openCV入門學(xué)習(xí)基礎(chǔ)教程第三篇
前文復(fù)習(xí)：
一、Canny邊緣檢測(cè)
該邊緣檢測(cè)法步驟如下：
- 使用高斯濾波器，以平滑圖像，濾除噪聲。
- 計(jì)算圖像中每個(gè)像素點(diǎn)的梯度強(qiáng)度和方向。
- 應(yīng)用非極大值（Non-Maximum Suppression）抑制，以消除邊緣檢測(cè)帶來(lái)的雜散響應(yīng)。
- 應(yīng)用雙閾值（Double-Threshold）檢測(cè)來(lái)確定真實(shí)的和潛在的邊緣。
- 通過抑制孤立的弱邊緣最終完成邊緣檢測(cè)。
高斯濾波
我們要進(jìn)行邊緣檢測(cè)過程中肯定要進(jìn)行梯度計(jì)算，計(jì)算梯度時(shí)那些噪音點(diǎn)也會(huì)影響梯度的變化，因此進(jìn)行去噪。
梯度和方向
使用sobel算子，進(jìn)行梯度大小和方向的計(jì)算。
非極大值抑制 NMS
算完梯度后，有些可能大點(diǎn)，有些可能小點(diǎn)，在一個(gè)核中，把一些小的梯度值抑制掉，只保留大的，即明顯的。
如人臉識(shí)別，能夠把臉框起來(lái)(有多個(gè)框框到臉了，只保留最好的。)
法1：
藍(lán)線表示方向，dTmp1和dTmp2都是亞像素點(diǎn)，g1g2g3g4都是知道的，可求dTmp1和dTmp2。 在c比dTmp1和dTmp2都大的情況下，保留c，否則就被抑制掉了。
法2：
比如我們選擇傾斜45°，就過了g1和g4了(上上圖)，就不用插值了。當(dāng)前方向離哪個(gè)角度近就用選擇哪個(gè)。
右圖中如果A比BC都大，那么A就保存下來(lái)了。
雙閾值
對(duì)一些所有可能邊界進(jìn)行過濾，只保留最真實(shí)的。
A點(diǎn)大于maxVal 就是邊界 如果有小于minVale的，那就省略掉。
他倆之間的B C分別進(jìn)行討論，如果c和邊界是連著的，就保留。B沒連著，舍棄。
v1=cv2.Canny(img,80,150)
80 150為下上閾值，一定范圍內(nèi)，下閾值越小，上閾值越小越容易被當(dāng)作邊緣。
img=cv2.imread("./data/gd06.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show('res',res)
img=cv2.imread("./data/gd05.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show('res',res)
二、 圖像輪廓
上面說(shuō)的是邊緣，隨便一個(gè)線段也能被檢測(cè)成邊緣。而輪廓是一個(gè)整體，正常是封閉的連在一起的。
2.1 輪廓收集
cv2.findContours(img,mode,method)
- RETR_EXTERNAL ：只檢索最外面的輪廓；
- RETR_LIST：檢索所有的輪廓，并將其保存到一條鏈表當(dāng)中；
- RETR_CCOMP：檢索所有的輪廓，并將他們組織為兩層：頂層是各部分的外部邊界，第二層是空洞的邊界;
- RETR_TREE：檢索所有的輪廓，并重構(gòu)嵌套輪廓的整個(gè)層次;(常用，推薦)
method:輪廓逼近方法
- CHAIN_APPROX_NONE：以Freeman鏈碼的方式輸出輪廓，所有其他方法輸出多邊形（頂點(diǎn)的序列）。
- CHAIN_APPROX_SIMPLE:壓縮水平的、垂直的和斜的部分，也就是，函數(shù)只保留他們的終點(diǎn)部分。
上圖就是兩種method，一個(gè)是整個(gè)框，一個(gè)是點(diǎn)，都能起到定位作用。
為了更高的準(zhǔn)確率，我們選擇使用二值圖像：
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 127為分割閾值，超過的部分取255
cv_show('thresh',thresh)這里用到了cv2.threshold 是上一篇文章學(xué)的。
# contours輪廓信息 hierarchy層級(jí) contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
其返回值有兩個(gè)：
- 輪廓的信息：比如上面5個(gè)圖案，10個(gè)邊緣(內(nèi)邊緣外邊緣)，這10個(gè)邊緣信息保存在了contours元組里。
- 層級(jí)：hierarchy 暫時(shí)用不上，用到了再說(shuō)。
2.2 輪廓繪制
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
參數(shù)為：圖像，輪廓，輪廓索引(-1默認(rèn)所有)，顏色模式(BGR)，線條厚度(不宜太大)
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 127為分割閾值，超過的部分取255
# contours輪廓信息 hierarchy層級(jí)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
#傳入 圖像，輪廓，輪廓索引(-1默認(rèn)所有)，顏色模式(BGR)，線條厚度(不宜太大)
# 注意需要copy,不然原圖會(huì)變。。。
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show('res',res)
仔細(xì)看它把10個(gè)(內(nèi)外)輪廓都畫出來(lái)了，這與我們傳入的參數(shù) -1 有關(guān)。
當(dāng)然我們也可以選擇其中某個(gè)：
draw_img = img.copy()
# 三角的外輪廓
res = cv2.drawContours(draw_img, contours, 0, (0, 0, 255), 2)
cv_show('res',res)draw_img = img.copy()
# 三角的內(nèi)輪廓
res = cv2.drawContours(draw_img, contours, 1, (0, 0, 255), 2)
cv_show('res',res)draw_img = img.copy()
# 六邊形外輪廓
res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)
cv_show('res',res)2.3 輪廓特征
這里就介紹個(gè)周長(zhǎng)和面積吧，后面用到別的再說(shuō)。
cnt = contours[0] # 第0個(gè)輪廓 三角的外輪廓 #周長(zhǎng)，True表示輪廓是閉合的 cv2.arcLength(cnt,True) # 8500.5 #面積 cv2.contourArea(cnt) # 437.9482651948929
2.4 輪廓近似
什么是輪廓近似呢，比如下圖左側(cè)圖案很麻煩，我們可以把它近似看成右邊的，就是輪廓近似。
這個(gè)的原理其實(shí)也很簡(jiǎn)單，我發(fā)揮我的繪畫功能給你們展示一下：
把曲線AB近似成直線AB，至于要d<T(閾值)即可。
我們近似一下下圖：
邊緣繪制：
img = cv2.imread('contours2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show('res',res)
epsilon = 0.02*cv2.arcLength(cnt,True) # 周長(zhǎng)百分比 0.02
# 參數(shù)：輪廓 閾值，一般用周長(zhǎng)百分比
# 返回：輪廓
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show('res',res)approx = cv2.approxPolyDP(cnt,epsilon,True)
- 參數(shù)：輪廓 閾值，一般用周長(zhǎng)百分比
- 返回：輪廓
把閾值變大一點(diǎn)：
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show('res',res)
2.5 外接圖形
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# binary,
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
# 外接矩形 得到x,y,w,h就能把矩形畫出來(lái)了
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show('img',img)x,y,w,h = cv2.boundingRect(cnt)
三、圖像金字塔
3.1 高斯金字塔
高斯金字塔:向下采樣(縮小)
上面金字塔最底層44 往上一層變成22 長(zhǎng)寬變?yōu)樵瓉?lái)一半面積變?yōu)樵瓉?lái)1/4，去除所有偶數(shù)行和列就是為了這一操作。
高斯金字塔:向上采樣(擴(kuò)大)
用0填充后，用卷積核把那幾個(gè)值分布在0上，獲得近似值。
img=cv2.imread("./data/gd01.jpg")
cv_show('img',img)
up=cv2.pyrUp(img)
cv_show('up',up)
up2=cv2.pyrUp(up)
cv_show('up2',up2)
down=cv2.pyrDown(img)
cv_show('down',down)上面其實(shí)就是圖片的放大與縮小。
下面要注意，縮小放大后的圖片會(huì)變得模糊，畢竟之前我們是用0填充，卷積核計(jì)算獲得的近似值。
# 先擴(kuò)大后縮小后，由于當(dāng)時(shí)是用0填充的，會(huì)損失信息。
up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
# 顯然變得模糊了
cv_show('up_down',np.hstack((img,up_down)))
明顯右邊模糊了，我們把兩張圖片做個(gè)差值：
# 做差就能看出區(qū)別
up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
cv_show('img-up_down',img-up_down)
這就是不同的部分。
3.2 拉普拉斯金字塔
和上面最后縮小放大后的圖片一樣，拉普拉斯這個(gè)每一層都是 原始-縮小(放大了的圖片) 第二層用第一層的結(jié)果去減了。
down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show('l_1',l_1)
四、直方圖
4.1 像素直方圖繪制
左側(cè)灰度圖像素點(diǎn) 右側(cè)像素點(diǎn)直方圖
cv2.calcHist(images,channels,mask,histSize,ranges)
- images: 原圖像圖像格式為 uint8 或 ?oat32。當(dāng)傳入函數(shù)時(shí)應(yīng) 用中括號(hào) [] 括來(lái)例如[img]
- channels: 同樣用中括號(hào)括來(lái)它會(huì)告函數(shù)我們統(tǒng)幅圖像的直方圖。如果入圖像是灰度圖它的值就是 [0]如果是彩+ 色圖像 的傳入的參數(shù)可以是 [0][1][2] 它們分別對(duì)應(yīng)著 BGR。
- mask: 掩模圖像。統(tǒng)計(jì)整幅圖像的直方圖就mask = None。但是如果你想統(tǒng)計(jì)圖像某一分的直方圖的你就制作一個(gè)掩模圖像并使用它。
- histSize:BIN 的數(shù)目。也應(yīng)用中括號(hào)括來(lái)如0-10是一個(gè)柱子 11-20是一個(gè)柱
- ranges: 像素值范圍常為 [0256]
img = cv2.imread('./data/gd01.jpg',0) #0表示灰度圖
hist = cv2.calcHist([img],[0],None,[256],[0,256])
plt.hist(img.ravel(),256);
plt.show()
img = cv2.imread('./data/gd01.jpg')
color = ('b','g','r')
for i,col in enumerate(color):
histr = cv2.calcHist([img],[i],None,[256],[0,256])
plt.plot(histr,color = col)
plt.xlim([0,256]) 
mask操作
我們?nèi)∫恍K區(qū)域，然后獲得圖片中這一塊區(qū)域的圖像
# 創(chuàng)建mast
mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape)
mask[100:300, 100:400] = 255
cv_show('mask',mask)
masked_img = cv2.bitwise_and(img, img, mask=mask)#與操作
cv_show('masked_img',masked_img)
hist_full = cv2.calcHist([img], [0], None, [256], [0, 256]) hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256]) plt.subplot(221), plt.imshow(img, 'gray') plt.subplot(222), plt.imshow(mask, 'gray') plt.subplot(223), plt.imshow(masked_img, 'gray') plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask) plt.xlim([0, 256]) plt.show()
4.2 直方圖均衡化
如上圖，像素點(diǎn)都集中在一個(gè)地方，我們?cè)诓黄茐钠涮卣鞯那疤嵯伦尭呤莸姆植甲兊冒忠稽c(diǎn)，亮度什么的也就都會(huì)發(fā)生些變化。
注：這里的映射是 累積概率*取值范圍(255-0）
img = cv2.imread('./data/gd01.jpg',0) #0表示灰度圖 #clahe
plt.hist(img.ravel(),256);
plt.show()
equ = cv2.equalizeHist(img) plt.hist(equ.ravel(),256) plt.show()
res = np.hstack((img,equ))
cv_show('res',res)
圖片比之前亮一些了。
4.3 自適應(yīng)直方圖均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show('res',res)
五、傅里葉變換
我們生活在時(shí)間的世界中，早上7:00起來(lái)吃早飯，8:00去擠地鐵，9:00開始上班...
以時(shí)間為參照就是時(shí)域分析，但是在頻域中一切都是靜止的！
傅里葉變換的作用
- 高頻：變化劇烈的灰度分量，例如邊界
- 低頻：變化緩慢的灰度分量，例如一片大海
濾波
- 低通濾波器：只保留低頻，會(huì)使得圖像模糊
- 高通濾波器：只保留高頻，會(huì)使得圖像細(xì)節(jié)增強(qiáng)
opencv中主要就是cv2.dft()和cv2.idft()，輸入圖像需要先轉(zhuǎn)換成np.float32 格式
得到的結(jié)果中頻率為0的部分會(huì)在左上角，通常要轉(zhuǎn)換到中心位置，通過shift變換。
cv2.dft()返回的結(jié)果是雙通的(實(shí)部，虛部)，通常還需要轉(zhuǎn)換成圖像格式才能展示(0，255)。
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('./data/gd06.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
img = cv2.imread('./data/gd06.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 低通濾波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show() 
img = cv2.imread('./data/gd06.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 高通濾波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show() 
六、模板匹配
模板匹配和卷積原理很像，模板在原圖像上從原點(diǎn)開始滑動(dòng)，計(jì)算模板與（圖像被模板覆蓋的地方）的差別程度，這個(gè)差別程度的計(jì)算方法在opencv里有6種，然后將每次計(jì)算的結(jié)果放入一個(gè)矩陣?yán)?，作為結(jié)果輸出。
假如原圖形是AxB大小，而模板是axb大小，則輸出結(jié)果的矩陣是(A-a+1)x(B-b+1)
img = cv2.imread('./data/gd04.jpg', 0)
template = cv2.imread('./data/gd_face.jpg', 0)
h, w = template.shape[:2] 
它們的關(guān)系就是(A-a+1)x(B-b+1)
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
- TM_SQDIFF：計(jì)算平方不同，計(jì)算出來(lái)的值越小，越相關(guān)
- TM_CCORR：計(jì)算相關(guān)性，計(jì)算出來(lái)的值越大，越相關(guān)
- TM_CCOEFF：計(jì)算相關(guān)系數(shù)，計(jì)算出來(lái)的值越大，越相關(guān)
- TM_SQDIFF_NORMED：計(jì)算歸一化平方不同，計(jì)算出來(lái)的值越接近0，越相關(guān)
- TM_CCORR_NORMED：計(jì)算歸一化相關(guān)性，計(jì)算出來(lái)的值越接近1，越相關(guān)
- TM_CCOEFF_NORMED：計(jì)算歸一化相關(guān)系數(shù)，計(jì)算出來(lái)的值越接近1，越相關(guān)
methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
# res.shape 為(139, 458)
# 最小值最大值及其坐標(biāo)位置 因?yàn)橛玫腸v2.TM_SQDIFF 所以越小越好
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) 
比如我要用到的圖像和臉：
for meth in methods:
img2 = img.copy()
# 匹配方法的真值
method = eval(meth)
print (method)
res = cv2.matchTemplate(img, template, method)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 如果是平方差匹配TM_SQDIFF或歸一化平方差匹配TM_SQDIFF_NORMED，取最小值
if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
top_left = min_loc
else:
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
# 畫矩形
cv2.rectangle(img2, top_left, bottom_right, 255, 2)
plt.subplot(121), plt.imshow(res, cmap='gray')
plt.xticks([]), plt.yticks([]) # 隱藏坐標(biāo)軸
plt.subplot(122), plt.imshow(img2, cmap='gray')
plt.xticks([]), plt.yticks([])
plt.suptitle(meth)
plt.show()
匹配多個(gè)對(duì)象
能匹配一個(gè)當(dāng)然也能匹配多個(gè)：
img_rgb = cv2.imread('./data/mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('./data/mario_coin.jpg', 0)
h, w = template.shape[:2]
res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐標(biāo)
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]): # *號(hào)表示可選參數(shù)
bottom_right = (pt[0] + w, pt[1] + h)
cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)
cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)
匹配金幣：
總結(jié)
到此這篇關(guān)于openCV入門學(xué)習(xí)基礎(chǔ)教程的文章就介紹到這了,更多相關(guān)openCV第三篇內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
python實(shí)現(xiàn)將多個(gè)文件分配到多個(gè)文件夾的方法
今天小編就為大家分享一篇python實(shí)現(xiàn)將多個(gè)文件分配到多個(gè)文件夾的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2019-01-01
YUV轉(zhuǎn)為jpg圖像的實(shí)現(xiàn)
今天小編就為大家分享一篇YUV轉(zhuǎn)為jpg圖像的實(shí)現(xiàn)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2019-12-12
基于Python編寫一個(gè)監(jiān)控CPU的應(yīng)用系統(tǒng)
在使用電腦辦公時(shí)，有時(shí)候不知道哪些軟件或進(jìn)程會(huì)占用大量的資源，導(dǎo)致進(jìn)行其他任務(wù)時(shí)出現(xiàn)變慢、卡頓等現(xiàn)象。因此，實(shí)時(shí)監(jiān)控系統(tǒng)的資源就變得非常重要。本文用Python編寫了一款超治愈的RunCat監(jiān)控應(yīng)用系統(tǒng)，需要的可以參考一下2022-06-06
這篇文章主要為大家詳細(xì)介紹了python中字典和列表相互嵌套的問題，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-11-11
python爬取拉勾網(wǎng)職位數(shù)據(jù)的方法
這篇文章主要介紹了python爬取拉勾網(wǎng)職位數(shù)據(jù)的實(shí)現(xiàn)方法，非常不錯(cuò)，具有參考借鑒價(jià)值,需要的朋友可以參考下2018-01-01
Python?for循環(huán)詳細(xì)講解(附代碼實(shí)例)
這篇文章主要給大家介紹了關(guān)于Python?for循環(huán)詳細(xì)講解的相關(guān)資料,在Python中,for循環(huán)是一種常用的控制結(jié)構(gòu),用于遍歷序列(如列表、元組、字符串等)中的元素,需要的朋友可以參考下2024-03-03
今天小編就為大家分享一篇使用python3+xlrd解析Excel的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2018-05-05
python入門學(xué)習(xí)之自帶help功能初步使用示例
這篇文章主要為大家介紹了python入門學(xué)習(xí)自帶help功能初步使用示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2023-03-03
python實(shí)現(xiàn)一次性封裝多條sql語(yǔ)句(begin end)
這篇文章主要介紹了python實(shí)現(xiàn)一次性封裝多條sql語(yǔ)句(begin end)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2020-06-06
Django1.7+python 2.78+pycharm配置mysql數(shù)據(jù)庫(kù)教程
原本感覺在Django1.7+python 2.78+pycharm環(huán)境下配置mysql數(shù)據(jù)庫(kù)是件很容易的事情，結(jié)果具體操作的時(shí)候才發(fā)現(xiàn)，問題還是挺多的，這里記錄一下最終的配置結(jié)果，給需要的小伙伴參考下吧2014-11-11