对于多个图像组成的数据集使用OpenCV中的cv2.dnn.blobFromImages()进行分类模型的预处理，数据集在附件文件夹名为images1中。分类模型、配置文件、类标签集文件在附件中。调用分类模型和配置文件使用函数名为cv2.dnn.readNetFromCaffe()。A.导入必要的包 B.使用open打开类标签集文件 C.使用cv2.dnn.readNetFromCaffe()函数装载分类模型和配置文件 D.使用paths获取输入图像路径 E.使用cv2.imread()函数读图像路径中的每个图像 F.使用cv2.resize()函数调整图像集中的每个图像的大小 G.把图像集中的每个图像放到一个图像集列表中 H.使用cv2.dnn.blobFromImages()函数预处理图像集 I.把cv2.dnn.blobFromImages()的返回结果导入分类模型中并把预测结果降 序排列 J.画最高预测概率的类标签到图像的左上角，并且显示图像分类名称和概率值

A. 导入必要的包：cv2, numpy, argparse

import cv2
import numpy as np
import argparse

B. 使用 open 打开类标签集文件

with open('labels.txt') as f:
    labels = f.read().strip().split('\n')

C. 使用 cv2.dnn.readNetFromCaffe() 函数装载分类模型和配置文件

model = cv2.dnn.readNetFromCaffe('deploy.prototxt', 'model.caffemodel')

D. 使用 paths 获取输入图像路径

image_paths = sorted(list(paths.list_images('images1')))

E. 使用 cv2.imread() 函数读图像路径中的每个图像

images = []
for image_path in image_paths:
    image = cv2.imread(image_path)
    images.append(image)

F. 使用 cv2.resize() 函数调整图像集中的每个图像的大小

resized_images = []
for image in images:
    resized_image = cv2.resize(image, (227, 227))
    resized_images.append(resized_image)

G. 把图像集中的每个图像放到一个图像集列表中

image_list = np.array(resized_images)

H. 使用 cv2.dnn.blobFromImages() 函数预处理图像集

blob = cv2.dnn.blobFromImages(image_list, 1.0, (227, 227), (104, 117, 123))

I. 把 cv2.dnn.blobFromImages() 的返回结果导入分类模型中并把预测结果降序排列

model.setInput(blob)
outputs = model.forward()
predictions = outputs[0]
sorted_predictions = np.argsort(predictions)[::-1]

J. 画最高预测概率的类标签到图像的左上角，并且显示图像分类名称和概率值

for i in range(len(images)):
    image = images[i]
    prediction = predictions[i]
    label = labels[sorted_predictions[i]]
    confidence = prediction[sorted_predictions[i]]

    text = f'{label}: {confidence:.2f}'
    cv2.putText(image, text, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)

    cv2.imshow('Image', image)
    cv2.waitKey(0)