机器学习的一个应用方向，是如何让机器去理解图像。包括对图像里物体的识别，跟踪和测量。
能做什么——无人驾驶汽车、人脸识别、车牌识别手势识别（游戏方向）
PIL静态的库
OpenCV 动态的库
import pandas as pd
import numpy as np
from PIL import Image train=pd.read_csv('train.csv') for ind,row in train.iloc[1:10].iterrows():
#第一行是label
i=row[0]
arr=np.array(row[1:],dtype=np.uint8)
arr.resize((28,28))
im=Image.fromarray(arr)
#ind是第几幅图像，i表示这个图像是几
#如果没有‘train_pics’这个文件夹会报错
im.save('./train_pics/%s-%s.png' % (ind,i))
opencv视频输入输出——因为环境配置问题，本程序没有运行：
################# 摄像头的输入，输出 ##################
def onMouse(event, x, y, flags, param):
# Event:
# CV_EVENT_MOUSEMOVE 0 滑动
# CV_EVENT_LBUTTONDOWN 1 左键点击
# CV_EVENT_RBUTTONDOWN 2 右键点击
# CV_EVENT_MBUTTONDOWN 3 中键点击
# CV_EVENT_LBUTTONUP 4 左键放开
# CV_EVENT_RBUTTONUP 5 右键放开
# CV_EVENT_MBUTTONUP 6 中键放开
# CV_EVENT_LBUTTONDBLCLK 7 左键双击
# CV_EVENT_RBUTTONDBLCLK 8 右键双击
# CV_EVENT_MBUTTONDBLCLK 9 中键双击 # x,y为鼠标点击位置 # flags:
# CV_EVENT_FLAG_LBUTTON 1 左键拖曳
# CV_EVENT_FLAG_RBUTTON 2 右键拖曳
# CV_EVENT_FLAG_MBUTTON 4 中键拖曳
# CV_EVENT_FLAG_CTRLKEY 8 (8~15)按Ctrl不放事件
# CV_EVENT_FLAG_SHIFTKEY 16 (16~31)按Shift不放事件
# CV_EVENT_FLAG_ALTKEY 32 (32~39)按Alt不放事件 # param: 自定义编号 global clicked
if event == cv2.cv.CV_EVENT_LBUTTONUP:
clicked = True clicked = False #读取摄像头输入
cameraCapture = cv2.VideoCapture(0)
cv2.namedWindow('MyCamera') #绑定鼠标callback
cv2.setMouseCallback('MyCamera', onMouse)
print u'点击窗口或者按任意键退出.'
success, frame = cameraCapture.read() while cv2.waitKey(1) == -1 and not clicked:
if frame is not None:
cv2.imshow('MyCamera', frame)
success, frame = cameraCapture.read() cv2.destroyWindow('MyCamera')
一、Haar级联分类器
Harr级联分类器=Harr-like特征检测+Adaboost
如何把若干个弱分类器变成一个强分类器。
# -*- coding: utf-8 -*-
# comment by heibanke import cv2 #实例化分类器
#实例化的函数的参数是xml文件，这个文件里边是训练奶好了的强分类器
face_cascade = cv2.CascadeClassifier('./xml/haarcascade_frontalface.xml')
eye_cascade = cv2.CascadeClassifier('./xml/haarcascade_eye.xml')
#打开图像
img = cv2.imread('./pics/test_faces.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#gray = cv2.imread('test1.jpg', cv2.CV_LOAD_IMAGE_GRAYSCALE) # detectMultiScale参数解释
# gray, 用于检测的灰度图像
# 1.2: scale_factor 在前后两次相继的扫描中，搜索窗口的比例系数。——就是说搜索的时候不断把窗口按比例放大
# 例如1.1指将搜索窗口依次扩大10%。
# 2: min_neighbors 构成检测目标的相邻矩形的最小个数(缺省－1)。——只有判断相邻的矩形都有的时候才会判断为人脸，如果稍微缩小一下就不是了，那么它就不会当做人脸
# 如果组成检测目标的小矩形的个数和小于min_neighbors-1 都会被排除。
# 如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框。——我们选择2，是选择所有相邻的矩形都是脸的那个矩形
faces = face_cascade.detectMultiScale(gray, 1.2, 2)
for (x,y,w,h) in faces:
# cv2.rectangle参数解释
#(x,y)是矩形左上角
#(x+w,y+h)是矩形右下角
#(255,0,0)是矩形的RGB颜色, 为红色
#2, 是绘制矩形的线宽
cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
roi_gray = gray[y:y+h, x:x+w]
roi_color = img[y:y+h, x:x+w]
#在人脸检测的基础上检测眼睛
eyes = eye_cascade.detectMultiScale(roi_gray)
for (ex,ey,ew,eh) in eyes:
cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2) cv2.imshow('img',img)
k=cv2.waitKey(0)
if k==27:
cv2.destroyWindow('test')