言

女生總是會在被求婚的時候感動的痛哭流涕，作為程序員的你如果提前給自己的女票一個求婚的動畫，想象一下她會不會很感動呢？

今天就教大家用CSS3來做一個求婚的動畫效果吧，源碼已經放在了Github上，感興趣的可以認真看下源碼，地址如下：

https://github.com/zhouxiongking/article-pages/tree/master/articles/wedding

CSS

實際效果

首先我們來看看實際運行出來的效果，如下圖所示。

效果圖

在整個效果中，其實是用到了一系列的圖片，然后控制圖片的出現順序以及出現和結束的位置。

在這個效果中，主要應用到的是animation屬性，如果對這個屬性還不是很了解的，可以先去學習一下。接下來我們具體分析整個動態是怎么實現的。

頁面構成

首先，我們看看頁面的構成，包括文字，其他的都是圖片，包括三個煙花效果，男孩，女孩，男孩手中的花，底部的花。頁面HTML代碼如下所示。

頁面HTML

文字效果

文字部分主要是有一個平移的效果，所以使用translate屬性即可。

文字部分動畫

煙花效果

在文字旁邊的煙花效果實際是一張圖片從中心點向外的擴張，因此可以使用scale屬性實現，然后通過時間的不同，來顯示出不同的煙花。

煙花效果

女孩效果

圖中的女孩實際是站著不動，只是通過改變透明度來顯示出動畫效果，因此可以使用opacity屬性來實現。

女孩效果

男孩效果

圖中的男孩實際有一個向女孩移動的效果，因此也是通過translate屬性來實現。

男孩效果

手中鮮花效果

男孩手中的鮮花實際上也是一個由中心點向外擴張的效果，并且改變透明度，通過scale和opacity屬性實現。

手中鮮花效果

底部鮮花效果

底部的鮮花實際是由兩張圖片重復顯示組成，然后給每張圖片增加一個動畫效果，從效果圖中可以看出是有一個從下到上的平移過程，因此也是使用translate屬性實現。

底部鮮花效果

至此所有的動畫效果都已經講解完畢了，雖然每個動畫只是用到一兩個屬性，但是組合之后就可以完成這樣一個小巧的求婚動畫，是不是很有趣呢?

結束語

當然文中的代碼并不是全部的實現，文中的代碼只包括使用CSS3的動畫效果的實現，全部的代碼可以去Github上去看。

今天的這篇文章學會了嗎？

建一個rbghistogram.py文件

import cv2 
class RGBHistogram:
 def __init__(self,bins):
 # store the number of bins the histogram will use 
 self.bins = bins 
 def describe(self,image,mask=None):
 # compute a 3D histogram in the RGB colorspace,
 # then normalize the histogram so that images
 # with the same content,but either scaled larger
 # or smaller will have(roughly) the same histogram
 hist = cv2.calcHist([image],[0,1,2],
 mask,self.bins,[0,256,0,256,0,256])
 cv2.normalize(hist,hist)
 # return out 3D histogram as a flattened array
 return hist.flatten() 

我們首先導入cv2，這是我們需要創建圖像描述符的唯一的package。

然后，我們定義了RGBHistogram類，用于封裝花卉圖像的量化方式。__init__方法只接受一個參數——一個包含3D直方圖的bins的列表。

描述圖像將由describe方法處理，該方法接收兩個參數，一個將構建顏色直方圖的圖像，以及一個可選的mask。如果我們提供mask，則只有與mask區域相關聯的像素將用于構造直方圖。這允許我們僅描述圖像的花瓣，忽略圖像的其余部分(即，背景，其與花本身無關)。

接著，構造直方圖。calcHist函數的第一個參數是我們想要描述的圖像的列表，該函數具體的參數請參考前面的文章。然后將生成的圖像進行標準化，并以特征向量返回。

注意：cv2.normalize函數在OpenCV 2.4.X和OpenCV 3.0之間略有不同。 在OpenCV 2.4.X中，cv2.normalize函數實際上會返回規范化的直方圖。 但是，在OpenCV 3.0+中，cv2.normalize實際上對函數內的直方圖進行了規范化，并更新了傳入的第二個參數（即“輸出”）。這是一個微妙但重要的區別，在使用這兩個參數時要記住 OpenCV版本.

現在已經定義了圖像描述符，我們可以創建代碼來對給定花朵的物種進行分類：

from __future__ import print_function
from preprocess import RGBHistogram
from sklearn.preprocessing import LabelEncoder
from sklearn.ensemble import RandomForestClassifier
from sklearn.cross_validation import train_test_split
from sklearn.metrics import classification_report
import numpy as np 
import argparse
import glob
import cv2 
# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--images", required = True,
 help = "path to the image dataset")
ap.add_argument("-m", "--masks", required = True,
 help = "path to the image masks")
args = vars(ap.parse_args())

我們首先導入必要的package。我們首先導入了RGBHistogram用于描述我們的每個圖像。

然后導入scikit-learn庫的LabelEncoder類。為了構建機器學習分類器以區分花種，我們首先需要一種方法來編碼與每個花類相關聯的“類標簽”。我們希望將向日葵，番紅花，雛菊和三色紫羅蘭區分開來，但為了構建機器學習模型，這些種類(以字符串表示的)需要轉換為整數。LabelEncoder類就是用來干這件事的。

我們使用的實際分類模型是RandomForestClassifier。隨機森林是用于分類的集成學習方法，由多個決策樹組成。

對于隨機森林中的每棵樹，構建一個自舉(替換采樣)樣本，通常由66％的數據集組成。然后，基于自舉樣本構建決策樹。在樹中的每個節點處，僅采用預測變量的樣本來計算節點分割標準。通常使用sqrt(n)預測變量，其中n是特征空間中預測變量的數量。然后重復該過程以訓練森林中的多棵樹(關于隨機森林分類器的詳細內容超出了本文的范圍，有興趣的可以參考機器學習方法)。

但是，如果您是使用機器學習的新手，隨機森林是一個很好的起點，特別是在計算機視覺領域，他們只需很少的努力即可獲得更高的精度。同樣，雖然這不適用于所有計算機視覺分類問題，但隨機森林是獲得基線準確度的良好起點。

然后我們從scikit-learn導入train_test_split函數。在構建機器學習模型時，我們需要兩組數據：訓練集(training set)和測試(testing set)(或驗證(validation set)）集。

我們使用training data對機器學習模型進行訓練(在這種情況下，我們使用隨機森林學習模型)。然后使用testing data對模型進行評估。

保持這兩組是獨一無二的非常重要，因為它允許在尚未看到的數據點上評估模型。如果模型已經看到了數據點，那么結果是有偏見的，因為它具有不公平的優勢！

最后，我們使用NumPy進行數值處理，使用argparse來解析命令行參數，使用glob來抓取磁盤上的圖像路徑，使用cv2進行OpenCV綁定。

接著我們需要兩個命令行參數：--images，指向包含其花圖像的目錄，--mask，指向包含mask鮮花的目錄。這些mask使我們只能專注于我們想要描述的花朵部分(即花瓣)，忽略背景和其他雜亂，否則會扭曲特征向量并插入不需要的噪音。

更多關于此數據集請參考Flowers

# grab the image and mask paths 
imagePaths = sorted(glob.glob(args["images"] + "\\*.png"))
maskPaths = sorted(glob.glob(args["masks"] + "\\*.png"))
# initialize the list of data and class label targets
data = []
target = []
# initialize the image descriptor
desc = RGBHistogram([8,8,8])
# loop over the image and mask paths 
for (imagePath,maskPath) in zip(imagePaths,maskPaths):
 # load the image and mask 
 image = cv2.imread(imagePath)
 mask = cv2.imread(maskPath)
 mask = cv2.cvtColor(mask,cv2.COLOR_BGR2GRAY)
 # describe the image 
 features = desc.describe(image,mask)
 # update the list of data and targets 
 data.append(features)
 target.append(imagePath.split("_")[-2])

我們使用glob來分別抓住我們的圖像和mask的路徑。通過傳入包含圖像的目錄，然后是通配符*.png，我們能夠快速構建圖像路徑列表。

接著，我們簡單地初始化數據矩陣和類標簽列表(即花的種類)。

然后實例化我們的圖像描述符——每個通道有8個bins的3D RGB顏色直方圖。該圖像描述符將產生用于表征花的顏色的8×8×8=512維特征向量。

接著我們開始在我們的圖像和mask上循環。我們將圖像和mask從磁盤中加載進來，然后在、將mask轉換為灰度。

接著應用我們的3D RGB顏色直方圖產生我們的特征向量，然后將其存儲在數據矩陣中。

然后解析花的種類，并更新target列表。

現在我們可以應用我們的機器學習方法了。

# grab the unique target names and encode the labels 
targetNames = np.unique(target)
le = LabelEncoder()
target = le.fit_transform(target)
# construct the training and testing splits 
(trainData,testData,trainTarget,testTarget) = train_test_split(data,target,
 test_size=0.3,random_state = 42)
# train the classifier
model = RandomForestClassifier(n_estimators=25,random_state=84)
model.fit(trainData,trainTarget)
# evaluate the classifier 
print(classification_report(testTarget,model.predict(testData),
 target_names=targetNames))

首先，我們給我們的類標簽進行編碼。NumPy的unique方法用于查找唯一的species名稱，然后將其輸入LabelEncoder。調用fit_transform將“唯一”物種名稱“擬合(fits)”為整數，一個species對應于一個category，然后將字符串“轉換(transform)”為相應的整數類。target變量現在包含一個整數列表，每個數據點對應一個整數列表，其中每個整數映射到一個花種名稱。

接著，我們開始構建我們的訓練和測試集。我們將使用train_test_split函數。我們需要傳遞我們數據矩陣和target列表，指定測試數據集是整個數據集大小的30％。使用偽隨機狀態42，以便我們可以在以后的運行中重現我們的結果。

調用RandomForestClassifier函數，使用森林中的25個決策樹進行訓練。同樣，明確使用偽隨機狀態，以便我們的結果是可重復的。

然后使用classification_report函數打印出我們的模型的準確性。我們將實際testing targets作為第一個參數傳遞，然后讓模型預測它認為花種對測試數據的影響。然后，classification_report函數將預測與真實targets進行比較，并為整個系統和每個單獨的類別標簽打印準確度報告。

為了進一步研究分類，我們定義了以下代碼：

# loop over a sample of the images 
for i in np.random.choice(np.arange(0,len(imagePaths)),10):
 # grab the image and mask paths 
 imagePath = imagePaths[i]
 maskPath = maskPaths[i]
 # load the image and mask 
 image = cv2.imread(imagePath)
 mask = cv2.imread(maskPath)
 mask = cv2.cvtColor(mask,cv2.COLOR_BGR2GRAY)
 # describe the image 
 features = desc.describe(image,mask)
 # predict what type of flower the image is 
 flower = le.inverse_transform(model.predict([features]))[0]
 print(imagePath)
 print("I think this flower is a {}".format(flower.upper()))
 cv2.imshow("image",image)
 cv2.waitKey(0)

我們首先從所有圖片里面隨機挑選10張不同的圖像進行調查，然后獲取對應的圖片和mask的路徑。

然后我們將圖片和mask的路徑加載進來。并將mask圖片轉換為灰度圖像。

然后，我們利用describe提取特征向量，以表征花的顏色。

我們查詢我們的隨機森林分類器以確定花的種類，然后將其打印到控制臺并屏幕上顯示。

最后執行我們的腳本程序：

python classify.py --image dataset\images --mask dataset\masks

運行結果

博客地址(有完整代碼)：https://0leo0.github.io/2018/case_study_06.html

關注不迷路哦！！！