给图片添加坐标信息

import numpy as np

# 坐标 信息不可 通过 所谓的 数组形状 让 函数感受到 函数感受不到 故而要逐一表达出来
# 比如一个图片信息 作为计算的时候应该将隐藏的图片 每个位置信息 表达为数字
# 而不是隐藏在顺序 排列好的数组中
# 这个位置信息无法传递给函数 导致了 需要对齐
# 而人类观察和使用的时候自动获取了位置信息
image = np.random.random([64, 128, 3])
row, col, chl = image.shape
# 作为计算的时候要将这个图像位置信息加入到计算当中
# 故而 一个图像信息应该表达为 [x,y,r,g,b]
# 不能因为我们使用了图形操作系统 系统替我们处理了这个位置信息
# 我们就忽略掉这个位置信息
one = np.zeros([row, col])
x = np.arange(row)
x = x.reshape([-1, 1]) + one
y = np.arange(col)
y = one + y.reshape([1, -1])

src_image = [x.reshape([row, col, -1]), y.reshape([row, col, -1]), image]
src_image = np.concatenate(src_image, -1)
# 现在这样无论这个数组 只要保持最小维度不变  方可 就算打乱也可以
# 这样表达了无论这个图像中的一个对象 在任意的位置变换 x y 同时加减 任意一个数 都是不会影响的
# 一个函数才知道这个是这样的，
# 就像写一个显示函数一样
# 比如在训练 神经网络的时候 对x y 进行变换 方可 得到任意的图像信息 这样神经网络学会了这个图全部信息
# 使用前n个字符表达m 训练成一个网络 表达为xyz 满足直接定律
# 编码为三角形的三个边 这样一个字 就是一个三角形
# 同时使用一个分类回归进行控制