python求分段函數(shù) python函數(shù)和方法區(qū)別

自定義函數(shù)實現(xiàn)根據(jù)年齡推薦合理的睡眠時間。 Python？

沒有什么合理的睡眠時間，參數(shù)都是死的，你能讓電腦知道你今天想吃什么嗎？這些都是靠大數(shù)據(jù)推算出來的。如果是作業(yè)的話也沒這么難

創(chuàng)新互聯(lián)網(wǎng)絡(luò)公司擁有10多年的成都網(wǎng)站開發(fā)建設(shè)經(jīng)驗，上1000家客戶的共同信賴。提供網(wǎng)站設(shè)計制作、成都網(wǎng)站制作、網(wǎng)站開發(fā)、網(wǎng)站定制、外鏈、建網(wǎng)站、網(wǎng)站搭建、響應(yīng)式網(wǎng)站建設(shè)、網(wǎng)頁設(shè)計師打造企業(yè)風(fēng)格，提供周到的售前咨詢和貼心的售后服務(wù)

def sleep(age):

if age10:

return '8個小時'

else:

return '6個小時'

要多少睡眠時間都是由編寫者決定的

python初學(xué)求解答

a = int (raw_input('totally second is:'))

hour = a/3600

minutes = (a%3600)/60

sc = a - hour - minutes #hour有3600秒，minutes有60秒，hour和minute應(yīng)轉(zhuǎn)換成秒計算

print hour,minutes,sc

s = int ( raw_input('totally second is:') )

h = s/3600

m = ( s - h * 3600 ) / 60

ss = s - h * 3600 - m * 60

print str ( h )+' '+str ( m )+' 'str ( ss ) # ' 'str(ss)最后的單引號和str(ss)中間應(yīng)有個加號，沒加號肯定出錯，不可能不出錯

Python簡單問題？

階梯型的計算規(guī)則。

根據(jù)算法200度以下是一個算法，[200,500)是一個算法，[500,∞)是另一種算法。但是都是使用函數(shù)e_check(n)來計算的。

所以是帶入不同月份的電量的度數(shù)來計算的。

書中題目解析的部分應(yīng)該是出版校驗錯誤了，300度和600度寫錯了，根據(jù)多的那一項來看，應(yīng)該是第三個月600度。

用python怎么求元角分

符號積分：通過integrate功能facility，SymPy對基本和特殊函數(shù)定與不定積分有卓越的支持，該功能使用有力的擴(kuò)展Risch-Norman算法，啟發(fā)算法和模式匹配，這樣就可以求出元角分來。以下是具體方法，輸入以下指令from sympy import integrate, exp, sin, log, oo, pi,symbols，然后再通過x, y = symbols('x,y')#定義符號變量x,y，再輸入元角分的指令后通過integrate6*x**5, x以及integrate(log(x), x就可以求出。

引入剛剛的數(shù)學(xué)符號庫from sympy import *定義一個符號變量x = symbols('x') 現(xiàn)在求x在區(qū)間[1,2]的定積分。

獲取最小值

if x y，smaller = y

else，smaller = xfor i in range(1,smaller + 1)，if((x % i == 0) and (y % i == 0)，hcf = i

return hcf

# 用戶輸入兩個數(shù)字num1 = int(input("輸入第一個數(shù)字: "))num2 = int(input("輸入第二個數(shù)字，這樣就完成了求元角分的方法了。

數(shù)字圖像處理Python實現(xiàn)圖像灰度變換、直方圖均衡、均值濾波

import CV2

import copy

import numpy as np

import random

使用的是pycharm

因為最近看了《銀翼殺手2049》，里面Joi實在是太好看了所以原圖像就用Joi了

要求是灰度圖像，所以第一步先把圖像轉(zhuǎn)化成灰度圖像

# 讀入原始圖像

img = CV2.imread('joi.jpg')

# 灰度化處理

gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)

CV2.imwrite('img.png', gray)

第一個任務(wù)是利用分段函數(shù)增強(qiáng)灰度對比，我自己隨便寫了個函數(shù)大致是這樣的

def chng(a):

if a 255/3:

b = a/2

elif a 255/3*2:

b = (a-255/3)*2 + 255/6

else:

b = (a-255/3*2)/2 + 255/6 +255/3*2

return b

rows = img.shape[0]

cols = img.shape[1]

cover = copy.deepcopy(gray)

for i in range(rows):

for j in range(cols):

cover[i][j] = chng(cover[i][j])

CV2.imwrite('cover.png', cover)

下一步是直方圖均衡化

# histogram equalization

def hist_equal(img, z_max=255):

H, W = img.shape

# S is the total of pixels

S = H * W * 1.

out = img.copy()

sum_h = 0.

for i in range(1, 255):

ind = np.where(img == i)

sum_h += len(img[ind])

z_prime = z_max / S * sum_h

out[ind] = z_prime

out = out.astype(np.uint8)

return out

covereq = hist_equal(cover)

CV2.imwrite('covereq.png', covereq)

在實現(xiàn)濾波之前先添加高斯噪聲和椒鹽噪聲（代碼來源于網(wǎng)絡(luò)）

不知道這個椒鹽噪聲的名字是誰起的感覺隔壁小孩都饞哭了

用到了random.gauss()

percentage是噪聲占比

def GaussianNoise(src,means,sigma,percetage):

NoiseImg=src

NoiseNum=int(percetage*src.shape[0]*src.shape[1])

for i in range(NoiseNum):

randX=random.randint(0,src.shape[0]-1)

randY=random.randint(0,src.shape[1]-1)

NoiseImg[randX, randY]=NoiseImg[randX,randY]+random.gauss(means,sigma)

if NoiseImg[randX, randY] 0:

NoiseImg[randX, randY]=0

elif NoiseImg[randX, randY]255:

NoiseImg[randX, randY]=255

return NoiseImg

def PepperandSalt(src,percetage):

NoiseImg=src

NoiseNum=int(percetage*src.shape[0]*src.shape[1])

for i in range(NoiseNum):

randX=random.randint(0,src.shape[0]-1)

randY=random.randint(0,src.shape[1]-1)

if random.randint(0,1)=0.5:

NoiseImg[randX,randY]=0

else:

NoiseImg[randX,randY]=255

return NoiseImg

covereqg = GaussianNoise(covereq, 2, 4, 0.8)

CV2.imwrite('covereqg.png', covereqg)

covereqps = PepperandSalt(covereq, 0.05)

CV2.imwrite('covereqps.png', covereqps)

下面開始均值濾波和中值濾波了

就以n x n為例，均值濾波就是用這n x n個像素點灰度值的平均值代替中心點，而中值就是中位數(shù)代替中心點，邊界點周圍補0；前兩個函數(shù)的作用是算出這個點的灰度值，后兩個是對整張圖片進(jìn)行

#均值濾波模板

def mean_filter(x, y, step, img):

sum_s = 0

for k in range(x-int(step/2), x+int(step/2)+1):

for m in range(y-int(step/2), y+int(step/2)+1):

if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]

or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:

sum_s += 0

else:

sum_s += img[k][m] / (step*step)

return sum_s

#中值濾波模板

def median_filter(x, y, step, img):

sum_s=[]

for k in range(x-int(step/2), x+int(step/2)+1):

for m in range(y-int(step/2), y+int(step/2)+1):

if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]

or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:

sum_s.append(0)

else:

sum_s.append(img[k][m])

sum_s.sort()

return sum_s[(int(step*step/2)+1)]

def median_filter_go(img, n):

img1 = copy.deepcopy(img)

for i in range(img.shape[0]):

for j in range(img.shape[1]):

img1[i][j] = median_filter(i, j, n, img)

return img1

def mean_filter_go(img, n):

img1 = copy.deepcopy(img)

for i in range(img.shape[0]):

for j in range(img.shape[1]):

img1[i][j] = mean_filter(i, j, n, img)

return img1

完整main代碼如下：

if __name__ == "__main__":

# 讀入原始圖像

img = CV2.imread('joi.jpg')

# 灰度化處理

gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)

CV2.imwrite('img.png', gray)

rows = img.shape[0]

cols = img.shape[1]

cover = copy.deepcopy(gray)

for i in range(rows):

for j in range(cols):

cover[i][j] = chng(cover[i][j])

CV2.imwrite('cover.png', cover)

covereq = hist_equal(cover)

CV2.imwrite('covereq.png', covereq)

covereqg = GaussianNoise(covereq, 2, 4, 0.8)

CV2.imwrite('covereqg.png', covereqg)

covereqps = PepperandSalt(covereq, 0.05)

CV2.imwrite('covereqps.png', covereqps)

meanimg3 = mean_filter_go(covereqps, 3)

CV2.imwrite('medimg3.png', meanimg3)

meanimg5 = mean_filter_go(covereqps, 5)

CV2.imwrite('meanimg5.png', meanimg5)

meanimg7 = mean_filter_go(covereqps, 7)

CV2.imwrite('meanimg7.png', meanimg7)

medimg3 = median_filter_go(covereqg, 3)

CV2.imwrite('medimg3.png', medimg3)

medimg5 = median_filter_go(covereqg, 5)

CV2.imwrite('medimg5.png', medimg5)

medimg7 = median_filter_go(covereqg, 7)

CV2.imwrite('medimg7.png', medimg7)

medimg4 = median_filter_go(covereqps, 7)

CV2.imwrite('medimg4.png', medimg4)

當(dāng)前名稱：python求分段函數(shù) python函數(shù)和方法區(qū)別
分享地址：http://muchs.cn/article14/dossige.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站制作、網(wǎng)站導(dǎo)航、軟件開發(fā)、營銷型網(wǎng)站建設(shè)、App開發(fā)、網(wǎng)頁設(shè)計公司

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)