用python语言写一个调用opencv的图片缩小

这是一个使用Python调用OpenCV进行图片缩小的示例：

import cv2

# 读取图片
img = cv2.imread('image.jpg')

# 缩小图片
new_img = cv2.resize(img, (0,0), fx=0.5, fy=0.5)

# 显示原始图片和缩小后的图片
cv2.imshow('Original Image', img)
cv2.imshow('Resized Image', new_img)

# 等待按下任意键后关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，我们首先使用 `cv2.imread()` 函数读取了一张图片。然后使用 `cv2.resize()` 函数将图片缩小了一半，最后使用 `cv2.imshow()` 函数显示了原始图片和缩小后的图片。最后，我们使用 `cv2.waitKey()` 函数等待用户按下任意键后，使用 `cv2.destroyAllWindows()` 函数关闭了所有的窗口。

相关问题

python 使用455版本opencv写一个可以调用onnx模型的程序

首先，确保你已经安装了OpenCV 4.5.5和ONNX Runtime库。

然后，你可以使用以下代码加载ONNX模型并在OpenCV中使用它进行推理：

import cv2
import numpy as np
import onnxruntime as ort

# 加载 ONNX 模型
ort_session = ort.InferenceSession("model.onnx")

# 读取图像并进行预处理
img = cv2.imread("test.jpg")
img = cv2.resize(img, (224, 224))
img = img.astype('float32') / 255.0
img = np.transpose(img, [2, 0, 1])
img = np.expand_dims(img, axis=0)

# 执行推理
inputs = {ort_session.get_inputs()[0].name: img}
outputs = ort_session.run(None, inputs)

# 处理输出结果
result = np.argmax(outputs)

# 显示结果
cv2.imshow("Result", result)
cv2.waitKey(0)

在这个例子中，我们假设我们的ONNX模型是一个分类器，并且输入图像大小为224x224。我们首先加载模型，然后读取图像并进行预处理。我们将图像转换为浮点数格式，并缩放到[0,1]的范围内。然后，我们将图像转换为(NCHW)格式，其中N是批次大小，C是通道数，H和W是图像高度和宽度。我们使用`np.expand_dims`函数将图像扩展为一个四维张量，批次大小为1。最后，我们将输入数据作为字典传递给ONNX运行时的`session.run`方法，并将结果转换为最终的输出结果。

注意，此代码仅用于演示目的，并且需要根据你的模型和数据进行修改。

写一个opencv+python人脸对齐程序的实现代码

以下是一个基于dlib库的python人脸对齐程序的实现代码：

import cv2
import dlib

# 用于检测人脸并标定特征点
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

# 人脸对齐函数
def align_face(image):
    # 检测人脸并标定特征点
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    rects = detector(gray, 0)
    if len(rects) == 0:
        return None
    rect = rects[0]
    shape = predictor(gray, rect)
    shape = [(p.x, p.y) for p in shape.parts()]

    # 计算眼睛中心点的坐标
    left_eye_center = (
        shape[37][0] + shape[38][0] + shape[40][0] + shape[41][0]) // 4
    right_eye_center = (
        shape[43][0] + shape[44][0] + shape[46][0] + shape[47][0]) // 4
    eye_center = ((left_eye_center+right_eye_center)//2, (shape[37][1]+shape[43][1])//2)

    # 计算鼻子与嘴部中心点的坐标
    nose_center = shape[30]
    mouth_center = ((shape[49][0]+shape[55][0])//2, (shape[49][1]+shape[55][1])//2)

    # 计算旋转角度和缩放比例
    angle = (180 / np.pi) * np.arctan((nose_center[1] - mouth_center[1]) / (nose_center[0] - mouth_center[0]))
    scale = 1.5

    # 构造变换矩阵
    M = cv2.getRotationMatrix2D(eye_center, angle, scale)
    aligned_face = cv2.warpAffine(image, M, image.shape[:2])

    return aligned_face

# 调用示例
image = cv2.imread("test.jpg")
aligned_face = align_face(image)
cv2.imshow("original", image)
cv2.imshow("aligned", aligned_face)
cv2.waitKey(0)

其中，dlib库用于检测人脸并标定特征点，align_face函数用于实现人脸对齐，具体实现过程是：

1. 首先使用dlib库检测人脸并标定68个特征点。

2. 计算眼睛中心点、鼻子与嘴部中心点的坐标。

3. 根据鼻子与嘴部中心点的坐标计算旋转角度和缩放比例。

4. 构造变换矩阵，并使用cv2.warpAffine函数对图像进行旋转和缩放。

以上是一个简单的基于dlib库的python人脸对齐程序实现代码。