四.OpenCv图像的基本变换

4. 图像的基本变换

4.1 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.

  import cv2
  import numpy as np
  
  #导入图片
  dog = cv2.imread('./dog.jpeg')
  
  # x,y放大一倍
  new_dog = cv2.resize(dog,dsize=(800, 800), interpolation=cv2.INTER_NEAREST)
  cv2.imshow('dog', new_dog)
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

4.2 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

# 翻转
import cv2
import numpy as np

#导入图片
dog = cv2.imread('./dog.jpeg')

new_dog = cv2.flip(dog, flipCode=-1)
cv2.imshow('dog', new_dog)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.3 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

# 旋转
import cv2
import numpy as np

#导入图片
dog = cv2.imread('./dog.jpeg')

new_dog = cv2.rotate(dog, rotateCode=cv2.cv2.ROTATE_90_COUNTERCLOCKWISE)
cv2.imshow('dog', new_dog)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.4 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

• 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

• 平移矩阵

  • 矩阵中的每个像素由(x,y)组成,(x, y)表示这个像素的坐标. 假设沿x轴平移$t_x$​​​​​​​​, 沿y轴平移$t_y$​​​​​​​, 那么最后得到的坐标为$(\hat{x},\hat{y})=(x+t_x,y+t_y)$​​​​, 用矩阵表示就是:

<font size = 6 color = 'red'>$ \left(\begin{matrix}\hat x \\\hat y \\1\end{matrix}\right) = \left(\begin{matrix}1 & 0 & t_x\\0 & 1 & t_y\\0 & 0 & 1\end{matrix}\right)\left(\begin{matrix}x \\y \\1\end{matrix}\right) $</font>

# 仿射变换之平移
import cv2
import numpy as np

#导入图片
dog = cv2.imread('./dog.jpeg')

h, w, ch = dog.shape
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))

cv2.imshow('new', new)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.5 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.

# 仿射变换之平移
import cv2
import numpy as np

#导入图片
dog = cv2.imread('./dog.jpeg')

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))

cv2.imshow('new', new)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 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

    

  # 通过三个点来确定M
  # 仿射变换之平移
  import cv2
  import numpy as np
  
  #导入图片
  dog = cv2.imread('./dog.jpeg')
  
  h, w, ch = dog.shape
  
  # 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))
  
  cv2.imshow('new', new)
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

4.6 透视变换

透视变换就是将一种坐标系变换成另一种坐标系. 简单来说可以把一张"斜"的图变"正".

• 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.

  # 透视变换
  import cv2
  import numpy as np
  
  #导入图片
  img = cv2.imread('./123.png')
  print(img.shape)
  
  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))
  cv2.namedWindow('img', cv2.WINDOW_NORMAL)
  cv2.resizeWindow('img', 640, 480)
  
  cv2.namedWindow('new', cv2.WINDOW_NORMAL)
  cv2.resizeWindow('new', 640, 480)
  
  cv2.imshow('img', img)
  cv2.imshow('new', new)
  
  
  cv2.waitKey(0)
  cv2.destroyAllWindows()