OpenCV学习笔记7-图像的基本变换(附代码实现)

图像的基本变换

1 图像的放大与缩小

• cv2.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.（高度，宽度）
  • 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:
    • cv2.INTER_NEAREST, 邻近插值, 速度快, 效果差.
    • cv2.INTER_LINEAR, 双线性插值, 使用原图中的4个点进行插值. 默认.
    • cv2.INTER_CUBIC, 三次插值, 原图中的16个点.
    • cv2.INTER_AREA, 区域插值, 效果最好, 计算时间最长.

  将一个图片缩放成和另一个图片的大小相同示例：

  import cv2
  import numpy as np
  
  dog = cv2.imread('./dog.jpeg')
  cat = cv2.imread('./cat.jpeg')
  
  print('dog',dog.shape)
  print('cat',cat.shape)
  
  # 把猫缩放成和狗一样大
  new_cat = cv2.resize(cat, (499, 360))
  print('new_cat',new_cat.shape)
  
  cv2.imshow('new_cat', np.hstack((dog, new_cat)))
  cv2.imshow('cat', cat)
  
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

  

  

  四种插值算法的对比：

  import cv2
  import numpy as np
  
  dog = cv2.imread('./dog.jpeg')
  
  new_dog1 = cv2.resize(dog, (640, 480), interpolation=cv2.INTER_NEAREST)
  new_dog2 = cv2.resize(dog, (640, 480), interpolation=cv2.INTER_LINEAR)# 默认效果
  new_dog3 = cv2.resize(dog, (640, 480), interpolation=cv2.INTER_CUBIC)
  new_dog4 = cv2.resize(dog, (640, 480), interpolation=cv2.INTER_AREA)
  
  cv2.imshow('dog', dog)
  cv2.imshow('new_dog1', new_dog1)
  cv2.imshow('new_dog2', new_dog2)
  cv2.imshow('new_dog3', new_dog3)
  cv2.imshow('new_dog4', new_dog4)
  
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

还可以按照x,y轴的比例进行缩放

import cv2
import numpy as np

dog = cv2.imread('./dog.jpeg')

new_dog = cv2.resize(dog, dsize=None, fx=1.5, fy=0.5, interpolation=cv2.INTER_AREA)

cv2.imshow('dog', dog)
cv2.imshow('new_dog', new_dog)

cv2.waitKey(0)
cv2.destroyAllWindows()

2 图像的翻转

• cv2.flip(src, flipCode[, dst])

  扫描二维码关注公众号，回复： 14189721 查看本文章

  • src 输入图像

  • flipCode 翻转形式

    • flipCode = 0 表示上下翻转
    • flipCode > 0 表示左右翻转
    • flipCode < 0 上下 + 左右

  • dst 输出图像

# flip
import cv2
import numpy as np

cv2.namedWindow('dog1',cv2.WINDOW_NORMAL)
cv2.namedWindow('dog2',cv2.WINDOW_NORMAL)
cv2.namedWindow('dog3',cv2.WINDOW_NORMAL)

cv2.resizeWindow('dog1',(400,200))
cv2.resizeWindow('dog2',(400,200))
cv2.resizeWindow('dog3',(400,200))

dog = cv2.imread('./dog.jpeg')

# 上下翻转
new_dog1 = cv2.flip(dog, 0)
# 左右翻转
new_dog2 = cv2.flip(dog, 1)
# 上下左右翻转
new_dog3 = cv2.flip(dog, -1)

cv2.imshow('dog1', np.hstack((dog, new_dog1)))
cv2.imshow('dog2', np.hstack((dog, new_dog2)))
cv2.imshow('dog3', np.hstack((dog, new_dog3)))

cv2.waitKey(0)
cv2.destroyAllWindows()

3 图像的旋转

• cv2.rotate(src, rotateCode[, dst])

  • src 输入图像

  • rotateCode: 旋转角度

    • ROTATE_90_CLOCKWISE 90度顺时针
    • ROTATE_180 180度
    • ROTATE_90_COUNTERCLOCKWISE 90度逆时针

  • dst 输出图像

# flip
import cv2
import numpy as np

dog = cv2.imread('./dog.jpeg')

# - ROTATE_90_CLOCKWISE 90度顺时针
new_dog1 = cv2.rotate(dog, rotateCode=cv2.ROTATE_90_CLOCKWISE )
# - ROTATE_180 180度
new_dog2 = cv2.rotate(dog, rotateCode=cv2.ROTATE_180)
# - ROTATE_90_COUNTERCLOCKWISE 90度逆时针
new_dog3 = cv2.rotate(dog, rotateCode=cv2.ROTATE_90_COUNTERCLOCKWISE)

cv2.imshow('dog', dog)
cv2.imshow('new_dog1', new_dog1)
cv2.imshow('new_dog2', new_dog2)
cv2.imshow('new_dog3', new_dog3)


cv2.waitKey(0)
cv2.destroyAllWindows()

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.

• cv2.warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]])

  • src:输入图像

  • M:仿射变换矩阵，一般反映平移或旋转的关系，可通过M = cv2.getRotationMatrix2D(center, angle, scale)获得

    • center 旋转中心，以图片的哪个点作为旋转时的中心点.
    • angle 逆时针旋转角度
    • scale 等比例放缩比例，想把图片进行什么样的缩放.

  • dst:输出图像。先宽度，后高度，即（宽度，高度）

  • dsize: 输出图片大小

  • flags: 与resize中的插值算法一致

  • borderMode: 边界外推法标志

  • borderValue: 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:

  

  # 在进行旋转操作的时候, 不方便手动计算变换矩阵, 
  # opencv提供了获取变换矩阵的API.
  import cv2
  import numpy as np
  
  dog = cv2.imread('./dog.jpeg')
  
  # 高度，宽度，通道数
  h, w, ch = dog.shape
  
  # 获取变换矩阵
  # 规定按照逆时针转动图片
  M = cv2.getRotationMatrix2D((w/2, h/2), 45, 1)
  
  # 注意opencv中是先宽度, 再高度
  new_dog = cv2.warpAffine(dog, M, (w, h))
  
  cv2.imshow('dog_ndog', np.hstack((dog,new_dog)))
  
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

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, 仿射变换需要一个M矩阵，但是由于仿射变换比较复杂，一般直接很难找到这个矩阵，为此OpenCV提供了计算变换矩阵的API

• M = cv2.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 原始图像的三个点

  • dst 对应变换后的三个点

• M 根据三个对应点求出对应的仿射变换矩阵

• 然后再使用函数cv2.warpAffine( )利用得到的M对原始图像进行变换即可。

# 通过三个点来确定变换矩阵
import cv2
import numpy as np

dog = cv2.imread('./dog.jpeg')

h, w, ch = dog.shape

src = np.float32([[100, 100], [200, 100], [200, 300]])
dst = np.float32([[100, 150], [360, 200], [280, 120]])
# 需要原始图片的三个点坐标, 和变换之后的三个对应的坐标
M = cv2.getAffineTransform(src, dst)
new_dog = cv2.warpAffine(dog, M, (w, h))

cv2.imshow('dog', dog)
cv2.imshow('new_dog', new_dog)

cv2.waitKey(0)
cv2.destroyAllWindows()

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".

• cv2.warpPerspective(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]])

  • src:输入图像

  • M:仿射变换矩阵，一般反映平移或旋转的关系，可通过 M = cv2.getPerspectiveTransform(src, dst[, solveMethod]) 获取透视变换的变换矩阵, 需要4个点, 即图片的4个角.

    • src 原始图像的四个点
    • dst 对应变换后的四个点
    • solveMethod 传递方式
    • 对于透视变换来说, M是一个3 * 3 的矩阵.

  • dsize: 输出图片大小

  • dst:输出图像。先宽度，后高度，即（宽度，高度）

  • flags: 与resize中的插值算法一致

  • borderMode: 边界外推法标志

  • borderValue: 填充边界值

  import cv2
  import numpy as np
  
  img = cv2.imread('./123.png')
  
  # print(img.shape)
  # 获取变换矩阵
  # src是原图的4个坐标
  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)
  
  # 透视变换
  new_img = cv2.warpPerspective(img, M, (2300, 3000))
  cv2.namedWindow('img', cv2.WINDOW_NORMAL)
  cv2.resizeWindow('img', 640, 480)
  
  cv2.imshow('img', img)
  
  cv2.namedWindow('new_img', cv2.WINDOW_NORMAL)
  cv2.resizeWindow('new_img', 640, 480)
  cv2.imshow('new_img', new_img)
  
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

附OpenCV目录：OpenCV总目录学习笔记

智科专业小白，写博文不容易，如果喜欢的话可以点个赞哦！