Opencv第五章——几何变换

于 2024-08-30 09:56:42 发布
阅读量618 收藏 10
点赞数 18
文章标签： opencv 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_80166849/article/details/141687909
版权

1. 缩放

我们可以通过OpenCV提供的resize()方法实现随意更改图像的大小比例，语法格式如下：

dst = cv2.resize(src, dsize, fx, fy, interpolation)

参数说明：

src: 原始图像

dsize: 输出图像的大小，格式为（宽， 高）， 单位为像素

fx: 可选参数， 水平方向上缩放比例

fy:可选参数， 竖直方向上的缩放比例

interpolation：可选参数，缩放的插值方式（指定算法对图像的放大或缩小进行像素的删减和补充）

返回值说明：

dst: 缩放之后的图像

1.1 使用dsize参数实现

dsize参数是一个元组，例如（100， 200），若使用dsize参数，就可以不写fx, fy参数

实现代码如下：

import cv2
img = cv2.imread(r"B:\Python_opencv_book\05\01\demo.png")  
dst1 = cv2.resize(img, (100, 100))  # 按照宽100像素、高100像素的大小进行缩放
dst2 = cv2.resize(img, (400, 400))  # 按照宽400像素、高400像素的大小进行缩放
cv2.imshow("img", img)  # 原图
cv2.imshow("dst1", dst1)  # 缩放图像
cv2.imshow("dst2", dst2)  
cv2.waitKey() 
cv2.destroyAllWindows()

图像变换结果：

1.2 使用fx参数和fy参数实现

fx参数和fy参数可以使用浮点值，小于1表示缩小，大于1表示放大

计算公式如下：

新图像宽度：round(fx X 原图像宽度)

新图像高度：round(fy X 原图像高度)

实现代码如下：

import cv2
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg")  
dst3 = cv2.resize(img, None, fx=1 / 3, fy=1 / 2)  # 将宽缩小到原来的1/3、高缩小到原来的1/2
dst4 = cv2.resize(img, None, fx=2, fy=2)  # 将宽高扩大2倍
cv2.imshow("img", img)  
cv2.imshow("dst3", dst3)  
cv2.imshow("dst4", dst4)  
cv2.waitKey()  
cv2.destroyAllWindows()

图像变换结果：

2. 翻转

Opencv使用cv2.flip()方法实现翻转效果，语法结构如下：

dst = cv2.flip(src, flipCode)

参数说明：

src:原始图像

flipCode:翻转类型

   0：沿着X轴翻转、

   正数：沿着Y轴翻转

   负数： 同时沿着X轴， Y轴翻转

返回值说明：

dst:翻转之后的图像

翻转操作实现代码：

import cv2
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(2).jpg")  
dst1 = cv2.flip(img, 0)  # 沿X轴翻转
dst2 = cv2.flip(img, 1)  # 沿Y轴翻转
dst3 = cv2.flip(img, -1)  # 同时沿X轴、Y轴翻转
cv2.imshow("img", img)  # 原图
cv2.imshow("dst_X", dst1)  # 翻转之后的图像
cv2.imshow("dst_Y", dst2)
cv2.imshow("dst3_XY", dst3)
cv2.waitKey()  
cv2.destroyAllWindows()

 图像翻转结果：

3. 仿射变换

       仿射变换是一种保持点、直线和面之间的平行关系的线性变换。简单来说，它是一种几何变换，包括了平移、缩放、旋转和剪切等操作，可以把一个图形变换成另一个图形，而不改变图形的基本结构。

       Opencv使用cv2.warpAffine()方法实现仿射变换效果，语法结构如下：

dst:cv2.wrapAffine(src, M, dsize, flags, borderMode, borderValue)

参数说明：

src:原始图像

M:一个二行三列的矩阵， 根据此矩阵的值变换原图中的像素位置

dsize:输出图像的尺寸大小

flags:可选参数， 插值方式

borderMode:可选参数， 边界类型

borderValue:可选参数， 边界值， 默认为0

返回值说明：

dst:输出图像

M叫做仿射矩阵, 实际上是一个2X3的列表：

                                      [[a, b, c],[d, e, f]]

输出图像按照以下公式进行计算

                                      (横坐标)新x = 原x  乘以 a + 原y 乘以 b + c 

                                    （纵坐标)新y = 原y  乘以 d + 原y 乘以 e + f

下面介绍创建M的两种方式：

                                        import numpy as np

                                        M = np.zeros((2, 3), np.float32)

                                        improt numpy as np

                                        M = np.float32([[1, 2, 3],[4, 5, 6]])

3.1 平移

M = [[1, 0, 水平移动的距离], [0, 1, 垂直移动的距离]]

若水平移动距离为正数，则向右移动

若垂直移动距离为正数， 则向下移动

实现代码如下（右下方平移）：

import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(2).jpg")  
rows = len(img)  # 图像像素行数
cols = len(img[0])  # 图像像素列数
M = np.float32([[1, 0, 50],  # 横坐标向右移动50像素
                [0, 1, 100]])  # 纵坐标向下移动100像素
dst = cv2.warpAffine(img, M, (cols, rows))
cv2.imshow("img", img)  # 原图
cv2.imshow("dst", dst)  # 仿射变换效果
cv2.waitKey()  
cv2.destroyAllWindows()

操作结果图片如下：

大家可以自行修改M的值来尝试进行其他方向的移动！！！ 

3.2 旋转

Opencv提供了getRotationMatrix2D()方法来自动计算出旋转图像的M矩阵，语法格式如下：

M = getRotationMatrix2D(certer, angle, scale)

参数说明：

certer:旋转的中心点坐标

angle:旋转的角度（正数逆时针， 负数顺时针）

scale:缩放比例（浮点类型）

返回值说明：

M:计算出的仿射矩阵 

 旋转实现代码：

import cv2
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(2).jpg")  
rows = len(img)  # 图像像素行数
cols = len(img[0])  # 图像像素列数
center = (rows / 2, cols / 2)  # 图像的中心点
M = cv2.getRotationMatrix2D(center, 30, 0.8)  # 以图像为中心，逆时针旋转30度，缩放0.8倍
dst = cv2.warpAffine(img, M, (cols, rows))  # 按照M进行仿射
cv2.imshow("img", img)  # 原图
cv2.imshow("dst", dst)  # 仿射变换效果
cv2.waitKey()  
cv2.destroyAllWindows()

操作图像结果：

3.3 倾斜

OpenCV通过定位图像的三个点来计算倾斜效果（左上， 右上，左下），并根据这三个点的位置变化计算其他像素的位置变化。OpenCV提供了getSffineTransform()方法来激素那倾斜图像的M矩阵。语法格式如下：

M = cv2.getAffineTransform(src, dst)

参数说明：

src: 原图三个点坐标， 格式为3行2列的32位浮点数列表

dst: 倾斜图像的三个点坐标， 格式为3行2列的32位浮点数列表

返回值说明：

M:计算出的仿射矩阵

 实现向右倾斜效果：

import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(2).jpg")  
rows = len(img)  # 图像像素行数
cols = len(img[0])  # 图像像素列数
p1 = np.zeros((3, 2), np.float32)  # 32位浮点型空列表，原图三个点
p1[0] = [0, 0]  # 左上角点坐标
p1[1] = [cols - 1, 0]  # 右上角点坐标
p1[2] = [0, rows - 1]  # 左下角点坐标
p2 = np.zeros((3, 2), np.float32)  # 32位浮点型空列表，倾斜图三个点
p2[0] = [50, 0]  # 左上角点坐标，向右挪50像素
p2[1] = [cols - 1, 0]  # 右上角点坐标，位置不变
p2[2] = [0, rows - 1]  # 左下角点坐标，位置不变
M = cv2.getAffineTransform(p1, p2)  # 根据三个点的变化轨迹计算出M矩阵
dst = cv2.warpAffine(img, M, (cols, rows))  # 按照M进行仿射
cv2.imshow('img', img)  # 原图
cv2.imshow('dst', dst)  # 仿射变换效果
cv2.waitKey()  
cv2.destroyAllWindows()

效果图像：

 大家可以尝试如何将图像进行向左倾斜！！！

示例代码入下：

import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(2).jpg")  
rows = len(img)  # 图像像素行数
cols = len(img[0])  # 图像像素列数
p1 = np.zeros((3, 2), np.float32)  # 32位浮点型空列表，原图三个点
p1[0] = [0, 0]  # 左上角点坐标
p1[1] = [cols - 1, 0]  # 右上角点坐标
p1[2] = [0, rows - 1]  # 左下角点坐标
p2 = np.zeros((3, 2), np.float32)  # 32位浮点型空列表，倾斜图三个点
p2[0] = [0, 0]  # 左上角点坐标不变
p2[1] = [cols - 1 - 50, 0]  # 右上角点坐标向左移动50像素
p2[2] = [50, rows - 1]  # 左下角点坐标向右移动50像素
M = cv2.getAffineTransform(p1, p2)  # 根据三个点的变化轨迹计算出M矩阵
dst = cv2.warpAffine(img, M, (cols, rows))  # 按照M进行仿射
cv2.imshow('img', img)  # 原图
cv2.imshow('dst', dst)  # 仿射变换效果
cv2.waitKey()  
cv2.destroyAllWindows()

效果图像： 

 

4.透视

OpenCV需要通过定位图像的四个点来计算透视效果，该操作不保证图像的“平直性”和“平行性”。OpenCV通过warpPerspective()方法来实现透视效果，语法结构如下：

dst = cv2.warpPerspective(src, M, dsize, flags, boarderMode, boarderValue)

参数说明：

src:原始图像

M:3行3列矩阵

dsize:输出图像尺寸大小

flags:可选参数， 插值方式

borderMode:可选参数， 边界类型

borderValue:可选参数， 边界值

返回值说明：

dst:透视变换后的输出图像

OpenCV提供了getPerspectiveTransform()方法来计算M矩阵， 该方法语法结构如下：

M = cv2.getPerspectiveTransform(src, dst)

参数说明：

src: 原图四个点坐标， 格式为4行2列的32位浮点数列表

dst: 透视图的四个点坐标

返回值说明：

M:计算出的仿射矩阵

 模拟从底部观察图像得到的透视效果：

import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(2).jpg")  
rows = len(img)  # 图像像素行数
cols = len(img[0])  # 图像像素列数
p1 = np.zeros((4, 2), np.float32)  # 32位浮点型空列表，保存原图四个点
p1[0] = [0, 0]  # 左上角点坐标
p1[1] = [cols - 1, 0]  # 右上角点坐标
p1[2] = [0, rows - 1]  # 左下角点坐标
p1[3] = [cols - 1, rows - 1]  # 右下角点坐标
p2 = np.zeros((4, 2), np.float32)  # 32位浮点型空列表，保存透视图四个点
p2[0] = [90, 0]  # 左上角点坐标，向右移动90像素
p2[1] = [cols - 90, 0]  # 右上角点坐标，向左移动90像素
p2[2] = [0, rows - 1]  # 左下角点坐标，位置不变
p2[3] = [cols - 1, rows - 1]  # 右下角点坐标，位置不变
M = cv2.getPerspectiveTransform(p1, p2)  # 根据四个点的变化轨迹计算出M矩阵
dst = cv2.warpPerspective(img, M, (cols, rows))  # 按照M进行仿射
cv2.imshow('img', img)  # 原图
cv2.imshow('dst', dst)  # 仿射变换效果
cv2.waitKey()  
cv2.destroyAllWindows()

效果图像：

 

 大家也来试试如下实现从顶部观察图像实现的透视效果吧！！！

下面是我给出的示例：

import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(2).jpg")  
rows = len(img)  # 图像像素行数
cols = len(img[0])  # 图像像素列数
p1 = np.zeros((4, 2), np.float32)  # 32位浮点型空列表，保存原图四个点
p1[0] = [0, 0]  # 左上角点坐标
p1[1] = [cols - 1, 0]  # 右上角点坐标
p1[2] = [0, rows - 1]  # 左下角点坐标
p1[3] = [cols - 1, rows - 1]  # 右下角点坐标
p2 = np.zeros((4, 2), np.float32)  # 32位浮点型空列表，保存透视图四个点
p2[0] = [0, 0]  # 左上角点坐标位置不变
p2[1] = [cols - 1, 0]  # 右上角点坐标位置不变
p2[2] = [90, rows - 1]  # 左下角点坐标向右移动90像素
p2[3] = [cols - 90, rows - 1]  # 右下角点坐标向左移动90像素
M = cv2.getPerspectiveTransform(p1, p2)  # 根据四个点的变化轨迹计算出M矩阵
dst = cv2.warpPerspective(img, M, (cols, rows))  # 按照M进行仿射
cv2.imshow('img', img)  # 原图
cv2.imshow('dst', dst)  # 仿射变换效果
cv2.waitKey()  
cv2.destroyAllWindows()

效果图像：

 

本章节内容就到此结束了，欢迎大家继续关注后续内容！！！ 

独木三绝
关注
  • 18
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
OpenCV-Python实战（1）——OpenCV简介与图像处理基础
盼小辉丶的博客
08-10 21万+
OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、Windows 和 Mac OS 操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。在本文中，将介绍 OpenCV 库，包括它的主要模块和典型应用场景，同时使用 OpenCV-Python 实战讲解图像处理基础要点。
Opencv2.4.9源码分析——Stitching（二）
热门推荐
赵春江的专栏
12-14 1万+
2、计算单应矩阵 2.1 原理 在得到了图像特征点以后，我们就可以根据这些特征点，实现图像匹配，即得到重叠区域。而要把多幅图像拼接成一幅图像，就需要以某幅图像为基准，把其他图像映射到该图像所在的平面。映射的关键所在就是根据重叠区域的特征点计算图像间的单应矩阵。 我们可以通过最近邻算法（K-NN，这里的K表示最近邻特征点的数量）得到与图像A中的某一特征点a最相似的其他任意一幅图像B的K个特征点
opencv——几何变换原理与实现
明月清风@的博客
05-14 924
摘要 图像几何变换又称为图像空间变换， 它将一幅图像中的坐标位置映射到另一幅图像中的新坐标位置。几何变换不改变图像的像素值， 只是在图像平面上进行像素的重新安排。 几何变换大致分为仿射变换、投影变换、极坐标变换，完成几何变换需要两个独立的算法过程： 1、一个用来实现空间坐标变换的算法，用它描述每个像素如何从初始位置移动到终止位置 2、一个插值算法完成输出图像的每个像素的灰度值 放射变换 ????...
数字图像处理第五章——几何变换与图像配准
Dujing2019的博客
04-21 7601
数字图像处理第五章数字图像处理---几何变换与图像标准（一）点变换（二）仿射变换（三）投影变换（四）应用于图像的几何变换（五）MATLAB 中的图像坐标系统5.1 输出图像位置5.2 控制输出网格（六）图像内插6.1 二维内插6.2 内插方法的比较（七） 图像配准7.1 配准处理7.2 使用 cpselect 的手工特征选择和匹配7.3 使用 cp2tform 推断变换参数7.4 基于区域的配准 ...
opencv入门到精通——图像的几何变换
weixin_45303602的博客
12-23 1098
要找到此变换矩阵，您需要在输入图像上有4个点，在输出图像上需要相应的点。在仿射变换中，原始图像中的所有平行线在输出图像中仍将平行。为了找到变换矩阵，我们需要输入图像中的三个点及其在输出图像中的对应位置。但是OpenCV提供了可缩放的旋转以及可调整的旋转中心，因此您可以在自己喜欢的任何位置旋转。图像的大小可以手动指定，也可以指定缩放比例。默认情况下，出于所有调整大小的目的，使用的插值方法为。学习将不同的几何变换应用到图像上，如平移、旋转、仿射变换等。函数的第三个参数是输出图像的大小，其形式应为。
Opencv——几何空间变换（仿射变换和投影变换）
hanhan的博客
03-30 4135
放射变化只要用到左边的6个参数。 右下角通常设为1.因为我们通常通过T1来对图像进行缩放 第三个参数是尺度参数，控制尺度缩放 theta角指的是逆时针旋转，改成负值就是顺时针旋转。 点共线特性：原本是一条直线，变换后还是一条直线 ...
Python+OpenCV图像处理（二）——几何变换
清崎教练
04-23 1378
系列文章 Python+OpenCV图像处理（一）——OpenCV框架与图像插值算法 目录二、几何变换2.1 简介2.2 算法理论2.2.1 变换形式 二、几何变换 2.1 简介 几何变换，通常指的是对数字图像进行平移、旋转、镜像等。 通常在传统的cv领域，由于人为进行拍摄图像的时候，有很多干扰会导致拍摄角度有问题，需要对图像进行矫正处理，这个矫正的过程正是以几何变换为基础的。另外，在当下比较...
opencv——几何变换_旋转_仿射
Sam's blog
09-18 243
1、旋转 #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 旋转 warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) -> dst 返回值： 旋转操作后的图像 参数解析： M：描述矩阵，使用函数getRotationMatrix2D(center, angle, scale) -> retval
OpenCV几何图像变换（10）透视变换函数warpPerspective()的使用
jndingxin的专栏
08-23 1287
warpPerspective函数用于应用透视变换到图像上。透视变换是一种更为复杂的变换，它可以实现图像的倾斜和扭曲，通常用于模拟三维空间中的视角变化。透视变换需要一个3x3的变换矩阵，该矩阵可以由四对匹配的点（源图像中的四个点和目标图像中的四个点）计算得出。
opencv开发环境搭建
轻口味的专栏
08-29 293
从github下载opencv最新源码https://github.com/opencv/opencv,目前最新是。
构建基于I2C与UART通信的智能嵌入式机械臂抓取系统，结合OpenCV技术进行高效物体识别与动作控制的综合解决方案（代码示例）
嵌入式极客小张
08-26 888
通过本项目，我们成功设计并实现了一个智能抓取系统，主要功能包括：物体识别：使用摄像头和OpenCV库，实现了对不同物体的识别。机械臂控制：通过Arduino控制伺服电机，实现了夹爪的开合和机械臂的移动。系统集成：将视觉识别模块与控制模块有效结合，实现了自动化物体抓取的功能。
OpenCV杂项图像变换(2)线性混合函数blendLinear()的使用
jndingxin的专栏
08-26 1047
blendLinear 函数是 OpenCV 中用于实现线性混合的一种方法。这个函数可以将多个图像按照指定的权重进行混合，生成一个新的图像。这对于图像融合或者创建过渡效果非常有用。
利用OpenCV根据图片识别环境的亮度
08-29 707
环境亮度识别，实质上是一项要求计算机系统能够精准分析并量化图像中光照强度的技术。要求计算机能够理解并量化人类视觉系统对光线变化的感知，进而做出相应的判断和反应。无论是智能照明系统中的自动调光，还是自动驾驶汽车在复杂光照条件下的安全导航，亦或是安防监控中对异常光源的即时警报，这一技术都扮演着至关重要的角色。它不仅提高了自动化系统的效率和可靠性，还极大地丰富了人机交互的方式，让机器能够更加“善解人意”。
OpenCV小练习：身份证号码识别
呦呦鹿鸣
08-28 1262
手把手教你使用OpenCV和Tesseract实现从图像中识别身份证号码
java调用opencv的流程
晓风残月淡的博客
08-29 459
工作上有时候需要通过java调用opencv批量处理图像或视频。
OpenCV绘图函数（9）填充多边形函数fillPoly()的使用
jndingxin的专栏
08-29 275
填充一个或多个多边形轮廓所包围的区域。
OpenCV+Python自动填涂机读卡
清山博客
08-26 885
接上一篇，既然可以识别机读卡填涂答案了，将标准答案绘制到机读卡上也就简单了。
图像数据处理25
最新发布
2301_80400361的博客
08-29 421
设定一个阙值，计算每个候选像素的灰度值与已生长区域像素的平均灰度值之间的差的绝对值，要是这个值小于阙值，则认为相似程度高，将其合并到生长区域像素中去，反之则不进行合并。可以理解成先选择一个像素区域，然后将其邻接区域中相似程度高的像素合并进去，直到找不到可以合并的像素为止。其的主要优点是能够较为精准地将具有相同特征的联通区域分割出来。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值