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！
