第一步：（可忽略直接看第二步解决方案）首先我们看一下Python默认用的是哪个地址的镜像：               在命令行输入  pip help install                找出   -i, --index-url <url> 后面对应的地址就是默认的下载源地址： 第二步：解决方案              Python提供了pip命令，让开发者很容易安装需要的模块。但是，用pip安装时，好多模块默认去外网下载。这样，***就变得灰常缓慢。 这里我们提供一种解决方案。。该镜像的下载地址。 国内的一些站点： 豆瓣：http://pypi...

外观模式概念：         为子系统中的一组接口提供一个一致的界面，此模式定义了一个高层接口，这个接口使得这个子系统更加容易维护。。大话来讲：就是封装，内部系统太复杂，为用户抽象出一个接口。。 案例一：       试想想你的电脑，你知道各种服务内部是怎样启动的吗？  你知道电脑从BIOS开始，都干了什么吗？  我相信好多人都不知道。那这些人难道不会用电脑吗？  显然不是的。。 原因：就是由于给我们封装了一些简单接口，才是我们可以灵活操作。。下面我们就以启动计算机中的各种服务为例子，介绍一个外观模式       为了简单，我们假设只有两种服务，分别是进程和文件服务。 这些...

***模式概念：       为其他对象提供一种***以控制对这个对象的访问。。 晦涩难懂的官方术语。。。简单来说，就是A和B想通话，必须通过C中间牵线，此时的A和B就都只给C说，C转换给对方。。 案例一：       我们实现一个简单的保护***来查看和添加用户。。也就是说，有一个敏感信息类，里面可以读用户信息，也可以添加用户信息。。一般人不能之间访问，若想访问必须通过***类。 。***这里做简要的验证，当前用户的访问权限。。。 class SensitiveInfo: def __init__(self): self.users = ['nic...

享元模式概念：         运用共享技术有效的支持大量细粒度的对象。。简单来说，在我们玩游戏的时候，场景中有一万棵密密麻麻的树，难道我们要把树实例化一万次吗？  你要知道，实例化一万次，内存是要爆炸的，这里我们就可以用享元模式。 实例化一次树，描绘千万棵树的时候只是将坐标改一下。 满足一下条件可以用享元模式：   ①：应用需要使用大量的对象   ②：对象太多，存储/渲染它们的代价太大。 存在多组不同的对象可被相对更少的共享数据所替代。   ③：对象ID对于应用不重要，对象共享会造成ID的破坏。 案例一：        我们这里就实现概念中我刚才举的那个例子...

责任链模式概念：       使多个对象都有机会处理请求，从而避免请求的发送者和接受者之间的耦合关系。将这个对象连成一个链，并沿着这条链传递该请求，直到有一个对象处理它为止。  简述：就是面向过程中的if...elif...elif...elif ..else。进来一个数，进行if判断，如果满足哪个if条件，则执行，然后退出。。 案例一：           我们这里设置三个领导，他们分别处理不同的请求量。 当请求量在0到10时，领导一处理。 当请求量在10到50时，领导二处理。当请求量在50以上的时候，领导三处理。。并且在每个领导者类中定义了一个方法set_successo...

命令模式概念：        将一个请求封装为一个对象，从而使你可用不同的请求对客户进行参数化；对请求排队或记录请求日志，以及支持可撤销的操作。。 好难理解哦！！！我用例子将一下吧。 比如创建/撤销文件命令，我们可以为其创建一个类，用这个命令时，相当于给这个命令实例化。。 想让其支持撤销操作，不就是这个类中加入一个撤销的方法。这个类中肯定也有创建的方法，不用多讲吧。下面我们通过案例一详谈。 案例一：        我们总共设置四个命令： 创建文件（支持撤销）， 读文件（不支持撤销）， 重命名文件（支持撤销），删除文件（不支持撤销）。。 创建文件的撤销不就是删除文件。。重命名文件...

观察者模式概念：        观察者模式定义了一种一对多的依赖关系，让多个观察者对象同时监听某一个主题对象。这个主题对象在状态发生变化时，会通知所有观察者对象，使他们能够自动更新自己。  一般这种情况应用于发布订阅功能。 案例一：          我们首先定义一个出版者Publisher（真正的发布，我们让DefaultFormatter做）。里面有三种方法：add()用于添加观察者， remove()用于删除观察者，notify()是通知，不同的对象传进来，调用的是不同的通知（观察者中有通知的方法，本质是观察者自己通知自己）。 然后载定义了三个观察者：DefaultFor...

第一节：图像数字化 1： 构造二维的ndarry，相当于就是构造灰度图像各个位置的像素值。 import numpy as np import cv2 # 构造二维的ndarry # 构造一个100*100的图像，像素值都是零，然后将其输出 z = np.zeros((100, 100), np.uint8) # 100*100的图像，每个点像素值都为零 cv2.imshow('img', z) # 显示图片 cv2.imwrite('img1.png', z) # 将我们的结果进行保存 cv2.waitKey(0) # 显示持续几毫秒 1000代表一秒，0表...

第二节：几何变化 一：仿射变换（平移，缩放，旋转等）       1：缩放                      表示的(x, y)坐标通过那个矩阵变为 x波浪，y波浪。  为什么每个坐标最下面还有一维是1，它是齐次的写法，这样的写法对将接下来的平移有些帮助。。 首先把等号右边的两个矩阵相乘，你就会发现：将图像放大，缩小，不就是让Sx和Sy取不同的值，对x缩放就是让Sx取不同的值，对y缩放就是让Sy取不同的值。。 import cv2 import numpy as np # 仿射变换 image = cv2.imread('p1.jpg') # 获取原图像的高，宽 h, ...

第三节：对比度增强算法总结 一： 绘制直方图         就是把各个像素值所含有的个数统计出来，然后画图表示。 可以看到在当前图像中，哪个像素值的个数最多。 同时，可以看当前图像总体的像素值大小在哪些范围。。靠近0的话，说明图像偏暗。 靠近255，说明图像偏亮。 import cv2 import numpy as np import matplotlib.pyplot as plt import math # # 绘制灰度直方图 def calcGrayHist(image): ''' 统计像素值 :param image: :return: ...

第四节：图像平滑1 一：高斯平滑       通过以上步骤我们写一个构建高斯卷积算子的代码 def getGaussKernel(sigma, H, W): # 第一步:构建高斯矩阵 gaussMatrix = np.zeros([H, W], np.float32) # 得到中心点的位置 cH = (H - 1)/2 cW = (W - 1)/2 # 计算guass(sigma, r, c) for r in range(H): for c in range(W): no...

第五节：图像平滑2 一：联合双边滤波              代码实现： import numpy as np import cv2 import math def getClosenessWeight(sigma_g, H, W): # 计算空间距离权重模板 r, c = np.mgrid[0:H:1, 0:W:1] # 构造三维表 r -= int((H-1) / 2) c -= int((W-1) / 2) closeWeight = np.exp(-0.5*(np.power(r, 2)+np.power(c, 2))/ma...

第六节：阈值分割 一： 全阈值分割  实例代码： image = cv2.imread('img.jpg', cv2.IMREAD_GRAYSCALE) the = 100 # 设置阈值为100 maxval = 255 dst, img = cv2.threshold(image, the, maxval, cv2.THRESH_BINARY) cv2.imshow('hand_thresh', img) cv2.waitKey(0) cv2.destroyAllWindows()      给出你的阈值 ，然后告诉你的最大阈值是多少 。。。也就是你二值图中一个阈值为0，另...

第七节：形态学处理                                    简述形态学处理： 一：腐蚀   代码实现： import cv2 I = cv2.imread('img.jpg', cv2.IMREAD_GRAYSCALE) # 创建矩形结构元 s = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) # 腐蚀图像，迭代次数采用默认值1 r = cv2.erode(I, s) # 边界提取 e = I - r # 显示原图和腐蚀后的结果 cv2.imshow('origin', I) cv2...