Python的机器视觉库

Python常用的机器视觉库有：

1. OpenCV
2. scikit-image
3. SimpleCV
4. Pygame
5. ImageAI
6. Pillow(PIL)

其中，OpenCV是最广泛使用的库, 可以进行各种计算机视觉和图像处理任务，如图像识别、跟踪、分割和特征提取等。Scikit-image是一个用于图像处理的开源Python库, 其重点在于对数学模型的实现上，用于图像分析、图像的处理及特征提取。SimpleCV是一个面向开发人员的计算机视觉框架, 开发者可以使用它快速、轻松地编写计算机视觉应用程序。Pillow, 它是Python Imaging Library的预启动库, 是一种可以创建、操作和处理图像的库。ImageAI是一款易于使用的Python库，用于实现各种计算机视觉任务，如对象检测、图像分割和图像分析等。

使用OpenCV库的Python代码，用于在图像中检测人脸：

import cv2

face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# 加载模型

img = cv2.imread('img.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
# 在图像中检测人脸

for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
    # 在图像中画出人脸框

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上代码将在图像中检测人脸，并在检测出的每个人脸上绘制一个绿色的矩形框。

使用scikit-image库的Python代码示例，用于在图像中进行Sobel边缘检测：

from skimage import io, filters

img = io.imread('img.jpg', as_gray=True)
# 以灰度图像的方式读取图像

edges = filters.sobel(img)
# 使用Sobel算子进行边缘检测

io.imshow(edges)
io.show()
# 显示边缘检测后的图像

以上代码将使用Sobel算子对读取的图像进行边缘检测，并显示处理后的图像。

使用SimpleCV库的Python代码示例，用于检测图像中的车辆：

from SimpleCV import *

cam = Camera()  
# 初始化相机

while True:
    img = cam.getImage()
    # 获取一帧图像

    img = img.scale(0.5)
    # 缩小图像，以加快车辆检测速度

    cars = img.findHaarFeatures('cars.xml')
    # 使用Haar分类器检测车辆

    if cars:
        for car in cars:
            car.draw()
            print "Car detected at:" + str(car.coordinates())

    img.show()
    # 显示检测结果与原始图像

    if cv2.waitKey(1) == 27:
        # 对‘ESC’健进行判断，若按下则退出循环
        break

cv2.destroyAllWindows()

以上代码将使用SimpleCV库中提供的Haar分类器检测图像中的车辆，并在检测到的车辆上绘制一个矩形框，并同时显示检测结果和原始图像。

使用ImageAI库的Python代码示例，用于在图像中进行物体检测：

from imageai.Detection import ObjectDetection
import os

execution_path = os.getcwd()

detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))
detector.loadModel()

detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "image_new.jpg"))

for eachObject in detections:
    print(eachObject["name"] , " : " , eachObject["percentage_probability"])

以上代码将使用ImageAI库中提供的RetinaNet预训练模型对图像中的对象进行检测，并在控制台上显示每个检测到的相对概率。检测结果将保存在名为"imaage_new.jpg"的图像文件中。