np.random.normal(mean, var ** 0.5, image.shape)
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
使用Python-OpenCV向图片添加噪声的实现(高斯噪声、椒盐噪声)
主要介绍了使用Python-OpenCV向图片添加噪声的实现(高斯噪声、椒盐噪声) ,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
python计算机视觉编程 pdf
python计算机视觉编程 pdf
莫烦PYTHON——Matplotlib画图教程 学习心得(2)
莫烦PYTHON——Matplotlib画图教程 学习心得(2)3 画图种类3.1 Scatter 散点图3.2 Bar 柱状图3.3 Contours 等高线图3.4 Image 图片3.5 3D 数据4 多图合并显示4.1 Subplot 多合一显示4.2 Subplot 分格显示4.3 图中图4.4 次坐标轴5 动画5.1 Animation 动画 3 画图种类 3.1 Scatter 散点图 新建Python文件,输入 import matplotlib.pyplot as plt import numpy as np n = 1024
智慧城市基于Python与数字孪生的城市博物馆群运行监测系统:多源数据融合、异常检测与健康评分模型设计 项目介绍 基于Python与数字孪生的城市博物馆群运行监测系统设计与实现(含模型描述及部分示
内容概要:本文介绍了基于Python与数字孪生技术的城市博物馆群运行监测系统的设计与实现,旨在解决传统博物馆管理中存在的数据孤岛、告警分散、运维粗放等问题。系统构建了从物理感知、数据治理、数字孪生建模到智能分析与闭环控制的五层架构,融合指数加权平滑、卡尔曼滤波、孤立森林异常检测、图结构风险传播、随机森林预测等算法,实现对温湿度、空气质量、客流、能耗、设备状态等多维度指标的实时监测、综合评估与风险预警,并通过健康评分与告警分级支持科学决策。文中还提供了关键模型的代码示例及大规模仿真数据生成方法,展示了系统的可实施性与实用性。; 适合人群:具备一定Python编程基础,从事智慧城市、物联网系统开发、数据分析或文化遗产保护相关工作的技术人员与研究人员,尤其是有1-3年工作经验的工程师。; 使用场景及目标:①构建城市级多场馆统一运行监测平台,打破信息壁垒;②提升藏品环境风险识别能力,实现从“事后响应”到“事前预警”的转变;③优化设备运维与能源管理策略,推动预测性维护和节能降耗;④建立可追溯的数字化管理闭环,支撑管理决策与长期规划。; 阅读建议:此资源不仅提供理论架构和代码片段,更强调系统性思维与工程实践的结合。建议读者在学习过程中重点关注各模型间的逻辑衔接,尝试复现并扩展示例代码,结合实际业务场景调整参数与规则,深入理解数字孪生在复杂系统监测中的应用价值。
旅游演艺基于Python与数字孪生的运行监测系统:多源数据融合与风险预警模型设计 项目介绍 基于Python与数字孪生的旅游演艺项目运行监测系统设计与实现(含模型描述及部分示例代码)
内容概要:本文介绍了一个基于Python与数字孪生技术的旅游演艺项目运行监测系统的设计与实现。系统通过整合票务、闸机、环境传感器、设备控制和视频分析等多源数据,构建与物理场景同步的数字孪生体,实现对客流、设备状态、环境质量和演出进度的实时监测与智能分析。项目采用Python生态中的Pandas、NumPy、Scikit-learn和FastAPI等工具,实现了数据清洗、状态估计(如卡尔曼滤波)、异常检测(孤立森林)、客流预测(随机森林)和综合风险融合等核心模型,并通过数字孪生推演支持调度决策。系统支持风险预警、演出调度优化与经营决策,形成了从感知、分析到决策的闭环管理体系。; 适合人群:具备Python编程基础,熟悉数据处理与机器学习算法,从事智慧文旅、数字孪生、智能运维或运营管理相关工作的技术人员与项目管理者。; 使用场景及目标:①实现旅游演艺场所的实时运行状态可视化与风险预警;②通过客流预测与设备健康监测优化演出安排与资源配置;③利用数字孪生推演评估不同调度策略的效果,提升应急响应与运营效率; 阅读建议:此资源包含完整的模型描述与代码示例,适合结合实际项目进行复现与拓展,建议读者重点关注数据标准化、状态估计、异常检测与风险融合等模块的实现逻辑,并可根据具体业务场景调整特征与权重参数。
Matplotlib——画图(散点图、柱状图、等高线图、3D图)
文章目录1.画散点图2.画柱状图3.等高线图4.image图5.画3D图 1.画散点图 首先,先引入matplotlib.pyplot简写作plt,再引入模块numpy用来产生一些随机数据。生成100个呈标准正态分布的二维数据组 (平均数是0,方差为1) 作为一个数据集,并图像化这个数据集。每一个点的颜色值用T来表示: import matplotlib.pyplot as plt import numpy as np X = np.random.normal(0,1,100) #高斯分布(均值为0,方差为1,100个样本) Y = np.random.normal(0,1,100) T
如何使用 Keras 库构建生成对抗网络
如何使用 Keras 库构建生成对抗网络
第六节 图像处理之模糊操作
第一课: import cv2 as cv import numpy as np #均值模糊,作用:去噪声 def blur_demo(image): dst= cv.blur(image,(3,3)) cv.imshow("blur_win",dst) #去掉椒盐噪声 def median_blur(image): dst =cv.medianBlur(image,5) cv.imshow("median_blur_win",dst) def custom_blur_demo(image): #kernel = np.array([[1,1,1],[1,1,1],[1,1,1]],np.float32)/9 #kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32) kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32) dst = cv.filter2D(image,-1,kernel) cv.imshow("custom_blur_demo",dst) src = cv.imread("E:/opencv/picture/test3.jpg") cv.imshow("initial_win",src) blur_demo(src) median_blur(src) custom_blur_demo(src) cv.waitKey(0) cv.destroyAllWindows() 分析: 1. 均值滤波:cv.blur(src,ksize):去噪声 注:这里的ksize是个(x,y)形式 卷积过程: 6*6上面是个3*3的窗口,从上向下移动,黄色的每个像素点值之和取平均值赋给中心红色像素作为它卷积处理之后的的新的像素值,每次移动一个像素格! 2. 中值滤波:cv.median_blur(srcm,ksize):对于去椒盐噪声很有用 注:这里的ksize是个x数值形式 举个例子:我们在图像中去3*3的矩阵,里面有9个像素点,我们将9个像素进行排序,最后将这个矩阵的中心点赋值为这九个像素的中值。 3. 用户自定义模糊 所用函数:filter2D() 函数原型: filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) -> dst src参数表示待处理的输入图像。 ddepth参数表示目标图像深度,输入值为-1时,目标图像和原图像深度保持一致 kernel: 卷积核(或者是相关核),一个单通道浮点型矩阵。修改kernel矩阵即可实现不同的模糊 分析: 1. kernel的大小应该是奇数,这样它才有一个中心点 2. 滤波器矩阵所有的元素之和应该要等于1,这是为了保证滤波前后图像的亮度保持不变。 3. 我们也可以用filt2D的方法实现均值滤波。 如 kernel = np.array([[1,1,1],[1,1,1],[1,1,1]],np.float32)/9 注意:这里kernel的运算一定要除以9哦。 4. 当然也有其它的kernel可以用于其它图像处理 kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32) 该kernel用于锐化图像。 第二课: import cv2 as cv import numpy as np def clamp(pv): if pv>255: return 255 else: return pv def gaussian_noise(image): h,w,ch= image.shape for row in range(h): for col in range(w): s = np.random.normal(0, 20, 3) b = image[row, col, 0] g = image[row, col, 1] r = image[row, col, 2] image[row,col,0] =clamp(b +s[0]) image[row, col, 1] = clamp(g + s[1]) image[row, col, 2] = clamp(r + s[2]) cv.imshow("gaussian_win",image) src = cv.imread("E:/opencv/picture/lena.jpg") cv.imshow("initial_win",src) gaussian_noise(src) dst = cv.GaussianBlur(src,(0,0),2) cv.imshow("dst_win",dst) cv.waitKey(0) cv.destroyAllWindows() 分析: 1. 如何在图像中制造噪声? 答:在源图像的每个像素上加上个随机值就会出现噪声线性。 这里我们还是使用逐个像素点改变像素值的办法来处理的,用了两层for嵌套: for row in range(h): for col in range(w): 接着就是要改变像素值了,我们使用了随机数指令: s = np.random.normal(0,15,3) 该指令分析如下: numpy.random.normal(loc=0.0, scale=1.0, size=None) 参数一:概率分布的均值,对应着整个分布的中心center 参数二:概率分布的标准差,对应于分布的宽度,scale越大越矮胖,反之越瘦高 参数三:输出值shape,默认是输出一个值,因为这里我们要改变各个像素点各个通道的数值,所以这里设置为3。 这块的源码是这样的: def guess_noise(image): h,w= image.shape[0:2] for row in range(h): for col in range(w): s = np.random.normal(0,15,3) b = image[row,col,0] g = image[row,col,1] r = image[row,col,2] image[row,col,0] = b+s[0] image[row,col,1] = g+s[1] image[row,col,2] = r+s[2] cv.imshow("noise_win",image) 2. 高斯模糊: 加强版的均值模糊(均值模糊只是线性模糊) 高斯模糊实质上就是一种均值模糊,只是高斯模糊是按照加权平均的,距离越近的点权重越大,距离越远的点权重越小。通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。 api指令: GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) 参数一:待处理的输入图像 参数二:高斯滤波器模板大小。其中ksize.width和ksize.height可以不同,但它们必须是正数和奇数。或者它们可以是(0,0),然后从第三个参数计算出来。 参数三:表示X方向上的高斯内核标准差 参数四:表示Y方向上的高斯内核标准差。如果参数四为0,则设置为等于参数三,如果这两个参数均为零,则分别从ksize.width和ksize.height计算得到。 注:若ksize不为(0,0)则按照ksize计算,后面的参数三,参数四无意义。若ksize为(0,0)则根据后面的参数三计算ksize 故一般来说设置成cv.GaussianBlur(src,(0,0),3) 或者是dst = cv.GaussianBlur(src,(3,3),0) 都行 第三课、高斯双边模糊 import cv2 as cv import numpy as np def bl_demo(image): dst = cv.bilateralFilter(image,0,100,15) cv.imshow("dst_win",dst) def shift_demo(image): dst = cv.pyrMeanShiftFiltering(image,10,50) cv.imshow("shift_demo",dst) src = cv.imread("E:/opencv/picture/lena.jpg") cv.imshow("inital_win",src) #bl_demo(src) shift_demo(src) cv.waitKey(0) cv.destroyAllWindows() 1. 高斯双边模糊:加强版的高斯模糊,保留了边界信息 cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) → dst 双边滤波器可以去除无关噪声,同时保持较好的边缘信息。 但是,其速度比绝大多数滤波器都慢。 在局部上,就是在灰度值差异不大的区域平滑,在灰度值差异比较大的边界地区保留边界。所以双边滤波器作用于每个像素的同时,必然会受到领域像素点的距离、灰度值差的权重影响。 参数一:输入源 参数二:一般写0就行 参数三(作用于色差):色彩空间的sigma参数,该参数较大时,各像素邻域内相距较远的颜色会被混合到一起,从而造成更大范围的半相等颜色)。 这个参数决定多少差值之内的像素会被计算,而大于这个差值的,我们就认为是边缘区域需要保留该区域像素值。color差异一般我们希望它大一点。 参数四(作用于距离):坐标空间的sigma参数,该参数较大时,只要颜色相近,越远的像素会相互影响。space差异一般我们希望它小一点。 2. 偏移高斯模糊
pytorch框架学习(13)——可视化工具TensorBoard
文章目录1. TensorBoard简介2. tensorboard使用2.1 SummaryWriter2.2 方法 1. TensorBoard简介 TensorBoard:TensorFlow中强大的可视化工具 支持标量、图像、文本、音频、视频和Embedding等多种数据可视化 运行机制 tensorboard –logdir=./runs 作业 熟悉TensorBoard的运行机制,安装TensorBoard,并绘制曲线 y = 2*x import numpy as np from torch.utils.tensorboard import SummaryWriter writ
高校技术转移办公室人员在对接企业技术需求时,如何提升匹配效率与转化成功率?.docx
科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
智能电池充电:使用PID控制器优化SOC(Matlab代码实现)
内容概要:本文围绕智能电池充电技术,重点研究了如何利用PID控制器优化电池充电过程中的荷电状态(SOC)。通过构建电池系统的数学模型,并结合PID控制策略对充电电流进行动态调节,实现了对SOC的精确估计与闭环控制,有效提升了充电效率,延长了电池寿命,并避免了过充与欠充问题。文中详细阐述了PID控制器的工作原理、参数整定方法(如Ziegler-Nichols法或试凑法)及其在非线性电池系统中的应用挑战,同时提供了完整的Matlab代码实现,展示了仿真结果以验证控制策略的有效性与鲁棒性。; 适合人群:具备自动控制理论基础知识和Matlab编程能力的高校学生、科研人员,以及从事新能源汽车、储能系统等领域的电池管理系统(BMS)研发的工程技术人员。; 使用场景及目标:①应用于新能源汽车、便携式电子设备及大规模储能系统的智能充电控制设计;②为科研工作者提供PID控制在电池SOC管理中的具体实现案例,推动先进充电算法的发展;③辅助高校课程教学与实验设计,深化对反馈控制系统动态响应特性的理解。; 阅读建议:建议读者结合所提供的Matlab代码进行仿真实践,深入探究不同PID参数对系统响应速度、超调量及稳态精度的影响,进一步可通过引入模糊控制或自适应机制优化PID性能,并尝试将其应用于不同类型的电化学电池或多工况场景中进行拓展研究。
STM32 IIC通信协议实现与调试项目教程
项目级实战教程,配套完整工程思路与可复现代码。覆盖:I2C总线 · 地址解析 · 时钟拉伸 · 多器件共存。全部案例基于 STM32F103/F407 实测,含根因分析、判据表与调参定标过程。
考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)
考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)内容概要:本文介绍了基于NSGA-II多目标优化算法对包含风能、光伏、火电、储能系统、需求响应及电转气(P2G)等多种能源形式的综合能源系统进行优化调度的研究,采用Matlab进行代码实现。研究综合考虑了系统运行成本、碳排放、能源利用率等多个优化目标,通过建立精确的数学模型,结合可再生能源出力不确定性、负荷波动以及需求响应机制,实现多能源协同调度的帕累托最优解集求解,旨在提升能源系统的经济性与环保性,并验证所提方法的有效性和实用性。; 适合人群:具备一定电力系统、优化算法及Matlab编程基础的研究生、科研人员以及从事能源系统规划与运行相关工作的工程技术人员。; 使用场景及目标:①应用于多能源互补的综合能源系统优化调度研究;②为实现低碳、高效、可靠的能源供应提供决策支持;③学习和掌握NSGA-II算法在复杂多目标优化问题中的实际应用方法。; 阅读建议:建议读者结合Matlab代码与文中模型描述逐步理解算法实现流程,重点关注目标函数构建、约束处理及Pareto解集的生成与分析,有条件者可进一步修改参数或扩展模型以深化理解。
国央企创新负责人如何推动科技成果与产业的深度融合?.docx
科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
科技中介服务机构如何提升技术需求挖掘的准确性和效率?.docx
科技中介服务机构如何提升技术需求挖掘的准确性和效率?
【光伏功率预测】项目介绍 MATLAB实现基于VMD-Transformer-GRU变分模态分解(VMD)结合Transformer编码器和门控循环单元(GRU)进行光伏功率多步滚动预测(含模型描述及
内容概要:本文介绍了一种基于VMD-Transformer-GRU的光伏功率多步滚动预测模型,旨在提升短时光伏功率预测精度。通过变分模态分解(VMD)将非平稳光伏功率序列分解为多个模态分量,削弱多尺度波动干扰;利用Transformer编码器提取多变量历史序列中的全局时间依赖关系,结合GRU网络捕捉时序动态特征,实现对未来多个时间点的联合预测,有效缓解误差累积问题。模型输入包含历史功率、气象数据及时空周期特征,采用滑动窗口构造样本,并通过归一化、异常处理等保障训练稳定性。实验部分提供了完整的MATLAB代码流程,涵盖数据预处理、VMD分解、网络构建、训练验证与结果可视化,评价指标包括MAE、RMSE、MAPE和R²等。该框架具有良好的可扩展性,适用于多种新能源预测场景。; 适合人群:具备一定机器学习和时间序列分析基础,熟悉MATLAB编程,从事新能源预测、电力系统调度或智能算法研究的研发人员及高校研究生。; 使用场景及目标:①应用于光伏电站、微电网、配电台区等场景下的短时多步功率预测,支撑电网调度与备用容量配置;②解决传统模型在非平稳序列、极端天气和误差累积方面的局限性,提升新能源消纳能力与经济运行水平;③构建可迁移的智能预测技术框架,支持后续扩展至风电、负荷预测或概率预测任务。; 阅读建议:此资源结合理论模型与代码实践,建议读者在理解VMD、Transformer与GRU原理基础上,配合提供的MATLAB代码逐模块运行调试,重点关注数据组织、特征融合与多步输出结构的设计逻辑,并可根据实际数据调整模态数、网络参数与时序窗口长度以优化性能。
CSDN首页
发布文章
CSDN同步助手
主动配电网故障恢复的重构与孤岛划分统一模型研究升级版本(Matlab代码实现)
41 100
摘要:会在推荐、列表等场景外露,帮助读者快速了解内
内容概要:本文系统研究了固定电容器可控晶闸管无功补偿装置(FCTCR)的Simulink仿真实现方法,深入探讨其在电力系统中进行动态无功补偿的工作原理与建模过程。文章详细阐述了FCTCR的系统结构,由固定电容器(FC)与晶闸管控制电抗器(TCR)并联构成,通过调节晶闸管的触发角来改变TCR支路的等效电纳,从而实现对系统无功功率的连续、快速调节。文中重点介绍了其控制策略的设计逻辑,包括无功检测、触发角计算与晶闸管门极驱动等核心环节,并利用Simulink搭建了完整的仿真模型,对装置投入前后系统的电压稳定性、无功功率流动及电能质量改善效果进行了仿真分析与验证,证明了FCTCR在抑制电压波动、提高系统运行效率方面的有效性。; 适合人群:具备电力系统分析、电力电子技术基础以及Simulink仿真操作经验的电气工程及相关专业的本科生、研究生、科研人员及工程技术人员。; 使用场景及目标:①作为教学案例用于高校课程设计或实验教学,帮助学生深入理解动态无功补偿装置的原理与实现方式;②为从事电能质量治理、柔性交流输电系统(FACTS)研发的工程师提供FCTCR装置的仿真建模参考与技术实现方案;③支持对FCTCR与其他无功补偿装置(如SVC、STATCOM)的性能进行对比研究。; 阅读建议:建议读者在阅读过程中结合Simulink软件动手复现模型,重点关注晶闸管触发控制子系统的搭建与参数调试,通过改变负载条件观察无功补偿的动态响应过程,以深化对装置工作机理的理解,并可进一步探索更先进的控制算法以提升补偿性能。
U-Net医学图像分割系统含源码教程
这是一套U-Net医学图像分割系统实战教程,交付物包括9章实战教程(md/html/pdf)、11个Python模块的完整工程、随包30张128×128细胞显微风格样本与同名掩码、1.87MB预训练权重、多张真跑截图与讲解PPT。解压装依赖后敲一条命令即可分割:单图推理输出三联图(原图、预测掩码、红色叠加对比),带真值时报Dice;批量推理产出三联图加平均Dice汇总;量化评估输出逐图Dice与IoU加CSV报表和条形图;干跑验证十几秒确认训练链路通。实测数字全部真跑产出:验证集平均Dice 0.9909、IoU 0.9820,全集30张平均Dice 0.9934,单张推理CPU约8毫秒,训练40 epoch约19秒,内存峰值不到1GB。选型上讲清了为什么是U-Net而不是FCN或DeepLab:编码解码加跳跃连接让边界恢复是结构自带的,对30张小样本不敏感;损失用Dice Loss加BCE组合,细胞前景只占一成左右,单独BCE会鼓励网络偷懒全判背景,Dice项直接优化重叠面积逼着网络圈出细胞。一个诚实声明写在明处:随包样本是固定seed合成的细胞样图,形态与真实显微切片一致但不是真实病理切片,权重的高Dice不能外推到真实数据集;想换真实数据时,ISBI 2012电镜数据或DRIVE视网膜血管数据可通过随包脚本一键转换,详见文档,第8章演示重训路径。版本锁定torch 2.14.1并处理了torch.load默认weights_only的行为变化,新旧torch都能跑,六个依赖逐行锁死并标注已知兼容坑。适合医学影像方向的毕设学生、在校学习者与想做感兴趣区提取的研究者。使用方式:进src装好依赖,py main.py train训练,py main.py打开GUI选图即分割。
native环境演示代码
native环境演示代码
聊天记录_20261116_111754.zip
聊天记录_20261116_111754.zip
最新推荐




