机器学习基础篇（3）之图像运算和变换

目录

1.图像运算

1.1 图像的加法运算

1.2 图像的减法运算

1.3图像融合

2.OpenCV的位运算

2.1 非操作

2.2 与运算

2.3 或和异或

3. 图像的基本变换

3.1 图像的放大与缩小

3.2 图像的翻转

 3.3 图像的旋转

3.4.仿射变换之图像平移仿射

3.5 仿射变换之获取变换矩阵

3.6.透视变换

 3.6.1.三个点确定变换矩阵       

  3.6.2.四个点确定变换矩阵   

---

1.图像运算

1.1 图像的加法运算

• add opencv使用add来执行图像的加法运算

图片就是矩阵, 图片的加法运算就是矩阵的加法运算, 这就要求加法运算的两张图shape必须是相同的.就是图像数据相应像素的相加。

# 加法, 加法的效果是加起来如果超过255, 统一变成255
new_img = cv2.add(new_cat, dog)

1.2 图像的减法运算

• subtract

• opencv使用subtract来执行图像的减法运算, 图像对应位置的元素相减, 如果减完小于0, 统一变成0.就是图像数据相应像素的相减。

# 减法
new_img = cv2.subtract(new_cat, dog)

 同样的还有乘法, 除法运算. cv2.mutiply, cv2.divide, 原理是类似的.

1.3图像融合

• cv2.addWeighted(src1, alpha, src2, beta, gamma)

• 图片的融合操作相当于对图片进行线性运算 w1* x1 + w2 * x2 + b. 其中alpha是第一个权重参数, beta是第二个权重参数, gamma是偏差.伽马调整

# 相当于res = new_cat * 0.4 + dog * 0.6 + 0
res = cv2.addWeighted(new_cat, 0.4, dog, 0.6, 0)

2.OpenCV的位运算

2.1 非操作

• bitwise_not(img) 非操作的效果就相当于是用 255 - img

cat_not = cv2.bitwise_not(cat)

2.2 与运算

• bitwise_and(img1, img2) 与运算, 图片对应位置元素进行与操作. 表现出来的效果就是黑和黑与还是黑, 白和白与还是白.

cat_and_dog = cv2.bitwise_and(new_cat, dog)

2.3 或和异或

• bitwise_or 或运算 对应元素做或运算

• bitwise_xor 异或运算 对应元素做异或运算

#new_img = cv2.bitwise_or(img, img2)
new_img = cv2.bitwise_xor(img, img2)

3. 图像的基本变换

3.1 图像的放大与缩小

resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])

• src: 要缩放的图片

• dsize: 缩放之后的图片大小, 元组和列表表示均可.

• dst: 可选参数, 缩放之后的输出图片

• fx, fy: x轴和y轴的缩放比, 即宽度和高度的缩放比.

• interpolation: 插值算法, 主要有以下几种:

  • INTER_NEAREST, 邻近插值, 速度快, 效果差.

  • INTER_LINEAR, 双线性插值, 使用原图中的4个点进行插值. 默认.

  • INTER_CUBIC, 三次插值, 原图中的16个点.

  • INTER_AREA, 区域插值, 效果最好, 计算时间最长.

 示例代码：

# x,y放大一倍
new_dog = cv2.resize(dog,dsize=(800, 800), interpolation=cv2.INTER_NEAREST)

3.2 图像的翻转

• flip(src, flipCode)

  • flipCode =0 表示上下翻转

  • flipCode >0 表示左右翻转

  • flipCode <0 上下 + 左右

 示例代码：

new_dog = cv2.flip(dog, flipCode=-1)

 3.3 图像的旋转

rotate(img, rotateCode)

• ROTATE_90_CLOCKWISE 90度顺时针

• ROTATE_180 180度

• ROTATE_90_COUNTERCLOCKWISE 90度逆时针

示例代码： 

new_dog = cv2.rotate(dog, rotateCode=cv2.cv2.ROTATE_90_COUNTERCLOCKWISE)

3.4.仿射变换之图像平移仿射

变换是图像旋转, 缩放, 平移的总称.具体的做法是通过一个矩阵和和原图片坐标进行计算, 得到新的坐标, 完成变换. 所以关键就是这个矩阵.

• warpAffine(src, M, dsize, flags, mode, value)

• M:变换矩阵 M是偏移矩阵[1 0 tx,0 1 ty, 0 0 1] 移动后坐标是(x+tx y+ty)

• dsize: 输出图片大小

• flag: 与resize中的插值算法一致

• mode: 边界外推法标志

• value: 填充边界值

示例代码：

h, w, ch = dog.shape
# M是偏移矩阵[1 0 tx,0 1 ty, 0 0 1] 移动后坐标是(x+tx y+ty)
M = np.float32([[1, 0, 100], [0, 1, 0]])
# 注意opencv中是先宽度, 再高度
new = cv2.warpAffine(dog, M, (w, h))

3.5 仿射变换之获取变换矩阵

仿射变换的难点就是计算变换矩阵, OpenCV提供了计算变换矩阵的API

• getRotationMatrix2D(center, angle, scale)

  • center 中心点 , 以图片的哪个点作为旋转时的中心点.

  • angle 角度: 旋转的角度, 按照逆时针旋转.

  • scale 缩放比例: 想把图片进行什么样的缩放.

示例代码：

h, w, ch = dog.shape
# M = np.float32([[1, 0, 100], [0, 1, 0]])

# 注意旋转的角度为逆时针.
# M = cv2.getRotationMatrix2D((100, 100), 15, 1.0)
# 以图像中心点旋转
M = cv2.getRotationMatrix2D((w/2, h/2), 15, 1.0)
# 注意opencv中是先宽度, 再高度
new = cv2.warpAffine(dog, M, (w, h))

3.6.透视变换

 3.6.1.三个点确定变换矩阵       

getAffineTransform(src[], dst[]) 通过三点可以确定变换后的位置, 相当于解方程, 3个点对应三个方程, 能解出偏移的参数和旋转的角度.

• src原目标的三个点

• dst对应变换后的三个点

# 一般是横向和纵向的点, 所以一定会有2个点横坐标相同, 2个点纵坐标相同
src = np.float32([[200, 100], [300, 100], [200, 300]])
dst = np.float32([[100, 150], [360, 200], [280, 120]])
M = cv2.getAffineTransform(src, dst)
# 注意opencv中是先宽度, 再高度
new = cv2.warpAffine(dog, M, (w, h))

  3.6.2.四个点确定变换矩阵   

• warpPerspective(img, M, dsize,....)

• 对于透视变换来说, M是一个3 * 3 的矩阵.

• getPerspectiveTransform(src, dst) 获取透视变换的变换矩阵, 需要4个点, 即图片的4个角.

src = np.float32([[100, 1100], [2100, 1100], [0, 4000], [2500, 3900]])
dst = np.float32([[0, 0], [2300, 0], [0, 3000], [2300, 3000]])
M = cv2.getPerspectiveTransform(src, dst)

new = cv2.warpPerspective(img, M, (2300, 3000))