轻松掌握opencv的8种图像变换

news2025/1/11 9:53:16

文章目录

opencv的8种图像变换
- 1. 图像放大、缩小
- 2. 图像平移
- 3. 图像旋转
- 4. 图像仿射变换
- 5. 图像裁剪
- 6. 图像的位运算（AND, OR, XOR）
- 7. 图像的分离和融合
- 8. 图像的颜色空间

opencv的8种图像变换

1. 图像放大、缩小

我们先看下原图
import cv2
import matplotlib.pyplot as plt
import numpy as np
img = cv2.imread(‘image/logo.png’)
plt.imshow(img)
在这里插入图片描述

看下图像大小
#height,width, channel
height,width,channel = img.shape
在这里插入图片描述

图像放大缩小
使用cv2.resize()方法
cv2.resize(src, dsize, dst=None, fx=None, fy=None, interpolation=None)
参数解释
在这里插入图片描述

dsize形参是个数组，数组的宽度在前，高度在后（output_width,output_height）
图像缩放之后，肯定像素要进行重新计算的，就靠这个参数来指定重新计算像素的方式，有以下几种：
INTER_NEAREST - 最近邻插值
INTER_LINEAR - 双线性插值，如果最后一个参数你不指定，默认使用这种方法
INTER_CUBIC - 4x4像素邻域内的双立方插值
INTER_LANCZOS4 - 8x8像素邻域内的Lanczos插值

#图像放大
resized_img = cv2.resize(img,(width2,height2),interpolation=cv2.INTER_LINEAR)
plt.imshow(resized_img)
在这里插入图片描述

看下此时图像大小，确守放大了1倍
在这里插入图片描述

图像缩小
#图像缩小
smaller_img = cv2.resize(img,None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
plt.imshow(smaller_img)
可以看到图像缩小了一倍
在这里插入图片描述

2. 图像平移

warpAffine(src, M, dsize, dst=None, flags=None, borderMode=None, borderValue=None)
src：输入图像
M：运算矩阵，2行3列的，数据类型要求是float32位及以上
dsize：运算后矩阵的大小，也就是输出图片的尺寸。是个元祖，宽度在前，高度在后
dst：输出图像
flags：插值方法的组合，与resize函数中的插值一样，可以查看cv2.resize
borderMode：像素外推方法，边界像素的模型( int 类型)，详情参考官网
borderValue：在恒定边框的情况下使用的borderValue值；边界填充的颜色, 默认为 (0, 0, 0) (黑色)

图像平移
#图像平移
#先获取原来的高和宽
height,width = img.shape[:2]
M = np.float32([[1,0,20],[0,1,10]]) #图像平移。向右平移20个像素，向下平移10个像素
move_img = cv2.warpAffine(img,M,(width,height))
在这里插入图片描述

我们详细分析下M这个矩阵
下面的M相当于就是一个运算矩阵。2行3列
在这里插入图片描述

根据定义，我们的坐标就可以根据A，B来进行运算
在这里插入图片描述

可以很轻易的得出以下方程
在这里插入图片描述

通过方程我们就可以很轻易的看出，c1和c2就相当于是让图像平移，而a和b这2个参数就是对图像进行旋转，缩放等操作。

对图片进行三维旋转
#图像旋转
#先获取原来的高和宽
height,width = img.shape[:2]
M = np.float32([[1,0.2,0],[0.2,1,0]]) #图像平移。向右平移20个像素，向下平移10个像素
scoll_img = cv2.warpAffine(img,M,(width,height))

plt.imshow(scoll_img)
在这里插入图片描述

3. 图像旋转

rot_mat = cv2.getRotationMatrix2D(center, -5, 1)

参数说明：center表示中间点的位置，-5表示顺时针旋转5度，1表示进行等比列的缩放

cv2.warpAffine(img, rot_mat, (img.shape[1], img.shape[0]))

参数说明： img表示输入的图片，rot_mat表示仿射变化矩阵，(image.shape[1], image.shape[0])表示变换后的图片大小
在这里插入图片描述

#先获取原来的高和宽
height,width = img.shape[:2]

#设置旋转的中心
center = (width //2.0, height//2.0) #旋转中心

M2 = cv2.getRotationMatrix2D(center,180,1) #1表示旋转过程中有没缩放，180表示逆时针旋转，负数表示顺时针旋转

rotation_img = cv2.warpAffine(img,M2,(width,height))

plt.imshow(rotation_img)

等比例旋转180
在这里插入图片描述

4. 图像仿射变换

对于更复杂仿射变换，OpenCV提供了函数cv2.getAffineTransform()来生成仿射函数cv2.warpAffine()所使用的转换矩阵M。
该函数的语法格式为：
retval=cv2.getAffineTransform(src, dst)
src代表输入图像的三个点坐标。
dst代表输出图像的三个点坐标。
参数值src和dst是包含三个一维数组(x, y)点的二维数组。
指代原始图像和目标图像内平行四边形的三个顶点（左上角、右上角、左下角）

上述参数通过函数cv2.getAffineTransform()定义了两个平行四边形。
src和dst中的三个点分别对应平行四边形的左上角、右上角、左下角三个点。
函数cv2.warpAffine()以函数cv2.getAffineTransform()获取的转换矩阵M为参数，将src中的点仿射到dst中。
函数cv2.getAffineTransform()对所指定的点完成映射后，将所有其他点的映射关系按照指定点的关系计算确定。

#图像仿射变换
p1 = np.float32([[120,35],[215,45],[135,120]])
p2 = np.float32([[135,45],[300,110],[130,230]])
M3 = cv2.getAffineTransform(p1,p2) #计算一个变换矩阵
trans_img = cv2.warpAffine(img,M3,(width,height))
plt.imshow(trans_img)
在这里插入图片描述

5. 图像裁剪

#图像剪裁，裁剪像素范围

crop_img = img[20:100,20:40]
plt.imshow(crop_img)
在这里插入图片描述

6. 图像的位运算（AND, OR, XOR）

位运算都是针对多张图形来计算的
我们先创建两个图形
绘制长方形
#长方形
rectangle = np.zeros((300,300),dtype=‘uint8’)
rect_img = cv2.rectangle(rectangle,(25,25),(275,275),255,-1)
cv2.rectangle(img, pt1, pt2, color, thickness, lineType, shift )

参数表示依次为：（图片，长方形框左上角坐标, 长方形框右下角坐标，字体颜色，字体粗细）

plt.imshow(rect_img)
在这里插入图片描述