양갱로그

Python 리스트, 튜플, 딕셔너리, 셋 list = [] tuple = () dict = {} set = set() Tuple은 리스트와 비슷하지만 값의 수정이 불가능하다는 차이점이 있다. t1 = () t1[0] = 1 --------------------------------------------------------------------------- TypeError Traceback (most recent call last) in 1 t1 = () ----> 2 t1[0] = 1 TypeError: 'tuple' object does not support item assignment t1 = (1,2,3) t1[0] # list와 같이 인덱스로 접근 가능하다. 1 #괄호를 생략해도 튜플 사용할..

리스트 관련 함수 append() - 추가 sort() - 정렬 reverse() - 뒤집기 index() - 위치 반환 insert() - 요소 삽입 remove() - 요소 삭제 pop() - 요소 꺼내기 count() - 요소 개수 세기 extend() - 리스트 확장 a = [1,2,3] a.append(4) a [1, 2, 3, 4] a.append([5,6]) a [1, 2, 3, 4, [5, 6]] a.append('sfsf') a [1, 2, 3, 4, [5, 6], 'sfsf'] a = [4,2,3,1] a.sort() a [1, 2, 3, 4] a.sort(reverse=True) a [4, 3, 2, 1] a = ['a','z','df'] a.sort() # 첫 알파벳 순으로 정렬 a..

리스트 표현방법 list = [요소1, 요소2, 요소3, ...] a = [] b = [1,2,3] c = ['life', 'is', 'too', 'short'] d = [1,2,'life','is'] e = list() a, b, c, d, e ([], [1, 2, 3], ['life', 'is', 'too', 'short'], [1, 2, 'life', 'is'], []) a == e # 빈 리스트는 [], list()로 생성할 수 있다. True 리스트 인덱싱, 슬라이싱 list는 문자열과 같이 인덱싱하고 슬라이싱할 수 있다. a = [1,2,3] a[0] 1 a[0]+a[2] 4 a[-1] 3 a = [1,2,3,['a','b','c']] a[0] 1 a[-1] ['a', 'b', 'c'] a[-..

a = "hobby" a.count('b') 2 a = "Python is best choice" a.find('b') #있는 경우, 처음 나온 위치(인덱스) 반환 10 a.find('k') #없는 경우, -1 반환 -1 a = 'life is too short' a.index('t') #있는 경우, 처음 나온 위치(인덱스) 반환 8 a.index('k') #없는 경우, 에러 --------------------------------------------------------------------------- ValueError Traceback (most recent call last) in ----> 1 a.index('k') #없는 경우, 에러 ValueError: substring not foun..

이전글 보기 ▼ 더보기 2019/12/11 - [Study/DAFIT] - 09 OpenCV 연습하기(1) - 06 Edge Detection(1) 09 OpenCV 연습하기(1) - 06 Edge Detection(1) https://docs.opencv.org/3.4/d2/d2c/tutorial_sobel_derivatives.html OpenCV: Sobel Derivatives Prev Tutorial: Adding borders to your images Next Tutorial: Laplace Operator Goal In this tutorial you w.. whereisend.tistory.com 2019/12/10 - [Study/DAFIT] - 09 OpenCV 연습하기(1) - 05..

이번에는 라플라시안을 사용해서 엣지 검출을 해보자. Sobel operator를 사용해서 라플라시안을 계산한다. Laplacian() 파라미터는 다음과 같다. 여기서 ksize는 1이거나 1보다 큰 홀수이다. ksize는 2차 미분 필터를 계산하는데 사용되는 Aerture size이다. #edge는 픽셀값이 급격하게 변하는 지점이다. #주변보다 1차 미분값이 큰 부분을 엣지로 검출하게된다. #sobel x,y 방향 각각의 별도 커널을 사용해서 엣지 검출한다. #sobel x는 수직선 방향 #sobel y는 수평선 방향 import cv2 from google.colab.patches import cv2_imshow img_path='/content/drive/My Drive/다핏문제/909/l..

0~1 사이의 값 : random 값 3x3 커널 : [[a,b,c],[d,e,f,],[g,h,i]] 이미지는 (256,256)으로 resizing하고 grayscale로 변환. * 필요한 라이브러리 임포트 import cv2 from google.colab.patches import cv2_imshow import numpy as np * 이미지 읽기 #cv2.filter2D #0~1 사이 값으로 구성된 3x3 커널을 생성한 뒤 이미지에 적용한 두 이미지를 동시에 출력해보자. #이미지에 적용전 높이 너비를 256,256이고 gray로 변환한다. img_path = '/content/drive/My Drive/다핏문제/909/lena.jpg' img = cv2.imread(img_path,2)..

이게 왜 분할정복 문제인지 잘 모르겠다.. 분할정복으로 푸는 솔루션을 찾아봐야할듯..