| 傅立葉轉換 | 影像處理 | 程式人 | 林信良

傅立葉轉換與影像處理(下)

影像是二維的,我們處理當中的訊號時,可用二維的傅立葉轉換,是一種空間域與頻域之間的轉換。我們能透過這種作法,對圖像實現高通濾波、低通濾波等操作

2021-07-09

| 傅立葉轉換 | 影像處理 | 程式人 | 林信良 | 程式學習

傅立葉轉換與影像處理(中)

對圖像雜訊而言,有高頻與低頻之別,就灰階圖像而言,灰階值就像訊號的振幅值,像素的間距,就好比時間的間距。若想更清楚認識圖像頻率的意義,我們可透過傅立葉轉換的實作來進行

2021-07-02

| 傅立葉轉換 | 影像處理 | 程式人 | 林信良 | 弦波

傅立葉轉換與影像處理(上)

如果想要執行尋找圖像邊緣這類進階處理,我們必須了解傅立葉轉換,以便認識圖像頻率的意義,然而,複雜的數學公式令人難以理解,何妨從程式實作開始著手

2021-06-18

| 圖片雜訊 | OpenCV | 雜訊 | 圖片處理 | 程式人 | 林信良

淺談圖片雜訊處理

在圖片內容的處理上,如果我們想有效去除雜訊,必須先認識雜訊的生成方式,相對地,若出現雜訊,也意味著圖片失真,此時,我們可以利用像素的局部資訊,來達到去除雜訊之目的

2021-06-11

| Numpy | OpenCV | 程式庫 | 程式人 | 林信良

從NumPy到OpenCV

在圖片資料處理上,我過去曾接觸OpenCV程式庫,當時雖滿足需求,效能卻不理想,之後學用NumPy、Matplotlib程式庫的過程中,知道它們的淵源,終於明白問題所在

2021-06-04

| Numpy | Pandas | Matplotlib | mpl-finance資料處理 | 程式人 | 林信良

淺談視覺化前的資料清理

資料可區分為人類可讀的資料,以及機器可讀的資料,而且,真實世界中的資料來源,不一定是專門為了給機器或程式庫判讀而設計,若要讀取這些資料、予以視覺化,需進行資料清理

2021-05-27

| Matplotlib | 3D建模 | 程式人 | 林信良 | 程式學習

Matplotlib玩3D建模

以Matplotlib來進行2D繪圖之餘,我們也可以用它來執行3D繪圖,若要將其做為3D建模工具,讓這類非典型的應用是有可能實現的,而且,還可以發掘更多實用的功能

2021-05-20

| Numpy | 海龜繪圖 | 程式人 | 林信良 | Matplotlib

NumPy與海龜繪圖

使用NumPy這類工具,是種重新看待需求的過程,將一切都看成是資料,有時你不會直接面對資料,如何找出資料才是難處,然而也是使用NumPy這類工具真正有趣的地方

2021-05-06

| Numpy | 索引陣列 | list | 程式人 | 林信良 | 程式學習

巧用NumPy索引

NumPy陣列提供與list相同的索引方式,但並非使用了NumPy,資料處理速度就會自動躍進,開發者須改變思考方式,才能善用NumPy陣列的效能優勢

2021-04-29

| Numpy | Universal函式 | 程式人 | 林信良

NumPy廣播以簡馭繁

針對陣列的運算,NumPy提供了廣播機制,規則看似複雜,然而,從Universal函式如何調整輸入陣列為相同形狀,以便一對一處理的觀點來看,就會易於掌握!

2021-04-22

| Numpy | 陣列程式設計 | 程式人 | 林信良

陣列程式設計

NumPy不只是個程式庫,更像是一門支持陣列程式設計(Array programming)的高階語言,開發者應思考如何將需求,分解、組合為可套用相同運算的一組數值

2021-04-15

| 網格 | mesh generation | 網格生成演算 | 程式人 | 林信良

網格生成演算

想要自動建立三維模型,首先我們要了解這樣的模型是由網格所構成,而網格則是基於多個頂點、索引而形成二維形狀,再建立成三維模型

2021-04-08