目录
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)
?（6）bgr转rgb（通道改变）
上述处理都是bgr模式
（7）灰度处理（待补充）