Python-OpenCv之图像基本处理-平移，缩放，旋转，翻转，裁剪及仿射变换

基本图像处理

1. 缩放scale

缩放通过cv2.resize()实现

函数说明：

cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) -> dst  

参数说明：

• src - 原图

• dst - 目标图像。当参数dsize不为0时，dst的大小为size；否则，它的大小需要根据src的大小，参数fx和fy决定。dst的类型（type）和src图像相同

• dsize - 目标图像大小。当dsize为0时，它可以通过以下公式计算得出：
  

  所以，参数dsize和参数(fx, fy)不能够同时为0

• fx - 水平轴上的比例因子。当它为0时，计算公式如下：
  

• fy - 垂直轴上的比例因子。当它为0时，计算公式如下：
  

• interpolation - 插值方法。共有5种：
  INTER_NEAREST - 最近邻插值法
  INTER_LINEAR - 双线性插值法（默认）
  INTER_AREA - 基于局部像素的重采样（resampling using pixel area relation）。对于图像抽取也叫缩小图像（image decimation）来说，这可能是一个更好的方法。但如果是放大图像时，它和最近邻法的效果类似。
  INTER_CUBIC - 基于4x4像素邻域的3次插值法
  INTER_LANCZOS4 - 基于8x8像素邻域的Lanczos插值

缩小图像 用INTER_AREA更好，放大图像用 INTER_CUBIC更好；

代码示范：

import cv2

# 读取一张照片
img = cv2.imread('tiger_tibet_village.jpg')

# 缩放成200x200的图像
img_200x200 = cv2.resize(img, (200, 200))

# 不直接指定缩放后大小，通过fx和fy指定缩放比例，0.5则长宽都为原来一半
# 等效于img_200x300 = cv2.resize(img, (300, 200))，注意指定大小的格式是(宽度,高度)
# 插值方法默认是cv2.INTER_LINEAR，这里指定为最近邻插值
img_200x300 = cv2.resize(img, (0, 0), fx=0.5, fy=0.5, 
                              interpolation=cv2.INTER_NEAREST)

cv2.imwrite('resized_200x200.jpg', img_200x200)
cv2.imwrite('resized_200x300.jpg', img_200x300)

2. 旋转rotate

opencv中对图像的旋转主要是先通过getRotationMatrix2D函数得到图像的旋转矩阵，然后再通过仿射变换函数warpAffine得到旋转后的图像。

函数说明：

cv2.getRotationMatrix2D(center, angle, scale)
cv2.warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) → dst

参数说明：

getRotationMatrix2D:

• center–表示旋转的中心点
• angle–表示旋转的角度degrees
• scale–图像缩放因子

warpAffine:

• src – 输入的图像
• M – 2 X 3 的变换矩阵.
• dsize – 输出的图像的size大小
• dst – 输出的图像
• flags – 输出图像的插值方法
• borderMode – 图像边界的处理方式
• borderValue – 当图像边界处理方式为BORDER_CONSTANT 时的填充值

代码示范：

img = cv2.imread('messi5.jpg',0)
rows,cols = img.shape
#90度旋转
M = cv2.getRotationMatrix2D((cols/2,rows/2),90,1)
dst = cv2.warpAffine(img,M,(cols,rows))

图示：

3. 裁剪crop

裁剪是利用array自身的下标截取实现

代码示范：

img = cv2.imread('rotation.jpg')
print img.shape
#裁剪
crop_img = img[20:100, 20:160]
cv2.imwrite('crop_img.jpg', crop_img)

图示：

原图：

裁剪后图像：

4. 填充pad

填充通过函数copyMakeBorder实现：

函数说明：

cv2.copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]]) → dst

参数说明：

• src – 输入的图像

• dst – 输出的图像

• top，bottom，left，right – 分别表示在原图四周扩充边缘的像素值

• borderType –图像边界的处理方式

  常见的borderType：

  • BORDER_REPLICATE ：复制法，复制最边缘像素
  • BORDER_REFLECT_101：对称法，以最边缘像素为轴，对称
  • BORDER_CONSTANT：常量法，以一个常量参数值（自定参数value给定）填充扩充的边界

• value – 当图像边界处理方式为BORDER_CONSTANT 时的填充值

代码示范：

# 在上张图片的基础上，上下各填充50像素，填充值为128，生成新的的图像
pad_img = cv2.copyMakeBorder(crop_img, 50, 50, 0, 0, cv2.BORDER_CONSTANT, value=(128, 128, 128))
cv2.imwrite('pad_img.jpg', pad_img)

图示：

原图：

填充后图像：

5. 平移translate

平移通过自定义平移矩阵以及函数warpAffine实现：

代码示范：

img = cv2.imread('messi5.jpg',0)
rows,cols = img.shape
# 平移矩阵M：[[1,0,x],[0,1,y]]
M = np.float32([[1,0,100],[0,1,50]])
dst = cv2.warpAffine(img,M,(cols,rows))

图示：

6. 翻转flip

翻转通过函数flip实现：

函数说明：

cv2.flip(src, flipCode[, dst]) → dst

参数说明：

• src – 输入的图像
• dst – 输出的图像
• flipCode – 翻转模式，flipCode==0垂直翻转（沿X轴翻转），flipCode>0水平翻转（沿Y轴翻转），flipCode<0水平垂直翻转（先沿X轴翻转，再沿Y轴翻转，等价于旋转180°）

代码示范：

# 水平翻转
flip_horiz_img = cv2.flip(pad_img, 1)
# 垂直翻转
flip_verti_img = cv2.flip(pad_img, 0)
# 水平垂直翻转
flip_horandver_img = cv2.flip(pad_img, -1)

图示：

图像的仿射变换Affine transformation

图像的仿射变换涉及到图像的形状位置角度的变化，是深度学习预处理中常到的功能，在此简单回顾一下。仿射变换具体到图像中的应用，主要是对图像的缩放scale，旋转rotate，剪切shear，翻转flip和平移translate的组合。在OpenCV中，仿射变换的矩阵是一个2×3的矩阵，其中左边的2×2子矩阵是线性变换矩阵，右边的2×1的两项是平移项：

对于图像上的任一位置(x,y)，仿射变换执行的是如下的操作：

需要注意的是，对于图像而言，宽度方向是x，高度方向是y，坐标的顺序和图像像素对应下标一致。所以原点的位置不是左下角而是右上角，y的方向也不是向上，而是向下。在OpenCV中实现仿射变换是通过仿射变换矩阵和cv2.warpAffine()函数的。

仿射变换矩阵：

1. 缩放scale：在x轴方向扩大 x倍，y轴方向扩大 y倍

   M = [ [x, 0, 0],

   ​ [0, y, 0] ]

2. 旋转rotate：顺时针旋转x度

   M = [ [cosx, -sinx, 0],

   ​ [sinx, cosx, 0] ]

3. 剪切shear

   M = [ [1, shx, 0],

   ​ [shy, 1, 0] ]

4. 平移translate：向x方向移动 x, y方向移动 y

   M = [ [1, 0, x],

   ​ [0, 1, y] ]

相关参考：http://www.cnblogs.com/ghj1976/p/5199086.html

代码：

import cv2
import numpy as np


img = cv2.imread('lanka_safari.jpg')

# 沿着横纵轴放大2倍，然后平移(-150,-240)，最后沿原图大小截取，等效于裁剪并放大
M_crop_trans = np.array([
    [2, 0, -150],
    [0, 2, -240]
], dtype=np.float32)

img_crop_trans = cv2.warpAffine(img, M_crop_elephant, (400, 600))
cv2.imwrite('img_crop_trans.jpg', img_crop_trans)

# x轴的剪切shear变换，角度45°
theta = 45 * np.pi / 180
M_shear = np.array([
    [1, np.tan(theta), 0],
    [0, 1, 0]
], dtype=np.float32)

img_sheared = cv2.warpAffine(img, M_shear, (400, 600))
cv2.imwrite('img_sheared.jpg', img_sheared)

# 顺时针旋转，角度45°
M_rotate = np.array([
    [np.cos(theta), -np.sin(theta), 0],
    [np.sin(theta), np.cos(theta), 0]
], dtype=np.float32)

img_rotated = cv2.warpAffine(img, M_rotate, (400, 600))
cv2.imwrite('img_rotated.jpg', img_rotated)

# 某种变换，具体旋转+缩放+旋转组合可以通过SVD分解理解
M = np.array([
    [1, 1.5, -400],
    [0.5, 2, -100]
], dtype=np.float32)

img_transformed = cv2.warpAffine(img, M, (400, 600))
cv2.imwrite('img_transformed.jpg', img_transformed)

图示：