python矩阵：【numpy、Panda】级联分类器截取人脸区域显示、图片处理（翻转、变亮变暗、截取）

Htht111

已于 2024-07-29 15:03:52 修改

阅读量548

点赞数 1

分类专栏： python 百度智能云文章标签： python

于 2022-06-30 21:57:39 首次发布

HpaxlY

本文链接：https://blog.csdn.net/kin_16/article/details/125527963

版权

python 同时被 2 个专栏收录

13 篇文章 2 订阅

订阅专栏

百度智能云

8 篇文章 0 订阅

订阅专栏

本文介绍了Python中numpy库的使用，包括ndarray的创建、函数、属性、切片索引以及图片处理技术，如图片翻转、裁剪、变亮变暗和灰度处理，并展示了如何将处理后的图片保存到本地。

摘要由CSDN通过智能技术生成

一、numpy

1、定义

运行速度非常快的数学库

2、库

引入库并重命名

import numpy as np  #重命名

0轴 1轴 2轴。。。？

3、ndarray的创建

Numpy中的核心对象是ndarray
ndarray对维数没有限制

a=np.array([1,2,3,4],dtype=float)
print(a)

#[1. 2. 3. 4.]

4、函数

（1）arange 区间

参数（和list差不多）：（start，end，step）---起始数字，结束数字，间隔区间

（2）linspace 等差数列

：浮点数2.0到3.0之间产生五个数，故每隔0.25输出一个数

aa = np.linspace(2.0, 3.0, num=5)
print(aa)

#[2.   2.25 2.5  2.75 3.  ]

（3）zeros 全0矩阵

（4）ones 全1矩阵

# 全1矩阵
b=np.ones((3,3),np.int)
print(b,type(b))

#[[1 1 1]
#[1 1 1]
#[1 1 1]] <class 'numpy.ndarray'>

（5）自定义规则生成ndarray

fromfunction第一个参数接收计算函数，第二个参数接收数组的形状。

# 自定义规则生成ndarray
def func(i):
    return i % 4 + 1
res=np.fromfunction(func, (10,))
print(res)

#[1. 2. 3. 4. 1. 2. 3. 4. 1. 2.]

5、属性

（1）dtype

每个元素的属性

#没有指明类型
a=np.array([1,2,3,4])
print(a)
#[1 2 3 4]

#指明dtype=float
a=np.array([1,2,3,4],dtype=float)
print(a)
#[1. 2. 3. 4.]

（2）shape

例1：读取图片的维度

img=cv2.imread("lyf.jpg")
print(img,type(img),img.shape)

#  ...
#  [126 112 113]
#  [145 131 132]
#  [137 123 124]]] <class 'numpy.ndarray'> (461, 438, 3)

例2：普通矩阵的维度

q = np.array([[1,2,3,4],[5,6,7,8],[7,8,9,10]])
print(q.shape)

#(3, 4)
#矩阵q为三行四列

（3）size

元素个数

（4）ndim

数组维度

（5）itemsize

6、切片索引

通过索引或者切片有规律的查找指定位置的元素
可以使用整数数组索引法对数组元素切片，这样修改新的数组不会改变原来的数组

（1）访问元素（和list差不多（start，end，step））

# 切片
s=np.arange(10)
print(s) #[0 1 2 3 4 5 6 7 8 9]
print(s[...]) #全部元素[0 1 2 3 4 5 6 7 8 9]
print(s[::-1]) #全部元素倒序[9 8 7 6 5 4 3 2 1 0]
print(s[7:1:-2]) #从7到1 每个两个元素打印一个，不取1[7 5 3]

（2）修改元素

#修改索引为4、5、6、7的元素
s[4:8]=45,46,57,67
print(s)
#[ 0  1  2  3 45 46 57 67  8  9]

#从4开始到8（不取8）每个两个元素修改一个元素
s[4:8:2]=45,46
print(s)
#[ 0  1  2  3 45  5 46  7  8  9]

7、截取图片

使用级联分类器

（1）找到haarcascade_frontalface_alt2.xml文件拉到工程目录下

（2）创建级联分类器对象

detector=cv2.CascadeClassifier("haarcascade_frontalface_alt2.xml")

（3）检测图片 detectMultiScale()

faces=detector.detectMultiScale(img,1.3,3)
print(faces)

"""
它可以检测出图片中所有的人脸，并将人脸用vector保存各个人脸的坐标、大小（用矩形表示），函数由分类器对象调用：
detectMultiScale
（
    self, 
    image, #要检测的图片
    scaleFactor=None, #缩放比例 1.1、1.3
    minNeighbors=None, #构成检测目标的相邻矩形的最小个数，默认值是3 奇数（1，3，5）
    flags=None, #是否可缩放
    minSize=None, #限制得到的目标区域的范围。
    maxSize=None  #限制得到的目标区域的范围。
）
"""

（4）截取人脸区域并显示

for x,y,width,height in faces:
    img=img[y:y+height,x:x+width]
    cv2.imshow("face",img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

结果：

完整代码

# 截取图片
import cv2

img=cv2.imread("lyf.jpg")
print(img,type(img),img.shape)
#创建级联分类器对象
detector=cv2.CascadeClassifier("haarcascade_frontalface_alt2.xml")
#检测图片
faces=detector.detectMultiScale(img,1.3,3)
print(faces)
#截取人脸区域
for x,y,width,height in faces:
    img=img[y:y+height,x:x+width]
    cv2.imshow("face",img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

8、numpy广播

shape不同，只有其中一个是1维的时候才能广播

9、图片改变

（一）翻转

（1）关于X轴对称（上下翻转）

import cv2

img=cv2.imread("ysjx.png")
cv2.imshow("1",img)
# cv2上下颠倒
img1=img[::-1]
cv2.imshow("X",img1)
cv2.waitKey(0)
cv2.destroyAllWindows()

(2)关于Y轴对称

 :表示行全部，::-1表示列逆序，所以形成水平翻转

# 图片左右翻转 :表示行全部，::-1表示列逆序，所以形成水平翻转
img2=img[:,::-1]

(3)关于原点对称（上下左右都翻转）

全部代码：

import cv2

img=cv2.imread("ysjx.png")
cv2.imshow("1",img)
# 沿着x轴 上下颠倒：行逆序
img1=img[::-1]
# 沿着Y轴 图片左右翻转 ：表示行全部，：：-1表示列逆序，所以形成水平翻转
img2=img[:,::-1]
# 通道改变，变成灰色
# img3=img[:,:,-1]
# 沿着原点 行列都逆序
img3=img[::-1,::-1]
cv2.imshow("X",img1)
cv2.imshow("Y",img2)
cv2.imshow("0",img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

（二）裁剪

(1)截取下半段

与高度有关---行数×0.5（转换为int型）

#截取下半段
img4=img[int(0.5*img.shape[0]):]

(2)截取左半段

与宽度有关---列数×0.5（转换为int型）

img5=img[:,:int(0.5*img.shape[1])]

全部代码：

import cv2

img=cv2.imread("ysjx.png")
cv2.imshow("1",img)
# 沿着x轴 上下颠倒：行逆序
img1=img[::-1]
# 沿着Y轴 图片左右翻转 ：表示行全部，：：-1表示列逆序，所以形成水平翻转
img2=img[:,::-1]

# img3=img[:,:,-1]
# 沿着原点 行列都逆序
img3=img[::-1,::-1]

#截取下半段
img4=img[int(0.5*img.shape[0]):]
img5=img[:,:int(0.5*img.shape[1])]


# cv2.imshow("X",img1)
# cv2.imshow("Y",img2)
# cv2.imshow("0",img3)
cv2.imshow("bottom",img4)
cv2.imshow("left",img5)
cv2.waitKey(0)
cv2.destroyAllWindows()

（3）截取行数（每隔一行抽取一行）

#抽取行数截取
img6=img[::2]
cv2.imshow("hg2",img6)

（三）图片变亮变暗

（1）图片变暗（img*0.5 不一定是整数，故要处理）

img7=(0.5*img).astype(np.uint8)
cv2.imshow("dark",img7)

（2）图片变亮（不能单纯的*2，因为很有可能*2后大于255，故要处理）

img8=np.clip(1.5*img,a_min=0.,a_max=255.).astype(np.uint8)
cv2.imshow("bling",img8)

（四）灰度处理

1、numpy

# 灰度处理  gray = r*0.299 + g*0.587 + b*0.114 加权求和
img9=img[:,:,2]*0.299+img[:,:,1]*0.587+img[:,:,1]*0.114
# 像素点必须是整数，img9做转换处理
img9 = img9.astype(np.uint8)

cv2.imshow("Gray_numpy",img9)

2、cv2

# 2使用opencv做灰度处理
img_gray=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
print("img_gray",img_gray,type(img_gray))

cv2.imshow("Gray_cv2",img_gray)

3、对比

# 灰度处理  gray = r*0.299 + g*0.587 + b*0.114 加权求和
img9=img[:,:,2]*0.299+img[:,:,1]*0.587+img[:,:,1]*0.114
# 像素点必须是整数，img9做转换处理
img9 = img9.astype(np.uint8)
# 2使用opencv做灰度处理
img_gray=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
print("img9",img9,type(img9))
print("img_gray",img_gray,type(img_gray))

cv2.imshow("Gray_numpy",img9)
cv2.imshow("Gray_cv2",img_gray)