作业描述：
一、下载所有作业文件并打开研究一下作业内容
图 1 找到下载好的文件对应的目录下（也称文件夹下面），进入之后长按鼠标左键 拖动鼠标选中刚刚下载好的所有文件之后右键 鼠标，点击**剪切(T)，**然后前往桌面新建一个文件夹用于存放作业文件
图 2 新建好的文件夹在桌面上，一开始是这种空文件夹的状态（文件夹起名最好全英文 ，这样可以避免电脑编码错误导致报错）担心有些同学不知道如何新建文件夹 ，这里说一下，鼠标左键 点击空白位置，右键鼠标之后出现如图所示选项，依次选中就可以新建了
图 3 双击进入刚刚创建好的名为tg 的文件夹（目录）下面，发现地址已经在这个文件夹下面了，然后鼠标右键 空白处，滑动鼠标到粘贴按钮，鼠标左键 点击粘贴按钮粘贴图1剪切好的多个文件，成功之后返回桌面可以发现效果如图4所示
图 4 装好文件的目录（也称文件夹）外观就像这样，这样就完成了初步准备工作，然后就可以点击进入各个可查看的文档了解作业内容了
图 5 在 图 3 所示的目录（也称文件夹 ）名为 tg 的目录（也称文件夹 ）下面双击打开名为 实验报告-实验三.docx 的文件，看到如图所示内容，接下来分析需求，首先他要求安装pycharm，并配置Python 解释器（配置python解释器的意思是说，python解释器和pycharm是两个东西，pycharm是一个集成开发工具，这个开发工具本身并不具备运行python代码的能力，底层仍然是依赖python解释器运行代码，所以要先安装好python解释器，然后把python解释器的安装位置告诉pycharm这样pycharm才能调用python解释器执行程序）所以下一步的工作是下载安装pycharm
二、下载安装PyCharm
Windows系统上的pycharm下载链接地址：
https://www.jetbrains.com.cn/en-us/pycharm/download/download-thanks.html?platform=windows
Macos系统上的pycharm下载链接地址：https://www.jetbrains.com.cn/en-us/pycharm/download/download-thanks.html?platform=macM1
图 6 复制 或者双击跳转访问 我提供的链接，自己是windows系统就复制Windows的链接，反之复制Macos系统的链接，在一个导航栏 （红色是导航栏 绿色是搜索栏 这两个不一样，要分清楚），在里面输入链接，然后点击回车键 （也就是确认键， 上面写的是enter，有进入，确认 等意思），然后浏览器就会访问页面，并自动下载pycahrm
图 7 如图所示，下载差不多持续 600秒 的时间，如果低于这个速度建议办个新的流量卡（哈哈，无情嘲笑）
图 8 本程序猿电脑一直都配置了pycharm，为了大家看得直观，我先卸载再重装 （虽然麻烦但是比较管用，哈哈）
图 9 下载好以后，找到下载位置双击鼠标左键打开运行这个安装文件
图 10 双击之后系统会提示你是否运行该文件对系统进行操作，点击是 ，因为刚刚页面无法截图，所以没有截图，遇到这个弹窗点击下一步这个按钮
图 11 这里选择默认的安装位置即可（不需要做任何操作 ），点击下一步按钮即可
图 12 按照如图所示勾选，最重要的是勾选红色方框 选中的这个按钮，然后点击下一步按钮
图 13 什么都不做，点击安装按钮
图 14 静静等待安装到安装完毕
图 15 勾选 运行pycharm，然后点击完成按钮
图 16 遇到这个弹窗点击允许访问按钮，通过防火墙请求，然后就属于完成了网络授权和初步安装
三、配置python解释器给pycharm编辑器
参考我的实验2这篇文章的**步骤二、三、四，**完成python解释器的安装部署
长沙理工《人工智能基础A》实验（上机）报告实验二 Python编程基础实践2
这里给大家简单解释一下，python解释器和pycharm编辑器（又称为pycharm集成开发工具 ）的区别，1. python解释器 是一个底层的python代码翻译工具，可以把你写好的python项目运行成可见的程序应用而pycharm 则是一款集成开发工具，它是方便程序员编写代码的一款编辑器软件，使用它可以方便的编写代码；2. 为什么要进行配置环节呢，因为电脑其实很蠢，只有我们告诉pycharm 我们的python解释器 部署安装在哪，它才能找到它并使用它，不然pycharm 就只是个花架子
图 17 遇到这个页面直接点击 skip import 跳过引入（导入）的意思，因为我的电脑原先安装了别的集成开发工具，所以它识别到以后想要直接借用原有的设置跳过手动设置这一环节，我这里选择跳过导入
图 18 点击这个 new project进入下一个界面
图 19 给大家介绍一下这三个方框代表的意思，从上到下依次是：1. 项目所在地址，这里待会要切换成我们刚刚创建的tg 目录（也称文件夹 ）的地址（也称路径 ）2. 编译解释类型，当前无需太多了解，选择这个Project venv ，它的意思是项目虚拟环境，venv是虚拟环境的缩写 3. python 版本的意思，是这里一般是你按照我在长沙理工《人工智能基础A》实验（上机）报告实验二 Python编程基础实践2
一文中，步骤二、三、四， 完成配置好之后会自动选择 的，如果没有完成配置就无法正确选择，所以一定要完成这篇文章的二三四步骤，（搞不定可以联系我，虽然不一定回复，哈哈）
图 20 找到本文步骤一创建好的tg 目录（也称文件夹 ），点击图中箭头所示的空白框区域，变成蓝色选中状态，手指同时按下键盘上的 ctrl 和x这两个按钮，发现成功剪切（这是剪切的快捷键）了这个路径地址
图 21 然后找到之前的pycharm页面，在地址栏里面同时按下ctrl 和v 键，这是粘贴的快捷键（这样就完成了粘贴路径到对应位置），然后点击右下角蓝色create创建的意思
图 22 这个时候出现弹窗，意思就是，目录非空 （因为这个目录【文件夹】下面存放了我们的文件，目录不为空，所以系统提示我们要怎么做，是创建项目还是打开这个项目），这里点击**创建项目，**因为pycharm的功能其实就是运行的时候在一个目录下面创建一个标记，拥有这个标记的目录会被pycharm识别为一个项目，现在这个项目并没有创建pycharm标记，所以点击创建按钮是可行的
图 23 进入这个页面，发现 框选的 .venv 这个目录颜色特殊，下方的**.py**后缀的文件也有python的蟒蛇标志，说明配置成功，系统已经正常的完成了pycharm和python的建交
四、运行老师布置的任务
图 24 鼠标左键双击这个Python_DataAnalysis.py文件，pycharm会自动打开它，展示在右边
图 25 点击这个播放按钮，这是运行程序的意思
图 26 控制台报错输出红色提示 No module named 'matplotlib'
图 27 点击左下角这个按钮，这个按钮的名字叫做终端 按钮（由一个箭头和下划线组成）
图 28 在图中所示区域，输入代码：pip install matplotlib ，然后点击回车（也就是enter 键）等待代码运行，这句代码意思是使用名为pip 的python工具在python官方库下载一个名为matplotlib的绘图工具包
图 29 发现果然在下载一大片东西，报错提示请输入运行python.exe -m pip install --upgrade pip
这个意思是说：当前的pip版本不是最新的，建议你更新到最新pip，我们直接复制这个命令输入到下面画红线的位置 ，粘贴 ，然后回车 ，这样的话就会继续升级pip工具
图 30 现在点击运行按钮，项目仍然报错 No module named 'pandas'，我们重复前一个步骤，前往终端窗口输入pip install pandas，并按下回车键等待下载安装pandas包（不得不说，pycharm设计的非常美观，安装过程的数据流让我觉得赏心悦目）
图 31 这个时候点击编译器的"播放"（运行）按钮，发现一点报错都没有，程序完美运行结束，但是没有任何展示画面，这是因为代码只是写好了，但是没有被调用,把下面这个代码复制，粘贴到代码最后面，然后点击运行
python
if __name__ == "__main__":
# 示例数据
x = ['产品A', '产品B', '产品C']
y = ['年龄1', '年龄2', '年龄3']
z = [100, 200, 150]
# 调用函数绘制3D条形图
plot_3d_bar(x, y, z)
# 示例数据框
df = pd.DataFrame({
'产品': ['T恤', 'T恤', '裤子', '裤子'],
'年龄群体': ['20-30', '30-40', '20-30', '30-40'],
'销售金额': [100, 200, 150, 250]
})
# 调用函数绘制2D销售图
plot_sales_2d(df, '产品', 'T恤', '年龄群体', '销售金额')
# 调用函数绘制雷达图
plot_radar(df, '产品', ['年龄群体'], '销售金额', ['20-30'])
图 32 我把代码粘贴在代码Python_DataAnalysis.py 文件的最后，点击运行 按钮，得到输出结果，出现了3d效果的画面，到这里进入尾声了
五、修改代码实现读取excel数据，并显示自己的名字学号
图 33 在终端区域输入pip install xlrd并按下回车运行，安装好xlrd库
python
import os
import matplotlib
# 优先启用交互式后端（Windows常见为TkAgg），失败则使用默认后端
try:
matplotlib.use('TkAgg')
except Exception:
pass
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from matplotlib import cm
# 设置中文字体，解决中文乱码问题
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False
def _normalize_col_name(s):
return str(s).strip().replace('\u3000', '').replace(' ', '')
def load_dataframe(file_path, preferred_sheet=None):
"""
读取Excel并尽量匹配到'产品类别'、'年龄群体'、'销售金额'三列。
如果preferred_sheet提供，则优先尝试该工作表；否则从所有工作表中选匹配最多的一张。
返回：标准化列名后的DataFrame；失败返回None。
"""
try:
sheets = pd.read_excel(file_path, sheet_name=None)
except Exception as e:
print(f'读取Excel失败：{e}')
return None
synonyms = {
'产品类别': ['产品类别', '商品类别', '类别', '品类', '产品类型', '产品种类'],
'年龄群体': ['年龄群体', '年龄段', '年龄组', '年龄', '年龄范围'],
'销售金额': ['销售金额', '销售额', '金额', '销售', '总金额', '订单金额']
}
normalized_synonyms = {k: {_normalize_col_name(v) for v in vs} for k, vs in synonyms.items()}
def try_match(df):
norm_map = {c: _normalize_col_name(c) for c in df.columns}
found = {}
for canon, candidates in normalized_synonyms.items():
for original, norm in norm_map.items():
if norm in candidates:
found[canon] = original
break
return found
chosen_df = None
chosen_sheet_name = None
best_found = {}
# 优先尝试preferred_sheet
if preferred_sheet and preferred_sheet in sheets:
df = sheets[preferred_sheet]
found = try_match(df)
best_found = found
if len(found) == 3:
chosen_df = df.rename(columns={found['产品类别']: '产品类别',
found['年龄群体']: '年龄群体',
found['销售金额']: '销售金额'})
chosen_sheet_name = preferred_sheet
print(f'使用工作表：{preferred_sheet}')
return chosen_df
# 遍历所有工作表，选择匹配最多的一张
for sname, df in sheets.items():
found = try_match(df)
if len(found) > len(best_found):
best_found = found
rename_map = {}
if '产品类别' in found:
rename_map[found['产品类别']] = '产品类别'
if '年龄群体' in found:
rename_map[found['年龄群体']] = '年龄群体'
if '销售金额' in found:
rename_map[found['销售金额']] = '销售金额'
chosen_df = df.rename(columns=rename_map)
chosen_sheet_name = sname
if len(found) == 3:
break
if chosen_df is None:
print('未找到可用的工作表。')
return None
missing = {k for k in ['产品类别', '年龄群体', '销售金额'] if k not in chosen_df.columns}
if missing:
print(f"工作表'{chosen_sheet_name}'缺少列：{', '.join(missing)}。实际列为：{list(chosen_df.columns)}")
return None
print(f'使用工作表：{chosen_sheet_name}')
return chosen_df
def _add_name(fig, name):
# 将名字置于图表上方
fig.suptitle(name, fontsize=14, y=0.98)
def plot_3d_bar(x, y, z, name, save_path=None):
"""
根据给定的数据绘制3D条形图，并在图表中添加名字。
参数:
x: x轴数据（产品类别）
y: y轴数据（年龄群体）
z: z轴数据（销售金额）
name: 要显示的名字
"""
# 先按"产品类别-年龄群体"汇总，减少绘制数量
df_raw = pd.DataFrame({'产品类别': x, '年龄群体': y, '销售金额': z})
grouped = df_raw.groupby(['产品类别', '年龄群体'], as_index=False)['销售金额'].sum()
# 唯一类别
x_unique = grouped['产品类别'].unique()
y_unique = grouped['年龄群体'].unique()
# 创建索引映射
x_index_map = {val: idx for idx, val in enumerate(x_unique)}
y_index_map = {val: idx for idx, val in enumerate(y_unique)}
x_indices = grouped['产品类别'].map(x_index_map).values
y_indices = grouped['年龄群体'].map(y_index_map).values
# 宽度与高度
dx = np.full_like(x_indices, 0.8, dtype=float)
dy = np.full_like(y_indices, 0.8, dtype=float)
dz = grouped['销售金额'].values
# 生成颜色映射
colors = cm.viridis(np.linspace(0, 1, len(y_unique))) # 使用viridis颜色映射
# 绘制3D条形图
fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, projection='3d')
# 为每个y轴类别指定一个颜色，并一次性绘制所有条形
bar_colors = colors[y_indices]
ax.bar3d(x_indices, y_indices, np.zeros_like(dz), dx, dy, dz, color=bar_colors, zsort='average')
ax.view_init(elev=20, azim=35)
# 设置x轴和y轴的标签
ax.set_xticks(np.arange(len(x_unique))) # 设置x轴位置
ax.set_xticklabels(x_unique) # 设置x轴标签为产品类别
ax.set_yticks(np.arange(len(y_unique))) # 设置y轴位置
ax.set_yticklabels(y_unique) # 设置y轴标签为年龄群体
# 设置z轴的标签
ax.set_zlabel('销售金额') # 设置z轴标签为销售金额
# 设置轴标题
ax.set_title('产品类别与年龄群体的销售情况')
# 在图表上方添加名字
_add_name(fig, name)
plt.tight_layout(rect=[0, 0, 1, 0.95])
if save_path:
fig.savefig(save_path, dpi=150, bbox_inches='tight')
plt.close(fig)
else:
plt.show()
def plot_sales_2d(df, product_column, product_name, age_column, sales_column, name, save_path=None):
"""
绘制条形折线复合图，并在图表中添加名字。
参数:
df: 数据框
product_column: 产品列名
product_name: 产品名称
age_column: 年龄群体列名
sales_column: 销售金额列名
name: 要显示的名字
"""
# 根据产品类别筛选数据
product_sales = df[df[product_column] == product_name]
if product_sales.empty:
print(f"没有找到产品 '{product_name}' 的数据，跳过2D图绘制。")
return
# 计算每个年龄群体的销售金额总和
sales_by_age = product_sales.groupby(age_column)[sales_column].sum().reset_index()
# 创建图形
fig, ax1 = plt.subplots(figsize=(8, 6))
# 绘制柱形图
ax1.bar(sales_by_age[age_column], sales_by_age[sales_column], color='g', alpha=0.6, label='{}-销售金额 (柱形图)'.format(product_name))
ax1.set_xlabel('年龄群体')
ax1.set_ylabel('销售金额总和 (柱形图)', color='g')
ax1.tick_params(axis='y', labelcolor='g')
# 创建第二个y轴
ax2 = ax1.twinx()
# 绘制折线图
ax2.plot(sales_by_age[age_column], sales_by_age[sales_column], marker='o', color='b', linestyle='-',
label='{}-销售金额 (折线图)'.format(product_name))
ax2.set_ylabel('销售金额总和 (折线图)', color='b')
ax2.tick_params(axis='y', labelcolor='b')
# 设置标题
ax1.set_title('{}-销售金额总和 by 年龄群体'.format(product_name))
# 在图表上方添加名字
_add_name(fig, name)
# 显示图例
ax1.legend(loc='upper left')
ax2.legend(loc='upper right')
# 保存或显示
plt.tight_layout(rect=[0, 0, 1, 0.95])
if save_path:
fig.savefig(save_path, dpi=150, bbox_inches='tight')
plt.close(fig)
else:
plt.show()
def plot_radar(df, product_column, group_columns, sales_column, target_group, name, save_path=None):
"""
绘制雷达图，并在图表中添加名字。
参数:
df: 数据框
product_column: 产品列名
group_columns: 分组列名
sales_column: 销售金额列名
target_group: 目标群体
name: 要显示的名字
"""
# 根据目标群体筛选数据（允许不筛选）
filters = []
if target_group:
filters = target_group if isinstance(target_group, (list, tuple)) else [target_group]
for group_column, target_value in zip(group_columns, filters):
df = df[df[group_column] == target_value]
if df.empty:
tg = filters if filters else ['(全部)']
print(f"没有找到符合条件的群体: {', '.join(map(str, tg))}")
return
# 计算每个产品类别的销售金额总和
sales_by_product = df.groupby(product_column)[sales_column].sum().reset_index()
# 提取产品类别和相应的销售金额
categories = sales_by_product[product_column].values
sales_totals = sales_by_product[sales_column].values
# 计算雷达图的角度
angles = np.linspace(0, 2 * np.pi, len(categories), endpoint=False).tolist()
# 雷达图的图形准备
fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))
# 数据填充
sales_totals = np.concatenate((sales_totals, [sales_totals[0]])) # 将第一个数据点重复，使得图形闭合
angles += angles[:1] # 让角度圆周闭合
# 绘制雷达图
ax.fill(angles, sales_totals, color='b', alpha=0.6, label='销售金额总和')
ax.plot(angles, sales_totals, color='b', linewidth=2)
# 设置雷达图的标签
ax.set_yticklabels([]) # 不显示y轴标签
ax.set_xticks(angles[:-1])
ax.set_xticklabels(categories, fontsize=12)
# 设置标题
ax.set_title(f'{", ".join(target_group)}群体的产品销售金额', fontsize=14)
# 在图表上方添加名字
_add_name(fig, name)
# 保存或显示
plt.tight_layout(rect=[0, 0, 1, 0.95])
if save_path:
fig.savefig(save_path, dpi=150, bbox_inches='tight')
plt.close(fig)
else:
plt.show()
if __name__ == "__main__":
# 读取 Excel 文件（自动匹配列与工作表）
file_path = "DATA.xls"
df = load_dataframe(file_path, preferred_sheet="Sheet2")
if df is None:
raise SystemExit(1)
# 示例数据
x = df['产品类别'].values
y = df['年龄群体'].values
z = df['销售金额'].values
# 你的名字（将显示在图表上方）
name = "张三"
# 直接本地显示图表（不通过预览网址）
plot_3d_bar(x, y, z, name)
plot_sales_2d(df, '产品类别', 'T恤', '年龄群体', '销售金额', name)
plot_radar(df, '产品类别', ['年龄群体'], '销售金额', ['20-24'], name)把这段代码复制之后用下图方式粘贴到pycahrm运行，得到结果
图 34 在pycharm中编辑Python_DataAnalysis.py 文件的页面，鼠标左键单击编辑器中任意位置 ，出现光标 之后，使用全选 快捷键（同时按下ctrl键和a字母键 ）然后按下粘贴 快捷键（同时按下ctrl键和v字母键 ），这样改好的代码就粘贴到了Python_DataAnalysis.py文件中，然后点击运行按钮
图 35 点击运行按钮，发现图标运行出来了，整个3d效果很不错，点击关闭按钮可以看到后面的图片
图 36 注意到图表名字是张三，还没有学号和头衔，下一步就是修改代码，改头衔和学号
图 38 进入pycharm中编辑Python_DataAnalysis.py 文件的页面，鼠标左键 单击，出现光标 之后，使用搜素 快捷键（同时按下ctrl键和f字母键 ），召唤出来图中框选的搜索栏（搜索栏输入器中可以快速检索想要查找的代码字段）
图 39 鼠标左键单击输入框，输入张三 ，pycharm自动检索到了张三 ，然后我们鼠标左键双击选中代码中的张三，并进行修改
图 40 修改之后要注意双引号是英文的，双引号里面的内容可以随便修改，这行代码 name = "法外狂徒：张三 学号：202500000000" 的意思就是说：把 "法外狂徒：张三 学号：202500000000" 这个值 使用赋值号（=号，在数学里是相等的意思，在代码里面这叫赋值符号 ）赋值给变量名为 name 的变量，传递这个变量打印在图表中就会在图表中显示对应的变量内容
修改之后点击运行，发现图表中的名字已然发生改变，张三 成功成为法外狂徒，并打上了坐牢编号 到这里，实验三的实验1部分内容已经完成
六、修改代码实现对图像进行缩放、旋转、模糊边缘等操作
代码已经编辑好，复制之后粘贴到编辑器运行可直接食用，哈哈
python
import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 设置中文字体，解决中文乱码问题
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False
def show_image(image_data, figsize, title, cmap=None, is_bgr=True, name_and_id=None):
"""
显示图像
:param image_data: 图像数据
:param figsize: 图像显示大小
:param title: 图像标题
:param cmap: 颜色映射（彩色图像通常不需要设置）
:param is_bgr: 传入的是OpenCV读取的BGR彩色图像，自动转换为RGB显示
:param name_and_id: 显示在标题上的名字和学号
"""
plt.figure(figsize=figsize)
if image_data is None:
raise ValueError('show_image 接收到空图像数据')
if image_data.ndim == 2:
plt.imshow(image_data, cmap=cmap or 'gray')
elif image_data.ndim == 3:
if is_bgr:
image_data = cv2.cvtColor(image_data, cv2.COLOR_BGR2RGB)
plt.imshow(image_data)
else:
raise ValueError('不支持的图像维度')
if name_and_id:
plt.title(f"{name_and_id} - {title}")
else:
plt.title(title)
plt.axis('off')
plt.show()
def _resolve_image_path(image_path):
"""
解析图像路径：若不存在则尝试使用同目录下的 test.jpg。
"""
if image_path and os.path.exists(image_path):
return image_path
fallback = os.path.join(os.path.dirname(__file__), 'test.jpg')
if os.path.exists(fallback):
print(f"未找到指定图片，改用默认: {fallback}")
return fallback
raise FileNotFoundError(f"找不到图像文件：{image_path}，且默认文件不存在: {fallback}")
def load_image(image_path, flags=cv2.IMREAD_COLOR):
"""
读取图像并进行空值校验；失败时抛出清晰错误。
"""
resolved = _resolve_image_path(image_path)
img = cv2.imread(resolved, flags)
if img is None:
raise FileNotFoundError(f"无法读取图像：{resolved}。请检查路径或文件完整性。")
return img
def detect_edges(image_path, image_data=None, frame_color=[0, 255, 0]):
"""
边缘检测
:param image_path: 图像路径
:param image_data: 可选，直接传入图像数据
:param frame_color: 边缘颜色，默认为绿色
:return: 带有边缘的图像
"""
if image_data is None:
image = load_image(image_path)
else:
image = image_data
# Canny边缘检测
edges = cv2.Canny(image, 100, 200)
# 在原图上绘制边缘
image_with_edges = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image_with_edges[edges != 0] = frame_color
return image_with_edges
def resize_image(image_path, width, height, name_and_id):
"""
图像缩放
:param image_path: 图像路径
:param width: 新宽度
:param height: 新高度
:param name_and_id: 显示在标题上的名字和学号
:return: 缩放后的图像
"""
image = load_image(image_path)
resized_image = cv2.resize(image, (width, height))
show_image(resized_image, (10, 5), 'Resized Image', is_bgr=True, name_and_id=name_and_id)
def rotate_image(image_path, degree, name_and_id):
"""
图像旋转
:param image_path: 图像路径
:param degree: 旋转角度
:param name_and_id: 显示在标题上的名字和学号
:return: 旋转后的图像
"""
image = load_image(image_path)
center = (image.shape[1] // 2, image.shape[0] // 2)
rotation_matrix = cv2.getRotationMatrix2D(center, degree, 1)
rotated_image = cv2.warpAffine(image, rotation_matrix, (image.shape[1], image.shape[0]))
show_image(rotated_image, (10, 5), 'Rotated Image', is_bgr=True, name_and_id=name_and_id)
def blur_image(image_path, filter_size, name_and_id):
"""
图像模糊
:param image_path: 图像路径
:param filter_size: 模糊过滤器大小
:param name_and_id: 显示在标题上的名字和学号
:return: 模糊后的图像
"""
image = load_image(image_path)
blurred_image = cv2.blur(image, (filter_size, filter_size))
gaussian_blurred_image = cv2.GaussianBlur(image, (filter_size, filter_size), 0)
plt.figure(figsize=(10, 5))
plt.subplot(1, 3, 1)
plt.title('Original Image')
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.subplot(1, 3, 2)
plt.title('Mean Blurred Image')
plt.imshow(cv2.cvtColor(blurred_image, cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.subplot(1, 3, 3)
plt.title('Gaussian Blurred Image')
plt.imshow(cv2.cvtColor(gaussian_blurred_image, cv2.COLOR_BGR2RGB))
plt.axis('off')
if name_and_id:
plt.suptitle(name_and_id)
plt.show()
def convert_color(image_path, name_and_id):
"""
图像色彩转换
:param image_path: 图像路径
:param name_and_id: 显示在标题上的名字和学号
:return: 转换后的图像
"""
image = load_image(image_path)
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
plt.figure(figsize=(10, 5))
plt.subplot(1, 3, 1)
plt.title('Original Image')
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.subplot(1, 3, 2)
plt.title('Gray Image')
plt.imshow(gray_image, cmap='gray')
plt.axis('off')
plt.subplot(1, 3, 3)
plt.title('HSV Image')
plt.imshow(hsv_image)
plt.axis('off')
if name_and_id:
plt.suptitle(name_and_id)
plt.show()
def equalize_image(image_path, name_and_id):
"""
图像均衡化
:param image_path: 图像路径
:param name_and_id: 显示在标题上的名字和学号
:return: 均衡化后的图像
"""
image = load_image(image_path, cv2.IMREAD_GRAYSCALE)
equalized_image = cv2.equalizeHist(image)
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.axis('off')
plt.subplot(1, 2, 2)
plt.title('Equalized Image')
plt.imshow(equalized_image, cmap='gray')
plt.axis('off')
if name_and_id:
plt.suptitle(name_and_id)
plt.show()
def binary_image(image_path, thresh, maxval=255, name_and_id=''):
"""
图像二值化
:param image_path: 图像路径
:param thresh: 阈值
:param maxval: 最大值，默认为255
:param name_and_id: 显示在标题上的名字和学号
:return: 二值化后的图像
"""
image = load_image(image_path, cv2.IMREAD_GRAYSCALE)
_, binary_image = cv2.threshold(image, thresh, maxval, cv2.THRESH_BINARY)
plt.imshow(binary_image, cmap='gray')
if name_and_id:
plt.title(f'{name_and_id} - Binary Image')
else:
plt.title('Binary Image')
plt.axis('off')
plt.show()
if __name__ == '__main__':
# 示例使用：默认读取同目录的 test.jpg（已提供）。
image_path = 'test.jpg'
name_and_id = "张三 - 20230001" # 替换为您的名字和学号
resize_image(image_path, 300, 200, name_and_id) # 缩放图像
rotate_image(image_path, 45, name_and_id) # 旋转图像
blur_image(image_path, 5, name_and_id) # 模糊图像
convert_color(image_path, name_and_id) # 色彩转换
equalize_image(image_path, name_and_id) # 图像均衡化
binary_image(image_path, 127, name_and_id=name_and_id) # 图像二值化
edges_img = detect_edges(image_path)
show_image(edges_img, (10, 5), 'Edges', is_bgr=False, name_and_id=name_and_id)
图 41 双击左侧项目目录（也称文件夹 ）下面的Python_ImageProcess.py 代码文件，进入编辑器页面，鼠标左键单击编辑器中任意位置 ，出现光标 之后，使用全选 快捷键（同时按下ctrl键和a字母键 ）然后按下粘贴 快捷键（同时按下ctrl键和v字母键 ），这样改好的代码就粘贴到了Python_ImageProcess.py文件中
图 41 双击左侧项目目录（也称文件夹 ）下面的Python_ImageProcess.py 代码文件，进入编辑器页面，鼠标左键单击编辑器中任意位置 ，出现光标 之后，鼠标右键悬浮窗中有 Run 'Python_ImageProcess' 的字样（这是运行Python_ImageProcess文件的意思 ），单击这个字样按钮，控制台输出如图红色错误，这是因为我们的python解释器发现缺乏代码中需要使用到的cv2包（也称库 ），这种情况就需要安装对应的包和库了
图 42 点击终端按钮进入终端，在命令行输入安装opencv库（也称包）的代码，这里代码有点长我直接给出代码块(示例教程图42 里面的代码和下面有一点区别，下面代码块里面是清华的镜像源，因为外网的地址下载会出错，所以使用国内允许的这个镜像源地址)
python
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple复制之后用粘贴 快捷键（同时按下ctrl 键和v 字母键）粘贴到终端命令行窗口即可，然后点击enter键，安装代码开始自动运行
图 43 看到这个提示说明已经安装opencv库（也称包）成功了，然后点击运行按钮
图 44 运行效果非常炸裂，但是还要给图片加上自己的名字
图 45 同样的替换名字学号的步骤，双击Python_ImageProcess.py 文件进入pycharm的代码编辑器页面，然后使用搜索 快捷键（同时按下ctrl 键和f字母 键），在搜索栏输入张三，找到指定变量，修改名字和内容，然后点击运行按钮即可
有疑问欢迎评论留言，还是要多练习，祝各位道友加油！学弟学妹加油！哈哈