内容简介:人工智能,一个已经被谈论了几十年的概念。如今这几年,相关技术的发展速度是越来越快。高大上如无人驾驶、智能安防、AI辅助诊断,接地气如刷脸支付、内容推荐、自动翻译等,众多领域借助人工智能的力量而进化。从百度搜索指数的变化,也能从一个侧面反映出关注度在不断上升。而这其中,很多应用都涉及到“而说到计算机视觉,就不能不提到
人工智能,一个已经被谈论了几十年的概念。如今这几年,相关技术的发展速度是越来越快。高大上如无人驾驶、智能安防、AI辅助诊断,接地气如刷脸支付、内容推荐、自动翻译等,众多领域借助人工智能的力量而进化。从百度搜索指数的变化,也能从一个侧面反映出关注度在不断上升。
而这其中,很多应用都涉及到“ 计算机视觉 ”这样一个细分领域。简单来说,就是将图像信息转化为计算机可以处理的数字信息,从而让计算机能“看得见”。这个信息不仅仅是二维的图片,也包括三维场景、视频序列等。基本上所有需要用到摄像头、图片、视频的应用场景,都离不开计算机视觉的支持。因此,这也是人工智能领域中比较热门的一个方向。
而说到计算机视觉,就不能不提到 OpenCV ,它是一个历史悠久、功能丰富、社区活跃的开源视觉开发库。一方面,它提供了计算机视觉以及图像处理方面最常用最基础的功能支持,是开发的必备工具;另一方面,它在新版本中紧跟潮流,加入对新的算法、硬件的支持(v3.3 正式引入 DNN)。
OpenCV 基于 C++ 编写,但提供了 Python 、 Ruby 、MATLAB 等多种语言接口。这对于习惯使用 Python 开发的人工智能从业者来说非常方便。Python 本身的易用性和数值计算库(如 numpy、pandas),加上 OpenCV 在视觉方面的众多功能,让 OpenCV-Python 成为一个效率极高的视觉开发利器。今天我们就用几个常见的例子,演示下 OpenCV-Python 的强大和易用。
OpenCV 的安装,不同平台不同版本会有一些差异,网上有很多教程,这里不赘述。需要提醒的是,由于 Python 和 OpenCV 版本都比较多,安装时务必要 确认版本及系统位数 的对应。另外我个人建议使用 Anaconda 环境安装。
我们用图像处理的经典范例 Lenna 来做测试:
最基本的 图像读写 :
import cv2 as cv # 读图片 img = cv.imread('img/Lenna.png') # 图片信息 print('图片尺寸:', img.shape) print('图片数据:', type(img), img) # 显示图片 cv.imshow('pic title', img) cv.waitKey(0) # 添加文字 cv.putText(img, 'Learn Python with Crossin', (50, 150), cv.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 4) # 保存图片 cv.imwrite('img/Lenna_new.png', img) 复制代码
输出:
OpenCV-Python 中的图像数据使用了 numpy 库的 ndarray 类型进行管理,便于进行各种数值计算和转换。
常见的图像处理:
import numpy as np # 灰度图 img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) cv.imwrite('img/Lenna_gray.png', img_gray) # 二值化 _, img_bin = cv.threshold(img_gray, 127, 255, cv.THRESH_BINARY) cv.imwrite('img/Lenna_bin.png', img_bin) # 平滑 img_blur = cv.blur(img, (5, 5)) cv.imwrite('img/Lenna_blur.png', img_blur) # 边缘提取 _, contours, _ = cv.findContours(img_bin, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE) img_cont = np.zeros(img_bin.shape, np.uint8) cv.drawContours(img_cont, contours, -1, 255, 3) cv.imwrite('img/Lenna_cont.png', img_cont) 复制代码
输出:
这几种都属于 数字图像处理 的常用方法。OpenCV-Python 基本都封装好的接口,只需一两行代码就能完成,在实际项目开发中非常方便。
我们编程教室之前的“ 每周习题 ”里,和图像相关的题目基本都可以用 OpenCV-Python 来解决。
对这方面知识感兴趣的,可以找本数字图像处理的相关教材系统地看一遍,了解数字图像处理的理论基础会很有帮助。
除了基础功能,OpenCV 在代码附带的 Samples 里还提供了一些经典开发案例:
使用方法:
python facedetect.py 复制代码
核心代码:
cascade = cv.CascadeClassifier("haarcascade_frontalface_alt.xml") rects = cascade.detectMultiScale(img, scaleFactor=1.3, minNeighbors=4, minSize=(30, 30), flags=cv.CASCADE_SCALE_IMAGE) 复制代码
此功能基于** Haar 分类器**实现,项目中附带有训练好的分类器文件。此外,你还可以使用 OpenCV 训练针对其他目标特征的分类器,以用来检测其他物体。
我们之前的开发案例《 Python 送你一顶圣诞帽 》就使用了 OpenCV-Python 的人脸识别代码。
使用方法:
python openpose.py --model pose.caffemodel --proto pose.prototxt --dataset MPI 复制代码
核心代码:
net = cv.dnn.readNetFromCaffe(args.proto, args.model) inp = cv.dnn.blobFromImage(frame, 1.0 / 255, (inWidth, inHeight), (0, 0, 0), swapRB=False, crop=False) net.setInput(inp) out = net.forward() 复制代码
在 3.3 版本后,OpenCV 正式引入 DNN(深度神经网络) ,支持 Caffe、TensorFlow、Torch/PyTorch 等主流框架的模型,可用以实现图像的识别、检测、分类、分割、着色等功能。
姿态识别代码基于 CMU 的 openpose 项目实现( github.com/CMU-Percept… ),运行时所需的模型(.caffemodel)和配置文件(.prototxt)可从此项目中下载。
使用方法:
python fast_neural_style.py --model starry_night.t7 复制代码
核心代码:
net = cv.dnn.readNetFromTorch(args.model) net.setPreferableBackend(cv.dnn.DNN_BACKEND_OPENCV); inp = cv.dnn.blobFromImage(frame, 1.0, (inWidth, inHeight), (103.939, 116.779, 123.68), swapRB=False, crop=False) net.setInput(inp) out = net.forward() 复制代码
风格迁移代码基于 ECCV 2016 的论文《 Perceptual Losses for Real-Time Style Transfer and Super-Resolution 》实现( github.com/jcjohnson/f… ),使用了 Torch 训练好的模型,多种风格模型文件可从此项目中下载。
我们之前的文章 Python+OpenCV 十几行代码模仿世界名画 里有关于图像风格迁移更详细的介绍。
以上便是 OpenCV-Python 的一些简单应用。OpenCV 官方 Samples 代码里还有很多有趣的例子( github.com/opencv/open… ),更强大的功能也有待你在开发中逐步体会。希望这篇管中窥豹的文章可以让各位对 OpenCV 和计算机视觉有一个初步的了解和直观的认识,进而共同参与到人工智能这场技术浪潮中来。
想获取更多学习资源和代码实例,欢迎关注我们的公众号 Crossin的编程教室 ,并在其中回复关键字 项目
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
机器学习算法原理与编程实践
郑捷 / 电子工业出版社 / 2015-11 / 88.00
本书是机器学习原理和算法编码实现的基础性读物,内容分为两大主线:单个算法的原理讲解和机器学习理论的发展变迁。算法除包含传统的分类、聚类、预测等常用算法之外,还新增了深度学习、贝叶斯网、隐马尔科夫模型等内容。对于每个算法,均包括提出问题、解决策略、数学推导、编码实现、结果评估几部分。数学推导力图做到由浅入深,深入浅出。结构上数学原理与程序代码一一对照,有助于降低学习门槛,加深公式的理解,起到推广和扩......一起来看看 《机器学习算法原理与编程实践》 这本书的介绍吧!