图像基本变换

最新推荐文章于 2023-05-17 22:18:34 发布
最新推荐文章于 2023-05-17 22:18:34 发布
阅读量750 收藏 2
点赞数
分类专栏： opencv
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/liz_zhong/article/details/50727128
版权 

//学习OPENCV第6章 图像变换
//霍夫线检测\圆检测
//仿射变换、透射变换、对数极坐标变换

#include<stdio.h>
#include<cv.h>
#include<highgui.h>
#include<stdio.h>
#include<opencv2/legacy/legacy.hpp>
#include<math.h>
#define affine 

char* HOUGH_TYPE = "CV_HOUGH_PROBABILISTIC";//CV_HOUGH_PROBABILISTIC/CV_HOUGH_STANDARD
//CV_HOUGH_STANDARD模式下,绘制直线有问题

int main(int argc, char** argv) 
{
	//-------------------------------------------------------------------
	//霍夫线检测cvHoughLines2
	//http://www.cnblogs.com/justiner/archive/2011/12/20/2294614.html
	const char* filename = "D:\\AI_Proj\\OPENCV\\dog.jpg";
	//cvLoadImage参数2表示是否加载有颜色的图像,0表示单通道图像
    IplImage* src = cvLoadImage(filename,0);
    IplImage* dst = NULL;
    IplImage* color_dst = NULL;
	//保存结果的位置指针
    CvMemStorage* storage = cvCreateMemStorage(0);
    CvSeq* lines = 0;
    int i;
    if(!src)
        return -1;
 
    dst = cvCreateImage(cvGetSize(src),8,1);
    color_dst = cvCreateImage(cvGetSize(src),8,3);
	//canny算子P173
    cvCanny(src,//输入图像,为单通道图像
			dst,//输出灰度图(2值化边缘)
			100,//下限阈值,小于此像素被抛弃
			200,//上限阈值,像素梯度高于此阈值为边缘
			3);//算子大小
	
	//cvCvtColor,颜色空间转换函数
	//可以实现RGB颜色向HSV,HSI等颜色空间的转换，也可以转换为灰度图像
    cvCvtColor(dst,color_dst,CV_GRAY2BGR);
	
	cvNamedWindow("src",1);
	cvNamedWindow("dst",1);
	cvNamedWindow("color_dst",1);
	cvShowImage("src",src);
	cvShowImage("dst",dst);
	cvShowImage("color_dst",color_dst);
	cvWaitKey();
	cvDestroyWindow("src");
	cvDestroyWindow("dst");
	cvDestroyWindow("color_dst");
	
	//hough线变换P175
	if(HOUGH_TYPE == "CV_HOUGH_STANDARD")
	{
		//返回指向内存块中的序列指针
		lines = cvHoughLines2(dst,//输入Image,8位二值化图像
							  storage,//保存结果位置的指针,此处为内存块
							  CV_HOUGH_STANDARD,//标准霍夫变换
							  1,//设置直线所需要的分辨率:分别表示像素个数与弧度
							  CV_PI/180,
							  100,//阈值认定一条直线时在累计平面中必须达到的值
							  0,
							  0);
		
		for(i = 0;i < MIN(lines->total,100);i++)
		{
			float* line = (float*)cvGetSeqElem(lines,i);//从序列中得到每一条直线或线段
			float rho = line[0];
			float theta = line[1];
			CvPoint pt1, pt2;
			double a = cos(theta), b = sin(theta);
			if(fabs(a)<0.001)
			{
				pt1.x = pt2.x = cvRound(rho);
				pt1.y = 0;
				pt2.y = color_dst->height;
			}
			else if(fabs(b)<0.001)
			{
				pt1.y = pt2.y = cvRound(rho);  
                pt1.x = 0;  
                pt2.x = color_dst->width;
			}
			else  
            {  
                pt1.x = 0;  
                pt1.y = cvRound(rho/b);  
                pt2.x = cvRound(rho/a);  
                pt2.y = 0;  
            }  
  
			cvLine(color_dst,pt1,pt2,CV_RGB(255,0,0),1,8);
			/*
			double x0 = a*rho, y0 = b*rho;
			pt1.x = cvRound(x0 + 1000*(-b));
			pt1.y = cvRound(y0 + 1000*(a));
			pt2.x = cvRound(x0 - 1000*(-b));
			pt2.y = cvRound(y0 - 1000*(a));*/
			//OPENCV绘制连接两个点的线段函数原型
			//cvLine(color_dst,pt1,pt2,CV_RGB(255,0,0),3,CV_AA,0);
		}
	}
	else 
		if(HOUGH_TYPE == "CV_HOUGH_PROBABILISTIC")
		{
			lines = cvHoughLines2(dst,storage,CV_HOUGH_PROBABILISTIC,1,CV_PI/180,50,
								  50,//将要返回的线段的最小长度
								  15);//一条直线上分离线段不能连成一条直线的分隔像素点
			for(i = 0;i < lines->total;i++ )
			{
				CvPoint* line = (CvPoint*)cvGetSeqElem(lines,i);
				cvLine(color_dst,line[0],line[1],CV_RGB(255,0,0),3,CV_AA,0);
			}
		}
   
    cvNamedWindow("Source",1);
    cvShowImage("Source",src);
    cvNamedWindow("Hough",1);
    cvShowImage("Hough",color_dst);
		
    cvWaitKey(0);
	cvReleaseImage(&src);
	cvReleaseImage(&color_dst);
	cvDestroyWindow("Source");
	cvDestroyWindow("Hough");
	
	//-------------------------------------------------------------------
	//霍夫圆检测 P182
	IplImage* image = cvLoadImage("D:\\AI_Proj\\OPENCV\\stuff.jpg",CV_LOAD_IMAGE_GRAYSCALE);
	IplImage* src1 = cvLoadImage("D:\\AI_Proj\\OPENCV\\stuff.jpg"); //Changed for prettier show in color
	CvMemStorage* storage1 = cvCreateMemStorage(0);
	cvSmooth(image,image,CV_GAUSSIAN,5,5);
	
	//参数不同,结果显示有很大不同
	CvSeq* results = cvHoughCircles(image,//不需要cvCanny,内部调用cvSobel,计算每个像素梯度的方向,提供更加普通的灰度图
									storage1,//
									CV_HOUGH_GRADIENT,//
									4,//累加器图像的分辨率,>=1
									image->width/10,//2个不同圆之间的最小距离
									120,//边缘阈值
									80,//累加器阈值
									10,//圆半径最小值
									80);//半径最大值
									
	for(int i = 0;i < results->total;i++ ) 
	{
		float* p = (float*)cvGetSeqElem(results,i);
		CvPoint pt = cvPoint(cvRound(p[0]),cvRound(p[1]));
		cvCircle(src1,pt,cvRound(p[2]),CV_RGB(0xff,0,0));
	}
	
	cvNamedWindow("cvHoughCircles",1);
	cvShowImage("cvHoughCircles",src1);
	cvWaitKey(0);
	cvReleaseImage(&src1);
	cvDestroyWindow("cvHoughCircles");
	
	cvWaitKey();
	
	//-------------------------------------------------------------------
	//仿射变换:稠密仿射变换p187
	//http://blog.csdn.net/lxy201700/article/details/19689407
	//像素必须是稠密表现形式:意味着图像扭曲必须进行一些插值运算以使输出图像平滑并且看起来自然
	CvPoint2D32f srcTri[3], dstTri[3]; //
	CvMat* rot_mat = cvCreateMat(2,3,CV_32FC1);
	CvMat* warp_mat = cvCreateMat(2,3,CV_32FC1);
	IplImage *src2, *dst2,*dst21;
	
	src2=cvLoadImage("D:\\AI_Proj\\OPENCV\\dog.jpg",1); 
	
	dst2 = cvCloneImage(src2);
	dst2->origin = src2->origin;
	cvZero(dst2);
	
	dst21 = cvCloneImage(src2);
	dst21->origin = src2->origin;
	cvZero(dst21);
	
	//COMPUTE WARP MATRIX P188
	//src Top left
	srcTri[0].x = 0; 
	srcTri[0].y = 0;
	//src Top right
	srcTri[1].x = src2->width - 1; 		
	srcTri[1].y = 0;
	//src Bottom left
	srcTri[2].x = 0;         
	srcTri[2].y = src2->height - 1;
	
	//具体映射有dst决定
	//dst Top left
	dstTri[0].x = src2->width*0.0;    
	dstTri[0].y = src2->height*0.33;
	//dst Top right
	dstTri[1].x = src2->width*0.85; 
	dstTri[1].y = src2->height*0.25;
	//dst Bottom left
	dstTri[2].x = src2->width*0.15; 
	dstTri[2].y = src2->height*0.7;
	
	//由三对点计算仿射变换,生成映射矩阵
	//输入图像的三角形顶点坐标/输出图像的相应的三角形顶点坐标/指向2×3输出矩阵的指针
	cvGetAffineTransform(srcTri,dstTri,warp_mat);
	
	//对图像做仿射变换:输入输出矩阵、变换矩阵
	cvWarpAffine(src2,dst2,warp_mat);
	cvCopy(dst2,src2);
		
	//计算map_matrix的第二种方法：cv2DRotationMatrix
	//计算围绕任意点旋转的映射矩阵和一个可选择的尺度
	CvPoint2D32f center = cvPoint2D32f(src2->width/2,src2->height/2);
	double angle = -50.0;//旋转角度
	double scale = 0.6;//缩放尺度
	//计算围绕center点的旋转的映射矩阵，以及一个可选的尺度
	//输出映射矩阵rot_mat
	cv2DRotationMatrix(center,angle,scale,rot_mat);
	cvWarpAffine(src2,dst21,rot_mat);
	
	//DO THE TRANSFORM:
	cvNamedWindow("Affine_Transform1",1);
	cvShowImage("Affine_Transform1",dst2);
	cvNamedWindow("Affine_Transform2",1);
	cvShowImage("Affine_Transform2",dst21);
	cvWaitKey();

	cvReleaseImage(&dst2);
	cvReleaseImage(&dst21);
	cvReleaseMat(&rot_mat);
	cvReleaseMat(&warp_mat);
	cvDestroyWindow("Affine_Transform1");
	cvDestroyWindow("Affine_Transform2");
	cvWaitKey();
	
	//-------------------------------------------------------------------	
	//透视变换:采用4个点映射
	CvPoint2D32f srcQuad[4], dstQuad[4];
	CvMat* warp_matrix = cvCreateMat(3,3,CV_32FC1);//映射矩阵必须为3x3
	IplImage *src3, *dst3;
	if(((src3=cvLoadImage("D:\\AI_Proj\\OPENCV\\dog.jpg",1)) != 0))
	{
		dst3 = cvCloneImage(src3);
		dst3->origin = src3->origin;
		cvZero(dst3);
		
		//src Top left
		srcQuad[0].x = 0;           
		srcQuad[0].y = 0;
		//src Top right
		srcQuad[1].x = src3->width - 1;  
		srcQuad[1].y = 0;
		//src Bottom left
		srcQuad[2].x = 0;           
		srcQuad[2].y = src3->height - 1;
		//src Bot right
		srcQuad[3].x = src3->width - 1;  
		srcQuad[3].y = src3->height - 1;

		//dst Top left
		dstQuad[0].x = src3->width*0.05;  
		dstQuad[0].y = src3->height*0.33;
		//dst Top right
		dstQuad[1].x = src3->width*0.9;  
		dstQuad[1].y = src3->height*0.25;
		//dst Bottom left
		dstQuad[2].x = src3->width*0.2;  
		dstQuad[2].y = src3->height*0.7;  
		//dst Bot right		
		dstQuad[3].x = src3->width*0.8;  
		dstQuad[3].y = src3->height*0.9;
		
		//计算透视映射矩阵
		cvGetPerspectiveTransform(srcQuad,dstQuad,warp_matrix);
		cvWarpPerspective(src3,dst3,warp_matrix);
		cvNamedWindow("Perspective_Warp",1);
		cvShowImage( "Perspective_Warp", dst3 );
		cvNamedWindow("src",1);
		cvShowImage( "src", src3 );
		cvWaitKey();
	}
	cvReleaseImage(&dst3);
	cvReleaseImage(&src3);
	cvReleaseMat(&warp_matrix);
	cvDestroyWindow("Perspective_Warp");
	cvDestroyWindow("src");
	cvWaitKey();
	
	//-------------------------------------------------------------------	
	//cvLogPolar:对数极坐标转换 P198
	//用于物体识别的是检测物体周围的而一些关键点:
	//利用关键点中心-->将其作为对数极坐标中心-->创建局部特征
	IplImage* src4;
	double scaler; //受scaler影响大
    if(((src4=cvLoadImage("D:\\AI_Proj\\OPENCV\\dog.jpg",1)) != 0 ))
    {
		scaler = 25; //atof(argv[2]);
        IplImage* dst = cvCreateImage(cvGetSize(src4),8,3);
        IplImage* src5 = cvCreateImage(cvGetSize(src4),8,3);
        cvLogPolar(src4,dst, //单通道/三通道,彩色/灰度图像
				   cvPoint2D32f(src4->width/2,src4->height/2),//对数极坐标变换中心 
                   scaler,//缩放因子,应该事先设置使得ROI区域占主导
				   CV_INTER_LINEAR+CV_WARP_FILL_OUTLIERS);//插值方式

		cvLogPolar(dst,src5,cvPoint2D32f(src4->width/2,src4->height/2),
                    scaler,CV_INTER_LINEAR+CV_WARP_INVERSE_MAP);
					
        cvNamedWindow("src",1);
        cvShowImage("src",src4);
		cvNamedWindow("log-polar",1);
        cvShowImage("log-polar",dst);
        cvNamedWindow("inverse log-polar",1);
        cvShowImage("inverse log-polar",src5);
        cvWaitKey();
		cvReleaseImage(&src4);
		cvReleaseImage(&dst);
		cvReleaseImage(&src5);
		cvDestroyWindow("src");
		cvDestroyWindow("log-polar");
		cvDestroyWindow("inverse log-polar");
    }
	
	cvWaitKey();
	
	
	return 0;
	
}


效果图

canny算子边缘检测


hough线检测


hough圆检测


三点仿射变换


4点透视变换



对数极坐标变换与复原



继续学习傅里叶和DCT

荔枝童鞋
关注
专栏目录
图像变换基本概念
powerliuminxuan的博客
03-27 3518
layout: post title: 图像变换 subtitle: 数字图像处理 date: 2020-03-24 author: liuminxuan header-img: img/post-bg-article.jpg catalog: true tags: - 数字图像处理 图像变换 图像和其他信号一样，既能在空间域处理，也可在频率域处理。 ...
【数字图像处理】实验（1）——图像基本变换
m0_52435951的博客
04-29 1万+
（1）将彩色图像采用不同的灰度化方法实现灰度化； （2）将彩色图像变换到 YCbCr、HSV 空间，熟悉各分量数据并显示； （3）不采用 Matlab 函数，自行设计基于双线性插值的图像放大程序。
图像变换的基本模型
02-10
变换模型是指根据待匹配图像与背景图像之间几何畸变的情况，所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等
图像的变换模型
Vast_Sea的专栏
11-18 3439
From:  遥感图像拼接算法研究             1 刚体变换 2  仿射变换 3  投影变换       投影变换（Projective Transformation）是指变换过程中，图像中的直线只保持“平 4  非线性变换
图像基本变换---直方图
bravebean的博客
05-11 2365
本文详细介绍了直方图的相关知识，并 给出了完整程序DEMO的下载链接，跟大家分享一下，希望大家喜欢！
实验一 图像基本变换
m0_52014276的博客
07-04 3032
数字图像处理实验
C++数字图像基本变换
06-26
本教程将聚焦于"C++数字图像基本变换"，讲解如何利用C++编程语言进行图像的数字化、位移变换、图像分割、图像压缩以及图像匹配等一系列操作。 首先，我们来理解一下数字图像的数字化过程。图像的数字化是指将连续的...
【数字图像处理】实验一图像基本变换（MATLAB实现）
热门推荐
m0_67463447的博客
04-07 1万+
目录 一、实验意义及目的 二、实验内容 三、Matlab 相关函数介绍 四、参考代码 五、运行结果 一、实验意义及目的 （1）了解和掌握图像处理工具 Matlab，熟悉基于 Matlab 的图像处理函数，并为下一步 编程进行图像处理打下基础。 （ 2）理解色彩的概念，掌握图像代数运算，几何变换方法。 二、实验内容 打开一幅彩色图像 Image1，使用 Matlab 图像处理函数，对其进行下列变换： （1）将 Image1 色彩通道互换，并显示效果； （2）将 .
数字图像处理的一些基本变换
Mr_yuekitty的博客
04-26 395
直方图均衡化 实现函数 实例 直方图归并化 模拟卷积函数 傅里叶变换 小波变换 同态滤波
关于图像变换的总结（仿射变换，刚体变换等）
造未来
07-10 9041
一、常用的图像变换模型 :刚性变换、仿射变换、透视变换和非线形变换等。如下图所示： 进一步理解 (1) 刚体变换  如果一幅图像中的两点间的距离经变换到另一幅图像中后仍然保持不变，则这种变换称为刚体变换(Rigid Transform)。刚体变换仅局限于平移、旋转和反转(镜像)。 (2)仿射变换 如果一幅图像中的直线经过变换到另一幅图像上仍为直线，并且保持平行关系，则这种变换称为仿射变换(Af...
数字图像处理：图像变换的基本模型
Leon_Chen的博客
10-04 2900
数字图像处理：图像变换的基本模型 一、常用图象的变换模型 变换模型是指根据待匹配图像与背景图像之间几何畸变的情况，所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等，如下图： (1) 刚体变换 如果一幅图像中的两点间的距离经变换到另一幅图像中后仍然保持不变，则这种变换称为刚体变换(Rigid Transform)。刚体变换仅局...
图像变换
weixin_43747587的博客
11-22 211
OpenCV中提供的函数 官方文档2D变换1 避免采样误差：In fact, to avoid sampling artifacts, the mapping is done in the reverse order, from destination to the source. In case when you specify the forward mapping , the OpenCV...
三维视觉之数字图像处理基础（五） 图像几何变换
最新发布
qq_35997213的博客
05-17 637
例如上图平行四边形，平行的边依然保持平行。：有8个自由度，经常应用于图像拼接，用相机拍摄后的图片就存在透视变换。
图像配准之《常用图像变换模型》简述
月秀明竹的专栏
07-28 8841
这系列文章是5年前的，也是从自己的QQ（632846506）日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。      图像配准中常见的四种几何变换模型。  　　在图像配准中，常用的几何变换模型主要有刚体变换、相似变换、仿射变换、投影变换和多项式变换等，这里主要介绍前四种。     一、刚体变换（Rigid Transform
数字图像处理，图像的频域变换（四）——K-L变换详解 以及 哈尔变换Haar简介
Arthur_Holmes的博客
07-26 6156
https://zh.wikipedia.org/wiki/%E5%8D%8F%E6%96%B9%E5%B7%AE%E7%9F%A9%E9%98%B5 KL中将五副图像作为原始图像的五个分量，然后使用KL变换之后的第一个分量包含了几乎所有的信息，这也是去相关五个图像之间的相关性 另外一种比较基础的就是只是在一副图像中运...
图像的基本几何变换
LX
12-28 452
文章出处： http://www.cnblogs.com/wangguchangqing/p/4039095.html http://www.cnblogs.com/wangguchangqing/p/4045150.html
K-L变换原理、图像压缩与人脸识别实战（附matlab代码）
weixin_42845306的博客
10-26 6279
目录摘要K-L变换的基本原理K-L变换在图像压缩中的应用研究背景及意义数字图像压缩与发展现状K-L变换与图像压缩K-L变换在人脸识别中的应用人脸识别K-L变换实现人脸识别总结参考文献matlab代码致谢 摘要 K-L变换的基本原理 K-L变换在图像压缩中的应用 研究背景及意义 数字图像压缩与发展现状 K-L变换与图像压缩 K-L变换在人脸识别中的应用 人脸识别 K-L变换实现人脸识别 总结 参考文献 matlab代码 1. clear 2. %set the
【OpenCV学习】（六）图像基本变换
weixin_40620310的博客
01-06 2677
【OpenCV学习】（六）图像基本变换 背景 图像的变换通常用于数据预处理部分，例如缩放旋转等常见的图像变换方法；在一些深度学习框架内部都分装了图像变换的方法，对训练集做统一的图像变换操作； 一、图像缩放 函数原型： resize（src，dsize，[fx，fy，interpolation]） fx：x轴的缩放因子； fy：y轴的缩放因子； interpolation：插值算法； 插值算法有以下几种： 1、INTER_NEAREST：最近邻插值，速度快，效果差； 2、INTER_LINEAR：双线性插
java graphics2d旋转_反转Java Graphics2D缩放和旋转坐标
weixin_34526348的博客
02-13 573
如果您保留了在绘制图像时使用的AffineTransform的副本,则可以使用AffineTransform.inverseTransform(Point2D ptSrc, Point2D ptDst)将设备空间坐标转换回用户空间编辑：如果在绘制时捕获Graphics2D的当前变换,请注意Graphics2D被重用于同一窗口/面板的多个轻量级子项,因为那时变换将相对于父组件,但鼠标坐标将是相对于孩...
图像变换与霍特林变换解析
1. 傅里叶变换：傅里叶变换是图像处理中的基本工具，它可以将图像从空间域转换到频域，揭示图像的频率成分。2-D图像的傅里叶变换分为正变换和反变换。正变换核h(x,y,u,v)和反变换核k(x,y,u,v)具有对称性，且可以分解...
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