Python常用库清单:从数据处理到AI部署一次讲透

Python库第三方库Python环境管理
于 2026-10-29 03:06:12 修改
·本内容遵循CC 4.0 BY-SA版权协议

写这份清单的时候,我难得没犯拖延症。起因是上周帮一位刚转行的朋友梳理学习路线,他问我"Python到底要装哪些库才够用",我噼里啪啦列了一大堆,列完发现这本身就是一份很好的目录。干脆就把它整理成一篇文章——不算"所有",但覆盖了我这几年实际用过、以及身边同事朋友高频依赖的绝大部分库,分成数据处理、爬虫、Web开发、机器学习、日常脚本等几大类。有的库你可能天天用,有的可能只在某个场景碰一次,我会把每个库解决什么问题、有什么坑、替代方案是什么都写清楚,尽量不让你看完只觉得"收藏了等于会了"。

这份清单适合这几类人:刚装好Python还不知道装什么库的新手,想找某个场景解决方案的进阶开发者,以及做技术选型时想快速对比的老手。为了保证你能顺利装下这些库并且跑起来,我会先花点篇幅把环境准备讲透——很多人在装库这件事上吃了太多亏,其实大多是环境问题。

1. Python库整理这件事,先定个思路

把"所有的库"列出来不现实,PyPI上注册的包已经超过五十万个,真要全列出来,这篇文章就不是人看的了。我盘点的标准是"个人实测可用"+"在真实项目里见过或者用过",偏底层但同时面向应用。这样整理出来的清单不会变成花架子,每个库都能明确回答"我到底该不该装它"。

我习惯把库分成六大类:

  • 环境工具类:装库、管理环境、打包分发
  • 数据与计算类:数组、表格、可视化、科学计算
  • 网络与爬虫类:请求、解析、自动化采集
  • Web与API类:网站框架、接口开发
  • 机器学习与AI类:训练、推理、模型部署
  • 办公自动化与日常小工具类:操作Excel、Word、系统命令

每类里我尽量做到"一主一备一替代":主力库首推,备选库在主力不满足需求时再看,替代库解决特定痛点。这样做的好处是,你只需要记住每类里的一两个名字,其他知道有这回事就行,用到时再深入学,学习成本低很多。

另外,Python本身只带标准库,但标准库其实非常强大。有些场景不需要第三方库就能解决,比如urllib、json、csv、sqlite3、os、re这些。我建议任何时候都先想想标准库能不能干,实在不行再引第三方依赖,这样你的脚本在别人机器上跑起来会省很多事。

2. 装库之前,把这些环境问题一次搞定

我见过太多案例:库装不上、装上了运行报错、换个目录代码又找不到库。这些问题十有八九不是库本身的问题,而是环境没管理好。所以先花三千字篇幅把环境讲透,后面所有库才能装得顺手。

2.1 用对pip,再用对镜像源

pip是Python官方的包管理器,装库首选。新版本Python安装后自带pip,大多数情况下不需要单独安装pip。第一次用pip的人,建议先执行:

BASH
python -m pip install --upgrade pip

先把pip本身升到最新,避免后续因为pip版本太老导致某些库没法安装。

在国外服务器上装库速度很慢、甚至超时报错,这大概率只是网络问题。解决办法是换用国内镜像源。我个人常用清华源,一行命令搞定:

BASH
pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple

不想每次都加参数,就配置成全局默认:

BASH
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

换完过后速度通常能提升几十倍。需要注意,镜像源偶尔会有不同步的情况,如果某个库在官方已经发布了新版本,但镜像源还没同步,你可能会装到旧版。遇到这种事不要慌,临时代用官方源安装即可:

BASH
pip install SomeLibrary

(不加-i参数就是官方源,前提是你的网络允许直连。)

2.2 Python版本是第一道坎

很多人装不上库,根因是Python版本太老或者太新。一些库对Python版本有硬性要求,比如新版Pandas要求Python至少3.9,某些深度学习库可能要求3.10以上,而个别老库则还没适配3.12。所以装库之前最好先确认自己的Python版本:

BASH
python --version

我的建议是,日常开发用Python 3.10或3.11最稳妥,这两个版本对绝大多数库兼容性最好。如果你用的是3.8及以下,遇到装不上库的概率会明显增加,建议直接升级Python,而不是跟库死磕。

安装多个Python版本时,务必搞清楚自己当前用的到底是哪个。Windows上如果同时装了3.9和3.11,命令行里执行python很可能指向旧版本。这时候可以用带版本号的命令,或者用虚拟环境把版本和项目绑定在一起。

2.3 虚拟环境是你最该养成的习惯

每个项目依赖的库版本可能冲突:项目A需要Pandas 1.5,项目B需要Pandas 2.0,如果全装到全局环境,早晚出事。虚拟环境就是为每个项目准备一个独立的Python空间,互不干扰。

我用得最多的是Python自带的venv:

BASH
python -m venv myenv

Windows上激活:

BASH
myenv\Scripts\activate

macOS和Linux上激活:

BASH
source myenv/bin/activate

激活后你会发现命令行前面多了(myenv)的提示,这时候再执行pip install,库就会装进这个独立环境,不会污染全局。摆脱虚拟环境就执行deactivate。

如果你做数据分析、机器学习,我更推荐用Anaconda或者Miniforge,里面自带conda命令。conda不仅能管理Python包,还能管理Python版本本身,对底层依赖(比如NumPy、C库)的处理比pip更省心。conda建环境:

BASH
conda create -n myenv python=3.10

激活环境:

BASH
conda activate myenv

conda和pip可以混用,但我建议优先用conda装科学计算类的库,装不上再补pip,两套工具交叉使用能覆盖绝大多数场景。


环境这块说完,接下来进入正题,按类别把库一个个过一遍。

3. 数据处理三件套:NumPy、Pandas、Matplotlib

数据处理是Python应用最广泛的方向,几乎每个做数据分析、量化交易、科研计算的人都要用到这三个库。

3.1 NumPy:一切科学计算的地基

NumPy提供多维数组对象ndarray和大量数学运算函数。它的底层由C语言编写,计算速度远快于纯Python循环。举个例子,如果你要对一万个数做平方运算,用传统for循环可能要几十毫秒,用NumPy写:

PYTHON
import numpy as np
a = np.arange(10000)
b = a ** 2

一行搞定,而且速度感人。几乎所有Python数据处理库都构建在NumPy之上,Pandas的DataFrame、OpenCV的图像矩阵、机器学习的特征数据,底层全是NumPy数组。所以不管你做哪个方向,NumPy基本是跑不掉的。

3.2 Pandas:表格数据处理利器

Pandas用DataFrame的二维表结构来管理数据,类似Excel,但自动化能力碾压手工操作。读取Excel、CSV、SQL数据库都能一行搞定:

PYTHON
import pandas as pd
df = pd.read_csv("data.csv")
df.head()

它对缺失值处理、分组统计、汇总透视、多个表格合并这类操作非常顺手。我写"python写入excel"相关脚本时,经常用Pandas把数据规整好,再配合openpyxl引擎写入Excel文件。

Pandas版本更新较快,老项目里如果遇到Pandas 1.x的代码迁移到Pandas 2.x报错,通常是一些方法参数发生了变化。建议落地项目时明确记录Pandas版本,避免升级后出现行为突变。

3.3 Matplotlib与Seaborn:画图两兄弟

Matplotlib是最基础的绘图库,散点图、折线图、柱状图、热力图都能画,自定义程度极高。缺点是默认样式比较朴素,想要好看得自己调细节。

Seaborn是建立在Matplotlib之上的高级封装,专门用于统计数据可视化。配色更现代,很多图一行就能出效果:

PYTHON
import seaborn as sns
sns.histplot(data=df, x="age", bins=30)

做数据探索时我通常先画Seaborn的图快速看分布,需要精细定制再退回Matplotlib。这两个搭配使用,报表、论文配图、数据汇报都不愁。如果你的英文不好,绘图里的中文乱码是因为Matplotlib默认字体不含中文字符,需要加一行字体设置:

PYTHON
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

3.4 补充:SciPy和StatsModels

SciPy是NumPy的延伸,包含优化、线性代数、积分、插值、信号处理等模块。做数值计算时,SciPy往往是首选。

StatsModels用于统计建模,线性回归、逻辑回归、时间序列分析都能做。和scikit-learn相比,StatsModels更偏统计检验和模型解释,会给出p值、置信区间等详细统计指标。做量化交易策略回测时,我常用StatsModels做时间序列分析,结合Pandas处理行情数据,整个流程非常顺。

4. 爬虫与自动化采集类,从简单到复杂

爬虫是很多人入门Python的动因,这套工具链也是我推荐新手最优先掌握的。从简单到复杂,按需选择。

4.1 Requests:HTTP请求的瑞士军刀

Requests是最经典的HTTP库,比标准库urllib好用太多。写爬虫、调接口、下载文件、模拟登录,日常八成需求都用它:

PYTHON
import requests
r = requests.get("https://api.example.com/data")
data = r.json()

POST请求、携带请求头、会话保持Cookie也都很方便:

PYTHON
s = requests.Session()
s.headers.update({"User-Agent": "Mozilla/5.0"})
login_data = {"username": "test", "password": "123456"}
s.post("https://example.com/login", data=login_data)

我建议所有爬虫项目的第一版都用Requests写,逻辑简单,调试方便。等到需要高并发或者复杂登录时再考虑升级。

4.2 BeautifulSoup4与lxml:解析HTML的黄金搭档

拿到网页源码之后,要用解析库提取数据。BeautifulSoup4能把HTML转成一棵可遍历的树,再借助select或find_all定位目标元素:

PYTHON
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_text, "html.parser")
titles = soup.select("h2.post-title a")
for t in titles:
print(t.get_text())

解析器推荐用lxml,速度比默认的html.parser快很多。安装时注意:

BASH
pip install beautifulsoup4 lxml

用BeautifulSoup取属性、过滤标签、按CSS选择器定位,对新手非常友好,也是最不容易出错的选择。

4.3 Scrapy与Selenium:高手进阶与JavaScript渲染

如果采集规模大、网站结构复杂,建议上Scrapy。Scrapy是完整的爬虫框架,自带调度器、去重、管道、中间件,写起来比Requests+BeautifulSoup规范得多,而且支持异步并发,采集速度成倍提升。不过Scrapy的学习曲线稍陡,需要理解框架组件之间的关系。常用的做法是把Rules、Item Pipeline、Spider中间件分开设计,前期稍微多花点时间搭框架,后面扩展性极强。

遇到内容是JavaScript动态渲染的页面,Requests拿到的是空壳,这时候要看Selenium。Selenium驱动真实浏览器访问页面,能执行JavaScript、模拟点击、滚动、填写表单。缺点是资源占用大、速度慢,适合中小规模或对完整性要求极高的采集任务。新版Selenium已经支持直接定位元素,配合WebDriverWait做显式等待,稳定性比老版本好很多。

我个人的经验是,优先用Requests+BeautifulSoup解决90%的静态页面,实在不行再上Selenium,最后才考虑Scrapy的大规模采集。不要一上来就整个重型框架,维护成本太高。

4.4 补充工具:fake-useragent、retrying

写爬虫经常遇到网站对User-Agent做校验,fake-useragent能帮你随机生成浏览器标识,减少被屏蔽的概率。retrying库则支持简单的重试逻辑,比如网络偶尔抖动,给请求加上重试次数和间隔,稳定性提升明显:

PYTHON
from retrying import retry
 
@retry(stop_max_attempt_number=3, wait_fixed=2000)
def fetch_page(url):
return requests.get(url, timeout=5)

5. Web开发与API,搭网站和接口

Python在后端开发中的份额很大,主要靠下面这几个框架撑起来。

5.1 Flask:轻量灵活,适合快速起步

Flask本身只提供最核心的路由和请求处理,其他功能靠扩展。优点是简单、轻量、易部署,适合个人项目、内部工具、机器学习模型的服务化封装。一个能跑起来的最小应用就几行:

PYTHON
from flask import Flask
app = Flask(__name__)
 
@app.route("/")
def index():
return "Hello, Python"
 
if __name__ == "__main__":
app.run()

我经常用它给内部脚本包一层HTTP接口,比如数据清洗接口、文件转换接口,配一个简单的Web表单,非技术同事也能直接用。生产环境的Flask应用建议配合gunicorn部署,Flask自带的开发服务器性能不够。

5.2 Django:全家桶,上正规项目

Django自带ORM、Admin后台、认证、表单等全套组件,适合中大型项目,尤其是需要管理后台的内容站点。它的ORM能把Python类映射成数据库表,免写SQL,对业务开发效率提升非常大。Django的官方文档非常详尽,跟着教程做一个投票应用,基本就能理解全流程。

如果你以前写PHP或者Java,会更喜欢Django的"框架帮你做决定"风格。如果更想自由组装,Flask甚至FastAPI可能更适合。我见过很多团队从Flask迁移到Django,原因都很相似:项目复杂到一定程度,Flask需要自己拼的零件太多,Django统一封装反而更省心。

5.3 FastAPI:现代API的时代选择

FastAPI这两年热度很高,特点是性能好、代码量少、自带接口文档。基于Python类型注解生成的OpenAPI文档,前端对接非常方便:

PYTHON
from fastapi import FastAPI
app = FastAPI()
 
@app.get("/items/{item_id}")
def read_item(item_id: int):
return {"item_id": item_id}

它支持异步、支持pydantic做参数校验,写REST接口非常顺手。如果新项目纯做前后端分离API,我会优先推荐FastAPI。很多量化交易系统的行情推送服务也常用FastAPI搭建WebSocket服务,处理实时数据流很方便。

6. 机器学习与AI方向,训练与部署

大模型时代Python在AI领域依然占据绝对主力位置。这个板块涉及面广,我按训练框架、传统机器学习、部署推理三层来讲。

6.1 scikit-learn:传统机器学习首选

scikit-learn封装了分类、回归、聚类、降维、模型选择等几乎全部经典算法,API统一。一个简单的逻辑回归训练:

PYTHON
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = LogisticRegression()
model.fit(X_train, y_train)
print(model.score(X_test, y_test))

新手用它入门最合适。sklearn库安装时如果报错,多数是依赖的numpy或scipy版本不匹配,建议先用conda安装scikit-learn,conda会自动帮你处理底层依赖。sklearn的新旧版本之间API有变化,比如旧版的cross_validation模块已经改名为model_selection,代码迁移时要留意。

6.2 PyTorch与TensorFlow:深度学习双雄

深度学习和神经网络方面,PyTorch目前人气更旺,动态图机制调试方便,研究社区活跃,很多大模型的开源实现都以PyTorch为基础。TensorFlow则在工业部署和移动端有更多沉淀,Keras高层API适合快速搭网络。

如果你是个人学习或者搞研究,我现在更推荐PyTorch。它的语法更接近Python直觉,模型定义像搭积木:

PYTHON
import torch.nn as nn
 
class MyModel(nn.Module):
def __init__(self):
super().__init__()
self.fc = nn.Linear(64, 10)
def forward(self, x):
return self.fc(x)

安装PyTorch时,如果需要GPU加速,建议去PyTorch官网根据CUDA版本选择安装命令,直接用pip install torch装到的通常是CPU版本,跑起来会比较慢但也能用。GPU支持要看显卡、NVIDIA驱动和CUDA版本是否匹配,这块坑特别多,改天单独开一篇细讲。

6.3 ONNX Runtime:模型部署的架桥人

训练好的模型要部署到生产环境,ONNX Runtime是个高效的推理引擎,基于ONNX(开放神经网络交换格式)标准运行模型。你完全可以用PyTorch训练,然后导出成ONNX格式,再用onnxruntime在服务端推理,省掉PyTorch的依赖,体积更小、速度更快:

PYTHON
import onnxruntime as ort
 
session = ort.InferenceSession("model.onnx")
outputs = session.run(None, {"input": input_array})

用onnxruntime动态库时,常见问题是输入输出的名字和维度与模型导出的不一致,跑之前用session.get_inputs()确认一下接口信息,能避免很多莫名其妙的报错。CPU上部署加个优化参数:

PYTHON
session = ort.InferenceSession("model.onnx", providers=["CPUExecutionProvider"])

6.4 OpenCV与Pillow:图像处理双主力

OpenCV是计算机视觉的事实标准,图像读取、灰度转换、边缘检测、人脸识别都有现成函数。Pillow更偏图像文件的操作,裁剪、缩放、保存不同格式、加水印都很方便。如果只做简单的图片批量处理,Pillow就够;涉及物体识别、摄像头画面、图像算法,再上OpenCV。需要注意OpenCV的安装包名是opencv-python,但import的时候写cv2,我第一次就因为这个找了半天原因。

7. 日常脚本与办公效率,解放双手

Python除了做大型项目,也很适合处理日常琐事。这一类的库往往解决具体场景,装好就能立刻见效。

7.1 openpyxl:读写Excel神器

用Python操作Excel,openpyxl是首选。它支持Excel 2010及以上版本,能读写xlsx文件,还能设置单元格样式、合并单元格、创建图表:

PYTHON
from openpyxl import Workbook
 
wb = Workbook()
ws = wb.active
ws["A1"] = "项目"
ws["B1"] = "数量"
ws.append(["Python库整理", 10])
wb.save("盘点表.xlsx")

批量生成报表、更新统计数据都非常方便。如果文件是xls老格式,openpyxl不管,要用xlrd和xlwt来操作。读取Excel时如果遇到偶尔报错说文件损坏,多数是文件本身有合并单元格或复杂格式导致,可以先用Excel打开另存为xlsx再处理。

7.2 PyInstaller:把脚本打包成可执行文件

写好的Python脚本要给没有Python环境的人用,PyInstaller是标配:

BASH
pip install pyinstaller
pyinstaller -F -w my_script.py
  • F生成单个exe文件,-w表示运行时不显示控制台窗口(GUI程序用)。Windows上用PyInstaller打包时有个经典坑:杀毒软件会把生成的exe误报,用upx压缩也可能触发误报,最好的办法是到virustotal查一下,确认来源可信就不用慌。

7.3 tqdm、click、pathlib:提升日常编码体验

tqdm在循环中显示进度条:

PYTHON
from tqdm import tqdm
for i in tqdm(range(1000)):
do_something(i)

处理大文件、批量下载时看到进度条,心理压力小很多,也能直观判断程序是不是假死。

click用来写命令行工具,定义参数比sys.argv优雅得多:

PYTHON
import click
 
@click.command()
@click.option("--count", default=1, help="次数")
def hello(count):
for _ in range(count):
print("Hello")

pathlib是标准库,专门处理文件路径。Python 3.6以后自带,不建议再用os.path拼接路径,pathlib的Path对象用/运算符直接拼接路径,可读性好太多。

7.4 schedule与smtplib:定时任务与邮件通知

写脚本定时执行,比如每天凌晨跑一次数据报表,schedule库最轻量:

PYTHON
import schedule
import time
 
schedule.every().day.at("01:00").do(job)
 
while True:
schedule.run_pending()
time.sleep(1)

注意schedule只适合脚本进程常驻的场景,如果服务器重启就会失效,更可靠的是系统的cron或Windows任务计划程序,调schedule跑。

发送邮件通知用标准库smtplib配合email库即可,不需要第三方依赖。数据异常时发告警邮件、任务跑完发结果邮件,都是很常见的自动化做法。

8. 常见问题与排查技巧速查

整理完库清单,把大家问得最多的安装和使用问题汇总一下,基本覆盖了"装不上、找不到、跑不动"三种失败场景。

症状 原因 解法
pip install超时或失败 网络不稳 换用国内镜像源,或加--timeout参数
安装时报Microsoft Visual C++错误 缺少C++运行库 安装Visual C++ Build Tools,或者改用conda装
报错No module named 'sklearn' 库没装或装错环境 确认当前激活的虚拟环境,重新安装scikit-learn
import cv2失败 opencv-python没装 执行pip install opencv-python,注意包名
装了库但Python找不到 环境串了 检查当前python和pip是不是同一环境,执行python -m pip install
onnxruntime动态库加载失败 ONNX Runtime版本与模型不匹配 确认Python位数和onnxruntime版本,重装匹配版本
绘图中中文是方框 字体缺失 设置中文字体,或安装中文字体文件
包版本冲突 多个项目依赖不同版本 一律使用虚拟环境或conda环境
网页爬取不到数据 Cookie或反爬校验 用Session带上登录Cookie,设置请求头
PyInstaller打包后杀毒误报 打包特征被误判 去官网下载最新版PyInstaller,或换用Nuitka

这些坑基本都是我实际踩过的,写出来省得你再走一遍弯路。如果你用的是VSCode,建议按官方教程装好Python扩展,再在项目根目录创建一个.venv虚拟环境,VSCode会自动激活并识别解释器,能省下很多环境切换的烦恼。

最后我再说一句掏心窝的话:不要因为这份清单而焦虑。没有人需要一次学会所有库,流行库更迭很快,但底层的Python语法、调试能力、计算机基础才是真正吃香的东西。整理这份清单的初衷就是让你"知道有什么工具、遇到问题知道找谁",等你真正要在项目里用某个库时,再去查官方文档和源码,这才是正常的学习节奏。我现在写脚本前也经常现查某个函数的用法,这不丢人,反而是成熟开发者的日常。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
大疆M3508电机使用CAN通信进行速度PID闭环控制详解
目录一. 简介二. 电机通信协议三. 电机PID控制原理四. 官方代码移植-中断接收五. 官方代码移植-查询接收 一. 简介 之前写过一篇文章STM32实现四驱小车(五)电机控制任务——电机速度PID控制算法,其中是以大疆的M3508电机为例进行讲解的(没错,就是RoboMaster机器人同款电机,不过Robomaster上的电机好像是小一号的M2006)。不少小伙伴私信问我要代码,我都回复说不是有官方demo么。后来问的人多了我大概明白了,看来官方的Demo还是有点门槛。可能是带FreeRTOS操作系统看
何为其然