OpenCV是一个旨在解决计算机视觉问题的Python库。OpenCV最初由Intel在1999年开发，但是后来由Willow Garage资助。它支持很多编程语言，如C++，Python，Java等等。它也支持多种平台，包括Windows，Linux和MacOS。

OpenCV Python只是一个与Python一起使用的原始C++库的包装类。通过使用它，所有OpenCV数组结构都能被转化为NumPy数组或从NumPy数组转化而来。这样就可以轻松地将其与其他使用NumPy的库集成。例如，SciPy和Matplotlib等库。

OpenCV的基础操作？

Opencv能完成以下从加载图像到调整大小等基本操作：

使用OpenCV加载图片

查看图片形状/分辨率

显示图片

调整图像大小

1. 使用OpenCV加载图片

Import cv2  
 # colored Image  
Img = cv2.imread ("Penguins.jpg",1)  
 # Black and White (gray scale)  
Img_1 = cv2.imread ("Penguins.jpg",0)

如以上代码所示，第一个要求是导入OpenCV模块。

之后，我们可以用imread模块读取图片。参数中的1代表这是一个彩色图片。如果这个参数的值是0，就意味着这个将被导入的图片是黑白图片。这里的图片名称是“Penguins”。很简单吧？

2. 查看图片形状/分辨率

我们可以使用shape子函数来输出图片的形状。看看以下代码：

Import cv2  
# Black and White (gray scale)  
Img = cv2.imread ("Penguins.jpg",0)  
Print(img.shape)

对于图片的形状，我们指的是NumPy数组的形状。执行代码之后你将会看到这个矩阵由768行和1024列组成。

3. 显示图片

使用OpenCV显示图片非常简单和直接。思考以下图片：

import cv2  
 
# Black and White (gray scale)  
Img = cv2.imread ("Penguins.jpg",0)  
cv2.imshow("Penguins", img)  
 
cv2.waitKey(0)  
# cv2.waitKey(2000)  
cv2.destroyAllWindows()

正如你所见，我们首先使用imread导入图片。我们需要一个输出窗口来显示这个图片，对吧？ 

然后，我们等待用户事件。waitKey使窗口保持静态直到用户按下一个键。传入的参数是以毫秒为单位的时间。

最后，我们根据waitForKey的参数使用destroyAllWindows关闭窗口。

4. 调整图像大小

类似地，调整图像大小非常简单。 这里有另一个代码段：

import cv2  
# Black and White (gray scale)  
img = cv2.imread ("Penguins.jpg",0)  
resized_image = cv2.resize(img, (650,500))  
cv2.imshow("Penguins", resized_image)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

这里，resize函数用于将图像大小调整为所需的形状。这里的参数是新调整大小后的图像的形状。

与之前的代码相比，剩下的代码非常简单，对吗？

我相信你们对企鹅很好奇，这是我们想要输出的图片！

这是另一个向resize函数传递参数的方法。看看下面的表示方法：

Resized_image = cv2.resize(img, int(img.shape[1]/2), int(img.shape[0]/2)))

这里，我们得到的新图像大小是原始图像的一半。

使用OpenCV进行人脸检测

这看起来很复杂，但实际上很容易。 让我带你了解整个过程，然后你也会有同样的感受。

第一步：想一想我们的先决条件。我们首先需要一个图像。然后，我们需要创建一个级联分类器，它最后会给我们提供面部特征。

第二步：这一步要使用到OpenCV读取图像和特征文件。所以这个时候，原始数据点是NumPy数组的形式。

我们要做的就是搜索面部 NumPy n维数组的行和列的值。这是具有面部矩形坐标的数组。

第三步：最后一步是使用矩形面框显示图像。

看看下面的图片，这里我以图片的形式总结了上述的三个步骤以便于阅读：

非常直接明了，对吧？

首先，如之前所述，我们创建CascadeClassifier对象来提取面部特征。包含面部特征的XML文件路径是此处的参数。

下一步是读取一个包含面部的图片，并且使用COLOR_BGR2GREY将其转化为黑白图片。接下来，我们搜索图像的坐标。这是使用detectMultiScale来实现的。

你问什么坐标？它是面部矩形的坐标。scaleFactor被用来减小5%的形状值，直到找到面部。因此，总的来说，值越小，准确度越高。

最后，这张脸被显示到窗口。

给识别的人脸添加矩形面框

这个逻辑很简单——就像使用for循环语句一样简单。看看下面的图片：

我们通过传递参数（比如图片对象，轮廓框的RGB值和矩形的宽度），使用cv2.rectangle来定义方法以创建一个矩形。

让我们来看看面部检测的完整代码：

import cv2  
# Create a CascadeClassifier Object  
face_cascade = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")  
# Reading the image as it is  
img = cv2.imread("photo.jpg") 
# Reading the image as gray scale image  
gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  
# Search the co-ordintes of the image  
faces = face_cascade.detectMultiScale(gray_img, scaleFactor = 1.05,  minNeighbors=5)  
for x,y,w,h in faces:  
    img = cv2.rectangle(img, (x,y), (x+w,y+h),(0,255,0),3)  
resized = cv2.resize(img, (int(img.shape[1]/7),int(img.shape[0]/7)))   
cv2.imshow("Gray", resized)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

众多python培训视频，尽在python学习网，欢迎在线学习！