My storage My storage

1. 이미지 확인, 가중치 혼합 sample_img = cv2.imread("../picture/download1.jfif") sample_logo = cv2.imread("../picture/download2.png") sample_img = cv2.cvtColor(sample_img, cv2.COLOR_BGR2RGB) sample_logo = cv2.cvtColor(sample_logo, cv2.COLOR_BGR2RGB) plt.imshow(sample_img) plt.show() plt.imshow(sample_logo) plt.show() 혼합에 사용할 이미지를 두 장 불러오고 잘 불러져 왔는지 확인한다. img1 = cv2.resize(sample_img, (800,600)) img2 = cv2..

1. 이미지 불러오기 import cv2 import numpy as np import matplotlib.pyplot as plt face_cascade = cv2.CascadeClassifier('../picture/haarcascade_frontalface_default.xml') eye_cascade = cv2.CascadeClassifier('../picture/haarcascade_eye.xml') 얼굴 이미지 처리를 위한 모듈을 불러온다. cv2에서는 cascade api를 사용하는데 얼굴 인식에 대해서 훈련된 데이터를 xml 파일로 삽입하여 여러 가지 작업을 할 수 있으며 frontalface와 eye를 인식할 수 있는 xml 파일을 아래 링크에서 다운할 수 있다. 얼굴 전면과 https:..

1. 이미지 기초 처리 import pytesseract image_path = '../picture/carNum.jpg' image = cv2.imread(image_path) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) plt.imshow(image) plt.show() 차량 번호판 사진을 불러온다. gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY) plt.imshow(gray_image,'gray') plt.show() 그레이 스케일로 바꿔준다. structuringElement = cv2.getStructuringElement(cv2.MORPH_RECT,(9,9)) imgTopHat = cv2.morphologyE..

1. blur, gaussianblur import cv2 import matplotlib.pyplot as plt import numpy as np image_path ='../picture/car.jpg' image = cv2.imread(image_path,0) blurred_1 = np.hstack([ cv2.blur(image,(3,3)), cv2.blur(image,(9,9)), cv2.blur(image,(11,11)), ]) plt.imshow(blurred_1,'gray') plt.show() 커널을 늘려가며 블러처리한 것을 회색 이미지로 표현하여 hstack으로 쌓아준다. gaussian_blurred_1 = np.hstack([ cv2.GaussianBlur(image, (1,1),1..

1. PIL, openCV PIL(Python Imaging Library)는 파이썬에서 이미지를 저장하고 여러 가지 작업을 할 수 있게 만들어주는 라이브러리이다. OpenCV(Open Source Computer Vision)는 실시간 이미지처리를 위한 라이브러리이며 c/c++에서 개발되어 널리 사용되고 있다. 따라서 pil 라이브러리는 간단하고 직관적인 api로 가벼운 이미지 처리 툴로서 사용되며 opencv는 이미지 처리와 함께 영상 처리, 컴퓨터 비전 등 이미지 연산 등을 목적으로 가진다. 2. 이미지 출력, 크기 조정, 자르기 import matplotlib.pyplot as plt import cv2 image_path = '../../../../kim/photo/dog and cat/cat/..

1. 다변량 분석 다변량 분석은 한 번에 둘 이상의 변수를 분석하는 방법이다. 다변량 분석의 목적은 차원 축소(주성분 분석, 인자 분석), 분류(군집 분석, 판별 분석, cart 군집화), 예측(회귀 분석), 상관관계파악(다변량분산분석, 다중비교), 범주형 자료의 분석(로지스틱 회귀, 대응 분석)이 있다. 다변량 데이터가 정규분포를 따르는지 확인하기 위해 다변량 산점도 그래프, 단변량 카이제곱 검정, 다변량 shapiro-wilk 검정, 다변량 커트리스 마라테스 테스트 등을 통하여 정규성 검정을 진행한다. 2. PCA(주성분 분석) pca는 차원 축소 기법 중 하나이다. 차원 축소란 원 데이터의 분포를 최대한 유지하면서 데이터의 차원을 줄이는 것을 말한다. 차원을 축소함으로써 데이터를 가볍고 해석하기 쉽..

1. 자기 회귀 모델(ar) ar(autogressive)는 자기 자신을 종속 변수로 과거를 독립변수로 가지는 모델이다. 모델의 현재 값이 이전 값들의 선형조합으로 구성된다는 것을 의미한다. np.random.seed(0) n = 100 ar_params = [0.7] ma_params = [] residuals = np.random.normal(0,1,n) data = [0] for i in range(1,n): data.append(ar_params[0] * data[i-1] + residuals[i]) df = pd.DataFrame({'date': pd.date_range(start= '2023-01-01',periods =n, freq='d'),'value': data}) df = df.set_..

1. 최소-최대 정규화(min-max-scaling) min-max scaling은 데이터- 최소값/최대값-최소값 공식을 사용하며 모든 데이터를 0과 1 사이의 범위로 변환하는 것으로 정규화한다. dates = pd.date_range(start= '2023-01-01',periods =100, freq='d') values = np.random.randint(0,100,size=100) data = pd.DataFrame({'date':dates , 'value':values}) min_value = data['value'].min() max_value = data['value'].max() data['value_normaized'] = (data['value']- min_value)/(max_valu..