簡介
OpenCV 是一個用于（實時）圖像處理的庫，該模塊簡要介紹了 OpenCV 并演示了其對象檢測功能。這是我們學習 Python 及其在機器學習和 AI 中的應用系列中的第五個模塊。在上一個模塊中，我們認識了許多ML和AI中相關的Python庫，下面就一起來深入研究一下這些庫的使用，我們先開始學習OpenCV的使用。
安裝
OpenCV 可以通過 pip 安裝，方法是在 Jupyter Notebook 單元中運行以下命令：
!pip install --upgrade opencv-python
pip 是 Python 的默認包管理器和獨立的可執(zhí)行文件，但以這種方式運行它可確保將包安裝到 Anaconda 環(huán)境中。
如果軟件包安裝正確，此 Python 代碼應該可以正常運行：
import cv2因為我們要在我們的 Jupyter Notebook 中顯示圖像，我們還應該確保matplotlib已安裝：
!pip install --upgrade matplotlib
讀取和繪制圖像
讀取 OpenCV 可以處理的圖像很簡單：
import cv2
im = cv2.imread("path/to/image.jpg")OpenCV 支持多種圖像格式，當解析圖像失敗時，結果imread將是None. 請注意，如果未找到圖像文件，則不會引發(fā)錯誤 - 結果也會如此None。
假設找到了圖像，然后我們可以使用matplotlib. 為此，我們將使用此輔助函數：
from matplotlib import pyplot
def plot_img(img):
rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
pyplot.imshow(rgb)OpenCV 讀取 BGR 顏色格式的圖像，但?matplotlib?希望它們是 RGB，所以首先我們必須轉換圖像。然后就可以繪制了。
您可以按如下方式使用此功能：
plot_img(im)OpenCV 和?matplotlib?集成如此干凈是因為 OpenCV 圖像實際上只是一個包含像素值的多維 NumPy 數組，并且?matplotlib?可以使用它。
物體檢測
有很多是OpenCV的可以做。我們將特別關注對象檢測。
對象檢測與所謂的級聯分類器一起工作。這種方法使用機器學習：分類器在包含所需對象的圖像（正圖像）和不包含它的圖像（負圖像）上進行訓練。您可以訓練自己的分類器，但 OpenCV 還提供了幾個可從其 GitHub 下載的預訓練模型。
讓我們試試俄羅斯車牌的預訓練分類器haarcascade_russian_plate_number.xml。如果您想要測試圖像，可以使用Sergey Rodovnichenko 的 Lada Vesta 圖像。
我們可以讀取圖像并繪制它以查看是否一切順利，就像以前一樣：
car = cv2.imread("Pictures/lada-vesta.jpg")
plot_img(car)
接下來，我們創(chuàng)建分類器：
蟒蛇復制代碼
classifier = cv2.CascadeClassifier()
classifier.load("path/to/haarcascade_russian_plate_number.xml")
檢測工作是通過以下?detectMultiScale?方法完成的：
plates = classifier.detectMultiScale(car)這將返回一個 NumPy 數組。它實際上是一個數組數組，每個內部數組都是檢測到的板的矩形邊界，格式為?[ x, y, width, height ]?. 為了直觀地顯示它們，我們可以在圖像上繪制矩形，然后繪制結果：
with_indicators = car
for plate in plates:
x, y, width, height = plate
with_indicators = cv2.rectangle(with_indicators, (x, y),
(x + width, y + height),
(0, 0, 255), 5)矩形函數采用圖像、左上角坐標、右下角坐標、顏色和厚度。它返回一個帶有矩形的新圖像。我們可以繪制結果：
plot_img(with_indicators)
這個例子展示了 OpenCV 的針對俄羅斯車牌的預訓練分類器，但這并不是唯一可用的分類器。還有用于面部、眼睛等的預訓練分類器，它們的使用方式與該分類器完全相同。
