数字旗手

简介 本文是对ImagePy的矢量图形绘制工具进行深度解析。 矢量图形相对于位图来说，有其特有的操作，比如两个矢量进行求交集、求并集、求差等。 阅读本文之前，可以先参考之前的这篇文章，以对ImagePy的矢量图形有初步了解。 功能函数 将矢量图形转化为点集 该函数的作用是将矢量图形转换为点集，这里的点作为锚点，可以供后续编辑。 比如对于矩形这一矢量，在shp中定义了它的起始点和长宽，通过该函数，可以将该矩形转为9个点的点集，即将该矩形分成田字格。 （具体到语法上，使用了numpy的mgrid函数，其中的步长设为了复数的形式，具体可以参考这里） 1 2 3 4 5 6 7 8 9 10 11

问题描述 给定一个多边形区域，怎样判断某个点是否在该区域内？ 如下图所示的蓝色多边形框，判断某点是否在该框内。 定义域 先写出该蓝色框的坐标序列： 1 2 3 4 import numpy as np import matplotlib.pyplot as plt poly = np.array([(0,0),(1,0),(0.7,0.7),(1,1),(0,1),(0.5,0.5),(0,0)]) 注意，该坐标序列是首尾相接的。 然后，定义出任意数量、任意位置的随机点： 1 pts = np.random.rand(80).reshape((40,2)) 这里给出了

问题描述 图像中有一条线，如何判断这条线的转折点？ 比如下面一张图： 目的是找到图中的三个转折点。 解法 找到轮廓线 1 2 3 img = cv2.imread('test.png', 0) conts = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0][0] xs, ys = conts[:,:,0], conts[:,:,1] 这一步实际作用是通过寻找轮廓线，从像素类型的位图中提取有意义的这条线的坐标序列，即矢量序列。 同时将横坐标和纵坐标分别提取出来。 高斯模糊 1 2 gxs =

简介 本文介绍ImagePy中的智能画笔工具，它能够很方便地对图像进行像素级标注，尤其是在复杂图像上进行多种类别的标注时，用好这个智能画笔，能使效率飞升。 先来一连串的功能介绍镇楼： （1）鼠标左键 左键：具有联想功能的局部标注 Ctrl+左键单击：吸取颜色 Ctrl+左键：普通画笔 Shift+左键：落笔选定保护色，在矩形框内闭合且非保护色区域被填充 Alt+左键：落笔选定保护色，在矩形框内对该色进行描边 Ctrl+Alt+左键：落笔选定保护色，对任意的非保护色的区域进行标注 （2）鼠标右键 右键：全局填充 Shift+右键：落笔所在的保护色的内部闭合区域被填充 Ctrl+右键：落笔所在的

2024-7-14 说明 今天将博客从vercel迁移到了cloudflare。步骤也非常简单，跟vercel类似，将github库关联到cloudflare即可，可参考该博客以及这个博客。 需要注意的点有： * 在godaddy上配置cloudflare的域名服务器 * 在cloudflare的dns里配置两个CNAME，一个是’qixinbo.info’，一个是’www.qixinbo.info’。 * 还要在Workers和Pages里单独设置一下“自定义域”。 说明 在最近一次在不同电脑间迁移时，使用了Vercel这个站点托管工具，有如下几个优点： * 完全不需要像下面那

概览 赛事描述 Kaggle上正在进行一项名为“HuBMAP: Hacking the Kidney”的竞赛，链接见这里，总奖金是6万美金，该竞赛的目的是为了检测人体组织中的functional tissue units (FTUs)。FTU的定义是：three-dimensional block of cells centered around a capillary, such that each cell in this block is within diffusion distance from any other cell in the same block，感觉类似于细胞的概念，

本文是对极客时间app上王争老师的<数据结构与算法之美>的课堂笔记。 基础概念 算法与数据结构是编程的内功。 从广义上讲，数据结构就是指一组数据的存储和逻辑结构。算法就是操作数据的一组方法。 数据结构和算法是相辅相成的。数据结构是为算法服务的，算法要作用在特定的数据结构之上。 因此，我们无法孤立数据结构来讲算法，也无法孤立算法来讲数据结构。（比如，因为数组具有随机访问的特点，常用的二分查找算法需要用数组来存储数据。但如果我们选择链表这种数据结构，二分查找算法就无法工作了，因为链表并不支持随机访问。） 数据结构与算法中最重要的概念——复杂度分析：数据结构和算法解决的是如何更省、更

sknw是一个从骨架图中创建图网络的库，代码在这里。 它不仅可以实现将单线转变成图graph的效果，而且里面的trace函数还可以实现像素追踪，将图像中的单线的坐标序列依次提取出来，从而将图像转变为矢量图。（sknw可以对闭合曲线进行坐标提取，对于闭合曲线，也可以使用find_contour来提取这些坐标序列） 输入图像 输入图像必须是一个二值的骨架图。 比如，这里的示例图像矩阵为： 1 2 3 4 5 6 7 8 9 10 img = np.array([ [0,0,0,1,0,0,0,0,0], [0,0,0,1,0,0,0,1,0], [0,0,0,1,0

Cellpose是一个对于胞状物体（比如细胞、晶粒、核、砖块等）进行分割的非常优秀的通用算法，其体现了深度学习在分割这类物体时的强大能力，同时其泛化效果也远超过传统图像处理算法，展现了数据驱动的深度学习所特有的“暴力美学”。 试用 Cellpose的源代码见这里。 同时开发者还搭建了网站来方便用户试用Cellpose： Cellpose快速体验网站：用户可以直接上传自己的图像来直接调用Cellpose，第一时间获得Cellpose的处理效果。 如果用户觉得好，那么可以接着往下深度体验或钻研Cellpose了。 安装 Cellpose的安装有多种方式： Google Colab在线运行 开

概览 上一篇介绍了如何安装和使用Cellpose，相当于将Cellpose当做一个开箱即用的软件。实际上Cellpose还是一个开源的代码库，开发者可以深入研究它的算法，并进行调用、修改和完善等。 本文尝试对Cellpose的运行机理做一个研究，包括它的标注数据的格式、神经网络的架构、神经网络的输入和输出等。 标注数据格式 假设有这么一张要分割的图像，大小为10像素乘以10像素（选择这么小的像素矩阵以方便打印和查看数值），背底为黑色，图像中间有一个白色圆盘，即： 它的像素矩阵为： 1 2 3 4 5 6 7 8 9 10 11 array([[ 0., 0., 0., 0