DNN模块简介：
OpenCV自3.3版本开始，加入了对深度学习网络的支持，即DNN模块，它支持主流的深度学习框架生成与到处模型的加载。
OpenCV中的深度学习模块（DNN）只提供了推理功能，不涉及模型的训练，支持多种深度学习框架，比如TensorFlow，Caffe,Torch和Darknet。
-
轻量型。DNN模块只实现了推理功能，代码量及编译运行开销远小于其他深度学习模型框架。
-
使用方便。DNN模块提供了内建的CPU和GPU加速，无需依赖第三方库，若项目中之前使用了OpenCV，那么通过DNN模块可以很方便的为原项目添加深度学习的能力。
-
通用性。DNN模块支持多种网络模型格式，用户无需额外的进行网络模型的转换就可以直接使用，支持的网络结构涵盖了常用的目标分类，目标检测和图像分割的类别
一、dnn.blobFromImage
作用：根据输入图像，创建维度N（图片的个数），通道数C，高H和宽W次序的blobs。
blobFromImage(image,
scalefactor=None,
size=None,
mean=None,
swapRB=None,
crop=None,
ddepth=None):参数：
-
image:cv2.imread 读取的图片数据
-
scalefactor: 缩放像素值，如 [0, 255] - [0, 1]
-
size: 输出blob(图像)的尺寸，如 (netInWidth, netInHeight)
-
mean: 从各通道减均值. 如果输入 image 为 BGR 次序，且swapRB=True，则通道次序为 (mean-R, mean-G, mean-B).
-
swapRB: 交换 3 通道图片的第一个和最后一个通道，如 BGR - RGB
-
crop: 图像尺寸 resize 后是否裁剪. 如果
crop=True，则，输入图片的尺寸调整resize后，一个边对应与 size 的一个维度，而另一个边的值大于等于 size 的另一个维度；然后从 resize 后的图片中心进行 crop. 如果crop=False，则无需 crop，只需保持图片的长宽比 -
ddepth: 输出 blob 的 Depth. 可选: CV_32F 或 CV_8U
示例：
import cv2
from cv2 import dnn
import numpy as np
import matplotlib.pyplot as plt
img_cv2 = cv2.imread("test.jpeg")
print("原图像大小: ", img_cv2.shape)
inWidth = 256
inHeight = 256
outBlob1 = cv2.dnn.blobFromImage(img_cv2,
scalefactor=1.0 / 255,
size=(inWidth, inHeight),
mean=(0, 0, 0),
swapRB=False,
crop=False)
print("未裁剪输出: ", outBlob1.shape)
outimg1 = np.transpose(outBlob1[0], (1, 2, 0))
outBlob2 = cv2.dnn.blobFromImage(img_cv2,
scalefactor=1.0 / 255,
size=(inWidth, inHeight),
mean=(0, 0, 0),
swapRB=False,
crop=True)
print("裁剪输出: ", outBlob2.shape)
outimg2 = np.transpose(outBlob2[0], (1, 2, 0))
plt.figure(figsize=[10, 10])
plt.subplot(1, 3, 1)
plt.title('输入图像', fontsize=16)
plt.imshow(cv2.cvtColor(img_cv2, cv2.COLOR_BGR2RGB))
plt.axis("off")
plt.subplot(1, 3, 2)
plt.title('输出图像 - 未裁剪', fontsize=16)
plt.imshow(cv2.cvtColor(outimg1, cv2.COLOR_BGR2RGB))
plt.axis("off")
plt.subplot(1, 3, 3)
plt.title('输出图像 - 裁剪', fontsize=16)
plt.imshow(cv2.cvtColor(outimg2, cv2.COLOR_BGR2RGB))
plt.axis("off")
plt.show()二、dnn.NMSBoxes
作用：根据给定的检测boxes和对应的scores进行NMS（非极大值抑制）处理。
NMSBoxes(bboxes,
scores,
score_threshold,
nms_threshold,
eta=None,
top_k=None)参数：
-
boxes: 待处理的边界框 bounding boxes
-
scores: 对于于待处理边界框的 scores
-
score_threshold: 用于过滤 boxes 的 score 阈值
-
nms_threshold: NMS 用到的阈值
-
indices: NMS 处理后所保留的边界框的索引值
-
eta: 自适应阈值公式中的相关系数
-
top_k: 如果 top_k>0，则保留最多 top_k 个边界框索引值.
三、dnn.readNet
作用：加载深度学习网络及其模型参数
readNet(model, config=None, framework=None)参数：
-
model: 训练的权重参数的模型二值文件，支持的格式有：
*.caffemodel(Caffe)、*.pb(TensorFlow)、*.t7或*.net(Torch)、*.weights(Darknet)、*.bin(DLDT). -
config: 包含网络配置的文本文件，支持的格式有：
*.prototxt(Caffe)、*.pbtxt(TensorFlow)、*.cfg(Darknet)、*.xml(DLDT). -
framework: 所支持格式的框架名
1、加载采用Caffe的配置网络和训练的权重参数
readNetFromCaffe(prototxt, caffeModel=None)2、加载采用Darknet的配置网络和训练的权重参数
readNetFromDarknet(cfgFile, darknetModel=None)3、加载采用Tensorflow 的配置网络和训练的权重参数
readNetFromTensorflow(model, config=None)4、加载采用 Torch 的配置网络和训练的权重参数
readNetFromTorch(model, isBinary=None)5、加载 .onnx 模型网络配置参数和权重参数
readNetFromONNX(onnxFile)文章来源地址https://www.toymoban.com/news/detail-553627.html
文章来源：https://www.toymoban.com/news/detail-553627.html
到了这里，关于OpenCV中DNN模块的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
