三、图片的几何变换

一、图片缩放

1 - 等比缩放

# 1 load 2 info 3 resize 4 check
import cv2

img = cv2.imread('image0.jpg', 1)
imgInfo = img.shape
print(imgInfo)
height = imgInfo[0]
width = imgInfo[1]
mode = imgInfo[2] # 图片的颜色组成方式，3表示1个像素点由3个基本颜色组成
# 1 放大 缩小 2 等比例 非等比例 2:3
dstHeight = int(height * 0.5)
dstWidth = int(width * 0.5)
# 最近临域插值、双线性插值、像素关系重采样、立方插值
# 默认是：双线性插值
dst = cv2.resize(img, (dstWidth, dstHeight))
cv2.imshow('image', dst)
cv2.waitKey(0)

2 - 最近领域插值

• 最近领域插值原理
  • 假设我们有1个源图片src，大小为1020，我们希望缩放成目标图片dst，大小为510
  • 我们知道，目标图片dst上的每一个点都是来源于源图片src，例如dst的(1,2)来源于src(2,4)
  • 拿x坐标举例，dst的x=1，y=2的像素点，在源图src的计算公式为
    • newX = x*（src行 / dst行）=1 * （10 / 5）=2
    • newX = y*（src列 / dst列）=2 * （20 / 10）=4
  • 上面的计算都是整数的计算，如果计算结果为12.3，那么使用最近领域插值，就会使用12这个坐标的像素，这就是最近领域插值的算法

import cv2
import numpy as np

img = cv2.imread('image0.jpg', 1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
dstHeight = int(height / 2)
dstWidth = int(width / 2)
# 使用np创建空白模板
dstImage = np.zeros((dstHeight, dstWidth, 3), np.uint8)  # 0-255
for i in range(0, dstHeight):  # 行
    for j in range(0, dstWidth):  # 列
        iNew = int(i * (height * 1.0 / dstHeight))
        jNew = int(j * (width * 1.0 / dstWidth))
        dstImage[i, j] = img[iNew, jNew]
cv2.imshow('dst', dstImage)
cv2.waitKey(0)

3 - 双线性插值

• 双线性插值原理
  • m（15，22）、n（15，23）、j（16，22）、k（16，23）代表的是4个像素点的坐标
  • 假设经过计算出来的结果是（15.2，22.3），这个点在源图像上实际上是不存在的
  • 按最近领域插值法的结果是（15，22）
  • 双线性插值计算，会使用X橙色方向的投影，和Y绿色方向的投影
    • 此时投影出交叉的4个点A1（15.2，22）,A2（15.2，23）,B1（15，22.3）,B2（16，22.3）
    • A1距离m（15，22）是0.2，距离j（16，22）是0.8，可以使用权重表示分别是20%和80%
    • 同理B1距离m（15，22）是0.3=30%，距离n（15，23）是0.7=70%
    • A1 = m * 20% + j * 80%，A2 = n * 20% + k * 80%
    • B1 = m * 30% +n * 70%，B2 = j * 30% + k * 70%
    • 以上分析得出，最终坐标计算公式
      • 方法1：最终点 T = A1 30% + A2 70%
      • 方法2：最终点 T = B1 20% + B2 80%
        

4 - 矩阵缩放

• 矩阵缩放原理
  • 2行3列矩阵：[[A1 A2 B1],[A3 A4 B2]]
  • 我们将这个2行3列的矩阵拆分成2个矩阵
    • 2行2列矩阵：[[A1 A2],[A3 A4]]
    • 2行1列矩阵：[[B1],[B2]]
  • 那么新的坐标计算公式为：
    • newX = A1x + A2y+B1
    • newY = A3x +A4y+B2
  • 例如：B1,B2偏移为0，图片缩放0.5，那么newX = x * 0.5

import cv2
import numpy as np

img = cv2.imread('image0.jpg', 1)
cv2.imshow('src', img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
matScale = np.float32([[0.5, 0, 0], [0, 0.5, 0]])
dst = cv2.warpAffine(img, matScale, (int(width / 2), int(height / 2)))
cv2.imshow('dst', dst)
cv2.waitKey(0)

二、图片剪切与位移

1 - 图片剪切

• 需求：剪切原图片：x从100到200，y从100-300

import cv2

img = cv2.imread('image0.jpg', 1)
dst = img[100:200, 100:300]
cv2.imshow('image', dst)
cv2.waitKey(0)

2 - 图片位移

• 图片向右位移100个像素

import cv2
import numpy as np

img = cv2.imread('image0.jpg', 1)
cv2.imshow('src', img)
imgInfo = img.shape
dst = np.zeros(img.shape, np.uint8)
height = imgInfo[0]
width = imgInfo[1]
for i in range(0, height):
    for j in range(0, width - 100):
        dst[i, j + 100] = img[i, j]
cv2.imshow('image', dst)
cv2.waitKey(0)

• 图片向右位移100像素，向下位移200像素

import cv2
import numpy as np

img = cv2.imread('image0.jpg', 1)
cv2.imshow('src', img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# 偏移矩阵
matShift = np.float32([[1, 0, 100], [0, 1, 200]])  # 2行3列
dst = cv2.warpAffine(img, matShift, (height, width))
# 移位 矩阵
cv2.imshow('dst', dst)
cv2.waitKey(0)

三、图片镜像

• 将原始的图片进行上下翻转：上半部分为原图，下半部分为翻转的镜像图
  • 创建一个足够大的画板，宽度跟原图像相同，高度为原图像的2倍
  • 将图像分别从前向后，从后向前绘制
  • 绘制中心分割线

import cv2
import numpy as np

img = cv2.imread('image0.jpg', 1)
cv2.imshow('src', img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
deep = imgInfo[2]
newImgInfo = (height * 2, width, deep)
dst = np.zeros(newImgInfo, np.uint8)  # uint8
for i in range(0, height):
    for j in range(0, width):
        dst[i, j] = img[i, j]
        # x y = 2*h - y -1
        dst[height * 2 - i - 1, j] = img[i, j]
# 分割线
for i in range(0, width):
    dst[height, i] = (0, 0, 255)  # BGR
cv2.imshow('dst', dst)
cv2.waitKey(0)

四、图片仿射变换

• 图片仿射原理
  • 前提：我们知道2个点可以确定1条线，3个点可以确定1个唯一的平面
  • 图片仿射就是将原图片中的3个点（左上角、左下角、右上角），隐射到新图片的3个点上，这样就实现了图片的仿射变换

import cv2
import numpy as np

img = cv2.imread('image0.jpg', 1)
cv2.imshow('src', img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# src 3->dst 3 (左上角 左下角 右上角)
matSrc = np.float32([[0, 0], [0, height - 1], [width - 1, 0]])
matDst = np.float32([[50, 50], [300, height - 200], [width - 300, 100]])
# 获得矩阵组合
matAffine = cv2.getAffineTransform(matSrc, matDst)  # mat 1 src 2 dst
dst = cv2.warpAffine(img, matAffine, (width, height))
cv2.imshow('dst', dst)
cv2.waitKey(0)

五、图片旋转

• 缩放系数为0.5的情况

import cv2
import numpy as np

img = cv2.imread('image0.jpg', 1)
cv2.imshow('src', img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# 旋转矩阵：2*3
# getRotationMatrix2D：参数1 -> 旋转的中心点坐标，参数2 -> 旋转的角度，参数3 -> 缩放的系数
matRotate = cv2.getRotationMatrix2D((height * 0.5, width * 0.5), 45, 0.5)
# 100*100 25
dst = cv2.warpAffine(img, matRotate, (height, width))
cv2.imshow('dst', dst)
cv2.waitKey(0)

• 缩放系数为1.0的情况：我们可以看到缩放的系数设置可能会导致图片超出范围