import cv2 import os # 读取原始图像 image_path = 'test.jpg' image = cv2.imread(image_path) if image is None: print("无法加载图片，请确保 test.jpg 存在于项目目录中。") exit() # 创建输出文件夹 output_dir = 'processed' os.makedirs(output_dir, exist_ok=True) # 显示原始图像 cv2.imshow("Original", image) cv2.waitKey(500) # 1. 灰度化处理 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) cv2.imshow("Gray", gray_image) cv2.imwrite(os.path.join(output_dir, 'gray.jpg'), gray_image) cv2.waitKey(500) # 2. 模糊处理（高斯模糊） blur_image = cv2.GaussianBlur(image, (11, 11), 0) cv2.imshow("Blur", blur_image) cv2.imwrite(os.path.join(output_dir, 'blur.jpg'), blur_image) cv2.waitKey(500) # 3. 边缘检测（Canny） edge_image = cv2.Canny(image, 100, 200) cv2.imshow("Edges", edge_image) cv2.imwrite(os.path.join(output_dir, 'edges.jpg'), edge_image) cv2.waitKey(500) # 4. 图像旋转（顺时针45度） (h, w) = image.shape[:2] center = (w // 2, h // 2) rotate_matrix = cv2.getRotationMatrix2D(center, -45, 1.0) rotated_image = cv2.warpAffine(image, rotate_matrix, (w, h)) cv2.imshow("Rotated", rotated_image) cv2.imwrite(os.path.join(output_dir, 'rotated.jpg'), rotated_image) cv2.waitKey(500) # 5. 人脸检测（基于Haar级联分类器） face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') face_image = image.copy() gray_for_face = cv2.cvtColor(face_image, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray_for_face, scaleFactor=1.1, minNeighbors=5) for (x, y, w, h) in faces: cv2.rectangle(face_image, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.imshow("Face Detection", face_image) cv2.imwrite(os.path.join(output_dir, 'faces.jpg'), face_image) cv2.waitKey(0) cv2.destroyAllWindows()

<think>好的，我现在需要帮用户整理一个关于OpenCV图像处理操作的完整代码示例，包括灰度化、高斯模糊、Canny边缘检测、图像旋转和人脸检测。首先，我需要确认用户提到的每个功能点，并确保每个步骤都有对应的代码和解释。用户提到了五个功能：灰度化、高斯模糊、边缘检测、图像旋转和人脸检测。我需要逐一处理这些。首先，灰度化，这应该是用cv2.cvtColor的COLOR_BGR2GRAY参数。然后是高斯模糊，使用cv2.GaussianBlur，需要指定核大小和sigma值。边缘检测部分，用户明确提到Canny算法，所以需要设置两个阈值，可能还需要解释如何调整这些参数。图像旋转的话，可能需要使用旋转矩阵，通过cv2.getRotationMatrix2D和cv2.warpAffine来实现。最后，人脸检测用Haar级联分类器，这需要加载预训练的模型，比如haarcascade_frontalface_default.xml，然后使用detectMultiScale方法。接下来，我需要把这些步骤整合到一个代码示例中，确保每个步骤之间有清晰的注释。同时，用户可能希望代码能够展示处理后的图像，所以每个处理后的结果应该用imshow显示出来，或者保存到不同的窗口。但要注意，如果同时显示多个窗口，可能会影响用户体验，所以可能需要合理安排窗口的显示顺序，或者使用cv2.waitKey来控制。另外，用户提供的引用中有一些代码示例，比如引用[1]和引用[4]中的人脸检测部分，还有引用[3]中的Canny边缘检测。我需要参考这些代码，确保语法正确，并且符合OpenCV的最新版本。例如，加载Haar分类器时，正确的路径可能需要通过cv2.data.haarcascades来获取，这样可以避免文件路径的问题。 还要注意，代码需要处理可能的异常，比如图像文件是否存在，分类器文件是否加载成功。但用户可能只需要一个简明的示例，所以暂时可以不加入异常处理，保持代码简洁。 图像旋转部分，用户可能需要指定旋转中心和旋转角度，比如以图像中心为原点旋转30度，这样比较直观。同时，旋转后的图像可能会超出原图范围，所以需要处理边框模式，比如用BORDER_CONSTANT填充黑色。 在编写代码时，要确保每一步都清晰，变量命名有意义。例如，gray_image表示灰度化后的图像，blurred_image表示高斯模糊后的结果，edges是边缘检测后的图像，rotated_image是旋转后的图像，最后在检测到的人脸周围画矩形。最后，生成相关问题时要围绕用户的需求，可能涉及参数调整、其他算法、性能优化、应用场景和错误处理等方面。例如，如何调整Canny的阈值，或者除了Haar分类器还有哪些人脸检测方法。现在需要将所有这些思考整合成一个结构清晰的回答，确保代码正确，注释明确，并且相关问题符合用户可能的后续疑问。</think>以下是使用OpenCV实现常见图像处理操作的完整代码示例，包含注释说明和功能整合： ```python import cv2 import numpy as np # 读取原始图像 image = cv2.imread('input.jpg') # ====== 1. 灰度化 ====== gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # ====== 2. 高斯模糊 ====== # 参数：(核宽度, 核高度)，标准差 blurred_image = cv2.GaussianBlur(image, (15, 15), 0) # ====== 3. Canny边缘检测 ====== # 参数：低阈值，高阈值（推荐比例1:2或1:3） edges = cv2.Canny(gray_image, 50, 150) # ====== 4. 图像旋转 ====== (h, w) = image.shape[:2] center = (w // 2, h // 2) # 参数：旋转中心，角度，缩放比例 rotation_matrix = cv2.getRotationMatrix2D(center, 30, 1.0) rotated_image = cv2.warpAffine(image, rotation_matrix, (w, h), borderMode=cv2.BORDER_CONSTANT) # ====== 5. Haar级联人脸检测 ====== # 加载预训练分类器 face_cascade = cv2.CascadeClassifier( cv2.data.haarcascades + 'haarcascade_frontalface_default.xml' ) # 转换为灰度图进行检测 gray_faces = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale( gray_faces, scaleFactor=1.1, minNeighbors=5, minSize=(30,30) ) # 在原图上绘制人脸矩形 detected_image = image.copy() for (x,y,w,h) in faces: cv2.rectangle(detected_image, (x,y), (x+w,y+h), (0,255,0), 2) # ====== 显示所有处理结果 ====== cv2.imshow('Original', image) cv2.imshow('Gray', gray_image) cv2.imshow('Blurred', blurred_image) cv2.imshow('Edges', edges) cv2.imshow('Rotated', rotated_image) cv2.imshow('Face Detection', detected_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 关键参数说明： - 高斯模糊核尺寸应为**正奇数**，尺寸越大模糊效果越明显 - Canny阈值推荐使用$低阈值:高阈值 = 1:2$或$1:3$的比例 - 图像旋转使用仿射变换，`borderMode`控制边缘填充方式 - Haar检测参数： - `scaleFactor=1.1`：每次图像缩放比例 - `minNeighbors=5`：候选框保留阈值 - `minSize=(30,30)`：最小检测目标尺寸