文章目录
- 前言
- 上代码
- 1.1 复习读取和显示
- 1.2 图像放大、缩小 cv2.resize()
- 1.3 图像平移
- 1.4 图像旋转
- 1.5 图像仿射变换
- 1.6 图像的裁剪
- 1.7 位运算(AND, OR, XOR)
- 1.8 图像的分离和融合
- 1.9 颜色空间 color space
前言
坦白说，这一章我认为是整个opencv系列最难的一张，学会这一章需要用到很多前置知识，而我对这章的认知也很浅薄，大家加油。
提纲如下，其中4的原理比较复杂，支撑是矩阵运算。 6，7，8理解起来都有点难度，是因为应用空间比较少，你也能知道怎么实现，但不知道用在哪。
- 图像放大、缩小；cv2.resize(img, None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR) cv2.resize(img, (width2, height2), interpolation=cv2.INTER_LINEAR)
- 图像平移； cv2.warpAffine()
- 图像旋转；
- 图像仿射变换；
- 图像裁剪；
- 图像的位运算（AND, OR, XOR）；
- 图像的分离和融合；
- 图像的颜色空间；
本章节内容适合在jupternotebook直接呈现
上代码
1.1 复习读取和显示
import cv2
import matplotlib.pyplot as plt
import numpy as np
img = cv2.imread("../images/logo.png")
plt.imshow(img)
上面的颜色不对是因为没有变化通道，可以看第一章
img_new = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img_new)
1.2 图像放大、缩小 cv2.resize()
图像放大、缩小 cv2.resize()
resize_img = cv2.resize(img, (width*2, height*2), interpolation=cv2.INTER_LINEAR)
plt.imshow(resize_img)
# cv2.resize() # 缩小, 扩大课缩小的两种方式啦 一个是传size的元组，一个是 传fx，fy的比例
small_img = cv2.resize(img, None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
plt.imshow(small_img)
1.3 图像平移
# 1 平移 cv2.warpAffine()
height,width = img.shape[:2]
M1 = np.float32([[1,0,10],[0,1,40]]) # 平移矩阵， 图像向右平移10个像素，向下移动40个像素
move_img = cv2.warpAffine(img, M1,(width,height))
plt.imshow(move_img)
1.4 图像旋转
height, width = img.shape[:2]
center = (width//2.0, height//2.0) # 渲染的中心
M3 = cv2.getRotationMatrix2D(center, 180 , 1) # 1 表示旋转过程中没有缩放
rotation_img = cv2.warpAffine(img,M3, (width, height))
plt.imshow(rotation_img)
1.5 图像仿射变换
就是一个图片的拉伸,旋转,扭曲的变化,通过矩阵乘法实现的,就是两个空间矩阵的作用,
简单理解2位空间就是 y=2x + 3, 沿着向量(2,3) 做一次移动
p1,p2 是自造的,可以使任意的值,在三个通道下,做三个(2,3)的移动
# cv2.getAffineTransform(p1,p2)
p1 = np.float32([[120,35],[215,45],[135,120]])
p2 = np.float32([[135,45],[300,110],[130,230]])
M4 = cv2.getAffineTransform(p1,p2) # 计算一个变换矩阵
trans_img = cv2.warpAffine(img,M4, (width,height))
plt.imshow(trans_img)
1.6 图像的裁剪
这个是最简单的一种变换
crop_img = img[20:140, 40:200]
plt.imshow(crop_img)
1.7 位运算(AND, OR, XOR)
按位与运输 或运输 非运算
计算机组成上或者C语言教材上的基本落脚点，逻辑控制/电路控制 没想到吧，图形控制也有我。
# 长方形
rectangle = np.zeros((300, 300), dtype='uint8')
plt.imshow(rectangle)
# 0 像素点代表黑
rectangle = np.zeros((300, 300), dtype='uint8')
# 255是填充颜色 ？？ 未知
# -1 是填充的厚度， -1 是完全填充， 10是10像素填充 (25,25) 左上 (275,275) 右下
rect_img = cv2.rectangle(rectangle,(25,25),(275,275),255,-1)
plt.imshow(rect_img)
rectangle = np.zeros((300,300), dtype='uint8')
# (150,150) 圆心， 150 半径 255，未知， -1 完全填充
circle_img = cv2.circle(rectangle,(150,150),150,255,-1)
plt.imshow(circle_img)
# 与运算：cv2.bitwise_and(), 00:0 01:0, 10:0, 11:1 与运行时同性相吸
and_img = cv2.bitwise_and(rect_img,circle_img)
plt.imshow(and_img)
# OR 或运算 01：1， 10：1，00：0， 11：1 有1放行
or_img = cv2.bitwise_or(rect_img, circle_img)
plt.imshow(or_img)
# XOR 抑或运算 01：1 10：1 00：0 11：0 异性相吸
xor_img = cv2.bitwise_xor(rect_img,circle_img)
plt.imshow(xor_img)
1.8 图像的分离和融合
img = cv2.imread("../images/logo1.png")
plt.imshow(img)
B,G,R = cv2.split(img) # 分离
plt.imshow(B) #蓝色
plt.imshow(G) #蓝色
plt.imshow(R)
2.融化
# 2.融合
zeros = np.zeros(img.shape[:2],dtype="uint8")
plt.imshow(cv2.merge([zeros,zeros,R]))
plt.imshow(cv2.merge([B,zeros,zeros]))
plt.imshow(cv2.merge([zeros,G,zeros]))
1.9 颜色空间 color space
# 灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
plt.imshow(gray)
# HSV(色度、饱和度、纯度)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
plt.imshow(hsv)
名称
在开始之前，先明确一下Lab颜色空间（Lab color space）的名字：
- Lab的全称是CIELAB，有时候也写成CIE Lab*
- 这里的CIE代表International Commission on Illumination（国际照明委员会），它是一个关于光照、颜色等的国际权威组织。
通道
Lab是由一个亮度通道（channel）和两个颜色通道组成的。在Lab颜色空间中，每个颜色用L、a、b三个数字表示，各个分量的含义是这样的：
- L*代表亮度
- a*代表从绿色到红色的分量
- b*代表从蓝色到黄色的分量
Perceptual uniform
Lab是基于人对颜色的感觉来设计的，更具体地说，它是感知均匀（perceptual uniform）的。Perceptual uniform的意思是，如果数字（即前面提到的L、a、b这三个数）变化的幅度一样，那么它给人带来视觉上的变化幅度也差不多。
Lab相较于RGB与CMYK等颜色空间更符合人类视觉，也更容易调整：想要调节亮度（不考虑Helmholtz–Kohlrausch effect，见下注）就调节L通道，想要调节只色彩平衡就分别调a和b。
注：Helmholtz–Kohlrausch effect是人眼的一种错觉——当色彩饱和度高时，颜色会看起来更亮
#lab
lab = cv2.cvtColor(img,cv2.COLOR_BGR2Lab)
plt.imshow(lab)
