目录
图像的缩放
图像的平移
图像的旋转
图像的裁剪
图像的翻转
图像的缩放
OpenCV中使用cv2.resize()函数进行缩放，格式为：
resize_image=cv2.resize(image,(new_w,new_h),插值选项)其中image代表的是需要缩放的对象，(new_w,new_h)表示的是缩放后的图片的大小为多少，插值选项可选择。
在OpenCV缩放的插值选项以及各自的特点有：
- cv2.INTER_NEAREST：最近邻插值，速度最快，但质量最差。
- cv2.INTER_LINEAR：双线性插值，速度较快，质量较好。
- cv2.INTER_CUBIC：双三次插值，速度较慢，质量最好。
- cv2.INTER_AREA：区域插值，适用于图像缩小。
- cv2.INTER_LANCZOS4：Lanczos插值，速度较慢，质量最好。
- cv2.INTER_LINEAR_EXACT：精确的双线性插值，速度较慢，质量最好。
- cv2.INTER_MAX：最大的插值方法编号。
- cv2.WARP_FILL_OUTLIERS：在变换过程中填充异常值。
- cv2.WARP_INVERSE_MAP：使用逆映射进行变换。
下面举个例子：
import cv2
import matplotlib.pyplot as plt
import numpy as np
img=cv2.imread(r'D:\Photo\1.jpeg')
img1=cv2.resize(img,(400,300),cv2.INTER_NEAREST)
img2=cv2.resize(img,(400,300),cv2.INTER_LINEAR)
img3=cv2.resize(img,(400,300),cv2.INTER_CUBIC)
img4=cv2.resize(img,(400,300),cv2.INTER_AREA)
img5=cv2.resize(img,(400,300),cv2.INTER_LANCZOS4)
img6=cv2.resize(img,(400,300),cv2.INTER_LINEAR_EXACT)
img7=cv2.resize(img,(400,300),cv2.INTER_MAX)
img8=cv2.resize(img,(400,300),cv2.WARP_FILL_OUTLIERS)
img9=cv2.resize(img,(400,300),cv2.WARP_INVERSE_MAP)
titles=['Original Image','INTER_NEAREST','INTER_LINEAR','INTER_CUBIC','INTER_AREA','INTER_LANCZOS4','INTER_LINEAR_EXACT','INTER_MAX','WARP_FILL_OUTLIERS',
'WARP_INVERSE_MAP']
img=[img,img1,img2,img3,img4,img5,img6,img7,img8,img9]
for i in range(9):
plt.subplot(3,3,i+1)
plt.imshow(img[i])
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()运行结果如下所示：
、
可以看到，当采用不同的插值选项的时候，有时并不明显，而有时会有细微差别。
同时图像也可以进行水平或者垂直方向的缩放，例如：
import cv2
import matplotlib.pyplot as plt
import numpy as np
image=cv2.imread(r'D:\Photo\1.jpeg')
res=cv2.resize(image,(0,0),fx=3,fy=1)
plt.imshow(res)运行结果如下所示：
图像的平移
图像的平移就是向任意一个方向移动一定的像素，由于图像本质上是一个矩阵，对图像的移动其实就是对矩阵的移动，在OpenCV中使用np.float()函数对图像进行平移。
比如下面这个例子：
import cv2
import matplotlib.pyplot as plt
import numpy as np
image=cv2.imread(r'D:\Photo\1.jpeg')
(h,w)=image.shape[:2]
M =np.float32([[1,0,50],[0,1,25]])
shifted_image=cv2.warpAffine(image,M,(w,h))
cv2.imshow('shifed_image',shifted_image)
cv2.waitKey(0)
cv2.destroyAllWindows()在上面的代码中，np.float32([[1,0,50],[0,1,25]])表示向[1,0]方向移动50像素，向[0,1]方向移动25像素，运行结果如下所示：
图像的旋转
图像的旋转即以某一点为圆心，按顺/逆时针旋转多少角度。在OpenCV中使用cv2.getRotationMatrix2D()来对与图像进行选举案。我们知道，图像的本质就是矩阵，对于图像进行旋转的过程中本质就是对于矩阵进行旋转，cv2.getRotationMatrix2D()一共有三个参数，其中第一个是旋转所固定的点，第二个是旋转的角度，第三个是图片缩放的尺度。完成之后，需要对于图片进行仿射变换，使用warpAffine()来完成。例如：
import cv2
img=cv2.imread(r'D:\Photo\1.jpeg')
w,h=img.shape[:2]
center=(w//2,h//2)
rotation_matrix=cv2.getRotationMatrix2D(center,90,1.0)
rotation_image=cv2.warpAffine(img,rotation_matrix,(w,h))
type(rotation_image)
cv2.imshow('rotation_image',rotation_image)
cv2.waitKey(0)
cv2.destroyAllWindows()注：
cv2.warpAffine()在OpenCV中是对于图像进行仿射变化，需要输入两个参数，分别是原始图像和变换矩阵。仿射变换用于图像的平移、旋转、缩放等。
运行结果如下所示：
可以看到在运行出来的图像中，图像比原图逆时针旋转了90°。
如果将旋转的角度定为45°时，即代码为：
rotation_matrix=cv2.getRotationMatrix2D(center,45,1.0)运行结果如下所示：
可以看到，在旋转之后的图片中，因为展示图片的大小以及角度原因，可以看到四个棱角的地方无法展示，而多余的部分使用黑色来填充。
图像的裁剪
我们知道，图像的本质就是一个矩阵，现在我们想对图像进行裁剪，即为截取矩阵的部分内容，即为new_image=image[x1:x2,y1:y2]，其中x1、x2、y1、y2为指定的横坐标和纵坐标。
例如：
import cv2
import matplotlib.pyplot as plt
import numpy as np
#读取图片内容
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
img=cv2.imread(r'D:\Photo\1.jpeg')
img1=img[0:300,200:400]
#截取原图像0-300行和200-400列
cv_show('image',img1)运行效果如下所示：
可以看到，OpenCV截取指定部分的内容。
图像的翻转
图像的翻转可以分为水平方向的翻转和垂直方向的翻转，OpenCV中使用cv2.flip()，其中第一个参数是需要翻转的图片，第二个参数是如何翻转，若第二个参数为1，则表示水平翻转；若第二个参数为0，表示水平翻转，若第二个参数为-1，则表示水平加垂直翻转。
例如：
import cv2
import matplotlib.pyplot as plt
import numpy as mp
image=cv2.imread(r'D:\Photo\1.jpeg')
flipped_image1=cv2.flip(img,1)
flipped_image2=cv2.flip(img,0)
flipped_image3=cv2.flip(img,-1)
images=[image,flipped_image1,flipped_image2,flipped_image3]
for i in range(4):
plt.subplot(2,2,i+1)
plt.imshow(images[i])
plt.xticks([]),plt.yticks([])
plt.show()运行结果如下所示：
可以看到上面四张图分别是原图、水平翻转、垂直翻转、水平垂直翻转，水平垂直翻转。
