選擇圖像后，讓我們重命名它們。確保圖像文件位于你正在處理的同一文件夾中。在保存它們之后，現在我們將對圖像做一些修飾。圖像處理在這一步中，我們將對圖像做一些小的修飾，以便更好地進行處理，我也發(fā)表了一篇關于常用圖像處理技術的文章。做這些修整確實有助于我們的機器處理，并提供更好的結果。我們先調整圖片的大小，接下來，我們將它們轉換成灰度，我們的模型處理灰度圖像的速度更快。Python中的圖像處理常用圖像處理技術的分步指南網址：https：／／towardsdatascience．com／image－manipulation－in－python－cbb86a61cf0為了使用這些圖像編輯技術，我們將使用我們在文章開頭導入的圖像模塊。調整大小newsize ＝ （600， 600） ＃First image retouchesimgr1 ＝ Image．open（＂test1．jpg＂） imgr1 ＝ imgr．resize（newsize） imgr1．save（＂resized1．jpg＂）＃Second image retouchesimgr2 ＝ Image．open（＂test2．jpg＂） imgr2 ＝ imgr．resize（newsize） imgr2．save（＂resized2．jpg＂）灰度imgr1 ＝ imgr1．convert（＇L＇） imgr1．save（＇ready1．jpg＇） imgr2 ＝ imgr2．convert（＇L＇） imgr2．save（＂ready2．jpg＂）導入編輯的圖像最后，我們將編輯好的圖像導入到我們的程序中，這樣我們就可以運行貓臉和人臉檢測模型了。我們正在使用Opencv庫導入圖像。＃ Read the input image img1 ＝ cv2．imread（＇ready1．jpg＇）
img2 ＝ cv2．imread（＇ready2．jpg＇）人臉檢測級聯是時候檢測人臉了，我們將運行兩行代碼。首先在圖像中檢測人臉，第二步是在圖像中檢測貓的臉。如前所述，我們正在請求opencv分類器。human＿faces ＝ humanface＿cascade．detectMultiScale（img1，     scaleFactor＝1．3， minNeighbors＝5， minSize＝（75， 75）） cat＿faces ＝ catface＿cascade．detectMultiScale（img2， scaleFactor＝1．3， minNeighbors＝5， minSize＝（75， 75））繪制矩形在這一步中，我們將圍繞檢測到的面部進行繪制矩形。這些矩形可以有不同的顏色，其線框的厚度也可以調整。for （i， （x， y， w， h）） in enumerate（human＿faces）： cv2．rectangle（img1， （x， y）， （x＋w， y＋h）， （220， 90， 230）， 3）         cv2．putText（img1， ＂Human Face － ＃｛｝＂．format（i ＋ 1）， （x， y － 10），    cv2．FONT＿HERSHEY＿SIMPLEX， 0．55， （220， 90， 230）， 2）for （i， （x， y， w， h）） in enumerate（cat＿faces）： cv2．rectangle（img2， （x， y）， （x＋w， y＋h）， （0，255， 0）， 3）    cv2．putText（img2， ＂Cat Faces － ＃｛｝＂．format（i ＋ 1）， （x， y － 10），    cv2．FONT＿HERSHEY＿SIMPLEX， 0．55， （0， 0， 255）， 2）（220，90，230）和（0255，0）是我們要繪制的矩形顏色，你可以和它們一起玩，看看顏色是怎么變化的。（3） 是線條的粗細，你可以更改該值并查看其外觀。保存結果最后，我們將保存檢測到的人臉圖像。要查看工作的最終結果，最好的方法是保存并檢查，確保正確傳遞變量名。在運行這最后一段代碼之前，如果一切正常的話，我建議你繼續(xù)檢查整個代碼。＃Saving the images using imwrite methodcv2．imwrite（＂faces＿detected1．png＂， img1）cv2．imwrite（＂faces＿detected2．png＂， img2）結果這是我的工作成果。第一種是人臉檢測，第二種是貓臉檢測結果。如你所見，我們的機器知道哪一個是人類，哪一個是貓臉。我還測試了這個程序，將兩個圖像合并在一個圖像中，我收到的結果可以在下面找到。faces＿detected1．png

faces＿detected2．png

其他與其逐個測試每個圖像，不如讓我們看看將兩個圖像合并為一個并運行代碼時會發(fā)生什么。我們可以看到，我們的機器現在能夠理解和區(qū)分貓和人的臉。result

恭喜！ ！你已經創(chuàng)建了一個程序，可以在圖像中檢測貓和人的臉�，F在，你已經知道如何教機器同時為你做兩件事了。希望你喜歡這篇教程，并在今天學到一些新東西。計算機視覺是一個偉大的領域，你可以做的事情是無限的。你可以在不同的圖像上測試代碼，看看它是如何工作的。它可能不是對所有的圖像都有效，因為預測依賴于訓練過的數據。