与main tasks放在一起学习，效果更好；第二个公式表示，基于related tasks，采用LearningAlg算法的多任务学习Main task，要比单学习main task的条件概率概率更大。特别注意，相同的学习任务，基于不同学习算法，得到相关的结果不一样：

Related（Main Task，Related tasks，LearningAlg1）不等于 Related（Main Task，Related tasks，LearningAlg2）

5、多任务学习中的相关关系（task relationship）

多任务学习并行学习时，有5个相关因素可以帮助提升多任务学习的效果。

（1）、数据放大（data amplification）。相关任务在学习过程中产生的额外有用的信息可以有效方法数据/样本（data）的大小/效果。主要有三种数据放大类型：统计数据放大（statistical data amplification）、采样数据放大（sampling data amplification），块数据放大（blocking data amplification）。

（2）、Eavesdropping（窃听）。假设

（3）、属性选择（attribute selection）

（4）、表示偏移（representation bias）

（5）、预防过拟合（overfitting prevention）

所有这些关系（relationships）都可以帮助提升学习效果（improve learning performance），关系具体定义可以参考文献[1]

6、Multitask Learning方法

浅层隐含层节点共享神经网络是最简单MTL，如图2所示。还有基于特征（feature table）共享MTL。

基于特征的共享MTL（联合特征学习，Joint feature learning），通过创建一个常见的特征集合来实现多个任务之间基于特征（features）的shared representation，其共享表示如图3所示。

图3 基于特征的共享表示示意图

基于特征共享的MTL输入输出关系如图4所示，其中采用L1正则来保证稀疏性。

图4 基于joint feature的MTL示意图

如图4，等号左边nxp的输入矩阵，乘上一个由k个任务构成的pxk的共享特征矩阵，加上一个nxk的噪声矩阵（不相关部分），就得到了左边的输出矩阵。

其他多任务学习方法还有均值约束 MTL：基于均值来约束所有的task，参数共享的高斯处理MTL，低秩约束MTL，交替结构优化MTL等等。

7、多任务学习与其他学习算法之间的关系

多任务学习（Multitask learning）是迁移学习算法的一种，迁移学习之前介绍过。定义一个一个源领域source domain和一个目标领域（target domain），在source domain学习，并把学习到的知识迁移到target domain，提升target domain的学习效果（performance）。

多标签学习（Multilabel learning）是多任务学习中的一种，建模多个label之间的相关性，同时对多个label进行建模，多个类别之间共享相同的数据/特征。

多类别学习（Multiclass learning）是多标签学习任务中的一种，对多个相互独立的类别（classes）进行建模。这几个学习之间的关系如图5所示：

图5 多任务学习与其他机器学习方法之间的关系

8、多任务学习应用概述

基于神经网络的多任务学习，尤其是基于深度神经网络的多任务学习（DL based Multitask Learning），适用于解决很多NLP领域的问题，比如把词性标注、句子句法成分划分、命名实体识别、语义角色标注等任务，都可以采用MTL任务来解决。

其他MTL的应用还有，网页图片和语音搜索[Zhou et. al. KDD'11]，疾病预测[Zhang et. al. NeuroImage 12]等等

Original: https://www.cnblogs.com/end/p/16398171.html
Author: 风生水起
Title: 多任务学习-Multitask Learning概述zz

相关阅读3

Title: Tensorflow概要和安装过程

一、TensorFlow 概要

由 Google Brain 开源，设计初衷是加速机器学习的研究
2015 年 11 月在 GitHub 上开源
2016 年 4 月分布式版本
2017 年发布了 1.0 版本，趋于稳定
Google 希望让这个优秀的工具得到更多的应用，从整体上提高深度学习的效率
TensorFlow 实现的算法可以在众多异构的系统上方便地移植，比如 Android 手机、
iphone、 普通的 CPU 服务器、大规模 GPU 集群
除了执行深度学习算法，TensorFlow 还可以用来实现很多其他算法，包括线性回归、
逻辑回归、随机森林等
TensorFlow 建立的大规模深度学习模型应用场景也非常广，包括语音识别、自然语言
处理、计算机视觉、机器人控制、信息抽取、药物研发、分子活动预测

二、TensorFlow 相关链接

TensorFlow 官方网址： https://www.tensorflow.org/ (需要翻墙)

TensorFlow 官方网址中文官网： 关于TensorFlow | TensorFlow中文官网

GitHub 网址： GitHub - tensorflow/tensorflow: An Open Source Machine Learning Framework for Everyone

模型仓库网址: GitHub - tensorflow/models: Models and examples built with TensorFlow

三、其他深度学习框架

TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4J、
Lasagne、Neon

四、安装tensorflow

Python截取图片区域并保存03

1、CPU 版本的安装

第一步：安装VS环境

Download Visual C++ Redistributable for Visual Studio 2015 from Official Microsoft Download Center

Python截取图片区域并保存03

Python截取图片区域并保存03

之后就一路next

安装的时候可能报的错是 系统里面有VS的环境了；

查看的方法

Python截取图片区域并保存03

表示系统里面有VS环境了

注意：如果系统有VS环境了，那这一步就不用安装，如果在 Ubuntu16.04 这样的 Linux 系统或 Mac 系统中安装 TensorFlow 则不用管这一步

第二步：配置python的镜像源

在 C:\Users(用户名)目录下，创建一个 pip 文件夹，创建一个 pip.ini 文件，
里面就写：
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

Python截取图片区域并保存03

Python截取图片区域并保存03

第三步：用命令安装Tensorflow（对python版本有所要求）

参考：使用 pip 安装 TensorFlow

Python截取图片区域并保存03

2、GPU版本安装

python tensorflow cuda cudaa 版本匹配查看 在 Windows 环境中从源代码构建 | TensorFlow

第一步：安装VS环境

Download Visual C++ Redistributable for Visual Studio 2015 from Official Microsoft Download Center

Python截取图片区域并保存03

Python截取图片区域并保存03

之后就一路next

安装的时候可能报的错是 系统里面有VS的环境了；

查看的方法

Python截取图片区域并保存03

表示系统里面有VS环境了

注意：如果系统有VS环境了，那这一步就不用安装，如果在 Ubuntu16.04 这样的 Linux 系统或 Mac 系统中安装 TensorFlow 则不用管这一步

第二步：Cuda安装(对tensorflow版本相匹配)

1、下载网址: CUDA Toolkit Archive | NVIDIA Developer

2、解压 cuda，点击解压后文件夹的 setup.exe 去安装

查看兼容性的网址： CUDA GPUs | NVIDIA Developer
如果兼容性检查没有问题，就选择推荐的精简去一路 next
如果兼容性检查出现感叹号，就选择自定义里面勾选上 development 和 runtime，一
路 next

第三步：Cudnn安装(要和第二步Cuda版本相匹配)

1、下载网址： cuDNN Archive | NVIDIA Developer

2、解压 cudnn，把里面的 lib、include 和 bin 目录里面的三个小文件拷贝到
cuda 安装的目录对应的文件夹里面去

第四步：配置python的镜像源

在 C:\Users(用户名)目录下，创建一个 pip 文件夹，创建一个 pip.ini 文件，
里面就写：
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

Python截取图片区域并保存03

Python截取图片区域并保存03

第五步：cudart64_101 安装

第六步：用命令安装Tensorflow（对python版本有所要求）

参考：使用 pip 安装 TensorFlow

Python截取图片区域并保存03

Original: https://blog.csdn.net/qq_53582111/article/details/122635886
Author: 宠乖仪
Title: Tensorflow概要和安装过程

相关文章
人工智能

tensorflow2.x（二）多进程并行模型

在上一篇文章中，我们解决了tensorflow在大样本训练中内存不足的问题，但是可能无法最大化利用GPU资源，在这篇文章中，我们继续挖掘如何充分利用GPU资源，将显卡的内存、算力全部拉满。 为了进一步...
20人工智能
人工智能

OpenMV：14巡线小车

文章目录 * - + * 追小球的小车 * 巡线小车 这个例子展示了在OpenMV Cam上使用get_regression（）方法获得ROI的线性回归。使用这种方法，可以轻松让机器人跟踪所有指向相同...
15人工智能
人工智能

【KAWAKO】DTLN-1Dconv的原理

目录 怎么理解DTLN的第二部分呢 对1D卷积的具体理解 1D卷积相较于STFT的优缺点 优点 缺点（不太确定） 参考文献 DTLN是一种能够实时处理的语音降噪算法，其开源代码在这里，论文在这里。 D...
31人工智能
人工智能

yolov5+deepsort跟踪学习笔记

前段时间因为项目需要，需要使用yolo+deepsort来进行目标跟踪，此博客作为学习笔记与大家共勉，欢迎大家批评指正。接下来，将从整体流程以及各个小模块来进行介绍。 整体流程图 本文主要讲解deep...
39人工智能