目录
介绍
安装
读取并绘制图像
对象检测
下一步
- 下载源2.7 MB
这是我们有关学习Python及其在机器学习和AI中的用途的系列文章中的第五个模块。我们只是快速浏览了一些有趣的库，让我们立即开始使用OpenCV！
安装通过在Jupyter Notebook单元中运行以下命令，可以通过pip安装OpenCV：
!pip install --upgrade opencv-pythonpip是Python的默认软件包管理器和独立的可执行文件，但是以这种方式运行可确保将软件包安装到Anaconda环境中。
如果软件包安装正确，则此Python代码应运行无误：
import cv2因为我们要在Jupyter Notebook中显示图像，所以我们还应该确保matplotlib已安装：
!pip install --upgrade matplotlib读取OpenCV可以使用的图像很简单：
import cv2
im = cv2.imread("path/to/image.jpg")OpenCV支持多种图像格式，当它无法解析图像时，结果imread将为None。请注意，如果未找到图像文件，则不会引发任何错误——结果None也是如此。
假设找到了图像，我们可以使用matplotlib将其绘制在Jupyter Notebook中。为此，我们将使用以下辅助函数：
from matplotlib import pyplot
def plot_img(img):
rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
pyplot.imshow(rgb)OpenCV读取BGR颜色格式的图像，但matplotlib要使用RGB，因此首先必须转换图像。然后可以将其绘制出来。
您可以按以下方式使用此函数：
plot_img(im)由于OpenCV图像实际上只是包含像素值的多维NumPy数组，因此matplotlib可以很好地进行OpenCV和matplotlib如此整洁的集成。
图片来源：NASA
对象检测有很多是OpenCV可以做的。我们将专门关注对象检测。
对象检测与所谓的级联分类器一起使用。这种方法使用了机器学习：分类器在包含所需对象的图像（正图像）和不包含所需对象的图像（负图像）上进行训练。您可以训练自己的分类器，但是OpenCV还提供了一些可从其GitHub下载的预训练模型。
让我们尝试对俄罗斯车牌进行预训练的分类器haarcascade_russian_plate_number.xml。如果要测试图像，可以使用Sergey Rodovnichenko的Lada Vesta图像。
我们可以读取图像并将其绘制出来，看一切是否顺利，就像之前一样：
car = cv2.imread("Pictures/lada-vesta.jpg")
plot_img(car)
接下来，我们创建分类器：
classifier = cv2.CascadeClassifier()
classifier.load("path/to/haarcascade_russian_plate_number.xml")
检测工作通过以下detectMultiScale方法完成：
plates = classifier.detectMultiScale(car)这将返回一个NumPy数组。它实际上是一个数组的数组，每个内部数组都是格式为[ x, y, width, height ]的检测板的矩形边界。为了直观地显示它们，我们可以在图像上绘制矩形，然后绘制结果：
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)矩形函数获取图像、左上角坐标、右下角坐标、颜色和厚度。它返回一个带有矩形的新图像。我们可以绘制结果：
plot_img(with_indicators)
这个例子展示了OpenCV针对俄罗斯车牌的预训练分类器，但这不是唯一可用的分类器。还有针对面部、眼睛等的预训练分类器，它们的使用方式与此分类器完全相同。
下一步我们仅涉及OpenCV可以做的事情。OpenCV具有更多的处理功能（转换、过滤器、2D特征检测等），并且可以实时处理视频帧。互联网上有很多有关OpenCV的资料。该官方教程是一个良好的开端，但你也可以找到很多的帮助，如果你想与OpenCV的解决问题专门进行搜索。
在接下来的模块中，我们将谈谈使用自然语言工具包（NLTK）的。
