python張量分解去噪（張量分解python代碼）

• 1、python 求教做主成分分析
• 2、3種python3的canny邊緣檢測之靜態，可調節和自適應
• 3、python繪折線圖（數據很多）很難看

主成分分析（PCA）是一種基於變量協方差矩陣對數據進行壓縮降維、去噪的有效方法。

PCA的思想是將n維特徵映射到k維上（kn），這k維特徵稱為主元，是舊特徵的線性組合，這些線性組合最大化樣本方差，盡量使新的k個特徵互不相關。

先看高級版的python3的canny的自適應邊緣檢測：

內容：

1 canny的邊緣檢測的介紹。

2 三種方法的canny的邊緣檢測，由淺入深地介紹：固定值的靜態，可自調節的，自適應的。

說明：

1 環境：python3.8、opencv4.5.3和matplotlib3.4.3。

2 圖片：來自品閱網正版免費圖庫。

3 實現自適應閾值的canny邊緣檢測的參考代碼和文章：

上述的代碼，本機均有報錯，故對代碼進行修改，注釋和運行。

初級canny：

1 介紹：opencv中給出了canny邊緣檢測的接口，直接調用：

即可得到邊緣檢測的結果ret，其中，t1，t2是需要人為設置的閾值。

2 python的opencv的一行代碼即可實現邊緣檢測。

3 Canny函數及使用：

4 Canny邊緣檢測流程：

去噪 — 梯度 — 非極大值抑制 — 滯後閾值

5 代碼：

6 操作和過程：

7 原圖：

8 疑問：

ret = cv2.canny(img,t1,t2)，其中，t1，t2是需要人為設置的閾值，一般人怎麼知道具體數值是多少，才是最佳的呀？所以，這是它的缺點。

中級canny：

1 中級canny，就是可調節的閾值，找到最佳的canny邊緣檢測效果。

2 採用cv2.createTrackbar來調節閾值。

3 代碼：

4 操作和效果：

5 原圖：

高級canny：

1 自適應canny的算法：

ret = cv2.canny(img,t1,t2)

即算法在運行過程中能夠自適應地找到較佳的分割閾值t1，t2。

2 文件結構：

3 main.py代碼：

4 dog.py代碼：

5 bilateralfilt.py代碼：

6 原圖：

7 效果圖：本文第一個gif圖，此處省略。

小結：

1 本文由淺入深，總結的很好，適合收藏。

2 對於理解python的opencv的canny的邊緣檢測，很有幫助。

3 本文高級版canny自適應的算法參考2篇文章，雖然我進行代碼的刪除，注釋，修改，優化等操作，故我不標註原創，對原作者表達敬意。

4 自己總結和整理，分享出來，希望對大家有幫助。

數據使用前要清洗，去除無效數據。

如果這些數據都是有效數據，只是你不想顯示那些過份異常的數據，那麼，就進行去噪處理。

去噪分兩步：檢測噪點，噪點修正。

對於整體連續，總體範圍大的數據集，最簡單的檢測噪點的辦法就是鄰值法，對於第n取相鄰的k個值：p[n-k,],p[n-k+1]…p[n-1]

對它們加權平均，得到標準點，上下浮動一定範圍，如果p[k]不在這個範圍內就是異常點

對應的噪點修正可以使用類似的過程，局部噪點回歸法。

這些一般來說都不是很實現的東西，對於數據集結構的不同，沒有必要做成通用的包，所以你只有自己實現。