【python视图1】networkx操作Graph图

news2024/11/25 12:25:50

一、说明

        数据可视化需要显示种种数据,matplotlib负责曲线类画图,然而类似于图论的操作用什么方法。这里用networkx程序包完成。本文专门介绍这种程序包的用法。

二、生成图(Creating a graph)

2.1 创建一个没有节点和边的空图。

import networkx as nx
G = nx.Graph()

注释

        根据定义,图是节点(顶点)以及已识别的节点对(称为边、链接等)的集合。在 NetworkX 中,节点可以是任何可哈希对象,例如文本字符串、图像、XML 对象、另一个图形、自定义节点对象等。

        Python 的 None 对象不应用作节点,因为它确定是否已在许多函数中分配可选函数参数。

2.2 在空图追加节点

        图 G 可以通过多种方式增长。 NetworkX 包括许多图形生成器函数和设施,用于以多种格式读取和写入图形。开始之前,我们先看看简单的操作。

  •  您可以一次添加一个节点,
 G.add_node(1)

示例1: 追加节点 

import networkx as nx
import matplotlib.pyplot as plt
G = nx.Graph()
G.add_node(1)
G.add_node(2)
G.add_node(3)
nx.draw(G, node_color='green')
plt.show()

  • 添加节点列表
G.add_nodes_from([2, 3])

 示例2: 追加节点 

# import required module
import networkx as nx
import matplotlib.pyplot as plt

G = nx.Graph()
G.add_nodes_from([0,1,2, 3,4])
nx.draw(G, node_color='green')
plt.show()

  • 或添加任何 nbunch 节点。 nbunch 是节点的任何可迭代容器,它本身不是图中的节点。 (例如列表、集合、图形、文件等。)
H = nx.path_graph(10)
G.add_nodes_from(H)

示例3:

# import required module
import networkx as nx
import matplotlib.pyplot as plt

G = nx.Graph()
# G.add_nodes_from([0,1,2, 3,4])
H = nx.path_graph(10)
G.add_nodes_from(H)
nx.draw(G, node_color='green')
plt.show()

        请注意,G 现在包含 H 的节点作为 G 的节点。相比之下,您可以使用图 H 作为 G 中的节点。

>>> G.add_node(H)

        图 G 现在包含 H 作为节点。这种灵活性非常强大,因为它允许图形的图形、文件的图形、函数的图形等等。值得考虑如何构建应用程序以使节点成为有用的实体。当然,您始终可以在 G 中使用唯一标识符,并且如果您愿意,可以使用一个单独的字典将标识符键入节点信息。

2.3 追加边(Edges)

  • G 也可以通过一次添加一条边来增长,
>>> G.add_edge(1, 2)
>>> e = (2, 3)
>>> G.add_edge(*e)  # unpack edge tuple*

通过添加边列表。

G.add_edges_from([(1, 2), (1, 3)])
示例:

# import required module
import networkx as nx
import matplotlib.pyplot as plt

G = nx.Graph()
# G.add_nodes_from([0,1,2, 3,4])
H = nx.path_graph(10)
G.add_nodes_from(H)
G.add_edges_from([(1, 2), (1, 3)])
nx.draw(G, node_color='green')
plt.show()

        或通过添加任何 ebunch 边。 ebunch 是边元组的任何可迭代容器。边元组可以是节点的 2 元组或具有 2 个节点的 3 元组,后跟边属性字典,例如,(2, 3, {'weight': 3.1415})。边缘属性将在下面进一步讨论

>>> G.add_edges_from(H.edges())

 2.4 删除节点

        人们可以用类似的方式拆除图表;使用 Graph.remove_node()、Graph.remove_nodes_from()、Graph.remove_edge() 和 Graph.remove_edges_from(),例如

G.remove_node(H)

        添加现有节点或边缘时没有任何抱怨。例如,删除所有节点和边后

>>> G.clear()

        我们添加新的节点/边,NetworkX 悄悄地忽略任何已经存在的。

>>> G.add_edges_from([(1, 2), (1, 3)])
>>> G.add_node(1)
>>> G.add_edge(1, 2)
>>> G.add_node("spam")        # adds node "spam"
>>> G.add_nodes_from("spam")  # adds 4 nodes: 's', 'p', 'a', 'm'
 

2.5 查询

        在此阶段,图 G 由 8 个节点和 2 条边组成,如下所示:

>>> G.number_of_nodes()
8
>>> G.number_of_edges()
2

        我们可以检查节点和边。这些方法返回节点、边、邻居等的迭代器。这通常可以提高内存效率,但这确实意味着我们需要指定将对象放入的容器类型。这里我们使用列表、集合、字典、元组和其他容器在其他情况下可能更好。

>>> list(G.nodes())
['a', 1, 2, 3, 'spam', 'm', 'p', 's']
>>> list(G.edges())
[(1, 2), (1, 3)]
>>> list(G.neighbors(1))
[2, 3]

        删除节点或边的语法与添加类似:

>>> G.remove_nodes_from("spam")
>>> list(G.nodes())
[1, 2, 3, 'spam']
>>> G.remove_edge(1, 3)

        通过实例化其中一个图形类来创建图形结构时,您可以指定多种格式的数据。

>>> H=nx.DiGraph(G)   # create a DiGraph using the connections from G
>>> list(H.edges())
[(1, 2), (2, 1)]
>>> edgelist=[(0, 1), (1, 2), (2, 3)]
>>> H=nx.Graph(edgelist)
 

三、使用图内节点和边(nodes and edges)

        您可能会注意到节点和边未指定为 NetworkX 对象。这使您可以自由地使用有意义的项目作为节点和边缘。最常见的选择是数字或字符串,但节点可以是任何可哈希对象(None 除外),并且边可以使用 G.add_edge(n1, n2, object=x) 与任何对象 x 相关联。

        例如,n1 和 n2 可能是来自 RCSB 蛋白质数据库的蛋白质对象,x 可能指的是一份 XML 出版物记录,详细描述了它们相互作用的实验观察结果。

        我们发现这种能力非常有用,但除非熟悉 Python,否则滥用它可能会导致意想不到的意外。如有疑问,请考虑使用 convert_node_labels_to_integers() 来获得更传统的带有整数标签的图。

3.1 访问边(edges)

        除了 Graph.nodes()、Graph.edges() 和 Graph.neighbors() 方法之外,还可以使用下标表示法快速直接访问图形数据结构。

        警告:不要更改返回的字典——它是图形数据结构的一部分,直接操作可能会使图形处于不一致的状态。

>>> G[1]  # Warning: do not change the resulting dict
{2: {}}
>>> G[1][2]
{}

        如果边已经存在,您可以使用下标符号安全地设置边的属性。

>>> G.add_edge(1, 3)
>>> G[1][3]['color'] = "blue"

        使用邻接迭代器可以快速检查所有边。请注意,对于无向图,这实际上会查看每条边两次。

>>> FG = nx.Graph()
>>> FG.add_weighted_edges_from([(1, 2, 0.125), (1, 3, 0.75), (2, 4, 1.2), (3, 4, 0.375)])
>>> for n, nbrs in FG.adjacency():
...    for nbr, eattr in nbrs.items():
...        data = eattr['weight']
...        if data < 0.5: print('(%d, %d, %.3f)' % (n, nbr, data))
(1, 2, 0.125)
(2, 1, 0.125)
(3, 4, 0.375)
(4, 3, 0.375)

        使用 edges 方法可以方便地访问所有边。

>>> for (u, v, d) in FG.edges(data='weight'):
...     if d < 0.5: print('(%d, %d, %.3f)' % (u, v, d))
(1, 2, 0.125)
(3, 4, 0.375)

3.2 给图节点边 graphs, nodes, and edges加属性

        权重、标签、颜色或您喜欢的任何 Python 对象等属性都可以附加到图形、节点或边上。

        每个图、节点和边都可以在关联的属性字典中保存键/值属性对(键必须是可散列的)。默认情况下,这些是空的,但可以使用 add_edge、add_node 或直接操作名为 G.graph、G.node 和 G.edge 的属性字典来添加或更改图 G 的属性。

3.2.1 给图加属性(Graph attributes)

        创建新图时分配图属性

>>> G = nx.Graph(day="Friday")
>>> G.graph
{'day': 'Friday'}

        或者您可以稍后修改属性

>>> G.graph['day'] = "Monday"
>>> G.graph
{'day': 'Monday'}

3.2.2 节点属性(Node attributes)

        使用 add_node()、add_nodes_from() 或 G.node 添加节点属性

>>> G.add_node(1, time='5pm')
>>> G.add_nodes_from([3], time='2pm')
>>> G.node[1]
{'time': '5pm'}
>>> G.node[1]['room'] = 714
>>> list(G.nodes(data=True))
[(1, {'room': 714, 'time': '5pm'}), (3, {'time': '2pm'})]

        请注意,将节点添加到 G.node 不会将其添加到图中,请使用 G.add_node() 添加新节点。

3.2.3 节点属性Edge Attributes

        使用 add_edge()、add_edges_from()、下标符号或 G.edge 添加边缘属性。

>>> G.add_edge(1, 2, weight=4.7 )
>>> G.add_edges_from([(3, 4), (4, 5)], color='red')
>>> G.add_edges_from([(1, 2, {'color': 'blue'}), (2, 3, {'weight': 8})])
>>> G[1][2]['weight'] = 4.7
>>> G.edge[1][2]['weight'] = 4

        特殊属性 weight 应该是数字,并保存需要加权边的算法使用的值。

        警告: 不要为 G.edge[u] 或 G.edge[u][v] 分配任何东西,因为它会破坏图形数据结构。如上所示更改边缘字典。

四、多种有向图

4.1 有向图Directed graphs

        无向图和有向图唯一区别是:在生成图的时候可以选择Graph和DiGraph。

        DiGraph 类提供了特定于有向边的其他方法,例如,

  • DiGraph.out_edges() 
  • DiGraph.in_degree() 
  • DiGraph.predecessors() 
  • DiGraph.successors()  

        为了让算法轻松地与这两个类一起工作,有向neighbors() 和 degree() 的版本分别等同于 successors() 以及 in_degree() 和 out_degree() 的总和,尽管有时感觉不一致。

>>> DG = nx.DiGraph()
>>> DG.add_weighted_edges_from([(1, 2, 0.5), (3, 1, 0.75)])
>>> DG.out_degree(1, weight='weight')
0.5
>>> DG.degree(1, weight='weight')
1.25
>>> DG.successors(1)
[2]
>>> DG.neighbors(1)
[2]

        一些算法仅适用于有向图,而其他算法则没有为有向图很好地定义。事实上,将有向图和无向图混为一谈的趋势是危险的。如果您想将有向图视为无向图以进行某些测量,您应该使用 Graph.to_undirected() 或

H = nx.Graph(G)    # convert G to undirected graph

4.2 多向图(Multigraphs)

        允许有向图有双向边,就是多向图。

        NetworkX 为图提供类,允许任意一对节点之间存在多条边。 MultiGraph 和 MultiDiGraph 类允许您添加相同的边两次,可能使用不同的边数据。这对于某些应用程序来说可能很强大,但许多算法在此类图形上的定义并不明确。在结果定义明确的情况下,例如 MultiGraph.degree() 我们提供该函数。否则,您应该以明确定义测量的方式转换为标准图形。

>>> MG = nx.MultiGraph()
>>> MG.add_weighted_edges_from([(1, 2, 0.5), (1, 2, 0.75), (2, 3, 0.5)])
>>> dict(MG.degree(weight='weight'))
{1: 1.25, 2: 1.75, 3: 0.5}
>>> GG = nx.Graph()
>>> for n, nbrs in MG.adjacency_iter():
...    for nbr, edict in nbrs.items():
...        minvalue = min([d['weight'] for d in edict.values()])
...        GG.add_edge(n, nbr, weight = minvalue)
...
>>> nx.shortest_path(GG, 1, 3)
[1, 2, 3]



五、图生成和图操作(generators and graph operations)

        除了逐个节点或逐条边构建图外,它们还可以通过以下方式生成

  1. 应用经典的图形操作,例如:

    subgraph(G, nbunch)      - induce subgraph of G on nodes in nbunch
    union(G1,G2)             - graph union
    disjoint_union(G1,G2)    - graph union assuming all nodes are different
    cartesian_product(G1,G2) - return Cartesian product graph
    compose(G1,G2)           - combine graphs identifying nodes common to both
    complement(G)            - graph complement
    create_empty_copy(G)     - return an empty copy of the same graph class
    convert_to_undirected(G) - return an undirected representation of G
    convert_to_directed(G)   - return a directed representation of G
    
  2. 使用对经典小图之一的调用,例如,

>>> peterseni = nx.petersen_graph()
>>> tutte = nx.tutte_graph()
>>> maze = nx.sedgewick_maze_graph()
>>> tet = nx.tetrahedral_graph()

        3. 对经典图使用(建设性的)生成器,例如.,

>>> K_5 = nx.complete_graph(5)
>>> K_3_5 = nx.complete_bipartite_graph(3, 5)
>>> barbell = nx.barbell_graph(10, 10)
>>> lollipop = nx.lollipop_graph(10, 20)

        4. 使用随机图形生成器,例如,

>>> er = nx.erdos_renyi_graph(100, 0.15)
>>> ws = nx.watts_strogatz_graph(30, 3, 0.1)
>>> ba = nx.barabasi_albert_graph(100, 5)
>>> red = nx.random_lobster(100, 0.9, 0.9)

        5. 使用常见的图形格式读取存储在文件中的图形,例如边列表、邻接列表、GML、GraphML、pickle、LEDA 等。

>>> nx.write_gml(red, "path.to.file")
>>> mygraph = nx.read_gml("path.to.file")


        参考1: Reading and writing graphs

        参考2: Graph generators

六、图论函数分析Analyzing graphs

G 的结构可以使用各种图论函数进行分析,例如:
>> G = nx.Graph()
>>> G.add_edges_from([(1, 2), (1, 3)])
>>> G.add_node("spam")       # adds node "spam"
>>> list(nx.connected_components(G))
[{1, 2, 3}, {'spam'}]
>>> sorted(d for n, d in G.degree())
[0, 1, 1, 2]
>>> nx.clustering(G)
{1: 0.0, 2: 0.0, 3: 0.0, 'spam': 0.0}

        返回节点属性的函数返回节点上的迭代器,值 2 元组。如果您愿意,这些可以很容易地存储在字典结构中。

>>> dict(nx.degree(G))
{1: 2, 2: 1, 3: 1, 'spam': 0}

        对于特定节点的值,您可以提供单个节点或 nbunch 节点作为参数。如果指定单个节点,则返回单个值。如果指定了 nbunch,则该函数将返回一个字典。

>>> nx.degree(G, 1)
2
>>> G.degree(1)
2
>>> dict(G.degree([1, 2]))
{1: 2, 2: 1}
>>> sorted(d for n, d in G.degree([1, 2]))
[1, 2]
>>> sorted(d for n, d in G.degree())
[0, 1, 1, 2]s
算法 Algorithms

资料: Algorithms

七 画图函数Drawing graphs

        NetworkX 主要不是图形绘制包,而是包括使用 Matplotlib 的基本绘图以及使用开源 Graphviz 软件包的界面。这些是 networkx.drawing 模块的一部分,如果可能将被导入。有关详细信息,请参阅绘图。

        首先导入Matplotlib的plot接口(pylab也行)

>>> import matplotlib.pyplot as plt
        您可能会发现使用“ipython -pylab”交互式测试代码很有用,它结合了 ipython 和 matplotlib 的强大功能,并提供了一种方便的交互模式。

        要测试 networkx.drawing 的导入是否成功,请使用以下方法之一绘制 G
>>> nx.draw(G)
>>> nx.draw_random(G)
>>> nx.draw_circular(G)
>>> nx.draw_spectral(G)

绘制到交互式显示器时。请注意,您可能需要发布一个 Matplotlib

>>> plt.show()

        如果您不在交互模式下使用 matplotlib,则命令:(请参阅 Matplotlib 常见问题解答)

        要将图纸保存到文件,请使用,例如

>>> nx.draw(G)
>>> plt.savefig("path.png")

        写入本地目录中的文件“path.png”。如果 Graphviz 和 PyGraphviz 或 pydot 在您的系统上可用,您还可以使用 nx_agraph.graphviz_layout(G) 或 nx_pydot.graphviz_layout(G) 来获取节点位置,或以点格式编写图形以进行进一步处理。

>>> pos = nx.nx_agraph.graphviz_layout(G)
>>> nx.draw(G, pos=pos)
>>> nx.write_dot(G,'file.dot')
参考graphs: Drawing
import networkx
import matplotlib.pyplot as plt

# create object
G = networkx.lollipop_graph(5, 3)

# illustrate graph
networkx.draw(G, node_color='green')
plt.show()

 结果:

  •  lollipop_graph是棒糖图的函数
  • G = networkx.lollipop_graph(5, 3) 该语句生成一个图,
  • 全连接的是5个节点,3个节点是单联图。节点总数是8.
  • 显示的时候节点位置是随机的。

Graph | NetworkX 入门教程 - 知乎 (zhihu.com)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/447844.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Linux:centos 7:查看运行级别 控制init运行级别 已安装图形化以后设置开机进入图形化或命令行

0 target 关机状态&#xff0c;使用该级别时将关闭主机 1 rescue.target 单用户模式&#xff0c;不需要密码验证即可登录系统&#xff0c;多用于系统维护 …

HTTP 的工作原理

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言一、简单 HTTP二、HTTP 连接请求 I请求Ⅱ 持久 HTTP并执行 HTTP默认浏览器连接设置总结 前言 在处理 Web 性能监控或优化时&#xff0c;了解 HTTP 协议的基础知…

leetcode每日一题——美团笔试题【3】

第一题&#xff1a; 股票的最大利润 假设把某股票的价格按照时间先后顺序存储在数组中&#xff0c;请问买卖该股票一次可能获得的最大利润是多少&#xff1f;示例 1:输入: [7,1,5,3,6,4] 输出: 5 解释: 在第 2 天&#xff08;股票价格 1&#xff09;的时候买入&#xff0c;在…

UWB隧道人员定位技术应用,施工作业安全精准保障

隧道施工的安全不仅关系到工程项目的质量和施工效率&#xff0c;也关系到我国的资金安全、施工人员和人民的生命财产安全。如何有效加强隧道施工的安全管理能力&#xff0c;成为隧道施工企业管理者最关心的问题。国家铁道局在《关于加强铁路隧道工程安全工作的若干意见》中指出…

人力资源软件的六个功能,你知道吗?

企业组织越来越多地转向通过人力资源软件来简化他们的人力资源运作。在疫情开始后&#xff0c;人力资源软件的采用尤其迅猛&#xff0c;因为组织希望无缝地管理他们的远程和混合员工。根据SkyQuest的调查人力资源技术市场预计到2028年将达到356.8亿美元。 如果您正在考虑采用人…

面试题思路分享以及延伸问题探讨三

面试题思路分享以及延伸问题探讨 1.前言2. 环形链表初阶2.1 审题2.2 代码实现以及紧急情况的处理方法2.3 延伸问题2.3.1 为什么slow和fast一定会遇上?2.3.2 走n步会是什么样的情况? 3. 环形链表进阶3.1 审题3.2 代码实现3.3 方法二:相交链表法 4. 复制带随机指针的链表4.1审题…

vue3组件二次封装Ui处理

vue 组件二次封装Ui处理 vue 组件二次封装Ui处理 在Vue开发中&#xff0c;我们常常需要使用UI框架提供的组件。但是UI框架的组件可能并不符合我们的需求&#xff0c;这时候就需要进行二次封装。下面是一些关于Vue组件二次封装Ui处理的技巧&#xff1a; 常规时候咱们使用组件…

深元AI盒子在矿山安全生产中实现皮带跑偏、异物、煤流量、大块煤等识别

摘要&#xff1a;随着技术的发展&#xff0c;矿山安全生产已经从传统的人工监测逐步转向现代化智能化。本文旨在探讨矿山安全生产AI盒子在皮带跑偏、异物、煤流量和大块煤之外的功能&#xff0c;以期进一步提高矿山生产的安全性和效率。 正文&#xff1a; 一、引言 矿山安全生…

【获奖案例巡展】信创先锋之星——中信证券基于国产图数据库构建企业图谱的应用实践

为表彰使用大数据、人工智能等基础软件为企业、行业或世界做出杰出贡献和巨大创新的标杆项目&#xff0c;星环科技自2021年推出了“新科技 星力量” 星环科技科技实践案例评选活动&#xff0c;旨在为各行业提供更多的优秀产品案例&#xff0c;彰显技术改变世界的力量&#xff0…

vue2、vue3实现暗黑模式

1、序言 elementPlus、naive UI这些UI组件里面封装好了暗黑模式&#xff0c;直接使用相关api即可实现暗黑模式切换功能&#xff0c;而elementUI没有封装好&#xff0c;我们可以看看elementPlus、naive UI如何实现暗黑模式&#xff0c;然后在elementUI中模仿&#xff0c;从而实现…

【C++】模板初识

C模板初识 1.泛型编程2.函数模板2.1.函数模板概念2.2.函数模板格式2.3.函数模板使用的原理2.4.函数模板的实例化2.5.模板参数的匹配原则 3.类模板3.1.类模板格式3.2.类模板的实例化 1.泛型编程 在实际编程中&#xff0c;经常会用到交换函数。比如有整型值的交换&#xff0c;浮…

Nacos 鉴权系统源码讲解

目录 1. 介绍 2. Nacos SPI 鉴权机制 3. 后台管理 / HTTP 接口鉴权 4. 客户端 / GRPC 接口鉴权 1. 介绍 鉴权功能默认没有开启&#xff0c;开启后的效果就是 Nacos 的接口需要用户登录并且具有权限才能调用该接口。例如注册实例、发布配置等。 鉴权也就是 我是谁、我能干…

探讨接口测试颗粒度

偶然间在论坛上看到一个帖子&#xff0c;帖子内容如下&#xff1a; 假设现在有一个新增商品的接口&#xff0c;返回的参数中有新增商品的 id&#xff08;每次返回的 id 都不一样&#xff09;、success&#xff08;判断是否成功&#xff0c;0 失败 1 成功&#xff09; 1. 接口…

代码随想录之对称二叉树

本内容来自代码随想录 使用后序遍历。 class Solution { public:bool traversal(TreeNode* left,TreeNode* right){//处理空节点情况if (left nullptr && right ! nullptr) return false;else if (left ! nullptr && right nullptr) return false;else if …

Python人工智能之混合高斯模型运动目标检测详解分析

搬运工项目&#xff0c;换个平台纪录&#xff0c;之前的广告太多 运动目标检测是计算机视觉领域中的一个重要内容&#xff0c;其检测效果将会对目标跟踪与识别造成一定的影响&#xff0c;本文将介绍用Python来进行混合高斯模型运动目标检测&#xff0c;感兴趣的朋友快来看看吧 …

4.2寸黑白红TFT电子标签【基站版】

ESL_TFT_4.2_V4 产品参数 产品型号 ESL_TFT_4.2_V4 尺寸(mm) 101.7*84.4*6.5mm 显示技术 TFT反射式 显示区域(mm) 84.8(H) * 63.6(V) 分辨率(像素) 400*300 像素尺寸(mm) 0.212x0.212 显示颜色 黑/白/红 视觉角度 45/45/60/60 工作温度 -20-70℃ 产品重量…

Spring6从入门到精通 第一章 带你玩转Spring

这里写目录标题 一 Spring框架产生的原因二 Spring6配置的关键环节 一 Spring框架产生的原因 传统的JavaWeb存在着耦合度较高的问题&#xff0c;而且实现完整的的MVC三层架构&#xff0c;开发成本过大&#xff0c;因此出现了Spring这个轻量级的开发框架&#xff0c;相当于建筑里…

C++初阶之命名空间的使用

目录 前言 命名空间的介绍 1.1 命名空间的定义 1.2 命名空间的使用 C输入&输出 总结&#xff1a; 前言 今天小编就给大家带来C的相关内容了&#xff0c;相对于C语言而言C的语法会比较复杂一点点&#xff0c;但是我相信大家通过自己的努力&#xff0c;也会很快的上手…

使用AIDEGen进行AOSP开发

什么是AIDEGen AIDEGen&#xff0c;大概是“Android IDE (helper) Generator”的简写&#xff0c;是 AOSP 源代码树中的一个工具&#xff0c;它允许从 Android Studio 等通常仅为非平台应用程序开发配置的 IDE 中处理系统应用程序。 AIDEGen 旨在自动化项目设置过程&#xff…

计算机视觉 | 八斗人工智能 (上)

目录 数字图像像素和分辨率灰度、通道和对比度其他概念 插值算法上采样和下采样的概念1. 最邻近插值2.双线性插值&#xff08;最常用&#xff09;3.双三次插值 直方图均衡化1. 灰度图直方图均衡化2. 彩色图直方图均衡化 数字图像 像素和分辨率 像素&#xff1a; 像素是分辨率…