算法开发、实现、测试和比较过程中要比较太多乱七八糟的算法。有些论文的算法虽然很简单，但是没有现成的轮子可以用，尤其是在Python中要实现一个高效的轮子是比较困难的事情，所以不得不自己摸索了一些方法。
这些方法没有什么大用，也没有发论文或者工程化的用处，但总归是花了一些时间，所以计划分享出来，如果算法多了，或许会专门去Github开一个仓库整理。
主要使用的是NumPy和OpenCV库，所以默认import
import numpy as np
import cv2
Max-mean Filter 最大均值滤波器
def maxMean(img: np.ndarray, blockSize: int) -> np.np.ndarray:
"""单通道图像，有需求自行修改成多通道"""
assert len(img.shape) == 2
rowKernel = np.ones((1, blockSize), dtype=np.uint8) / blockSize
colKernel = np.ones((blockSize, 1), dtype=np.uint8) / blockSize
diagKernel = np.identity(blockSize, dtype=np.uint8) / blockSize
antiKernel = np.rot90(diagKernel)
kernels = [rowKernel, colKernel, diagKernel, antiKernel]
result = np.zeros(img.shape, dtype=img.dtype)
for kernel in kernels:
result = cv2.max(result, cv2.filter2D(img, -1, kernel))
return result
adaptiveThreshold with mask 允许使用掩码的自适应阈值化，只部分实现了使用均值卷积核的方法cv2.ADAPTIVE_THRESH_MEAN_C，至于其他卷积核确实没搞明白怎么整
import math
def meanAdaptiveThreshold(src: np.ndarray, mask: np.ndarray, maxValue: int, adaptiveMethod: int, thresholdType: int, blockSize: int, C: int) -> np.ndarray:
assert src is not None and src.dtype == np.uint8 and len(src.shape) == 2
assert adaptiveMethod == cv2.ADAPTIVE_THRESH_MEAN_C
assert thresholdType == cv2.THRESH_BINARY or thresholdType == cv2.THRESH_BINARY_INV
if mask is not None:
assert mask.dtype == np.uint8 and len(mask.shape) == 2
filterSum = cv2.boxFilter(cv2.bitwise_and(src, mask), cv2.CV_32S, (blockSize, blockSize),
normalize=False, borderType=cv2.BORDER_ISOLATED | cv2.BORDER_REPLICATE)
eleSum = cv2.boxFilter(mask, cv2.CV_32S, (blockSize, blockSize),
normalize=False, borderType=cv2.BORDER_ISOLATED | cv2.BORDER_REPLICATE)
mean = cv2.divide(cv2.multiply(filterSum, 255, dst=filterSum),
eleSum, dst=filterSum, dtype=cv2.CV_32S)
else:
mean = cv2.boxFilter(src, cv2.CV_32S, (blockSize, blockSize),
borderType=cv2.BORDER_ISOLATED | cv2.BORDER_REPLICATE)
src = src.astype(np.int32)
idelta = math.ceil(C) if adaptiveMethod == cv2.THRESH_BINARY else math.floor(C)
thred = cv2.inRange(src - mean, -idelta + 1,
256) if thresholdType == cv2.THRESH_BINARY else cv2.inRange(src - mean, -256, -idelta)
return thred if mask is None else cv2.bitwise_and(thred, mask)
Python实现Reed-Xiaoli(RX)高光谱目标检测算法
参考Python实现Reed-Xiaoli(RX)高光谱目标检测算法做了速度和空间优化
原文Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution
# 经测试，比CSDN方法快3倍左右
def RXD(mat, segmentWidth = 20):
"""Reed-Xu Detector"""
rows, cols, chans = mat.shape
# 像素数
area = rows * cols
# 图像堆叠为像素列表
stacked = np.reshape(mat, (area, chans))
# 协方差阵，为避免奇异矩阵可以加一个系数单位阵
covariance = np.cov(stacked.T) # + np.eye(chans) * 1e-5
# 协方差矩阵的逆
invCor = np.linalg.inv(covariance)
# 图像各通道/波段的均值
average = stacked.mean(axis=0).reshape((1, -1))
# 图像减去均值
stacked = stacked - average
# 如果图像较大，分块计算加速
if rows >= 40:
# 预分配结果的内存空间
result = np.empty((area,))
# 分块计算矩阵乘法，加速且节省一点内存，测试了一下分块宽度取20一般不错
for i in range(segmentWidth, area + 1, segmentWidth):
delta = stacked[i - segmentWidth : i]
result[i - segmentWidth : i] = np.diag(
# @是numpy矩阵乘法
delta@invCor@delta.T
)
# 最后的一块矩阵
remainder = area % segmentWidth
if remainder > 0:
delta = stacked[area - remainder : area]
result[area - remainder : area] = np.diag(
delta@invCor@delta.T
)
# 更改result的shape
result.resize((rows, cols))
else:
delta = stacked[i - segmentWidth : i]
result = np.diag(
delta@invCor@delta.T
)
result.resize((rows, cols))
return result
Word标题变成竖线 解决方案
参考文章用宏，亲测有效
下面的具体解决方案来自上述博客，非常感谢！ 解决办法： 1.点击菜单栏“视图”， 2.找到“宏“选项卡，点击后弹出下拉选项中选择”查看宏“ 3.弹出的窗口中输入”宏名（例如repair）“，然后点击”创建“，将上面那段宏代码复制粘贴进去。 4.在工具栏找到”运行宏“图标（向右的三角形），点击一下就可以运行了。
宏代码如下：
Sub repair()
For Each templ In ActiveDocument.ListTemplates
For Each lev In templ.ListLevels
lev.Font.Reset
Next lev
Next templ
