在這篇文章中，我們將提供一些使用OpenCV的示例。
在OpenCV中混合影象
我們將提供一個逐步的示例，說明如何使用Python OpenCV混合影象。下面我們展示了目標影象和濾鏡影象。
目標影象
濾鏡影象
import cv2
# Two images
img1 = cv2。imread（‘target。jpg’）
img2 = cv2。imread（‘filter。png’）
# OpenCV expects to get BGR images， so we will convert from BGR to RGB
img1 = cv2。cvtColor（img1， cv2。COLOR_BGR2RGB）
img2 = cv2。cvtColor（img2， cv2。COLOR_BGR2RGB）
# Resize the Images。 In order to blend them， the two images
# must be of the same shape
img1 =cv2。resize（img1，（620，350））
img2 =cv2。resize（img2，（620，350））
# Now， we can blend them， we need to define the weight （alpha） of the target image
# as well as the weight of the filter image
# in our case we choose 80% target and 20% filter
blended = cv2。addWeighted（src1=img1，alpha=0。8，src2=img2，beta=0。2，gamma=）
# finally we can save the image。 Now we need to convert it from RGB to BGR
cv2。imwrite（‘Blending。png’，cv2。cvtColor（blended， cv2。COLOR_RGB2BGR））
在OpenCV中處理影象
我們將展示如何使用Python中的OpenCV應用影象處理。
如何模糊影像
import cv2
import numpy as np
import matplotlib。pyplot as plt
%matplotlib inline
img = cv2。imread（‘panda。jpeg’）
img = cv2。cvtColor（img， cv2。COLOR_BGR2RGB）
blurred_img = cv2。blur（img，ksize=（20，20））
cv2。imwrite（“blurredpanda。jpg”， blurred_img）
如何申請Sobel Operator
你可以在Wikipedia上檢視Sobel Operator：https：//en。wikipedia。org/wiki/Sobel_operator
也可以開始嘗試一些過濾器。讓我們應用水平和垂直Sobel。
img = cv2。imread（‘panda。jpeg’，）
sobelx = cv2。Sobel（img，cv2。CV_64F，1，，ksize=5）
sobely = cv2。Sobel（img，cv2。CV_64F，，1，ksize=5）
cv2。imwrite（“sobelx_panda。jpg”， sobelx）
cv2。imwrite（“sobely_panda。jpg”， sobely）
如何對影象應用閾值
我們還可以對影象進行二值化。
img = cv2。imread（‘panda。jpeg’，）
ret，th1 = cv2。threshold（img，100，255，cv2。THRESH_BINARY）
fig = plt。figure（figsize=（12，10））
plt。imshow（th1，cmap=‘gray’）
OpenCV中的人臉檢測
我們將討論如何使用OpenCV應用人臉檢測。我們透過一個實際的可重現的示例來直截了當。
邏輯如下：我們從URL（或從硬碟）獲取影象。我們將其轉換為，然後轉換為灰度。然後透過應用適當的**CascadeClassifier，**我們獲得了人臉的邊界框。最後，使用PIllow（甚至是OpenCV），我們可以在初始影象上繪製框。
import cv2 as cv
import numpy as np
import PIL
from PIL import Image
import requests
from io import BytesIO
from PIL import ImageDraw
# I have commented out the cat and eye cascade。 Notice that the xml files are in the opencv folder that you have downloaded and installed
# so it is good a idea to write the whole path
face_cascade = cv。CascadeClassifier（‘C：\\opencv\\build\\etc\\haarcascades\\haarcascade_frontalface_default。xml’）
#cat_cascade = cv。CascadeClassifier（‘C：\\opencv\\build\\etc\\haarcascades\\haarcascade_frontalcatface。xml’）
#eye_cascade = cv。CascadeClassifier（‘C：\\opencv\\build\\etc\\haarcascades\\haarcascade_eye。xml’）
URL = “https：//images。unsplash。com/photo-1525267219888-bb077b8792cc？ixlib=rb-1。2。1&ixid=eyJhcHBfaWQiOjEyMDd9&auto=format&fit=crop&w=1050&q=80”
response = requests。get（URL）
img = Image。open（BytesIO（response。content））
img_initial = img。copy（）
# convert it to np array
img = np。asarray（img）
gray = cv。cvtColor（img， cv。COLOR_BGR2GRAY）
faces = face_cascade。detectMultiScale（gray）
# And lets just print those faces out to the screen
#print（faces）
drawing=ImageDraw。Draw（img_initial）
# For each item in faces， lets surround it with a red box
for x，y，w，h in faces：
# That might be new syntax for you！ Recall that faces is a list of rectangles in （x，y，w，h）
# format， that is， a list of lists。 Instead of having to do an iteration and then manually
# pull out each item， we can use tuple unpacking to pull out individual items in the sublist
# directly to variables。 A really nice python feature
#
# Now we just need to draw our box
drawing。rectangle（（x，y，x+w，y+h）， outline=“red”）
display（img_initial）
最初的影象是這樣的：
然後在繪製邊界框後，我們得到：
如我們所見，我們設法正確地獲得了四個面，但是我們還發現了窗後的“鬼”……
裁剪臉部以分離影象
我們還可以裁剪臉部以分離影象
for x，y，w，h in faces：
img_initial。crop（（x，y，x+w，y+h））
display（img_initial。crop（（x，y，x+w，y+h）））
例如，我們得到的第一張臉是：
注意：如果你想從硬碟讀取影象，則只需鍵入以下三行：
# read image from the PC
initial_img=Image。open（‘my_image。jpg’）
img = cv。imread（‘my_image。jpg’）
gray = cv。cvtColor（img， cv。COLOR_BGR2GRAY）
OpenCV中的人臉檢測影片
這篇文章是一個實際示例，說明了我們如何將OpenCV］與Python結合使用來檢測影片中的人臉。在上一篇文章中，我們解釋瞭如何在Tensorflow中應用物件檢測和OpenCV中的人臉檢測。
通常，計算機視覺和物件檢測是人工智慧中的熱門話題。例如考慮自動駕駛汽車，該自動駕駛汽車必須連續檢測周圍的許多不同物體（行人，其他車輛，標誌等）。
如何錄製人臉檢測影片
在以下示例中，我們將USB攝像頭應用到人臉檢測，然後將影片寫入檔案。
如你所見，OpenCV能夠檢測到面部，並且當它隱藏在手後時，OpenCV會丟失它。
import cv2
# change your path to the one where the haarcascades/haarcascade_frontalface_default。xml is
face_cascade = cv2。CascadeClassifier（‘。。/DATA/haarcascades/haarcascade_frontalface_default。xml’）
cap = cv2。VideoCapture（）
width = int（cap。get（cv2。CAP_PROP_FRAME_WIDTH））
height = int（cap。get（cv2。CAP_PROP_FRAME_HEIGHT））
# MACOS AND LINUX： *‘XVID’ （MacOS users may want to try VIDX as well just in case）
# WINDOWS *‘VIDX’
writer = cv2。VideoWriter（‘myface。mp4’， cv2。VideoWriter_fourcc（*‘XVID’），25， （width， height））
while True：
ret， frame = cap。read（）
frame = detect_face（frame）
writer。write（frame）
cv2。imshow（‘Video Face Detection’， frame）
# escape button to close it
c = cv2。waitKey（1）
if c == 27：
break
cap。release（）
writer。release（）
cv2。destroyAllWindows（）
計算機視覺程式碼的輸出
只需幾行程式碼即可透過動態人臉檢測錄製該影片。如果你執行上面的程式碼塊，你將獲得類似的影片。
https：// vimeo。com/364588657
☆ END ☆
如果看到這裡，說明你喜歡這篇文章，請轉發、點贊。微信搜尋「uncle_pn」，歡迎新增小編微信「 mthler」，每日朋友圈更新一篇高質量博文。
