言

女生总是会在被求婚的时候感动的痛哭流涕，作为程序员的你如果提前给自己的女票一个求婚的动画，想象一下她会不会很感动呢？

今天就教大家用CSS3来做一个求婚的动画效果吧，源码已经放在了Github上，感兴趣的可以认真看下源码，地址如下：

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

CSS

实际效果

首先我们来看看实际运行出来的效果，如下图所示。

效果图

在整个效果中，其实是用到了一系列的图片，然后控制图片的出现顺序以及出现和结束的位置。

在这个效果中，主要应用到的是animation属性，如果对这个属性还不是很了解的，可以先去学习一下。接下来我们具体分析整个动态是怎么实现的。

页面构成

首先，我们看看页面的构成，包括文字，其他的都是图片，包括三个烟花效果，男孩，女孩，男孩手中的花，底部的花。页面HTML代码如下所示。

页面HTML

文字效果

文字部分主要是有一个平移的效果，所以使用translate属性即可。

文字部分动画

烟花效果

在文字旁边的烟花效果实际是一张图片从中心点向外的扩张，因此可以使用scale属性实现，然后通过时间的不同，来显示出不同的烟花。

烟花效果

女孩效果

图中的女孩实际是站着不动，只是通过改变透明度来显示出动画效果，因此可以使用opacity属性来实现。

女孩效果

男孩效果

图中的男孩实际有一个向女孩移动的效果，因此也是通过translate属性来实现。

男孩效果

手中鲜花效果

男孩手中的鲜花实际上也是一个由中心点向外扩张的效果，并且改变透明度，通过scale和opacity属性实现。

手中鲜花效果

底部鲜花效果

底部的鲜花实际是由两张图片重复显示组成，然后给每张图片增加一个动画效果，从效果图中可以看出是有一个从下到上的平移过程，因此也是使用translate属性实现。

底部鲜花效果

至此所有的动画效果都已经讲解完毕了，虽然每个动画只是用到一两个属性，但是组合之后就可以完成这样一个小巧的求婚动画，是不是很有趣呢?

结束语

当然文中的代码并不是全部的实现，文中的代码只包括使用CSS3的动画效果的实现，全部的代码可以去Github上去看。

今天的这篇文章学会了吗？

建一个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() 

我们首先导入cv2，这是我们需要创建图像描述符的唯一的package。

然后，我们定义了RGBHistogram类，用于封装花卉图像的量化方式。__init__方法只接受一个参数——一个包含3D直方图的bins的列表。

描述图像将由describe方法处理，该方法接收两个参数，一个将构建颜色直方图的图像，以及一个可选的mask。如果我们提供mask，则只有与mask区域相关联的像素将用于构造直方图。这允许我们仅描述图像的花瓣，忽略图像的其余部分(即，背景，其与花本身无关)。

接着，构造直方图。calcHist函数的第一个参数是我们想要描述的图像的列表，该函数具体的参数请参考前面的文章。然后将生成的图像进行标准化，并以特征向量返回。

注意：cv2.normalize函数在OpenCV 2.4.X和OpenCV 3.0之间略有不同。 在OpenCV 2.4.X中，cv2.normalize函数实际上会返回规范化的直方图。 但是，在OpenCV 3.0+中，cv2.normalize实际上对函数内的直方图进行了规范化，并更新了传入的第二个参数（即“输出”）。这是一个微妙但重要的区别，在使用这两个参数时要记住 OpenCV版本.

现在已经定义了图像描述符，我们可以创建代码来对给定花朵的物种进行分类：

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())

我们首先导入必要的package。我们首先导入了RGBHistogram用于描述我们的每个图像。

然后导入scikit-learn库的LabelEncoder类。为了构建机器学习分类器以区分花种，我们首先需要一种方法来编码与每个花类相关联的“类标签”。我们希望将向日葵，番红花，雏菊和三色紫罗兰区分开来，但为了构建机器学习模型，这些种类(以字符串表示的)需要转换为整数。LabelEncoder类就是用来干这件事的。

我们使用的实际分类模型是RandomForestClassifier。随机森林是用于分类的集成学习方法，由多个决策树组成。

对于随机森林中的每棵树，构建一个自举(替换采样)样本，通常由66％的数据集组成。然后，基于自举样本构建决策树。在树中的每个节点处，仅采用预测变量的样本来计算节点分割标准。通常使用sqrt(n)预测变量，其中n是特征空间中预测变量的数量。然后重复该过程以训练森林中的多棵树(关于随机森林分类器的详细内容超出了本文的范围，有兴趣的可以参考机器学习方法)。

但是，如果您是使用机器学习的新手，随机森林是一个很好的起点，特别是在计算机视觉领域，他们只需很少的努力即可获得更高的精度。同样，虽然这不适用于所有计算机视觉分类问题，但随机森林是获得基线准确度的良好起点。

然后我们从scikit-learn导入train_test_split函数。在构建机器学习模型时，我们需要两组数据：训练集(training set)和测试(testing set)(或验证(validation set)）集。

我们使用training data对机器学习模型进行训练(在这种情况下，我们使用随机森林学习模型)。然后使用testing data对模型进行评估。

保持这两组是独一无二的非常重要，因为它允许在尚未看到的数据点上评估模型。如果模型已经看到了数据点，那么结果是有偏见的，因为它具有不公平的优势！

最后，我们使用NumPy进行数值处理，使用argparse来解析命令行参数，使用glob来抓取磁盘上的图像路径，使用cv2进行OpenCV绑定。

接着我们需要两个命令行参数：--images，指向包含其花图像的目录，--mask，指向包含mask鲜花的目录。这些mask使我们只能专注于我们想要描述的花朵部分(即花瓣)，忽略背景和其他杂乱，否则会扭曲特征向量并插入不需要的噪音。

更多关于此数据集请参考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])

我们使用glob来分别抓住我们的图像和mask的路径。通过传入包含图像的目录，然后是通配符*.png，我们能够快速构建图像路径列表。

接着，我们简单地初始化数据矩阵和类标签列表(即花的种类)。

然后实例化我们的图像描述符——每个通道有8个bins的3D RGB颜色直方图。该图像描述符将产生用于表征花的颜色的8×8×8=512维特征向量。

接着我们开始在我们的图像和mask上循环。我们将图像和mask从磁盘中加载进来，然后在、将mask转换为灰度。

接着应用我们的3D RGB颜色直方图产生我们的特征向量，然后将其存储在数据矩阵中。

然后解析花的种类，并更新target列表。

现在我们可以应用我们的机器学习方法了。

# 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，我们给我们的类标签进行编码。NumPy的unique方法用于查找唯一的species名称，然后将其输入LabelEncoder。调用fit_transform将“唯一”物种名称“拟合(fits)”为整数，一个species对应于一个category，然后将字符串“转换(transform)”为相应的整数类。target变量现在包含一个整数列表，每个数据点对应一个整数列表，其中每个整数映射到一个花种名称。

接着，我们开始构建我们的训练和测试集。我们将使用train_test_split函数。我们需要传递我们数据矩阵和target列表，指定测试数据集是整个数据集大小的30％。使用伪随机状态42，以便我们可以在以后的运行中重现我们的结果。

调用RandomForestClassifier函数，使用森林中的25个决策树进行训练。同样，明确使用伪随机状态，以便我们的结果是可重复的。

然后使用classification_report函数打印出我们的模型的准确性。我们将实际testing targets作为第一个参数传递，然后让模型预测它认为花种对测试数据的影响。然后，classification_report函数将预测与真实targets进行比较，并为整个系统和每个单独的类别标签打印准确度报告。

为了进一步研究分类，我们定义了以下代码：

# 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)

我们首先从所有图片里面随机挑选10张不同的图像进行调查，然后获取对应的图片和mask的路径。

然后我们将图片和mask的路径加载进来。并将mask图片转换为灰度图像。

然后，我们利用describe提取特征向量，以表征花的颜色。

我们查询我们的随机森林分类器以确定花的种类，然后将其打印到控制台并屏幕上显示。

最后执行我们的脚本程序：

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

运行结果

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

关注不迷路哦！！！