最近帮同学实现了一个简单的图像识别程序，顺便复习了一下 python 的知识。
问题背景大致如下，需要从图片中按照指定尺寸识别并裁剪出包含目标对象的矩形区域。
准备工作
在 python 中也有依赖包管理工具，类似 Node.js 中的 npm，这就是 pip：
sudo easy_install pip既然涉及到图像识别，使用 OpenCV 无疑是最佳选择，而且针对不同语言都有官方或者非官方的实现版本。
我这里使用了一个非官方的库 opencv-python：
pip install opencv-python另外，由于涉及到科学计算，numpy 也是需要安装的：
python -m pip install --user numpy scipy matplotlib ipython jupyter pandas sympy nose到这里准备工作就算完成了，可以仔细思考下这个问题的解决思路。
大致思路
首先从原始输入图片中不难看出，其中包含了很多噪音，去除他们会给后续处理带来便利。 其次，我们需要将灰度图转换成黑白双色图，便于后续的轮廓识别。 然后，通过轮廓识别找出矩形边框，根据需要的裁剪尺寸作出调整。 最后，根据调整后的区域在原图中进行裁剪。
下面让我们依次根据这个思路实现。
具体实现
先学习一波 python 的语法知识。
python 语法
类似 ES6 中的模块语法，通过 import 我们可以引入指定模块或者其中的方法：
import cv2
from math import floor
from os import makedirs,listdir另外，由于使用了中文注释，需要在源码顶部第一行声明编码类型：
#coding:utf-8作为一个 python 初学者，看到很多 python 代码中包含下面一段类似程序入口的判断。原来一个 python 文件既可以独立运行，也可以被其他文件引用，通过 __name__ 能判断运行环境：
if __name__ == "__main__":
main()读取图片
OpenCV 提供了图片的读写方法，比如 imread() 将图片读入数组中：
original_img = cv2.imread(join(input_dir,src_img))去噪
OpenCV 提供了去噪方法，这里我们使用针对灰度图的：
denoised_img = cv2.fastNlMeansDenoising(original_img,None,10,7,21)
轮廓检测
把 8 位的灰度图转换成黑白图，设置阈值 127。另外这里出现了 python 中方法多个返回值，不需要的可以命名为 _，比如这里第一个返回值是原始数组，我们并不需要：
_, binary_img = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY)
关于轮廓检测 OpenCV 有专门的章节介绍。值得注意的是，由于对象内部也会存在“黑点”，构成很小的区域，我们需要通过计算轮廓面积，筛选掉这些小小的区域：
_, contours, hierarchy = cv2.findContours(binary_img,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
if cv2.contourArea(cnt)>1000:
# 后续处理轮廓
现在我们得到了轮廓区域的包围矩形，需要根据裁剪矩形做出调整。 首先我们对齐两个矩形的中心，然后检测是否触碰到了整个图片的边缘：
# 轮廓区域
x,y,w,h = cv2.boundingRect(cnt)
# 对齐中心
crop_y = y+floor((h-crop_h)/2)
crop_x = x+floor((w-crop_w)/2)
# 边缘检测
crop_x = min(max(0, crop_x),original_img_w-crop_w)
crop_y = min(max(0, crop_y),original_img_h-crop_h)最后在原图中裁剪，python 操作矩阵数组真是方便：
crop_img = original_img[crop_y:crop_y+crop_h,crop_x:crop_x+crop_w]
output_path = '...'
cv2.imwrite(output_path, crop_img)总结
经常看到使用 python 编写机器学习，网络爬虫的文章。个人感觉语法类似 Ruby 和 JS 的混合体，非常值得学习。 尤其是这次结合 OpenCV 的尝试，让我觉得可以用他们继续实现更加有趣的功能，例如 OCR 和人脸识别等等，即使完全不了解其中的算法细节。
