前言
python是解释型语言，源码是普通文本，也是它的执行程序。所以商业视觉软件包开发不能用这个。
python可以用于工业应用，因为除非你的设备绝密，否则让客户看到源码也无所谓。
python用于工业方面的应用有一些例子，但受限于硬件商，绝大部分硬件不支持python，以C#，C++，VB为主。
python在深度学习方面已经统一江湖，其它语言都成了陪练。
python支持opencv。
网上绝大部分视觉算法是用c++和opencv，python, matlab来做演示的。
综上所述，花点时间学习一下python是值得的。
python的作用更倾向于做视觉算法原理的验证，因为工业项目应用的少，
所以勇哥认为它可以当做电脑游戏每天娱乐一下就好。
这也是为啥子本系列贴子的主题是“python娱乐时间”。
使用opencv的一些内置的算法来实现对图像特征的检测 从图像中提取的到的特征可以用来进行图像的匹配和检索常用的图像特征检测算法Harris:检测角点SIFT:检测斑点SURF:检测斑点FAST:检测角点BRIEF:检测斑点什么是图像特征？ 图像特征就是图像中最具有独特性和具有区别性的图像区域．在图像中特征区域主要分布在角点，高密度区域，边缘（边缘可以将图像分成多个区域),斑点（与周围像素差别很大的区域）cornerHarrir()角点的检测import cv2
import&nb
为什么要用numpyPython中提供了list容器，可以当作数组使用。但列表中的元素可以是任何对象，因此列表中保存的是对象的指针，这样一来，为了保存一个简单的列表[1,2,3]。就需要三个指针和三个整数对象。对于数值运算来说，这种结构显然不够高效。Python虽然也提供了array模块，但其只支持一维数组，不支持多维数组，也没有各种运算函数。因而不适合数值运算。NumPy的出现弥补了这些不足。（——摘自张若愚的《Python科学计算》）import numpy as&nbs
元组(tuple)： 元组常用小括号表示，即：()，元素加逗号，是元组的标识。#定义一个元组
#tuple = 'a',
tuple = ('a','b','c','d','e','f','g')
#常规来说，定义了一个元组之后就无法再添加或修改元组的元素，但对元组切片可以添加会修改元组的元素。
prin
升级到python3的同学应该会注意到以前经常用的xrange没了！是的，python3的range就是xrange。直接看效果！其实类似的改动是有很多的，例如：字典的items.>>> print(sys.version)
2.7.13 (v2.7.13:a06454b1afa1, Dec 17 2016, 20:53:40) [MSC v.1500 64 bit
机器学习算法与Python实践之（一）k近邻（KNN）zouxy09@qq.comhttp://blog.csdn.net/zouxy09 机器学习算法与Python实践这个系列主要是参考《机器学习实战》这本书。因为自己想学习Python，然后也想对一些机器学习算法加深下了解，所以就想通过Python来实现几个比较常用的机器学习算法。恰好遇见这本同样定位的书籍，所以就参考这本书的过程来学习了。 一、kNN算法分析
1.原理概述 K-近邻算法（KNN）概述 最简单最初级的分类器是将全部的训练数据所对应的类别都记录下来，当测试对象的属性和某个训练对象的属性完全匹配时，便可以对其进行分类。但是怎么可能所有测试对象都会找到与之完全匹配的训练对象呢，其次就是存在一个测试对象同时与多个训练对象匹配，导致一个训练对象被分到了多个类的问题，基于这些问题呢，就产生了KNN。 KNN是通过测量不同特征值之间的距离进行分类。它的的思
kNN算法又称为k近邻分类(k-nearest neighbor classification)算法。简单的分类就是待分类的数据与哪条已分类的数据相同，那么它们就属于同一个类别，但是现实中多数数据不可能完全相同，如果用这种方法，就可能导致待分类的数据找不到已经分类的相同的数据。 kNN算法从已经分类的数据中找到距离最接近的K个记录，然后取所占分类最多的那个类别。 实现的算法步骤：读取数据文件[1]，这里面包含测试集和训练集数据归一，主要是为了使每个属性对结果的影响相同从数据文
一、KNN算法概述：1.KNN算法的工作原理是：（1）存在一个训练样本集，并且知道样本集中每一数据与所属分类的对应关系，即每个数据都存在分类标签。 （2）若此时输入不带标签的新数据之后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后用算法提取出样本集中特征最相似数据的分类标签。 （3）最后，选择K个（可根据实际情况自由选择不大于20的整数）最相似数据中出现次数最多的分类，作为新数据的分类。2.KNN算法优缺点：（1）优点：精度高、对异常值不敏感、无数据输入假定。&n