线性代数应用系列-1-图像旋转(1/N)-最基础直接的方式

最近考虑到个人发展的事情，打算巩固下图像处理相关方面的基础，于是开始重温一本关于线性代数及其应用的书《Linear Algebra with Applications, 9th edition》。

使用经典的Lena图（512x512尺寸），请自行搜索获取。

线性代数与点旋转

直接说结论，对于二维平面上的一个点来说，将其逆时针旋转 $\theta$ 即表示其对应的旋转矩阵为
$$\left[\begin{array}{cc}cos(\theta )& -sin(\theta )\\ sin(\theta )& cos(\theta )\end{array}\right]$$
实际应用中，取得是其齐次坐标的形式，即
$$\left[\begin{array}{ccc}cos(\theta )& -sin(\theta )& 0\\ sin(\theta )& cos(\theta )& 0\\ 0& 0& 1\end{array}\right]$$

以将点 [1,1], [2, 2] 分别逆时针旋转45°为例，
$$\theta =45/180\ast np.pi$$
旋转矩阵为
$$rotation\_matrix=\left[\begin{array}{ccc}0.7071& -0.7071& 0\\ 0.7071& 0.7071& 0\\ 0& 0& 1\end{array}\right]$$
进行矩阵乘法

rotated_points = rotation_matrix @ np.array([[1, 1, 1], [2, 2, 1]]).T

结果为
$$rotation\_matrix=\left[\begin{array}{cc}0.& 0.\\ 1.4142& 2.8284\\ 1& 1\end{array}\right]$$
即[1, 1]旋转后的坐标为[0., 1.4142]，[2, 2]旋转后的坐标为[0, 2.8284]。

图像边界的确定

设图像宽高像素分别为w，h，则旋转后的图像边界坐标点为

new_boundary = np.dot(rotation_matrix, np.array([[0, 0, 1], [0, w, 1], [h, w, 1], [h, 0, 1]]).T).T

计算得出结果为

array([[   0.        ,    0.        ,    1.        ],
        [-362.03867197,  362.03867197,    1.        ],
        [   0.        ,  724.07734394,    1.        ],
        [ 362.03867197,  362.03867197,    1.        ]]

下面开始计算图像的新边界。因为图像的横纵坐标只支持正整数，所以需要对图像整体做一个偏移

min_x, max_x = new_boundary[:, 0].min(), new_boundary[:, 0].max()
min_y, max_y = new_boundary[:, 1].min(), new_boundary[:, 1].max()
new_h = int(max_y - min_y) + 1  # 725
new_w = int(max_x - min_x) + 1  # 725

即对所有图像中的点，都需要减去下面这个偏移量，转化为正坐标

min_value = int(round(new_boundary[:, 0].min())), int(round(new_boundary[:, 1].min()))  # (-362, 0)

由上述计算可知，新图像是一个725x725的矩阵。

图像的旋转

本文使用最基础直接的方式对图像旋转，即用一个二重循环，对图像上的每一个点，经由矩阵乘法获取其新坐标，并将原图的像素值复制过去。

# 构建一个空数组，用于放置旋转后的图像
rotated_img = np.empty((new_h + 0, new_w + 0, 3), dtype='uint8')
# 迭代每一行
for i in range(h):
	# 迭代每一列
    for j in range(w):
    	# 计算新坐标：矩阵乘之后，减去偏移量
        new_coord = np.dot(rotation_matrix, [i, j, 1]).astype(np.int16)[:2] - min_value
        # 赋值
        # 这里注意要用`tuple(new_coord)`而不是数组或者列表，否则是对选定得两行赋值
        rotated_img[tuple(new_coord)] = img_arr[i, j]

得到的新图为

上图黑色条码的解释

上图存在很明显的黑色条码，这是由于原图与新图的像素坐标数量不是一一对应造成的。
原图坐标映射到新图上，有可能是同一点。
下一篇文章会解决这个问题。

参考

使用MarkDown画矩阵
markdown中公式编辑教程