根据图像旋转,复习下图像变换基础知识。
有兴趣的同学可以通过下面翻译为c++版本。
几何变换
几何变换可以看成图像中物体(或像素)空间位置改变,或者说是像素的移动。
几何运算需要空间变换和灰度级差值两个步骤的算法,像素通过变换映射到新的坐标位置,新的位置可能是在几个像素之间,即不一定为整数坐标。这时就需要灰度级差值将映射的新坐标匹配到输出像素之间。最简单的插值方法是最近邻插值,就是令输出像素的灰度值等于映射最近的位置像素,该方法可能会产生锯齿。这种方法也叫零阶插值,相应比较复杂的还有一阶和高阶插值。
插值算法感觉只要了解就可以了,图像处理中比较需要理解的还是空间变换。
空间变换
空间变换对应矩阵的仿射变换。一个坐标通过函数变换的新的坐标位置:
所以在程序中我们可以使用一个2*3的数组结构来存储变换矩阵:
以最简单的平移变换为例,平移(b1,b2)坐标可以表示为:
因此,平移变换的变换矩阵及逆矩阵记为:
缩放变换:将图像横坐标放大(或缩小)sx倍,纵坐标放大(或缩小)sy倍,变换矩阵及逆矩阵为:
选择变换:图像绕原点逆时针旋转a角,其变换矩阵及逆矩阵(顺时针选择)为:
以上部分摘自:https://blog.csdn.net/xiaowei_cqu/article/details/7616044
主要是介绍了下M的含义,为之下的内容做准备.
import cv2
from math import *
import numpy as np
img = cv2.imread("1.jpeg")
# 放大图像
# fx = 1.6
# fy = 1.2
# enlarge = cv2.resize(img, (0, 0), fx=fx, fy=fy, interpolation=cv2.INTER_CUBIC)
# res = cv2.resize(img,None,fx=2, fy=2, interpolation = cv2.INTER_CUBIC)
height, width = img.shape[:2]
print(height,width)
# 缩小图像
size = (int(width * 0.3), int(height * 0.3))
img = cv2.resize(img, size, interpolation=cv2.INTER_AREA)
height, width = img.shape[:2]
print(height,width)
degree = 45
# 旋转后的尺寸
heightNew = int(width * fabs(sin(radians(degree))) + height * fabs(cos(radians(degree)))) # 这个公式参考之前内容
widthNew = int(height * fabs(sin(radians(degree))) + width * fabs(cos(radians(degree))))
print(heightNew,widthNew)
#第一个参数旋转中心,第二个参数旋转角度,第三个参数:缩放比例
matRotation = cv2.getRotationMatrix2D((width / 2, height / 2), degree, 1)
print(matRotation)
matRotation[0, 2] += (widthNew - width) / 2 # 因为旋转之后,坐标系原点是新图像的左上角,所以需要根据原图做转化
matRotation[1, 2] += (heightNew - height) / 2
#第三个参数:变换后的图像大小
imgRotation = cv2.warpAffine(img, matRotation, (widthNew, heightNew), borderValue=(255, 255, 255))
cv2.imshow("img", img)
cv2.imshow("imgRotation", imgRotation)
cv2.waitKey(0)
结果:
原始尺寸:1600 1066
缩放尺寸:480 319
旋转尺寸:564 564
旋转矩阵:[[ 0.70710678 0.70710678 -122.98915908]
[ -0.70710678 0.70710678 183.07790411]]
测试图片:你好,李焕英