Python 之內(nèi)置函數(shù)：filter、map、reduce、zip、enumerate

這幾個函數(shù)在 Python 里面被稱為高階函數(shù)，本文主要學(xué)習(xí)它們的用法。

10年積累的成都網(wǎng)站建設(shè)、網(wǎng)站建設(shè)經(jīng)驗，可以快速應(yīng)對客戶對網(wǎng)站的新想法和需求。提供各種問題對應(yīng)的解決方案。讓選擇我們的客戶得到更好、更有力的網(wǎng)絡(luò)服務(wù)。我雖然不認識你，你也不認識我。但先做網(wǎng)站后付款的網(wǎng)站建設(shè)流程，更有潮州免費網(wǎng)站建設(shè)讓你可以放心的選擇與我們合作。

filter 函數(shù)原型如下：

第一個參數(shù)是判斷函數(shù)（返回結(jié)果需要是 True 或者 False），第二個為序列，該函數(shù)將對 iterable 序列依次執(zhí)行 function(item) 操作，返回結(jié)果是過濾之后結(jié)果組成的序列。

簡單記憶：對序列中的元素進行篩選，獲取符合條件的序列。

返回結(jié)果為： ，使用 list 函數(shù)可以輸入序列內(nèi)容。

map 函數(shù)原型如下：

該函數(shù)運行之后生成一個 list，第一個參數(shù)是函數(shù)、第二個參數(shù)是一個或多個序列；

下述代碼是一個簡單的測試案例：

上述代碼運行完畢，得到的結(jié)果是： 。使用 print(list(my_new_list)) 可以得到結(jié)果。

map 函數(shù)的第一個參數(shù)，可以有多個參數(shù)，當(dāng)這種情況出現(xiàn)后，后面的第二個參數(shù)需要是多個序列。

map 函數(shù)解決的問題：

reduce 函數(shù)原型如下：

第一個參數(shù)是函數(shù)，第二個參數(shù)是序列，返回計算結(jié)果之后的值。該函數(shù)價值在于滾動計算應(yīng)用于列表中的連續(xù)值。

測試代碼如下：

最終的結(jié)果是 6，如果設(shè)置第三個參數(shù)為 4，可以運行代碼查看結(jié)果，最后得到的結(jié)論是，第三個參數(shù)表示初始值，即累加操作初始的數(shù)值。

簡單記憶：對序列內(nèi)所有元素進行累計操作。

zip 函數(shù)原型如下：

zip 函數(shù)將可迭代的對象作為參數(shù)，將對象中對應(yīng)的元素打包成一個個元組，然后返回由這些元組組成的列表。

如果各個迭代器的元素個數(shù)不一樣，則返回列表長度與最短的對象相同，利用星號（ * ）操作符，可以將元組解壓為列表。

測試代碼如下：

展示如何利用 * 操作符：

輸出結(jié)果如下：

簡單記憶：zip 的功能是映射多個容器的相似索引，可以方便用于來構(gòu)造字典。

enumerate 函數(shù)原型如下：

參數(shù)說明：

該函數(shù)用于將一個可遍歷的數(shù)據(jù)對象組合為一個索引序列，同時列出數(shù)據(jù)和數(shù)據(jù)下標(biāo)，一般用在 for 循環(huán)當(dāng)中。

測試代碼如下：

返回結(jié)果為： 。

本文涉及的函數(shù)可以與 lambda 表達式進行結(jié)合，能大幅度提高編碼效率。最好的學(xué)習(xí)資料永遠是官方手冊

Python 簡單的擴音，音頻去噪，靜音剪切

數(shù)字信號是通過對連續(xù)的模擬信號采樣得到的離散的函數(shù)。它可以簡單看作一個以時間為下標(biāo)的數(shù)組。比如，x[n]，n為整數(shù)。比如下圖是一個正弦信號(n=0,1, ..., 9)：

對于任何的音頻文件，實際上都是用這種存儲方式，比如，下面是對應(yīng)英文單詞“skip”的一段信號(只不過由于點太多，筆者把點用直線連接了起來）：

衡量數(shù)字信號的 能量（強度） ，只要簡單的求振幅平方和即可：

我們知道，聲音可以看作是不同頻率的正弦信號疊加。那么給定一個聲音信號（如上圖），怎么能夠知道這個信號在不同頻率區(qū)段上的強度呢？答案是使用離散傅里葉變換。對信號x[n], n=0, ..., N-1，通常記它的離散傅里葉變換為X[n]，它是一個復(fù)值函數(shù)。

比如，對上述英文單詞“skip”對應(yīng)的信號做離散傅里葉變換，得到它在頻域中的圖像是：

可以看到能量主要集中在中低音部分（約16000Hz以下）。

在頻域上，也可以計算信號的強度，因為根據(jù)Plancherel定理，有：

對于一般的語音信號，長度都至少在1秒以上，有時候我們需要把其中比如25毫秒的一小部分單獨拿出來研究。將一個信號依次取小段的操作，就稱作分幀。技術(shù)上，音頻分幀是通過給信號加一系列的 窗 函數(shù) 實現(xiàn)的。

我們把一種特殊的函數(shù)w[n]，稱作窗函數(shù)，如果對所有的n，有0=w[n]=1，且只有有限個n使得w[n]0。比如去噪要用到的漢寧窗，三角窗。

漢寧窗

三角窗

我們將平移的窗函數(shù)與原始信號相乘，便得到信號的“一幀”：

w[n+d]*x[n]

比如用長22.6毫秒的漢寧窗加到“skip”信號大約中間部位上，得到一幀的信號：

可見除一有限區(qū)間之外，加窗后的信號其他部分都是0。

對一幀信號可以施加離散傅里葉變換（也叫短時離散傅里葉變換），來獲取信號在這一幀內(nèi)（通常是很短時間內(nèi)），有關(guān)頻率-能量的分布信息。

如果我們把信號按照上述方法分成一幀一幀，又將每一幀用離散傅里葉變換轉(zhuǎn)換到頻域中去，最后將各幀在頻域的圖像拼接起來，用橫坐標(biāo)代表時間，縱坐標(biāo)代表頻率，顏色代表能量強度（比如紅色代表高能，藍色代表低能），那么我們就構(gòu)造出所謂 頻譜圖 。比如上述“skip”發(fā)音對應(yīng)的信號的頻譜圖是：

（使用5.8毫秒的漢寧窗）

從若干幀信號中，我們又可以恢復(fù)出原始信號。只要我們適當(dāng)選取窗口大小，以及窗口之間的平移距離L，得到 ..., w[n+2L], w[n+L], w[n], w[n-L], w[n-2L], ...，使得對k求和有：

從而簡單的疊加各幀信號便可以恢復(fù)出原始信號：

最后，注意窗函數(shù)也可以在頻域作用到信號上，從而可以起到取出信號的某一頻段的作用。

下面簡單介紹一下3種音效。

1. 擴音

要擴大信號的強度，只要簡單的增大信號的“振幅”。比如給定一個信號x[n]，用a1去乘，便得到聲音更大的增強信號：

同理，用系數(shù)0a1去乘，便得到聲音變小的減弱信號。

2. 去噪（降噪）

對于白噪音，我們可以簡單的用“移動平均濾波器”來去除，雖然這也會一定程度降低聲音的強度，但效果的確不錯。但是，對于成分較為復(fù)雜，特別是頻段能量分布不均勻的噪聲，則需要使用下面的 噪聲門 技術(shù)，它可以看作是一種“多帶通濾波器”。

這個特效的基本思路是：對一段噪聲樣本建模，然后降低待降噪信號中噪聲的分貝。

更加細節(jié)的說，是在信號的若干頻段f[1], ..., f[M]上，分別設(shè)置噪聲門g[1], ..., g[M]，每個門都有一個對應(yīng)的閾值，分別是t[1], ..., t[M]。這些閾值時根據(jù)噪聲樣本確定的。比如當(dāng)通過門g[m]的信號強度超過閾值t[m]時，門就會關(guān)閉，反之，則會重新打開。最后通過的信號便會只保留下來比噪聲強度更大的聲音，通常也就是我們想要的聲音。

為了避免噪聲門的開合造成信號的劇烈變動，筆者使用了sigmoid函數(shù)做平滑處理，即噪聲門在開-關(guān)2個狀態(tài)之間是連續(xù)變化的，信號通過的比率也是在1.0-0.0之間均勻變化的。

實現(xiàn)中，我們用漢寧窗對信號進行分幀。然后對每一幀，又用三角窗將信號分成若干頻段。對噪聲樣本做這樣的處理后，可以求出信號每一頻段對應(yīng)的閾值。然后，又對原始信號做這樣的處理（分幀+分頻），根據(jù)每一幀每一頻段的信號強度和對應(yīng)閾值的差（diff = energy-threshold），來計算對應(yīng)噪聲門的開合程度，即通過信號的強度。最后，簡單的將各頻段，各幀的通過信號疊加起來，便得到了降噪信號。

比如原先的“skip”語音信號頻譜圖如下：

可以看到有較多雜音（在高頻，低頻段，藍色部分）。采集0.25秒之前的聲音作為噪聲樣本，對信號作降噪處理，得到降噪后信號的頻譜圖如下：

可以明顯的看到大部分噪音都被清除了，而語音部分仍完好無損，強度也沒有減弱，這是“移動平均濾波器”所做不到的。

3. 靜音剪切

在對音頻進行上述降噪處理后，我們還可以進一步把多余的靜音去除掉。

剪切的原理十分簡單。首先用漢寧窗對信號做分幀。如果該幀信號強度過小，則舍去該幀。最后將保留的幀疊加起來，便得到了剪切掉靜音部分的信號。

比如，對降噪處理后的“skip”語音信號做靜音剪切，得到的新信號的頻譜圖為：

用opencv去噪

使用opencv-python的內(nèi)置函數(shù)，對圖片進行降噪處理。

8Fourier變換的應(yīng)用——圖像去噪

給出的圖片是RGB圖片，也就是需要有三個通道。

下面的函數(shù)用來去噪。

img=np.uint8(cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21))

對這個圖片進行局部自適應(yīng)二值化處理：

img=hui(img)

th1 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,31,5)

另一種局部自適應(yīng)二值化處理：

th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,31,5)

在第一步連續(xù)執(zhí)行兩次去噪，得到的三幅圖片是：

執(zhí)行三次降噪。

連續(xù)10次降噪。

python繪折線圖（數(shù)據(jù)很多）很難看

數(shù)據(jù)使用前要清洗，去除無效數(shù)據(jù)。

如果這些數(shù)據(jù)都是有效數(shù)據(jù)，只是你不想顯示那些過份異常的數(shù)據(jù)，那么，就進行去噪處理。

去噪分兩步：檢測噪點，噪點修正。

對于整體連續(xù)，總體范圍大的數(shù)據(jù)集，最簡單的檢測噪點的辦法就是鄰值法，對于第n取相鄰的k個值：p[n-k,],p[n-k+1]...p[n-1]

對它們加權(quán)平均，得到標(biāo)準(zhǔn)點，上下浮動一定范圍，如果p[k]不在這個范圍內(nèi)就是異常點

對應(yīng)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(xiàn)的東西，對于數(shù)據(jù)集結(jié)構(gòu)的不同，沒有必要做成通用的包，所以你只有自己實現(xiàn)。

3種python3的canny邊緣檢測之靜態(tài)，可調(diào)節(jié)和自適應(yīng)

先看高級版的python3的canny的自適應(yīng)邊緣檢測：

內(nèi)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(tài)，可自調(diào)節(jié)的，自適應(yīng)的。

說明：

1 環(huán)境：python3.8、opencv4.5.3和matplotlib3.4.3。

2 圖片：來自品閱網(wǎng)正版免費圖庫。

3 實現(xiàn)自適應(yīng)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(diào)用：

即可得到邊緣檢測的結(jié)果ret，其中，t1，t2是需要人為設(shè)置的閾值。

2 python的opencv的一行代碼即可實現(xiàn)邊緣檢測。

3 Canny函數(shù)及使用：

4 Canny邊緣檢測流程：

去噪 -- 梯度 -- 非極大值抑制 -- 滯后閾值

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(shè)置的閾值，一般人怎么知道具體數(shù)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(diào)節(jié)的閾值，找到最佳的canny邊緣檢測效果。

2 采用cv2.createTrackbar來調(diào)節(jié)閾值。

3 代碼：

4 操作和效果：

5 原圖：

高級canny：

1 自適應(yīng)canny的算法：

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

即算法在運行過程中能夠自適應(yīng)地找到較佳的分割閾值t1，t2。

2 文件結(jié)構(gòu)：

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(jié)：

1 本文由淺入深，總結(jié)的很好，適合收藏。

2 對于理解python的opencv的canny的邊緣檢測，很有幫助。

3 本文高級版canny自適應(yīng)的算法參考2篇文章，雖然我進行代碼的刪除，注釋，修改，優(yōu)化等操作，故我不標(biāo)注原創(chuàng)，對原作者表達敬意。

4 自己總結(jié)和整理，分享出來，希望對大家有幫助。

python里的問題 ，pywt.dwt(signal,'db1','sym')這個函數(shù)

噪聲能獲取嗎？好吧。你可以試試減一減。不過你的測試用例不太對。 盡量用有規(guī)律的數(shù)據(jù)去做。

比如你可以做一個正弦函數(shù)，再人為的加上一點點擾動。再做小波變換看看。另外數(shù)據(jù)要多些。太短的數(shù)據(jù)看不出效果來。

至于變換后是兩個4，我想等你數(shù)據(jù)弄多些就明白了。 數(shù)據(jù)多些，就容易做圖。你把變換后的數(shù)據(jù)變成圖形，畫出來。可以用EXCEL來畫。

這樣一對比就明白變換后的兩個4數(shù)組是什么數(shù)據(jù)。 然后你就可以針對性的處理。取得噪聲也是可以的。

通常來講噪聲是沒有規(guī)律的。 但是不排除它是另外一種規(guī)律迭加上去的。 試試看。

新聞標(biāo)題：python去噪函數(shù) python噪聲
文章網(wǎng)址：http://chinadenli.net/article30/hhjepo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供定制開發(fā)、建站公司、企業(yè)網(wǎng)站制作、App開發(fā)、電子商務(wù)、營銷型網(wǎng)站建設(shè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)