前言
ChatGPT最近挺火的，据说还能写程序，感到有些惊讶。于是在使用ChatGPT有一周左右后，分享一下用它写程序的效果如何。
1、对于矩阵，把减法操作转换加法？
感觉不错的，能清晰介绍原理，然后写示例程序，还给出了示例的运行结果。
2、写一个程序，矩阵除法转换为矩阵除法
上面是一个简答的例子，要求程序详细一些
当要求程序详细一些时，它会写得很详细些，这个不错的；
但是在解释原理时，公式显示乱码了，这点有待完善。
3、写一个程序，pytorch模型转onnx
对于特定领域的知识（ONNX模型转换），它也是知道的，能根据需求，写出示例程序。
4、写一个程序，遍历彩色图片
5、写一个程序，遍历三维数组
但是呢，上面的程序会报错：
ValueError: index 10016 is out of bounds for array with size 10000
6、写个程序，实现彩色图片灰度化，灰度值是每个通道的平均值
7、使用opencv检测图片的轮廓，拟合直线
-
import cv2
-
import numpy
as np
-
-
# 读取图像并转换为灰度图像
-
img = cv2.imread(
'image.jpg')
-
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-
-
# 对图像进行二值化处理
-
ret, thresh = cv2.threshold(gray,
127,
255, cv2.THRESH_BINARY)
-
-
# 找到图像中的轮廓
-
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
-
-
# 对每个轮廓拟合多条直线
-
for cnt
in contours:
-
# 近似轮廓
-
epsilon =
0.01 * cv2.arcLength(cnt,
True)
-
approx = cv2.approxPolyDP(cnt, epsilon,
True)
-
-
# 计算轮廓的凸包
-
hull = cv2.convexHull(approx, returnPoints=
False)
-
-
# 如果轮廓点的数量不足 5 个，则不做拟合
-
if
len(approx) <
5:
-
continue
-
-
# 寻找轮廓的顶点
-
defects = cv2.convexityDefects(approx, hull)
-
vertices = []
-
for i
in
range(defects.shape[
0]):
-
s, e, f, d = defects[i,
0]
-
start =
tuple(approx[s][
0])
-
end =
tuple(approx[e][
0])
-
far =
tuple(approx[f][
0])
-
vertices.append(far)
-
-
# 对轮廓进行拟合
-
lines = cv2.fitLine(np.array(vertices), cv2.DIST_L2,
0,
0.01,
0.01)
-
-
# 绘制拟合直线
-
x0, y0 =
int(lines[
2] - lines[
0] *
100),
int(lines[
3] - lines[
1] *
100)
-
x1, y1 =
int(lines[
2] + lines[
0] *
100),
int(lines[
3] + lines[
1] *
100)
-
cv2.line(img, (x0, y0), (x1, y1), (
0,
255,
0),
2)
-
-
cv2.imshow(
'image', img)
-
cv2.waitKey(
0)
-
cv2.destroyAllWindows()
-
import cv2
-
import numpy
as np
-
-
# 读取图片
-
img = cv2.imread(
'example.png')
-
-
# 转为灰度图
-
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-
-
# 二值化处理
-
ret, binary = cv2.threshold(gray,
127,
255, cv2.THRESH_BINARY)
-
-
# 查找轮廓
-
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
-
-
# 对轮廓点集合按照横坐标排序
-
contour_points = contours[
0]
-
contour_points = contour_points[np.argsort(contour_points[:, :,
0])]
-
-
# 分离轮廓点集合
-
mid_x = (contour_points[
0][
0][
0] + contour_points[-
1][
0][
0]) //
2
-
left_points = contour_points[
0:mid_x, :, :]
-
right_points = contour_points[mid_x:, :, :]
-
-
# 拟合左侧直线
-
left_vx, left_vy, left_x, left_y = cv2.fitLine(left_points, cv2.DIST_L2,
0,
0.01,
0.01)
-
-
# 拟合右侧直线
-
right_vx, right_vy, right_x, right_y = cv2.fitLine(right_points, cv2.DIST_L2,
0,
0.01,
0.01)
-
-
# 计算直线的截距和斜率
-
left_k = left_vy / left_vx
-
left_b = left_y[
0][
0] - left_k * left_x[
0][
0]
-
right_k = right_vy / right_vx
-
right_b = right_y[
0][
0] - right_k * right_x[
0][
0]
-
-
# 画出拟合的直线
-
height, width, _ = img.shape
-
left_x0 =
0
-
left_y0 =
int(left_k * left_x0 + left_b)
-
left_x1 = width
-
left_y1 =
int(left_k * left_x1 + left_b)
-
right_x0 =
0
-
right_y0 =
int(right_k * right_x0 + right_b)
-
right_x1 = width
-
right_y1 =
int(right_k * right_x1 + right_b)
-
cv2.line(img, (left_x0, left_y0), (left_x1, left_y1
-
import cv2
-
import numpy
as np
-
-
# 读入图像
-
img = cv2.imread(
"example.jpg")
-
-
# 灰度化和边缘检测
-
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-
edges = cv2.Canny(gray,
50,
150, apertureSize=
3)
-
-
# 获取轮廓
-
contours, hierarchy = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
-
-
# 对每个轮廓进行拟合
-
for contour
in contours:
-
# 拟合直线
-
[vx, vy, x, y] = cv2.fitLine(contour, cv2.DIST_L2,
0,
0.01,
0.01)
-
slope = vy / vx
-
y_intercept = y - slope * x
-
x1 =
0
-
y1 =
int(x1 * slope + y_intercept)
-
x2 = img.shape[
1] -
1
-
y2 =
int(x2 * slope + y_intercept)
-
cv2.line(img, (x1, y1), (x2, y2), (
0,
0,
255),
2)
-
-
[vx, vy, x, y] = cv2.fitLine(contour, cv2.DIST_L2,
0,
0.01,
0.01)
-
slope = vy / vx
-
y_intercept = y - slope * x
-
x1 =
0
-
y1 =
int(x1 * slope + y_intercept)
-
x2 = img.shape[
1] -
1
-
y2 =
int(x2 * slope + y_intercept)
-
cv2.line(img, (x1, y1), (x2, y2), (
0,
0,
255),
2)
-
-
# 显示结果
-
cv2.imshow(
"result", img)
-
cv2.waitKey(
0)
-
cv2.destroyAllWindows()
-
import cv2
-
import numpy
as np
-
-
# 读入图片，转为灰度图
-
img = cv2.imread(
"image.jpg")
-
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-
-
# Canny 边缘检测
-
edges = cv2.Canny(gray,
50,
150)
-
-
# 寻找轮廓
-
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
-
-
# 画出轮廓
-
contour_img = np.zeros_like(img)
-
cv2.drawContours(contour_img, contours, -
1, (
0,
255,
0),
3)
-
-
# 对每个轮廓拟合两条直线
-
line_img = np.zeros_like(img)
-
for cnt
in contours:
-
# 拟合第一条直线
-
[vx, vy, x, y] = cv2.fitLine(cnt, cv2.DIST_L2,
0,
0.01,
0.01)
-
lefty =
int((-x * vy / vx) + y)
-
righty =
int(((img.shape[
1] - x) * vy / vx) + y)
-
cv2.line(line_img, (img.shape[
1]-
1, righty), (
0, lefty), (
255,
0,
0),
2)
-
-
# 拟合第二条直线
-
[vx, vy, x, y] = cv2.fitLine(cnt, cv2.DIST_L2,
0,
0.01,
0.01)
-
lefty =
int((-x * vy / vx) + y)
-
righty =
int(((img.shape[
1] - x) * vy / vx) + y)
-
cv2.line(line_img, (img.shape[
1]-
1, righty), (
0, lefty), (
0,
0,
255),
2)
-
-
# 显示结果
-
cv2.imshow(
"Contour", contour_img)
-
cv2.imshow(
"Lines", line_img)
-
cv2.waitKey(
0)
-
cv2.destroyAllWindows()
同样的问题，实现的方式有多种；在编写程序需求时，明确一下思路，它写出来的代码会更符合我们所想的。
-
import cv2
-
import numpy
as np
-
-
# 读取图片并进行灰度化处理
-
img = cv2.imread(
'test.png')
-
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-
-
# 对灰度图像进行边缘检测，如使用 Canny 算法
-
edges = cv2.Canny(gray,
50,
150)
-
-
# 找到所有轮廓，并选择一个想要拟合的轮廓
-
contours, hierarchy = cv2.findContours(edges, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
-
cnt = contours[
0]
-
-
# 对轮廓进行逼近，得到轮廓的拟合线段
-
epsilon =
0.1 * cv2.arcLength(cnt,
True)
-
approx = cv2.approxPolyDP(cnt, epsilon,
True)
-
-
# 计算轮廓的重心坐标
-
M = cv2.moments(cnt)
-
cx =
int(M[
'm10']/M[
'm00'])
-
cy =
int(M[
'm01']/M[
'm00'])
-
-
# 将轮廓点集合分为左右两部分
-
left_cnt = []
-
right_cnt = []
-
for i
in
range(
len(cnt)):
-
if cnt[i][
0][
0] < cx:
-
left_cnt.append(cnt[i])
-
else:
-
right_cnt.append(cnt[i])
-
-
left_cnt = np.array(left_cnt)
-
right_cnt = np.array(right_cnt)
-
-
# 对左右两部分的点分别进行拟合直线
-
[vx_l, vy_l, x_l, y_l] = cv2.fitLine(left_cnt, cv2.DIST_L2,
0,
0.01,
0.01)
-
[vx_r, vy_r, x_r, y_r] = cv2.fitLine(right_cnt, cv2.DIST_L2,
0,
0.01,
0.01)
-
-
# 得到拟合直线的参数，可以使用直线的一般式或截距式表示
-
k_l = vy_l / vx_l
-
b_l = y_l - k_l * x_l
-
k_r = vy_r / vx_r
-
b_r =
这个代码没写完，又被中断了；感觉写稍微长一些的代码，就容易出现中断的情况。
总体感受
对于简单的运算，感觉不错的，能清晰介绍原理，然后写示例程序，还给出了示例的运行结果。
在示例程序中，要求程序详细一些时，它会写得很详细些，这个不错的。
对于一些特定领域的知识，它也是知道的，能根据描述需求，写出示例程序。
有些复杂一些的运算，它写出的程序会报错；这个需要我们检测和修正。
写稍微长一些的代码，就容易出现中断的情况，代码还没写完呢。
总体感觉挺挺强的，适合我们去了解一个新的知识（原理和思路），然后参考它的示例程序。
转载：https://blog.csdn.net/qq_41204464/article/details/129151022
查看评论