网站建设营改增,深圳市城乡建设局网站,广州市安全平台,宁波怎么建网站模板站前言ChatGPT最近挺火的#xff0c;据说还能写程序#xff0c;感到有些惊讶。于是在使用ChatGPT有一周左右后#xff0c;分享一下用它写程序的效果如何。1、对于矩阵#xff0c;把减法操作转换加法#xff1f;感觉不错的#xff0c;能清晰介绍原理#xff0c;然后写示例程…前言ChatGPT最近挺火的据说还能写程序感到有些惊讶。于是在使用ChatGPT有一周左右后分享一下用它写程序的效果如何。1、对于矩阵把减法操作转换加法感觉不错的能清晰介绍原理然后写示例程序还给出了示例的运行结果。2、写一个程序矩阵除法转换为矩阵除法上面是一个简答的例子要求程序详细一些当要求程序详细一些时它会写得很详细些这个不错的但是在解释原理时公式显示乱码了这点有待完善。3、写一个程序pytorch模型转onnx对于特定领域的知识ONNX模型转换它也是知道的能根据需求写出示例程序。4、写一个程序遍历彩色图片5、写一个程序遍历三维数组但是呢上面的程序会报错ValueError: index 10016 is out of bounds for array with size 100006、写个程序实现彩色图片灰度化灰度值是每个通道的平均值7、使用opencv检测图片的轮廓拟合直线import cv2
import numpy as np# 读取图像并转换为灰度图像
img cv2.imread(image.jpg)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 对图像进行二值化处理
ret, thresh cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 找到图像中的轮廓
contours, hierarchy cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 对每个轮廓拟合多条直线
for cnt in contours:# 近似轮廓epsilon 0.01 * cv2.arcLength(cnt, True)approx cv2.approxPolyDP(cnt, epsilon, True)# 计算轮廓的凸包hull cv2.convexHull(approx, returnPointsFalse)# 如果轮廓点的数量不足 5 个则不做拟合if len(approx) 5:continue# 寻找轮廓的顶点defects cv2.convexityDefects(approx, hull)vertices []for i in range(defects.shape[0]):s, e, f, d defects[i, 0]start tuple(approx[s][0])end tuple(approx[e][0])far tuple(approx[f][0])vertices.append(far)# 对轮廓进行拟合lines cv2.fitLine(np.array(vertices), cv2.DIST_L2, 0, 0.01, 0.01)# 绘制拟合直线x0, y0 int(lines[2] - lines[0] * 100), int(lines[3] - lines[1] * 100)x1, y1 int(lines[2] lines[0] * 100), int(lines[3] lines[1] * 100)cv2.line(img, (x0, y0), (x1, y1), (0, 255, 0), 2)cv2.imshow(image, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
import cv2
import numpy as np# 读取图片
img cv2.imread(example.png)# 转为灰度图
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化处理
ret, binary cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 查找轮廓
contours, hierarchy cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 对轮廓点集合按照横坐标排序
contour_points contours[0]
contour_points contour_points[np.argsort(contour_points[:, :, 0])]# 分离轮廓点集合
mid_x (contour_points[0][0][0] contour_points[-1][0][0]) // 2
left_points contour_points[0:mid_x, :, :]
right_points contour_points[mid_x:, :, :]# 拟合左侧直线
left_vx, left_vy, left_x, left_y cv2.fitLine(left_points, cv2.DIST_L2, 0, 0.01, 0.01)# 拟合右侧直线
right_vx, right_vy, right_x, right_y cv2.fitLine(right_points, cv2.DIST_L2, 0, 0.01, 0.01)# 计算直线的截距和斜率
left_k left_vy / left_vx
left_b left_y[0][0] - left_k * left_x[0][0]
right_k right_vy / right_vx
right_b right_y[0][0] - right_k * right_x[0][0]# 画出拟合的直线
height, width, _ img.shape
left_x0 0
left_y0 int(left_k * left_x0 left_b)
left_x1 width
left_y1 int(left_k * left_x1 left_b)
right_x0 0
right_y0 int(right_k * right_x0 right_b)
right_x1 width
right_y1 int(right_k * right_x1 right_b)
cv2.line(img, (left_x0, left_y0), (left_x1, left_y1
import cv2
import numpy as np# 读入图像
img cv2.imread(example.jpg)# 灰度化和边缘检测
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges cv2.Canny(gray, 50, 150, apertureSize3)# 获取轮廓
contours, hierarchy cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 对每个轮廓进行拟合
for contour in contours:# 拟合直线[vx, vy, x, y] cv2.fitLine(contour, cv2.DIST_L2, 0, 0.01, 0.01)slope vy / vxy_intercept y - slope * xx1 0y1 int(x1 * slope y_intercept)x2 img.shape[1] - 1y2 int(x2 * slope y_intercept)cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)[vx, vy, x, y] cv2.fitLine(contour, cv2.DIST_L2, 0, 0.01, 0.01)slope vy / vxy_intercept y - slope * xx1 0y1 int(x1 * slope y_intercept)x2 img.shape[1] - 1y2 int(x2 * slope y_intercept)cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)# 显示结果
cv2.imshow(result, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
import cv2
import numpy as np# 读入图片转为灰度图
img cv2.imread(image.jpg)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Canny 边缘检测
edges cv2.Canny(gray, 50, 150)# 寻找轮廓
contours, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 画出轮廓
contour_img np.zeros_like(img)
cv2.drawContours(contour_img, contours, -1, (0, 255, 0), 3)# 对每个轮廓拟合两条直线
line_img np.zeros_like(img)
for cnt in contours:# 拟合第一条直线[vx, vy, x, y] cv2.fitLine(cnt, cv2.DIST_L2, 0, 0.01, 0.01)lefty int((-x * vy / vx) y)righty int(((img.shape[1] - x) * vy / vx) y)cv2.line(line_img, (img.shape[1]-1, righty), (0, lefty), (255, 0, 0), 2)# 拟合第二条直线[vx, vy, x, y] cv2.fitLine(cnt, cv2.DIST_L2, 0, 0.01, 0.01)lefty int((-x * vy / vx) y)righty int(((img.shape[1] - x) * vy / vx) y)cv2.line(line_img, (img.shape[1]-1, righty), (0, lefty), (0, 0, 255), 2)# 显示结果
cv2.imshow(Contour, contour_img)
cv2.imshow(Lines, line_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
同样的问题实现的方式有多种在编写程序需求时明确一下思路它写出来的代码会更符合我们所想的。import cv2
import numpy as np# 读取图片并进行灰度化处理
img cv2.imread(test.png)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 对灰度图像进行边缘检测如使用 Canny 算法
edges cv2.Canny(gray, 50, 150)# 找到所有轮廓并选择一个想要拟合的轮廓
contours, hierarchy cv2.findContours(edges, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
cnt contours[0]# 对轮廓进行逼近得到轮廓的拟合线段
epsilon 0.1 * cv2.arcLength(cnt, True)
approx cv2.approxPolyDP(cnt, epsilon, True)# 计算轮廓的重心坐标
M cv2.moments(cnt)
cx int(M[m10]/M[m00])
cy int(M[m01]/M[m00])# 将轮廓点集合分为左右两部分
left_cnt []
right_cnt []
for i in range(len(cnt)):if cnt[i][0][0] cx:left_cnt.append(cnt[i])else:right_cnt.append(cnt[i])left_cnt np.array(left_cnt)
right_cnt np.array(right_cnt)# 对左右两部分的点分别进行拟合直线
[vx_l, vy_l, x_l, y_l] cv2.fitLine(left_cnt, cv2.DIST_L2, 0, 0.01, 0.01)
[vx_r, vy_r, x_r, y_r] cv2.fitLine(right_cnt, cv2.DIST_L2, 0, 0.01, 0.01)# 得到拟合直线的参数可以使用直线的一般式或截距式表示
k_l vy_l / vx_l
b_l y_l - k_l * x_l
k_r vy_r / vx_r
b_r
这个代码没写完又被中断了感觉写稍微长一些的代码就容易出现中断的情况。总体感受对于简单的运算感觉不错的能清晰介绍原理然后写示例程序还给出了示例的运行结果。在示例程序中要求程序详细一些时它会写得很详细些这个不错的。对于一些特定领域的知识它也是知道的能根据描述需求写出示例程序。有些复杂一些的运算它写出的程序会报错这个需要我们检测和修正。写稍微长一些的代码就容易出现中断的情况代码还没写完呢。总体感觉挺挺强的适合我们去了解一个新的知识原理和思路然后参考它的示例程序。
