### 替代方案概述 为了实现面部对齐或绘图功能而不依赖于 `matplotlib.pyplot` 和 `imutils.face_utils`，可以通过其他库和自定义函数来完成这些操作。以下是具体的解决方案： --- #### 使用 OpenCV 实现面部对齐 通过 Dlib 提供的检测器 (`dlib.get_frontal_face_detector`) 和形状预测器 (`dlib.shape_predictor`) 来获取面部的关键点坐标，并基于这些关键点手动计算旋转矩阵以调整图像方向。 ```python import cv2 import dlib import numpy as np # 初始化Dlib的人脸检测器和形状预测器 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") def get_rotation_angle(shape): """ 基于眼睛中心位置计算旋转角度。 :param shape: dlib.full_object_detection 对象 :return: 旋转角度 (float) """ left_eye_center_x = int((shape.part(36).x + shape.part(39).x) / 2) left_eye_center_y = int((shape.part(36).y + shape.part(39).y) / 2) right_eye_center_x = int((shape.part(42).x + shape.part(45).x) / 2) right_eye_center_y = int((shape.part(42).y + shape.part(45).y) / 2) delta_x = right_eye_center_x - left_eye_center_x delta_y = right_eye_center_y - left_eye_center_y angle = np.degrees(np.arctan2(delta_y, delta_x)) return angle def align_face(image_path, output_size=(256, 256)): """ 对齐人脸并返回裁剪后的图像。 :param image_path: 输入图像路径 :param output_size: 输出图像大小，默认为 (256, 256) :return: 对齐后的人脸图像 """ # 加载图像 image = cv2.imread(image_path) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 检测人脸 rects = detector(gray, 1) if len(rects) == 0: raise ValueError("未检测到人脸") rect = rects[0] # 获取面部关键点 shape = predictor(gray, rect) # 计算旋转角度 angle = get_rotation_angle(shape) # 绕左眼中心旋转图像 left_eye_center_x = int((shape.part(36).x + shape.part(39).x) / 2) left_eye_center_y = int((shape.part(36).y + shape.part(39).y) / 2) center = (left_eye_center_x, left_eye_center_y) rotation_matrix = cv2.getRotationMatrix2D(center, angle, scale=1.0) rotated_image = cv2.warpAffine(image, rotation_matrix, (image.shape[1], image.shape[0])) # 调整尺寸 aligned_face = cv2.resize(rotated_image, output_size) return aligned_face ``` 此代码实现了无需 `imutils.face_utils.FacAligner` 的面部对齐功能[^1]。 --- #### 不使用 Matplotlib 进行绘图 如果需要绘制直方图或其他图形而不想使用 `matplotlib.pyplot`，可以考虑以下两种替代方式之一： ##### 方法一：使用 NumPy 和 PIL 创建图像 利用 NumPy 数组构建像素级的数据表示形式，并将其转换为图像对象保存或显示。 ```python from PIL import Image, ImageDraw def draw_histogram(hist, bin_edges, width=800, height=400): """ 使用PIL绘制直方图。 :param hist: 直方图数据数组 :param bin_edges: 边界值数组 :param width: 图像宽度 :param height: 图像高度 :return: PIL.Image 对象 """ max_freq = max(hist) bar_width = width // len(hist) img = Image.new("RGB", (width, height), color="white") draw = ImageDraw.Draw(img) for i, freq in enumerate(hist): x_start = i * bar_width y_start = height - (freq / max_freq) * height x_end = x_start + bar_width y_end = height draw.rectangle([(x_start, y_start), (x_end, y_end)], fill="blue") return img ``` 调用该函数即可生成一张不含任何外部依赖项的直方图表[^2]。 ##### 方法二：导出 CSV 数据至 Excel 或 Google Sheets 自动渲染图表 当无法直接嵌入可视化组件时，可将统计结果存储为结构化文件格式（如 `.csv`），再交由第三方工具处理展示需求。 ```python import csv def save_histogram_as_csv(filename, hist, bin_edges): """ 将直方图数据保存为CSV文件。 :param filename: 文件名字符串 :param hist: 直方图频率列表 :param bin_edges: 区间边界列表 """ with open(filename, mode='w', newline='') as file: writer = csv.writer(file) writer.writerow(["Bin Range", "Frequency"]) for edge_low, edge_high, count in zip(bin_edges[:-1], bin_edges[1:], hist): label = f"{edge_low:.2f}-{edge_high:.2f}" writer.writerow([label, count]) ``` 这种方法允许最终用户自行决定如何呈现分析成果[^3]。 --- ### 总结 以上提供了两个主要方面的改进措施——一是完全摆脱了对面部对齐专用模块 `imutils.face_utils.FacAligner` 的依赖；二是针对绘图环节提出了既保留核心逻辑又规避特定框架限制的新思路。希望这些建议能够满足实际应用场景下的灵活性和技术选型自由度的要求。