opencv学习笔记（2）

主要是关于矩阵（图像）变换或者矩阵内元素变换

2.1 roi截取

截图

import cv2 as cv
lena = cv.imread(r"C:\Users\LENOVO\Desktop\lena.png")
roi = lena[100:200,100:200]#截取图片中的100-200行与列的部分
lena[0:100,100:200] = roi
cv.imshow("lena",lena)
cv.waitKey(0)

效果：

2.2 添加边界：copyMakeBorder

img_boder=cv2.copyMakeBorder(img,top,bottom,left,right,borderType，value)
#img:输入图像
#top,bottom,left,right:各边界的宽度
#borderType:边界形式
             cv2.BORDER_CONSTANT, 带颜色的边界，需要传入另外一个颜色值
             cv2.BORDER_REFLECT, 边缘元素的镜像反射做为边界
             cv2.BORDER_REFLECT_101/cv2.BORDER_DEFAULT
             cv2.BORDER_REPLICATE, 边缘元素的复制做为边界
             CV2.BORDER_WRAP，
#value:边界的颜色值，如：[0,255,0]代表绿色

代码：

import cv2 as cv
import matplotlib.pyplot as plt

img2 = cv.imread(r"C:\Users\LENOVO\Desktop\lena.png")
img = cv.cvtColor(img2,cv.COLOR_BGR2RGB)  #matplotlib的图像为RGB格式，但cv为BGR
constant = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_CONSTANT,value=[0,255,0]) 
reflect = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_REFLECT)
reflect01 = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_REFLECT_101)
replicate = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_REPLICATE)
wrap = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_WRAP)
titles = ["constant","reflect","reflect01","replicate","wrap"]
images = [constant,reflect,reflect01,replicate,wrap]

for i in range(5):
    plt.subplot(2,3,i+1),plt.imshow(images[i]),plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

效果：

2.3 图片相加：add或addWeighted

前提：当两张图片大小相等时，可以将对应坐标的每个RGB值分别相加。

add():普通相加

img_add = cv2.add(img1,img2,mask)
#img1,img2:进行相加操作的图片，当RGB（或灰度值）大于255时，自动取255
#mask:掩膜，主要用于遮挡某些区域
#img_add:相加结果

代码：

import cv2 as cv
import numpy as np
img1 = cv.imread(r"C:\Users\LENOVO\Desktop\lena.png",0)
roi_img  = np.zeros(img1.shape[0:2],dtype=np.uint8)
#print(img1.shape[0:2])
roi_img[100:150,100:150]=255

img_add = cv.add(img1,img1)
img_add_mask = cv.add(img1,img1,mask=roi_img)
#cv.imshow("img1",img1)
#cv.imshow("roi_img",roi_img)
cv.imshow("img_add",img_add)
cv.imshow("img_add_mask",img_add_mask)

cv.waitKey(0)

效果图：

有掩膜：

 无掩膜：

 addWeighted()：有权重相加

img_add = cv2.addWeighted(img1,a,img2,b,c) 
        #img1:图片1
        #alpha:img1的权重
        #img2:图片2
        #b:img1的权重
        #c：常量值，图像相加后再加上常量值
        #img_add:相加结果
                

代码：

import cv2 as cv

lena = cv.imread(r"C:\Users\LENOVO\Desktop\lena.png",0)
rice = cv.imread(r"C:\Users\LENOVO\Desktop\Rice.png",0)


blend = cv.addWeighted(lena,0.5,rice,0.9,0)
cv.imshow("blend",blend)

cv.waitKey(0)
cv.destroyAllWindows()

结果：

 2.4 图像放大缩小（插值）:resize

将每两个像素点之间插入介于这两点大小之间的像素值的点

cv2.resize(src,dsize,fx,fy,interpolation) 
        #src: 输入图像对象
        #dsize：输出矩阵/图像的大小，为0时计算方式如下：dsize = Size(round(fx*src.cols),round(fy*src.rows))
        #fx: 水平轴的缩放因子，为0时计算方式：  (double)dsize.width/src.cols
        #fy: 垂直轴的缩放因子，为0时计算方式：  (double)dsize.heigh/src.rows
        #interpolation：插值算法

常用插值算法：

代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread(r"C:\Users\LENOVO\Desktop\lena.png")
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
res = cv2.resize(img,None,fx=2, fy=2, interpolation = cv2.INTER_CUBIC)

plt.subplot(1,2,1),plt.imshow(img),plt.title('before')
plt.subplot(1,2,2),plt.imshow(res),plt.title('after')
plt.show()

结果：

 2.5 仿射变换:warpAffine

仿射变换包括图像的平移，旋转（也可通过getRotationMatrix2D得到同样效果），放缩。其实质均是将图片乘以某个变换矩阵

平移：

点（x,y）平移到（x+tx, y+ty）

warpAffine实现平移：

dst = cv2.warpAffine(img,M,(cols,rows))
#img:平移前图像
#dst:平移后图像
#M:平移矩阵，形式为[[1,0,Mx],[0,1,My]]
#(cols,rows)：平移后图像大小

代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread(r"C:\Users\LENOVO\Desktop\lena.png",0)
rows,cols = img.shape[:2]
M=np.float32([[1,0,100],[0,1,50]])
dst = cv2.warpAffine(img,M,(cols,rows))

plt.subplot(1,2,1),plt.imshow(img),plt.title('before')
plt.subplot(1,2,2),plt.imshow(dst),plt.title('after')
plt.show()

结果：

旋转，放缩原理在后面，仅有变换矩阵不同，不再演示。

放缩：放大和缩小指相对于原坐标（x,y）,变换为了（a*x, b*y）,即水平方向放大了a倍，水平方向放大了b倍，其对应的转变矩阵如下：

旋转：将（x,y），以坐标原点为中心，顺时针方向旋转α得到(x1,y1)， 有如下关系x1 = xcosα-ysinα, y1 =xsinα+ycosα; 因此可以构建对应的转变矩阵如下：

 opencv将其扩展到，任意点center为中心进行顺时针旋转α，放大scale倍的，转变矩阵如下：

 其中，仿射变换矩阵可由cv2.getRotationMatrix2D()获得:

img_rotated = cv2.getRotationMatrix2D(center,angle,scale) 
        #center：旋转的中心点坐标
        #angle：旋转角度，单位为度数，证书表示逆时针旋转
        #scale：同方向的放大倍数

代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

class BBox(object):

    def __init__(self, bbox):
        self.left = bbox[0]
        self.top = bbox[1]
        self.right = bbox[2]
        self.bottom = bbox[3]

img = cv2.imread(r"C:\Users\LENOVO\Desktop\lena.png")
rows,cols,ch = img.shape

box = [0, 0, rows, cols]
bbox = BBox(box)
center = ((bbox.left + bbox.right) / 2, (bbox.top + bbox.bottom) / 2)

dst = cv2.getRotationMatrix2D(center,60,1)
img_rotated = cv2.warpAffine(img,dst,(rows,cols))

plt.subplot(1,2,1),plt.imshow(img),plt.title('before')
plt.subplot(1,2,2),plt.imshow(img_rotated),plt.title('after')
plt.show()

结果： 

 仿射变换矩阵的获得可以通过函数getAffineTransform获得，并不局限于变换方式：

　cv2.getAffineTransform(src,dst)  返回2*3的转变矩阵
       　　 #src：原图像中的三组坐标，如float32([[50,50],[200,50],[50,200]])
        　　#dst: 转换后的对应三组坐标，如float32([[10,100],[200,50],[100,250]])

代码如下：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread(r"C:\Users\LENOVO\Desktop\lena.png")
rows,cols,ch = img.shape

pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[10,100],[200,50],[100,250]])

dst = cv2.getAffineTransform(pts1,pts2)
img_rotated = cv2.warpAffine(img,dst,(rows,cols))

plt.subplot(1,2,1),plt.imshow(img),plt.title('before')
plt.subplot(1,2,2),plt.imshow(img_rotated),plt.title('after')
plt.show()

结果如下：