【OpenCV】第五章: 几何变换

这篇具有很好参考价值的文章主要介绍了【OpenCV】第五章: 几何变换。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

第五章: 几何变换

  • 1、什么是图像的几何变换?
    图像的几何变换就是将一组图像数据经过某种数学运算,映射成另外一组图像数据的操作。所以,几何变换的关键就是要确定这种空间映射关系。
    几何变换又称空间变换。对于图像数据来说,就是将一幅图像中的坐标位置映射到另一幅图像中的新坐标位置。或者说,几何变换不改变图像的像素值,只是在图像平面上进行像素的重新安排。

  • 2、为什么要对图像进行几何变换?
    对图像进行几何变换可以一定程度上的消除图像由于角度、透视关系、拍摄等原因造成的几何失真,进而造成计算机模型或者算法无法正确识别图像,所以我们要对图像进行几何变换。
    几何变换不是取悦人眼的,是取悦计算机的,是让计算机(模型、算法)能更好的认识图片的。所以,对图像进行几何变换处理是深度学习中数据增强的一种常用手段,是进行图像识别前的数据预处理工作内容。
    比如,在很多机器视觉落地项目中,在实际工作中,我们并不能保证被检测的物体在图像的相同位置和方向,所以我们首先要解决的就是被检测物体的位置和方向。所以我们首先要做的就是对图像进行几何变换。interpolation=cv2.inter_linear,opencv,计算机视觉,学习

  • 3、图像数据都有哪些几何变换?
    按照人类的视觉效果分,二维图像的基本几何变换主要有缩放、平移、旋转、镜像、透视等。
    按照变换的数学原理的不同分,二维图像的基本几何变换主要有仿射变换、透视变换、重映射变换。
    由于我们课件还是要尊重课本的基本安排,所以下面的几何变换按照课本的分类规则进行编写。

  • 一、缩放变换

    就是对图像的大小进行放大和缩小的变换。
    cv2.resize(img, dsize, fx=0, fy=0, interpolation=cv2.INTER_LINEAR)
    img: 要进行缩放处理的图像
    dsize: 进行绝对尺寸的放缩处理,直接指定你要缩放后的大小即可。
       注意: 这里的参数传入顺序是(列,行)的顺序。
    fx, fy : 进行相对尺寸的缩放处理,fx,fy是一个比例值,当你想放大图像时,fx,fy就是一个大于1的数,当缩小图像时,fx,fy就是一个小于1的数。
       注意: 当使用这两个参数时,dsize=None,就是把绝对尺寸调整方式关闭掉。
    interpolation: 插值方法。
    interpolation=cv2.INTER_LINEAR,表示双线性插值法,是默认方式。
    interpolation=cv2.INTER_NEAREST,最近邻插值
    interpolation=cv2.INTER_AREA,使用像素区域关系进行重采样,也叫区域插值法。就是根据当前像素点周边区域的像素实现当前像素点的采样。
    interpolation=cv2.INTER_CUBIC, 4x4像素邻域的双三次插值
    当缩小图像时,使用INTER_AREA插值方式效果最好。当放大图像时,使用INTER_LINEAR和INTER_CUBIC效果最好,但是双三次插值法运算速度较慢,双线性插值法速度较快。

    #例5.1 对图像进行绝对尺寸缩放处理 
    import cv2
    import matplotlib.pyplot as plt
    img = cv2.imread(r'C:\Users\25584\Desktop\test.bmp')
    img_small = cv2.resize(img, (int(0.9*img.shape[1]), int(0.5*img.shape[0])))   #注意dsize参数的顺序
    img_big = cv2.resize(img, (100, 600))
    img_mix = cv2.resize(img, (100, 400))
    img.shape, img_small.shape, img_big.shape, img_mix.shape
    
    plt.subplot(141), plt.imshow(img[:,:,::-1]), plt.xlim(0,100), plt.ylim(0,600)
    plt.subplot(142), plt.imshow(img_small[:,:,::-1]), plt.xlim(0,100), plt.ylim(0,600)
    plt.subplot(143), plt.imshow(img_big[:,:,::-1]), plt.xlim(0,100), plt.ylim(0,600)
    plt.subplot(144), plt.imshow(img_mix[:,:,::-1]), plt.xlim(0,100), plt.ylim(0,600)
    plt.show()

 interpolation=cv2.inter_linear,opencv,计算机视觉,学习

#例5.2 对图像进行相对尺寸缩放处理 
import cv2
import matplotlib.pyplot as plt
img = cv2.imread(r'C:\Users\25584\Desktop\test.bmp')
img_1 = cv2.resize(img, None, fx=2, fy=0.5)   #水平方向扩大为原来的2倍,垂直方向缩小到原来的0.5倍。这里dsize参数一定要设置为None。
img.shape, img_1.shape

plt.subplot(121), plt.imshow(img[:,:,::-1]), plt.xlim(0,120), plt.ylim(0,520)
plt.subplot(122), plt.imshow(img_1[:,:,::-1]), plt.xlim(0,120), plt.ylim(0,520)
plt.show()

interpolation=cv2.inter_linear,opencv,计算机视觉,学习

#例5.3 观察不同插值方法对图像缩放的影响 
import cv2
import matplotlib.pyplot as plt
img = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
img_suoxiao = cv2.resize(img, (256, 256), interpolation=cv2.INTER_AREA)    #区域插值法
img_fangda = cv2.resize(img, (1024, 1024), interpolation=cv2.INTER_LINEAR)  #双线性插值法
img_suofang = cv2.resize(img, (256, 1024), interpolation=cv2.INTER_CUBIC)  #双三次插值法

plt.subplot(221), plt.imshow(img[:,:,::-1]), plt.xlim(0,512), plt.ylim(512,0)
plt.subplot(222), plt.imshow(img_suoxiao[:,:,::-1]), plt.xlim(0,512), plt.ylim(512,0)
plt.subplot(223), plt.imshow(img_fangda[:,:,::-1]), plt.xlim(0,1024), plt.ylim(1024,0)
plt.subplot(224), plt.imshow(img_suofang[:,:,::-1]), plt.xlim(0,1024), plt.ylim(1024,0)
plt.show()

interpolation=cv2.inter_linear,opencv,计算机视觉,学习

二、翻转变换

opencv中图像翻转变换的API : cv2.flip(img, flipcode)
函数功能:实现图像的水平翻转、垂直翻转、水平+垂直翻转
img:要操作的图像对象 flipcode: flipcode=0 表示绕x轴翻转;flipcode=任意正整数,比如1,2,3,表示绕y轴翻转;flipcode=任意负整数,比如-1,-2,-3,表示绕x轴和y轴同时翻转;
函数返回:返回一个和img大小相同、类型相同的对象。

#例5.4 观察不同的翻转变换 
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
img_horizon = cv2.flip(img, 0)
img_vertical = cv2.flip(img, 1)
img_h_v = cv2.flip(img, -1)

fig, axes = plt.subplots(1,4, figsize=(12,4), dpi=100)
axes[0].imshow(img[:,:,::-1]), axes[0].set_title('yuan tu ')
axes[1].imshow(img_horizon[:,:,::-1]), axes[1].set_title('Flip around the X axis')
axes[2].imshow(img_vertical[:,:,::-1]), axes[2].set_title('Flip around the Y axis')
axes[3].imshow(img_h_v[:,:,::-1]), axes[3].set_title('Flip around the X and Y axis')
plt.show()

interpolation=cv2.inter_linear,opencv,计算机视觉,学习

三、仿射变换

  • 1、什么是放射变换
    仿射变换通俗的讲就是:“线性变换”+“平移”。
    线性变换通俗讲,比如1个点可以随便移动,1条直线可以随便旋转和位移,1个平面可以翻转,1个曲线可以随便拐弯等等,而点、直线、平面、曲面之所以会移动,有三种原因,一是在相同的坐标空间下,点线面自身移动而产生,二是这些点线面本身没有移动,坐标空间发生了变换,比如,坐标轴放缩了、旋转了、平移了,导致点线面的坐标值发生变换,也就相当于移动了,三是,二者都变换而产生移动,但移动的相对量不一致。这些移动不管是主动还是被动,不管是绝对还是相对,都是移动,这些移动就是放射变换。
    那这些放射变换不变的是什么呢?不变的就是点还是点,线还是线,面还是面,点变不成线,线变不成面,并且同一条直线上的点的位置顺序和长度的比例关系不变,这就是放射变换下的不变性。放射变换变化的是:向量的夹角会发现变化,垂直关系也会发生变化。
  • 2、图像经过放射变换会发生哪些变化?
    推理到图像上就是,图像数据经过放射变换后,变换后的图像仍能够保持平直性(直线经过放射变换后还是直线)和平行性(平行线经过放射变换后还是平行线)。
    可以实现图像的平移、缩放、旋转、翻转和错切等效果:interpolation=cv2.inter_linear,opencv,计算机视觉,学习
  • 所以,我们前面讲的图像放缩和翻转,其实也是可以通过仿射变换得到的。上面的图像缩放采取的技术是填充像素点(放大)和减少像素点(缩小),用的是插值法,当然我们也可以通过仿射运算的方法得到放大缩小的效果。这就类似于一个数学题有好几种解法的意思。前面讲的翻转效果更是仿射变换中的一个特例而已。但是我们为什么还要单独把这两种变换拿出来讲?是因为opencv有专门的API,而且课本也是出于让同学们掌握这两个函数而单独拎出来讲了一下,我们尊重课本的讲解主线,所以也单独拿出来讲解。
  • 3、实现放射变换的数学公式?
    interpolation=cv2.inter_linear,opencv,计算机视觉,学习
  • 等号右边的矩阵就是仿射变换矩阵,其中,左上角的子矩阵是坐标系的放缩、旋转数据,右边第一列是坐标轴的平移值。最后一行是一个不影响方程组解的冗余方程。
  • 4、仿射变换的不同变换矩阵实现的效果:
    interpolation=cv2.inter_linear,opencv,计算机视觉,学习

所以,一张图形进行仿射变换的重点在于找到这个变换矩阵!!!

  • 5、例子:把一张图像顺时针旋转45度,向左平移200个像素点,向下平移30个像素点,这个操作的转换矩阵是什么?
    假设x,y坐标系下,一个点(x,y)与x轴的夹角是α, 此时,将这个点顺时针旋转θ度,这个点新的(x',y')是:
    x' = rcos(α+θ)= xcosθ + ysinθ
    y' = rsin(α+θ)= -xsinθ + ycosθ
    所以:
    x'   cosθ   sinθ  200  x
    y' =  -sinθ   cosθ  30  y
    1    0    0    1  1
  • 6、获取旋转矩阵的API:
    一张图像进行仿射变换的时候,最重要的步骤就是找到变换矩阵,从上面的分析可以看到平移、放缩、剪切、镜像的变换矩阵都非常简单,可以快速手写出来,但是对于旋转操作的变换矩阵,由于有三角函数而无法迅速得出具体的矩阵表达,所以我们就单独把旋转操作中的变换矩阵的生成打包成一个函数,方便我们调用。
    cv2.getRotationMatrix2D(center, angle, scale)
    center:旋转的中心点
    angle:旋转角度,正数表示逆时针旋转,负数表示顺时针旋转
    scale:缩放大小
    我们通过这个函数就可以自动生成我们要用的转换矩阵。
  • 7、获取更加通用的变换矩阵的API(就是任意仿射变换的变换矩阵):
    cv2.getAffineTransform(P1,P2)
    p1: 输入图像的三个坐标点
    p2:输出图像的三个坐标点
  • 8、放射变换 API: cv2.warpAffine(img, M, dsize)
    img:要变换的对象
    M:变换矩阵
    dsize:输出图像的绝对大小。注意:这个参数的传入是(宽度,高度), 宽度width=列数, 高度height=行数
    # 例5.5 自定义一个变换矩阵,实现图像的平移  
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    img = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
    M = np.float32([[1,0,100], [0,1,200]])    #定义变换矩阵,由于只是移动图像,图像大小没有改变,所以左上矩阵是单位矩阵,右边一列是x轴y轴的原点移动了100、200个像素点。
    img_affine1 = cv2.warpAffine(img, M, (img.shape[1], img.shape[0]))  #输出图像的大小和原图像大小一样
    img_affine2 = cv2.warpAffine(img, M, (800, 800))                    #输出图像变成800x800了。
    img_affine3 = cv2.warpAffine(img, M, (400, 400))                    #输出图像变成400x400了。
    
    fig, axes = plt.subplots(1,4, figsize=(12,5), dpi=100)
    axes[0].imshow(img[:,:,::-1]), axes[0].set_title('yuan tu ')
    axes[1].imshow(img_affine1[:,:,::-1]), axes[1].set_title('img_affine1')
    axes[2].imshow(img_affine2[:,:,::-1]), axes[2].set_title('img_affine2')
    axes[3].imshow(img_affine3[:,:,::-1]), axes[3].set_title('img_affine3')
    plt.show()

    interpolation=cv2.inter_linear,opencv,计算机视觉,学习

    # 例5.6 实现图像旋转:以图像的中心为圆点,让图像逆时针旋转45度,并缩小为原来的0.6倍。  
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    img = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
    M1 = cv2.getRotationMatrix2D((img.shape[1]/2, img.shape[0]/2), 45, 0.6)   #以图片中心点旋转并缩小
    M2 = cv2.getRotationMatrix2D((img.shape[1]/2, img.shape[0]/2), 90, 1)     #以图片中心点旋转不缩小
    M3 = cv2.getRotationMatrix2D((512, 0), 30, 1)                             #以别的中心点旋转
                                 
    img_affine1 = cv2.warpAffine(img, M1, (img.shape[1], img.shape[0]))  #输出图像的大小和原图像大小一样
    img_affine2 = cv2.warpAffine(img, M2, (img.shape[1], img.shape[0])) 
    img_affine3 = cv2.warpAffine(img, M3, (1000, 1000))                    #输出图像变成800x800了。
    
    fig, axes = plt.subplots(1,4, figsize=(12,5), dpi=100)
    axes[0].imshow(img[:,:,::-1]), axes[0].set_title('yuan tu ')
    axes[1].imshow(img_affine1[:,:,::-1]), axes[1].set_title('img_affine1')
    axes[2].imshow(img_affine2[:,:,::-1]), axes[2].set_title('img_affine2')
    axes[3].imshow(img_affine3[:,:,::-1]), axes[3].set_title('img_affine3')
    plt.show()

    interpolation=cv2.inter_linear,opencv,计算机视觉,学习

     说明: 对于一张图像而言的坐标系,和我们平时的平面坐标系是有所不同的。我们平时水平方向向右是x轴的正方向,垂直向上是y轴的正方向。
    但是对于图像而言,它里面的各个像素的位置坐标是:水平方向向右是x轴的正方向,垂直向下是y轴的正方向。因为一张图像的第一个像素[0,0]是这个图像的左上角的第一个像素点。

    # 例5.7 实现图像的任意仿射变换 
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    img = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
    P1 = np.float32([[0,0], [img.shape[1]-1,0], [0, img.shape[0]-1]])  #生成原始图像上的三个点(左上角,右上角,左下角)
    P2 = np.float32([[0,img.shape[1]*0.33], [img.shape[1]*0.85,img.shape[0]*0.25], [img.shape[1]*0.15, img.shape[0]*0.7]])  #生成目标图像上的三个点
    P3 = np.float32([[100,100], [400,50], [250,450]])
    M1 = cv2.getAffineTransform(P1, P2)       #生成转换矩阵
    M2 = cv2.getAffineTransform(P1, P3)       
    img_affine1 = cv2.warpAffine(img, M1, (img.shape[1], img.shape[0]))   #进行仿射变换,原图大小输出
    img_affine2 = cv2.warpAffine(img, M2, (600, 600))   
    
    fig, axes = plt.subplots(1,3, figsize=(8,3), dpi=100)
    axes[0].imshow(img[:,:,::-1]), axes[0].set_title('yuan tu ')
    axes[1].imshow(img_affine1[:,:,::-1]), axes[1].set_title('img_affine1')
    axes[2].imshow(img_affine2[:,:,::-1]), axes[2].set_title('img_affine2')
    plt.show()

    interpolation=cv2.inter_linear,opencv,计算机视觉,学习

    四、透视变换

    透视变换是把一个图像投影到一个新的视平面的过程,该过程包括:把一个二维坐标系转换为三维坐标系,然后把三维坐标系投影到新的二维坐标系。该过程是一个非线性变换过程,因此,一个平行四边形经过透视变换后只得到四边形,但不平行。
    透视变换矩阵为:
    interpolation=cv2.inter_linear,opencv,计算机视觉,学习

    其中,(x,y)是原图坐标,(x’,y’)是变换后的坐标;m11,m12,m21,m22,m31,m32为旋转量,m13,m23,m33为平移量。因为透视变换是非线性的,所以不能齐次性表示;透视变换矩阵为3*3。

    仿射变换常用于旋转和平移等图像处理操作,原理较简单。而透视变换的实际应用较大,如视角纠正,全景拼接等。

    同理,在透视变换中,关键的一步是找到一个透视变换矩阵,opencv也为我们打包了一个API,我们直接调用即可:
    cv2.getPerspectiveTransform(p1,p2)
    p1:输入图像的四个顶点的坐标
    p2:输出图像的四个顶点的坐标

    在opencv中,实现透视变换的函数为:cv2.warpPerspective(src,dst,H,(cols,rows))
    src:输入图像
    dst:输出图像
    H:3*3的仿射变换矩阵
    (cols,rows):输出图像的行数和列数

    # 例5.8 实现图像的透视变换 
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    img = cv2.imread(r'C:\Users\25584\Desktop\demo.bmp')
    P1 = np.float32([[150,50], [400, 50], [60, 450], [310,450]])  #生成原始图像上的4个点
    P2 = np.float32([[50,50], [img.shape[0]-50,50], [50, img.shape[1]-50], [img.shape[0]-50, img.shape[1]-50]])  #生成目标图像上的三个点
    M = cv2.getPerspectiveTransform(P1, P2)       #生成转换矩阵
    img_perspective1 = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))   
    img_perspective2 = cv2.warpPerspective(img, M, (1000, 1000))    #大画布输出
    
    fig, axes = plt.subplots(1,3, figsize=(8,3), dpi=100)
    axes[0].imshow(img[:,:,::-1]), axes[0].set_title('yuan tu ')
    axes[1].imshow(img_perspective1[:,:,::-1]), axes[1].set_title('img_perspective1')
    axes[2].imshow(img_perspective2[:,:,::-1]), axes[2].set_title('img_perspective2')
    plt.show()

    interpolation=cv2.inter_linear,opencv,计算机视觉,学习

    五、重映射

    1、为什么要进行重映射操作?
    前面我们学仿射变换、透视变换都是通过变换矩阵来时实现映射的。但是,有时候我们需要更加个性化的几何变换,比如我们希望通过自定义的方式来指定如何映射,此时我们就需要进行重映射操作。
    2、什么是重映射?
    把一张图像内的像素点放置到另外一幅图像内指定的位置,这个操作就是重映射。
    3、opencv中的重映射接口?
    cv2.remap(img, map1, map2, interpolation)
    img:原始图像
    map1:要映射的原始图像中的像素的列
    map2:要映射的原始图像中的像素的行
    interpolation:插值方式,不支持INTER_AREA方法

    # 例5.9 理解cv2.remap()函数  
    import cv2
    import numpy as np
    img = np.random.randint(0,256, (4,5), np.uint8)
    mapx = np.ones((3,3), np.float32)
    mapy = np.ones((3,3), np.float32)*2
    result = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
    result
    array([[47, 47, 47],
           [47, 47, 47],
           [47, 47, 47]], dtype=uint8)
    # 例5.10 用cv2.remap()函数实现图像的复制  
    import cv2
    import numpy as np
    img = np.random.randint(0,256, (4,5), np.uint8)
    mapx = np.zeros(img.shape, np.float32)     #先生成一个和目标图像大小一样的矩阵,然后更改这个矩阵里面的值。矩阵里面的值就是原图中要索引的像素点的列
    mapy = np.zeros(img.shape, np.float32)     #矩阵里面的值就是原图中要索引的像素点的行
    for i in range(4):
        for j in range(5):
            mapx[i,j]=j    #或者写成 mapx.itemset((i,j), j)
            mapy[i,j]=i
    copy_img = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
    # 例5.11 用cv2.remap()函数实现lenacolor.png的复制  
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    lenacolor = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
    rows, cols = img.shape[:2]
    mapx = np.zeros(img.shape[:2], np.float32)
    mapy = np.zeros(img.shape[:2], np.float32)
    for i in range(rows):
        for j in range(cols):
            mapx.itemset((i,j), j)
            mapy.itemset((i,j), i)
    copy_lenacolor = cv2.remap(lenacolor, mapx, mapy, cv2.INTER_LINEAR)
    
    plt.subplot(121), plt.imshow(lenacolor[:,:,::-1])
    plt.subplot(122), plt.imshow(copy_lenacolor[:,:,::-1])
    plt.show()
    # 例5.12 用cv2.remap()函数图像绕x轴翻转 
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    lenacolor = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
    rows, cols = img.shape[:2]
    mapx = np.zeros(img.shape[:2], np.float32)
    mapy = np.zeros(img.shape[:2], np.float32)
    for i in range(rows):
        for j in range(cols):
            mapx.itemset((i,j), j)
            mapy.itemset((i,j), rows-1-i)
    copy_lenacolor = cv2.remap(lenacolor, mapx, mapy, cv2.INTER_LINEAR)
    
    plt.subplot(121), plt.imshow(lenacolor[:,:,::-1])
    plt.subplot(122), plt.imshow(copy_lenacolor[:,:,::-1])
    plt.show()
    # 例5.13 用cv2.remap()函数图像绕y轴翻转 
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    lenacolor = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
    rows, cols = img.shape[:2]
    mapx = np.zeros(img.shape[:2], np.float32)
    mapy = np.zeros(img.shape[:2], np.float32)
    for i in range(rows):
        for j in range(cols):
            mapx.itemset((i,j), cols-1-j)
            mapy.itemset((i,j), i)
    copy_lenacolor = cv2.remap(lenacolor, mapx, mapy, cv2.INTER_LINEAR)
    
    plt.subplot(121), plt.imshow(lenacolor[:,:,::-1])
    plt.subplot(122), plt.imshow(copy_lenacolor[:,:,::-1])
    plt.show()
    # 例5.14 用cv2.remap()函数图像绕x轴y轴同时翻转 
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    lenacolor = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
    rows, cols = img.shape[:2]
    mapx = np.zeros(img.shape[:2], np.float32)
    mapy = np.zeros(img.shape[:2], np.float32)
    for i in range(rows):
        for j in range(cols):
            mapx.itemset((i,j), cols-1-j)
            mapy.itemset((i,j), rows-1-i)
    copy_lenacolor = cv2.remap(lenacolor, mapx, mapy, cv2.INTER_LINEAR)
    
    plt.subplot(121), plt.imshow(lenacolor[:,:,::-1])
    plt.subplot(122), plt.imshow(copy_lenacolor[:,:,::-1])
    plt.show()
    # 例5.15 用cv2.remap()函数图x轴、y轴互换  
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    lenacolor = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
    rows, cols = img.shape[:2]
    mapx = np.zeros(img.shape[:2], np.float32)
    mapy = np.zeros(img.shape[:2], np.float32)
    for i in range(rows):
        for j in range(cols):
            mapx.itemset((i,j), i)
            mapy.itemset((i,j), j)
    copy_lenacolor = cv2.remap(lenacolor, mapx, mapy, cv2.INTER_LINEAR)
    
    plt.subplot(121), plt.imshow(lenacolor[:,:,::-1])
    plt.subplot(122), plt.imshow(copy_lenacolor[:,:,::-1])
    plt.show()
    # 例5.16 用cv2.remap()函数缩小图像    
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    lenacolor = cv2.imread(r'C:\Users\25584\Desktop\lenacolor.png')
    rows, cols = img.shape[:2]
    mapx = np.zeros(img.shape[:2], np.float32)
    mapy = np.zeros(img.shape[:2], np.float32)
    for i in range(rows):
        for j in range(cols):
            if 0.25*cols< i <0.75*cols and 0.25*rows< j <0.75*rows:
                mapx.itemset((i,j), 2*(j-cols*0.25)+0.5)
                mapy.itemset((i,j), 2*(i-rows*0.25)+0.5)
            else:
                mapx.itemset((i,j), 0)
                mapy.itemset((i,j), 0)
                
    copy_lenacolor = cv2.remap(lenacolor, mapx, mapy, cv2.INTER_LINEAR)
    
    plt.subplot(121), plt.imshow(lenacolor[:,:,::-1])
    plt.subplot(122), plt.imshow(copy_lenacolor[:,:,::-1])
    plt.show()

    interpolation=cv2.inter_linear,opencv,计算机视觉,学习文章来源地址https://www.toymoban.com/news/detail-772795.html

到了这里,关于【OpenCV】第五章: 几何变换的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • opencv-22 图像几何变换01-缩放-cv2.resize()(图像增强,图像变形,图像拼接)

    几何变换是计算机图形学中的一种图像处理技术,用于对图像进行空间上的变换,而不改变图像的内容。这些变换可以通过对图像中的像素位置进行调整来实现。 常见的几何变换包括: 平移(Translation) :将图像在水平和/或垂直方向上进行平移,即将图像的每个像素沿着指

    2024年02月15日
    浏览(45)
  • 【OpenCV】透视变换——cv2.getPerspectiveTransform()与cv2.warpPerspective()详解

    目录 什么是透视变换? 函数解析 cv2.getPerspectiveTransform() dst = warpPerspective() 代码实现 透视变换(Perspective Transformation)是指利用透视中心、像点、目标点三点共线的条件,按透视旋转定律使承影面(透视面)绕迹线(透视轴)旋转某一角度,破坏原有的投影光线束,仍能保持

    2024年02月05日
    浏览(63)
  • opencv图像仿射变换,cv2.warpAffine

    目录 仿射变换原理介绍 cv2.warpAffine函数介绍 代码实例          仿射变换 ,又称 仿射映射 ,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间。         在有限维的情况,每个仿射变换可以由一个矩阵A和一个向量b给出,它可以写

    2024年02月05日
    浏览(69)
  • 【OpenCV】仿射变换中cv2.estimateAffine2D 的原理

    目录 一、介绍 二、仿射变换矩阵 (M) 1.M中六个元素的说明 2.计算旋转角度 3.M的计算过程 三、输出状态 (inliers) 四、错切参数 1.错切参数的定义 2.错切参数例子 (1)水平错切 (2)垂直错切         cv2.estimateAffine2D 是 OpenCV 库中的一个函数,用于估计两个二维点集之间的

    2024年02月04日
    浏览(47)
  • OpenCV-Python学习(21)—— OpenCV 图像几何变换之图像翻转(cv.flip、np.flip)

    1. 学习目标 学习 OpenCV 图像的翻转函数 cv.flip; 学习 NumPy 矩阵的反转函数 np.flip; 自己实现矩阵反转的函数。 2. OpenCV 翻转 翻转也称镜像,是指将图像沿轴线进行轴对称变换。水平镜像是将图像沿垂直中轴线进行左右翻转,垂直镜像是将图像沿水平中轴线进行上下翻转,水平

    2024年02月06日
    浏览(64)
  • OpenCV-Python学习(20)—— OpenCV 图像几何变换之图像旋转(cv.warpAffine、cv.getRotationMatrix2D、cv.rotate、np.rot90)

    1. 学习目标 学习旋转矩阵; 学习使用 OpenCV 的 cv.warpAffine 函数进行图片的旋转; 学习使用 OpenCV 的 cv.getRotationMatrix2D 来计算不同旋转中心的不同角度的 MAR 旋转变换矩阵; 学习使用 OpenCV 的 cv.rotate 进行特殊角度的旋转(90,180,270 度)。 2. 不同中心的旋转矩阵计算 2.1 图像

    2024年02月09日
    浏览(42)
  • 【Emgu CV教程】5.3、几何变换之金字塔变换

    这一段文字描述来自百度百科: 图像金字塔是图像多尺度表达的一种,是一种以多分辨率来解释图像的有效但概念简单的结构。一幅图像的图像金字塔是一系列以金字塔形状(自下而上)逐步降低,且来源于同一张原始图的图像分辨率集合。其通过梯次向下采样获得,直到达

    2024年01月18日
    浏览(38)
  • open cv学习 (四)图像的几何变换

    demo1 demo2 demo3 demo4 demo5 demo6 demo7

    2024年02月12日
    浏览(38)
  • 【Emgu CV教程】5.1、几何变换之平移

    图像的几何变换对于图像处理来说,也是最基础的那一档次,包括平移、旋转、缩放、透视变换等等,也就是对图像整理形状的改变,用到的函数都比较简单,理解起来也很容易。但是为了凑字数,还是一个函数一个函数的讲。 今天先讲图像平移,就是将原始图像左右、上下

    2024年01月17日
    浏览(36)
  • 【OpenCV • c++】图像几何变换 | 图像仿射变换

    🚀 个人简介:CSDN「 博客新星 」TOP 10 , C/C++ 领域新星创作者 💟 作    者: 锡兰_CC ❣️ 📝 专    栏: 【OpenCV • c++】计算机视觉 🌈 若有帮助,还请 关注➕点赞➕收藏 ,不行的话我再努努力💪💪💪

    2024年02月16日
    浏览(52)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包