python安装了numpy却用不了且报错的解决方案和numpy的简单应用于图像处理及python基础语法

 黑马程序员pyecharts部分数据资料在文章最下方获取！

1.报错情况如下：Error importing numpy:

解决方法：降低python和numpy的版本，我一开始下载安装的都是最新版的python和numpy，后来降低了版本后就不报错且可正常使用了，这里给出我使用的版本作为参考（记得卸载之前版本的python和numpy再重新安装），网上有python不同版本适配的python可以自行搜索，建议使用的python版本不要超过3.10。 

2.1.使用python进行对图像进行傅里叶变换并显示原图和频谱图：

import cv2  
import numpy as np
import matplotlib.pyplot as plt
# 读取图像
image_path = 'D:/1212.jpg'  # 这里需要换成自己图片的位置
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 傅里叶变换
dft = np.fft.fft2(image)
dft_shift = np.fft.fftshift(dft)
# 计算频谱
magnitude_spectrum = 20 * np.log(np.abs(dft_shift) + 1)
# 显示原图
plt.figure(figsize=(12, 6))
plt.subplot(121)
plt.imshow(image, cmap='gray')
plt.title('original_image')
plt.axis('off')
# 显示频谱图
plt.subplot(122)
plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('magnitude_image')
plt.axis('off')
plt.show()
exit()

2.2.使用python实现小波变换融合两幅图像： 

import cv2
import pywt  # 需要安装pywt库
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
image1 = cv2.imread('D:/1313.jpg', cv2.IMREAD_GRAYSCALE) # 这里需要换成自己图片的位置 
image2 = cv2.imread('D:/1414.jpg', cv2.IMREAD_GRAYSCALE) # 这里需要换成自己图片的位置
# 二维离散小波变换
c1 = pywt.dwt2(image1, 'haar')
c2 = pywt.dwt2(image2, 'haar')
# 融合小波系数
fused_cA = (c1[0] + c2[0]) / 2
fused_cH = (c1[1][0] + c2[1][0]) / 2
fused_cV = (c1[1][1] + c2[1][1]) / 2
fused_cD = (c1[1][2] + c2[1][2]) / 2
fused_c = (fused_cA.astype(np.float32),
           (fused_cH.astype(np.float32),
            fused_cV.astype(np.float32),
            fused_cD.astype(np.float32)))
# 使用逆变换重建图像，并确保数据类型正确
fused_image = pywt.idwt2(fused_c, 'haar')
fused_image = np.clip(fused_image, 0, 255).astype(np.uint8)
# 显示原图
plt.figure(figsize=(12, 6))
plt.subplot(131)
plt.imshow(image1, cmap='gray')
plt.title('image1')
plt.axis('off')
plt.subplot(132)
plt.imshow(image2, cmap='gray')
plt.title('image2')
plt.axis('off')
# 显示融合后图像
plt.subplot(133)
plt.imshow(fused_image, cmap='gray')
plt.title('fused_image')
plt.axis('off')
plt.show()
exit()

 效果图如下：

2.3.使用python对图片进行3×3和5×5的中值滤波对比效果： 

import cv2
import matplotlib.pyplot as plt

# 读取图像
image_path = 'D:/1515.png' # 这里需要换成自己的图片位置
image = cv2.imread(image_path)
# 将读取到的图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 显示原始灰度图像
plt.figure(figsize=(10, 5))
plt.subplot(1, 3, 1)
plt.imshow(gray_image, cmap='gray')
plt.title('original_image')
plt.axis('off')
# 应用3×3窗口的中值滤波
median_filtered_image_3 = cv2.medianBlur(gray_image, 3)
# 显示3×3中值滤波后的图像
plt.subplot(1, 3, 2)
plt.imshow(median_filtered_image_3, cmap='gray')
plt.title('3×3')
plt.axis('off')
# 应用5×5窗口的中值滤波
median_filtered_image_5 = cv2.medianBlur(gray_image, 5)
# 显示5×5中值滤波后的图像
plt.subplot(1, 3, 3)
plt.imshow(median_filtered_image_5, cmap='gray')
plt.title('5×5')
plt.axis('off')
# 显示所有图像
plt.show()
exit()

效果对比图如下：

人生苦短，我用python（input/print）

python中常用的六种数据类型：

①int，float，complex,bool（True/False）

②字符串（string）（三种定义方式：单引号、双引号、三引号）

③列表（list）：[元素1，元素2，。。。，元素N]  #支持嵌套

④元组（tuple）：（元素1，元素2，。。。，元素N) #不可修改

⑤集合（set）：{元素1，元素2，。。。，元素N} #不支持下标索引，不可重复且无序

⑥字典（dictionary）：{key：value。。。} #通过key找value

 扩展（各个数据容器的常用操作）：

# 列表（可修改，可重复）
列表名.index（元素）       # 查找某元素在列表内的下标索引
列表名[下标]=值            # 修改指定下标索引的值
列表名.insert（下标，元素） # 插入元素
列表名.append（元素)       # 追加元素
列表名.extend（数据容器）   # 追加一批元素
del 列表名[下标]           # 删除元素
列表名.remove（元素）      # 删除某元素在列表中的第一个匹配项
列表名.clear（）           # 清空列表

# 元组（可修改，不可重复）
元组名.index（元素       # 查找某元素在列表内的下标索引
元组名.count（元素）     # 返回元素的数量
len（元组名）            # 返回元组的元素个数

# 字符串（不可修改）
字符串.index（字符串）            # 返回字符串的起始下标
字符串.replace（字符串1，字符串2） # 返回一个2替换1的新字符串
字符串.split（分隔符）            # 返回一个被分隔符分开的多个字符串的列表
字符串.strip（）                 # 去除字符串前后空格后返回

# 集合（不可重复且无序）
集合名.add（元素）      # 添加一个元素
集合名.remove（元素）   # 移除指定元素并返回
集合名.pop（）          # 随机取出一个元素
集合名.clear（）        # 清空集合

# 字典（key→value）
字典[key]          # 获取key对应的value值
字典[key]=value    # 添加或更新字典
字典.pop（key）    # 删除此key及对应value并返回此value
字典.keys（）      # 获取字典的全部key，可用于for循环遍历字典

数据容器的通用的操作：

①遍历（例如for循环遍历），② max（），③min（），④list（）转换为列表，

⑤tuple（）转换为元组，⑥str（）转换为字符串，⑦set（）转换为集合，⑧sorted（）排序

type（被查看的数据）——查看数据的类型

强制转换：int（x），float（x），str（x）

计算：加（+），减（-），乘（*），除（/），整除（//），取余（%），求平方（**）

字符串格式化的两种方法：

①占位符：%s：字符串，%d：整型，%f：浮点型

②f“xxx{变量}xxx{变量}xxx”

（扩展：精度控制m.n ，m控制宽度，n控制小数点精度）    

数字序列：range

range（num） # 不包含num本身，从0开始

range（num1，num2） # 从num1到num2的数字序列，不包含num2本身

range（num1，num2，step)  # step为步长

循环：

if 条件：

（四个空格）。。。。。。。

else：

（四个空格）。。。。。。。

# 中间可加elif，类似else if  
# 四个空格为python的语法格式

while 循环的条件：

（四个空格）。。。。。。。

for  临时变量  in  待处理的数据集：

（四个空格）。。。。。。。

# python中for理论上无法进行无限循环

continue  # 跳过本次循环

break # 中断所在循环

函数：

def  函数名（传入参数）：

（四个空格）。。。。。。。

（四个空格）return  返回值

# global关键字可将函数内定义的变量声明为全局变量

序列的常用操作——切片：（从一个序列中取出一个子序列）

语法:序列名【起始下标：结束下标：步长】（步长为负则从后往前切片）

不定长参数：

①*args，以元组的形式接受参数

②**kwargs，以字典的形式接受参数

lambda匿名函数：

lambda 传入参数：函数体（一次性函数，只可执行一行代码）

文件的操作：

# 打开文件
open(file,mode,encoding)
# file为文件地址，mode有r（读），w(写)，a（追加），encoding为编码方式：UTF-8

# 读
read（num） # 指定长度读取，不指定读取全部
readline（） #读取一行
readlines（） #读取全部行，返回列表

# 写
write（内容）
flush（） # 刷新内容到硬盘

# 关闭
close（）
# 操作完文件一定记得关闭！！！

异常捕获：（异常具有传递性）

try：

    # 可能发生异常的语句

except[异常 as 别名]：

    # 出现异常的准备手段
[else：]
     
    # 未出现异常时执行的语句

[finally:]

    # 不管是否异常都会执行的代码

json数据：一种轻量式的数据交互格式（本质上是字符串）

（因形式上与python的字典和列表很像，故与python之间的交互很方便）

import json
json.dumps（data） # python数据转json
json.loads（data)  # json数据转python
# ensure_ascii=False 确保中文正常转换

列表的sort方法（排序）：

语法：列表.sort（key=选择排序依据的函数（可使用lambda函数），reverse=True/False）

（True表示降序，False表示升序）

面向对象（基于类创建对象）

通过百度网盘分享的文件：可视化案例数据.zip
链接：https://pan.baidu.com/s/1sS8kF0hQi91MkYCUI4xlTw?pwd=bsgn 
提取码：bsgn

原文地址：https://blog.csdn.net/m0_69153234/article/details/143622003

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！