opencv图片操作之图片缩放
1.实验目的
熟悉opencv读入图片,以及图片的放大和缩小.
2.实验设备
安装了python和pychrm的电脑一台.
3.实验内容
包含图片的导入和显示、图片放大、缩小.
4.实验原理
图像的缩放很好理解,就是图像的放大和缩小。传统的绘画工具中,有一种叫做“放大尺”的绘画工具,画家常用它来放大图画。当然,在计算机上,我们不再需要用放大尺去放大或缩小图像了,把这个工作交给程序来完成就可以了。下面就来讲讲计算机怎么来放大缩小图象;我们所说的图像都是指点阵图,也就是用一个像素矩阵来描述图像的方法,越是简单的模型越适合用来举例子,我们就举个简单的图像:3X3的256级灰度图,也就是高为3个象素,宽也是3个象素的图像,每个象素的取值可以是0-255,代表该像素的亮度,255代表最亮,也就是白色,0代表最暗,即黑色。假如图像的象素矩阵如下图所示(这个原始图把它叫做源图,Source):
234 38 22
67 44 12
89 65 63
这个矩阵中,元素坐标(x,y)是这样确定的,x从左到右,从0开始,y从上到下,也是从0开始,这是图象处理中最常用的坐标系,就是这样一个坐标:
--------------->X
|
|
∨Y
如果想把这副图放大为4X4大小的图像,那么该怎么做呢?那么第一步肯定想到的是先把4X4的矩阵先画出来再说,好了矩阵画出来了,如下所示,当然,矩阵的每个像素都是未知数,等待着我们去填充(这个将要被填充的图的叫做目标图,Destination):
? ? ? ?
? ? ? ?
? ? ? ?
? ? ? ?
然后要往这个空的矩阵里面填值了,要填的值从哪里来来呢?当然是从源图中来,先填写目标图最左上角的象素,坐标为(0,0),那么该坐标对应源图中的坐标可以由如下公式得出:
srcX=dstX* (srcWidth/dstWidth) , srcY = dstY (srcHeight/dstHeight)
套用公式,就可以找到对应的原图的坐标了(0(3/4),0*(3/4))=>(00.75,00.75)=>(0,0),找到了源图的对应坐标,就可以把源图中坐标为(0,0)处的234象素值填进去目标图的(0,0)这个位置了。
接下来,如法炮制,寻找目标图中坐标为(1,0)的象素对应源图中的坐标,套用公式:
(10.75,00.75)=>(0.75,0)
结果发现,得到的坐标里面竟然有小数,这可怎么办?计算机里的图像可是数字图像,象素就是最小单位了,象素的坐标都是整数,从来没有小数坐标。这时候采用的一种策略就是采用四舍五入的方法(也可以采用直接舍掉小数位的方法),把非整数坐标转换成整数,好,那么按照四舍五入的方法就得到坐标(1,0),完整的运算过程就是这样的:
(10.75,00.75)=>(0.75,0)=>(1,0)
那么就可以再填一个象素到目标矩阵中了,同样是把源图中坐标为(1,0)处的像素值38填入目标图中的坐标。
依次填完每个象素,一幅放大后的图像就诞生了,像素矩阵如下所示:
234 38 22 22
67 44 12 12
89 65 63 63
89 65 63 63
这种放大图像的方法叫做最临近插值算法,这是一种最基本、最简单的图像缩放算法,效果也是最不好的,放大后的图像有很严重的马赛克,缩小后的图像有很严重的失真。
图像的基本操作读取、显示、存储:通过调用OpenCV中的cv2.imread(),cv2.imshow(),cv2.write()分别实现。
图像由数组构成,黑白图像就是一个单通道的二维矩阵,如同一个的棋盘(矩阵),棋盘中每个点的数字大小代表着图像像素灰度的高低,通过像素的差异形成素描般的黑白图像;而彩色图像则是由三个通道组合而成的一个三维矩阵。彩色图像可以通过b,g,r=cv2.split(image)实现分离,或者通过数组切分实现通道分离:
b,g,r=image[:,:,0],image[:,:,1],image[:,:,2];对三个通道的图像合成彩色图像可以调用cv2.merge([b,g,r])实现通道合并。
opencv提供resize()函数对图像进行缩放。
cv2.resize(img,(double,double))
参数img:输入的图像
参数double:缩放比例,这个缩放比例有x方向和y方向的,所以要两个参数
参数interpolation:指定差值方法:
cv2.INTER_NEAREST - 最近邻差值
cv2.INTER_LINEAR - 双线性差值 (缺省使用)
cv2.INTER_AREA - 使用象素关系重采样。当图像缩小时候,该方法可以避免波纹出现。当图像放大时,类似于 CV_INTER_NN 方法
cv2.CV_INTER_CUBIC - 立方差值
几种常用方法的效率是:最邻近插值>双线性插值>双立方插值>Lanczos插值。
最邻近插值效率最快但效果不好,不好的根源就是其简单的最临近插值方法引入了严重的图像失真,比如,当由目标图的坐标反推得到的源图的的坐标是一个浮点数的时候,采用了四舍五入的方法,直接采用了和这个浮点数最接近的象素的值,这种方法是很不科学的,当推得坐标值为0.75的时候,不应该就简单的取为1,既然是0.75,比1要小0.25 ,比0要大0.75,那么目标象素值其实应该根据这个源图中虚拟的点四周的四个真实的点来按照一定的规律计算出来的,这样才能达到更好的缩放效果。双线型内插值算法就是一种比较好的图像缩放算法,它充分的利用了源图中虚拟点四周的四个真实存在的像素值来共同决定目标图中的一个像素值,因此缩放效果比简单的最邻近插值要好很多。
5.实验步骤
打开pycharm。
我们右击相应的文件目录,选择new—>点击Python File,然后输入新建的文件名,点击确定,相应的.py文件就建好了,可以进行编写代码了。
opencv的imread()函数能支持各图片的导入和保存。
种静态图像文件格式,imread()函数会删除所有alpha通道的信息(透明度)。
impoert cv2
img=cv2.imread(‘images\apple.jpg’)
shape函数会获得图像的维度(图像像素大小)及通道数。我们需要获取图像的图像的大小(所谓的宽高)。这里我们获取高宽分别赋值给heigth和width。
heigth,width=img.shape[:2]
resize()函数对图像进行缩放,参数:缩放图像,缩放比例(整型),interpolation 为插入方式。
res=cv2.resize(img,(int(width/2),int(heigth/2)),interpolation=cv2.INTER_NEAREST)
显示原图像和效果图。
cv2.imshow(‘ai1’,img) ##原图
cv2.imshow(‘ai2’,res) ##缩小图
cv2.waitKey(0)
运行代码结果如下:
运行结果