摘要：學習筆記七數學形態學關注的是圖像中的形狀，它提供了一些方法用于檢測形狀和改變形狀。學習筆記十一尺度不變特征變換，簡稱是圖像局部特征提取的現代方法基于區域圖像塊的分析。本文的目的是簡明扼要地說明的編碼機制，并給出一些建議。

開始之前，我們先來看這樣一個提問：

python初學者，請教python學習路徑

相信看完 @X_AirDu 的回答我們已經對 Python 有了一個大概的了解。那接下來就讓我們更深入的了解 Python 吧~

[零基礎學Python]一些關于Python的事情

已經描述了python的美好，開始學啦，做好如下準備：

電腦，必須的。不管是什么操作系統。

上網，必須的。沒有為什么。


除了這些，還有一條，非常非常重要，寫在最后：這是自己的興趣。

如何系統地自學 Python？

是否非常想學好 Python，一方面被瑣事糾纏，一直沒能動手，另一方面，擔心學習成本太高，心里默默敲著退堂鼓?
幸運的是，Python 是一門初學者友好的編程語言，想要完全掌握它，你不必花上太多的時間和精力。
廢話不多說，學會一門語言的捷徑只有一個： Getting Started

Python初學者的資源總結

[譯]學習Python編程的19個資源

《Programming Computer Vision with Python》是一本介紹計算機視覺底層基本理論和算法的入門書，通過這本收可以學到有關對象識別、基于內容的圖像搜索、光學字符識別、光流法、跟蹤、三維重建、立體成像、增強現實、姿態估計、全景創建、圖像分割、降噪、圖像分組等技術的實現原理。
英文版PDF下載：https://it-ebooks.info/book/836/
中文版介紹：http://book.douban.com/subjec...

Programming Computer Vision with Python （學習筆記一）

先介紹基本的圖像處理，包括圖像的讀取、轉換、縮放、導數計算、畫圖和保存，這些知識將為后面內容的學習打下基礎。

Programming Computer Vision with Python （學習筆記二）

首先介紹跟圖像處理、顯示有關兩個庫：NumPy和Matplotlib，然后介紹增強圖像對比度的實現原理。

Programming Computer Vision with Python （學習筆記三）

原書對于PCA的講解只有一小節，一筆帶過的感覺，但我發現PCA是一個很重要的基礎知識點，在機器機視覺、人臉識別以及一些高級圖像處理技術時都被經常用到，所以本人自行對PCA進行了更深入的學習。

Programming Computer Vision with Python （學習筆記四）

上一個筆記主要是講了PCA的原理，并給出了二維圖像降一維的示例代碼。但還遺留了以下幾個問題：

在計算協方差和特征向量的方法上，書上使用的是一種被作者稱為compact trick的技巧，以及奇異值分解（SVD），這些都是什么東西呢？

如何把PCA運用在多張圖片上？


所以，我們需要進一步的了解，同時，為示例對多張圖片進行PCA，我選了一個跟書相似但更有趣的例子來做——人臉識別。

Programming Computer Vision with Python （學習筆記五）

SciPy庫，與之前我們使用的NumPy和Matplotlib，都是scipy.org提供的用于科學計算方面的核心庫。相對NumPy，SciPy庫提供了面向更高層應用的算法和函數(其實也是基于NumPy實現的），并以子模塊的形式組織，每個子模塊對應不同的應用領域。

Programming Computer Vision with Python （學習筆記六）

邊緣檢測（edge detection）是最重要的圖像處理技術之一，圖像邊緣檢測大幅度地減少了數據量，并且剔除了可以認為不相關的信息，保留了圖像重要的結構屬性，為后續圖像理解方法提供了基礎。

Programming Computer Vision with Python （學習筆記七）

數學形態學（mathematical morphology）關注的是圖像中的形狀，它提供了一些方法用于檢測形狀和改變形狀。起初是基于二值圖像提出的，后來擴展到灰度圖像。二值圖像就是：每個像素的值只能是0或1，1代表描繪圖像的點，0代表背景。
基本的形態學運算包括：腐蝕（erosion）、膨脹（dilation）、開（opening）、閉（closing），對于這些運算，都需要用到被稱為結構元素(Structuring element)的模板，一般為方形，以小矩陣的形式表示，但它的元素的值只能是0或1，它代表的是一個集合，這個集合罩在原圖像上，可以跟原圖像的形狀進行集合運算。

Programming Computer Vision with Python （學習筆記八）

圖像去噪(Image Denoising)的過程就是將噪點從圖像中去除的同時盡可能的保留原圖像的細節和結構。這里講的去噪跟前面筆記提過的去噪不一樣，這里是指高級去噪技術，前面提過的高斯平滑也能去噪，但高斯平滑去噪的同時也把邊緣模糊化了，另外使用形態學的方法去噪是指去除一些粗的椒鹽噪聲。對于一幅密布噪點的圖像，如果使其變得清晰又保留邊緣細節，這是高級去噪技術所要解決的問題。

Programming Computer Vision with Python （學習筆記九）

角檢測（Corner detection）是指檢測圖像中具有代表性的（我們感興趣的）角點，一般講為形狀或邊緣的拐角處，這些點可以大略標記對象在圖像中的輪廓和位置，如果從一個圖像序列中檢測每個圖像的角點，就可以找出圖像之間存在的相關和相對應的角點，這對比如全景拼接（多張圖片拼接成一張全景圖片）很有用。
角檢測還可以用在運動檢測、物體識別等方面。

Programming Computer Vision with Python （學習筆記十）

現在考慮一個全景圖拼接的應用場景，假設現有兩張圖片需要拼接成一張全景圖，這兩張圖片是通過相機右轉一定角度拍攝出來的，兩張圖片有部分取景是重疊的。如何實現拼接？當然這是一個不簡單的問題，我們現在只考慮實現拼接目標的第一步：找出圖像中重疊的內容，以及分別在兩張圖片中的位置。

Programming Computer Vision with Python （學習筆記十一）

尺度不變特征變換(Scale-invariant feature transform， 簡稱SIFT)是圖像局部特征提取的現代方法——基于區域/圖像塊的分析。在上篇筆記里我們使用的圖像之間對應點的匹配方法，不適用于不同尺度的圖像。有許多應用場景需要對不同尺度（即分辨率、縮放、旋轉角度、亮度等都可能存在不同）的圖像進行特征識別和匹配，這就需要一種特征提取方法，通過這種方法提取出來的特征描述，可以不受尺度的影響，SIFT算法就是這種方法的實現。
SIFT算法的應用非常廣泛，包括物體識別、機器人地圖感知與導航、全景拼接、3D建模、手勢識別、影像追蹤和動作比對等,原書后面章節的算法也會多次用到它。SIFT算法的過程較復雜，本文只是粗略介紹其關鍵步驟，以便引出SURF——基于SIFT的改進算法。

Programming Computer Vision with Python （學習筆記十二）

ORB（Oriented FAST and Rotated BRIEF）可用來替代SIFT（或SURF），它對圖像更具有抗噪特性，是一種特征檢測高效算法，其速度滿足實時要求，可用于增強圖像匹配應用。
ORB的算法基于FAST角檢測（Features from accelerated segment test）和BRIEF(Binary Robust Independent Elementary Features)特征描述符，這也是它名字的由來。

[原] Python 開發者面向文檔編程的正確姿勢

在實際生產中，機器學習工作現在看起來，白天像是個算法工程師的活，晚上就變成運維+測試了。Python 一直以來也都受到測試工程師和運維工程師的偏愛，下面是幾個經典的注釋活用case。

[譯]讓你的Python代碼優雅又地道

在Python社區文化的澆灌下，演化出了一種獨特的代碼風格，去指導如何正確地使用Python，這就是常說的pythonic。一般說地道(idiomatic)的python代碼，就是指這份代碼很pythonic。Python的語法和標準庫設計，處處契合著pythonic的思想。而且Python社區十分注重編碼風格一的一致性，他們極力推行和處處實踐著pythonic。所以經常能看到基于某份代碼P vs NP (pythonic vs non-pythonic)的討論。pythonic的代碼簡練，明確，優雅，絕大部分時候執行效率高。閱讀pythonic的代碼能體會到“代碼是寫給人看的，只是順便讓機器能運行”暢快。

python高級特性

python語言的一些高階用法主要有以下幾個特性：

generators生成器用法

collections包常見用法

itertools包常見用法

packing/unpacking封包/解包特性

Decorators裝飾器

Context Managers上下文管理期


以上幾個特性我會針對應用場景，使用注意事項，應用舉例幾個維度分別進行講解，如果有同學對某個特性特別熟悉則可以直接跳過。

深入淺出地，徹徹底底地理解python中的編碼

python處理文本的功能非常強大，但是如果是初學者，沒有搞清楚python中的編碼機制，也經常會遇到亂碼或者decode error。本文的目的是簡明扼要地說明python的編碼機制，并給出一些建議。

Python裝飾器為什么難理解？

無論項目中還是面試都離不開裝飾器話題，裝飾器的強大在于它能夠在不修改原有業務邏輯的情況下對代碼進行擴展，權限校驗、用戶認證、日志記錄、性能測試、事務處理、緩存等都是裝飾器的絕佳應用場景，它能夠最大程度地對代碼進行復用。

眾里尋她千百度--正則表達式

簡單來說，正則表達式就是用來匹配特定內容的字符串。舉個例子來講，如果我想找出由a、b組成的，以abb結尾的字符串，比如ababb，那么用正則表達式來表示就是[ab]*abb。

【Python3】Python面向對象的程序設計

python中一切皆為對象，且python3統一了類與類型的概念，類型就是類。
基于面向對象設計一個款游戲：英雄聯盟，每個玩家選一個英雄，每個英雄都有自己的特征和和技能，特征即數據屬性，技能即方法屬性，特征與技能的結合體就一個對象。
從一組對象中提取相似的部分就是類，類所有對象都具有的特征和技能的結合體。
在python中，用變量表示特征，用函數表示技能，因而類是變量與函數的結合體，對象是變量與方法（指向類的函數）的結合體。

Python源碼理解: "+=" 和 "xx = xx + xx"的區別

現在我們大概明白了+=實際上是干嘛了: 它應該能算是一個加強版的+, 因為它比+多了一個寫回本身的功能.不過是否能夠寫回本身, 還是得看對象自身是否支持, 也就是說是否具備Py_NotImplemented標識, 是否支持sq_inplace_concat, 如果具備, 才能實現, 否則, 也就是和 + 效果一樣而已.

那些有趣/用的 Python 庫

Python拾遺（一）

總所周知，Python 做爬蟲很方便，有現成的庫，這是很多從入門級選手到專業級選手都在做的。Python 也可以做游戲。Python 還很受黑客的青睞，在黑客領域的應用就不多說了。此外 Python 做網站也無壓力，比如知乎的主站后臺就是基于 Python 的 tornado 框架，豆瓣的后臺也是基于 Python。可以不負責任地說，Python 幾乎可以做任何事情。Python 還可以做桌面程序，Python 有很多 UI 庫，可以很方便地完成一個 GUI 程序，比如大名鼎鼎的 Dropbox，就是用 Python 實現的服務器端和客戶端程序。

Python爬蟲基礎

python爬蟲基礎知識，至此足夠，接下來，在實戰中學習更高級的知識。

精通Python網絡爬蟲(0):網絡爬蟲學習路線

隨著大數據時代的到來，人們對數據資源的需求越來越多，而爬蟲是一種很好的自動采集數據的手段。
那么，如何才能精通Python網絡爬蟲呢？學習Python網絡爬蟲的路線應該如何進行呢？在此為大家具體進行介紹。

Python爬蟲使用Selenium+PhantomJS抓取Ajax和動態HTML內容

在上一篇python使用xslt提取網頁數據中，要提取的內容是直接從網頁的source code里拿到的。但是一些Ajax動態內容是在source code找不到的，就要找合適的程序庫把異步或動態加載的內容加載上來，交給本項目的提取器進行提取。
python可以使用selenium執行javascript，selenium可以讓瀏覽器自動加載頁面，獲取需要的數據。selenium自己不帶瀏覽器，可以使用第三方瀏覽器如Firefox，Chrome等，也可以使用headless瀏覽器如PhantomJS在后臺執行。

Python爬蟲項目整理

爬蟲實戰系列

Python爬蟲實戰（1）：爬取Drupal論壇帖子列表

Python爬蟲實戰（2）：爬取京東商品列表

Python爬蟲實戰（3）：安居客房產經紀人信息采集

Python爬蟲實戰（4）：豆瓣小組話題數據采集—動態網頁

開始Tornado的源碼分析之旅

Tornado 是由 Facebook 開源的一個服務器“套裝”，適合于做 python 的 web 或者使用其本身提供的可擴展的功能，完成了不完整的 wsgi 協議，可用于做快速的 web 開發，封裝了 epoll 性能較好。文章主要以分析 tornado 的網絡部分即異步事件處理與上層的 IOstream 類提供的異步IO，其他的模塊如 web 的 tornado.web 以后慢慢留作分析。

tornado 源碼閱讀-初步認識

最近閑暇無事,閱讀了一下tornado的源碼,對整體的結構有了初步認識,與大家分享

我心中的 tornado 最佳實踐

最近開發新項目一直在學習tornado的知識，在前人的基礎上找了些最佳實踐，記錄如下，備查。

Tornado 簡單入門教程:

Tornado 簡單入門教程（零）——準備工作

這兩天在學著用Python + Tornado +MongoDB來做Web開發（哈哈哈這個詞好高端）。學的過程中查閱了無數資料，也收獲了一些經驗，所以希望總結出一份簡易入門教程供初學者參考。完整的教程將盡可能（233）遵循下面的目錄順序。

Tornado 簡單入門教程（一）——Demo1

Demo1是一個簡單的博客系統（=。=什么網站都叫系統）。我們從這個簡單的系統入手，去了解P+T+M網站的內部邏輯，并記住一些“規則”，方便我們進一步自己開發。

Tornado 簡單入門教程（二）——Demo2

在Demo1里面,我們練習了如何部署應用、tornado框架的基本結構以及應用如何處理請求。
其實Demo1算不上一個博客啦。一個最基本的信息系統一定要包含對數據庫的增、刪、改和查。所以這次，我們來將Demo1升級為Demo2，添加上基本的增刪改查。

一直斷斷續續的用過幾次 OpenCV，感覺熟練掌握它的使用方法已經變的非常必要了，正好找到一個很不錯的英文教程，就以此為起點，詳細記錄一下對 OpenCV 的學習過程吧。

安裝Python OpenCV

第一節：圖像基本操作

第二節：濾鏡和圖像運算

第三節：圖像像素點操作

第四節：圖像直方圖和反向投影

第五節：圖像中邊界和輪廓檢測

第六節：對象識別

第七節：圖像灰度化處理

第八節：圖像二值化處理

第一節：輸入輸出

第二節：視頻處理

第三節：標記運動軌跡

第四節：運動檢測

第五節：運動方向判斷

數據科學部門如何使用Python和R組合完成任務

和那些數據科學比賽不同，在真實的數據科學中，我們可能更多的時間不是在做算法的開發，而是對需求的定義和數據的治理。所以，如何更好的結合現實業務，讓數據真正產生價值成了一個更有意義的話題。
數據科學項目的完整流程通常是這樣的五步驟：
需求定義=》數據獲取=》數據治理=》數據分析=》數據可視化

Python科學計算利器——Anaconda

最近在用Python做中文自然語言處理。使用的IDE是PyCharm。PyCharm確實是Python開發之首選，但用于科學計算方面，還略有欠缺。為此我嘗試過Enthought Canopy，但Canopy感覺把問題搞得復雜化，管理Python擴展也不太方便。直到今天我發現了Anaconda。
Anaconda是一個和Canopy類似的科學計算環境，但用起來更加方便。自帶的包管理器conda也很強大。

[翻譯]使用Python一步一步地來進行數據分析

你學習Python時能犯的最簡單的錯誤之一就是同時去嘗試學習過多的庫。當你努力一下子學會每樣東西時，你會花費很多時間來切換這些不同概念之間，變得沮喪，最后轉移到其他事情上。
所以，堅持關注這個過程：

理解 Python 基礎

學習 Numpy

學習 Pandas

學習 Matplolib

numpy：python數據領域的功臣

numpy對python的意義非凡，在數據分析與機器學習領域為python立下了汗馬功勞。現在用python搞數據分析或機器學習經常使用的pandas、matplotlib、sklearn等庫，都需要基于numpy構建。毫不夸張地說，沒有numpy，python今天在數據分析與機器學習領域只能是捉襟見肘。

0x01 念念Python，必有回響

真若有心于數據領域，甚或欲從事數據科學之職業。請對Python有信心，值得你付出時間。想走機器學習之路，Scikit-learn是你最好的選擇，一邊操作實例，一邊閱讀文檔，再輔助以相關的理論基礎，持之數日，則大業可成也。

Python機器學習工具：Scikit-Learn介紹與實踐

官方的解釋很簡單: Machine Learning in Python, 用python來玩機器學習。
Scikit-learn的優點：

構建于現有的NumPy(基礎n維數組包)，SciPy(科學計算基礎包), matplotlib(全面的2D/3D畫圖)，IPython(加強的交互解釋器)，Sympy(Symbolic mathematics)， Pandas(數據結構和分析)之上，做了易用性的封裝。

簡單且高效的數據挖掘、數據分析的工具。

對所有人開放，且在很多場景易于復用。

BSD證書下開源。

教程 | 如何用Python和機器學習炒股賺錢？

相信很多人都想過讓人工智能來幫你賺錢，但到底該如何做呢？瑞士日內瓦的一位金融數據顧問 Ga?tan Rickter 近日發表文章介紹了他利用 Python 和機器學習來幫助炒股的經驗，其最終成果的收益率跑贏了長期處于牛市的標準普爾 500 指數。雖然這篇文章并沒有將他的方法完全徹底公開，但已公開的內容或許能給我們帶來如何用人工智能炒股的啟迪。機器之心對本文進行了編譯介紹，代碼詳情請訪問原文。

歐拉函數(Euler" totient function )

gamma函數的求導會出現所謂的歐拉函數（phi），在一篇論文中我需要對好幾個歐拉函數求值，結果不能理解，立即去google，發現了一個開源的python庫可以用來計算歐拉函數

Python 機器學習入門資料整理

這10個Python項目超有趣

Python可謂是現在很多人正在學或者想學的一個腳本語言了，提到學習自然就少不了拿項目練手，可是一般的項目根本提不起興趣嘛，這10個項目可是非常有趣的，不信你看看。

Python 讀寫excel文件

最近需要用到Python來操作excel表，讀取表格內容到數據庫。所以就搜索了相關資料。查找了一下，可以操作excel表的幾個庫有以下幾個：

openpyxl 這個是推薦使用的庫，可以讀寫Excel 2010以上格式，以.xlsx結尾的文件。

xlsxwriter 這個支持.xlsx,但是只支持寫入，格式化等操作，不支持讀取。

xlrd 這個支持讀取數據，支持以xls結尾的文件，也就是比較老的格式。

xlwt 這個和上面的相對應，支持寫入書和格式化數據，支持xls結尾的文件格式。

xlutils 這個是整合了xlrd和xlwt兩個庫的功能。


經過對比我還是選擇了openpyxl這個庫，下面針對這個庫的使用進行說明

7 行Python的人臉識別

隨著去年alphago 的震撼表現，AI 再次成為科技公司的寵兒。AI涉及的領域眾多，圖像識別中的人臉識別是其中一個有趣的分支。百度的BFR，Face++的開放平臺，漢王，訊飛等等都提供了人臉識別的API，對于老碼農而言，自己寫一小段代碼，來看看一張圖片中有幾個人，沒有高大上，只是覺得好玩，而且只需要7行代碼。

動手實操 | 如何用 Python 實現人臉識別，證明這個楊冪是那個楊冪？

當前，人臉識別應用于許多領域，如支付寶的用戶認證，許多的能識別人心情的 AI，也就是人的面部表情，還有能分析人的年齡等等，而這里面有著許多的難度，在這里我想要分享的是一個利用七牛 SDK 簡單的實現人臉識別的方法，當然七牛的 SDK 中提供了很多的拓展，在返回的 JSON 中包含著如年齡等信息，這里就不進行分享了。這里我們要使用的是七牛云平臺中由第三方數據處理提供的 API。

Python 爬蟲：把廖雪峰的教程轉換成 PDF 電子書

寫爬蟲似乎沒有比用 Python 更合適了，Python 社區提供的爬蟲工具多得讓你眼花繚亂，各種拿來就可以直接用的 library 分分鐘就可以寫出一個爬蟲出來，今天就琢磨著寫一個爬蟲，將廖雪峰的 Python 教程 爬下來做成 PDF 電子書方便大家離線閱讀。

我用Python分析了42萬字的歌詞，為了搞清楚民謠歌手們在唱些什么

聽了這么多年民謠，我有一種感覺，就是很多歌都似曾相識，但是仔細一想，又哪一首都想不起來，為了搞清楚這群流浪在祖國大地的現代游吟詩人們都在唱些什么，我做了一些數據分析的工作。

僅78行代碼實現微信撤回消息查看~

今天一大早奔來圖書館，想想了微信很簡潔也很強大的一個工具，最近微信的新聞還是比較多的， 比如：小程序、時間軸等，這不是重點，重點是看到了一個基于python的微信開源庫：itchat，玩了一天。Python曾經對我說："時日不多，趕緊用Python"。

Python爬蟲，看看我最近博客都寫了啥，帶你制作高逼格的數據聚合云圖

今天一時興起，想用python爬爬自己的博客，通過數據聚合，制作高逼格的云圖(對詞匯出現頻率視覺上的展示)，看看最近我到底寫了啥文章。

桑心病狂，試試把報警日志發到微信上

wechat_sender 是基于 wxpy 和 tornado 實現的一個可以將你的網站、爬蟲、腳本等其他應用中各種消息 （日志、報警、運行結果等） 發送到微信的工具。
使用 wechat_sender 很簡單，只需要有個人微信號，然后用個人微信號啟動 wechat_sender 服務。

微信公號DIY：一小時搭建微信聊天機器人

使用Python實現聊天機器人的方案有多種：AIML、chatterBot以及圖靈聊天機器人和微軟小冰等。
考慮到以后可能會做一些定制化的需求，這里我選擇了chatterBot。
chatterbot是一款python接口的，基于一系列規則和機器學習算法完成的聊天機器人。具有結構清晰，可擴展性好，簡單實用的特點。

用 Python 寫一個 NoSQL 數據庫

NoSQL 這個詞在近些年正變得隨處可見， 但是到底 "NoSQL" 指的是什么? 它是如何并且為什么這么有用? 在本文, 我們將會通過純 Python (我比較喜歡叫它， "輕結構化的偽代碼") 寫一個 NoSQL 數據庫來回答這些問題。

Python 動手寫一個刷網站流量的工具

Python 詞云分析周杰倫《晴天》

python爬蟲之實戰花瓣網

講師：

@kimg1234，知乎專欄 爬蟲入門到精通系統教程 的作者，對爬蟲技巧有特別的研究，熟悉HTTP協議。

內容簡介：

如何爬取異步加載的網頁

如何解析請求中的參數

headers中的Accept如何應用

如何優雅的獲取JavaScript中的內容

如何解決爬取網頁過程中遇到的問題

使用 Python 和 TFlearn 深度學習的第一步

講師：

@Christoph，浙江財經大學數據分析和大數據計算客座教授，德國不萊梅大學數學博士

內容簡介:

近年來，深度學習已經帶動了機器學習的革命性進展：用于分類圖像和自動翻譯的深層神經網絡模型已經達到了過去無法想象的程度。
我們將快速概述深度神經網絡和激活函數，然后使用 TFlearn 構建圖像分類器。 TFlearn 使用類似 sklearn 的接口，一個流行的 Python 機器學習庫，利用谷歌的 TensorFlow 的底層計算和加快開發過程。 聽課只需具備一些 Python 知識即可，無需機器學習背景。

SegmentFault 官方目前開放的微信技術群如下：

SF.GG 后端攻城獅交流群

SF.GG 前端攻城獅交流群

SF.GG 北京技術交流群

SF.GG 上海技術交流群

SF.GG 廣州技術交流群

SF.GG 深圳技術交流群

SF.GG 杭州技術交流群

以上群組僅限程序員加入，需要入群的小伙伴請添加管理員微信好友：mgr_segmentfault，備注『群名稱+SF用戶ID』，審核成功后會拉你進入相應技術群。

（本期完）