轻松掌握opencv的8种图像变换

文章目录

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

看下图像大小

#height,width, channel

height,width,channel = img.shape

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

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,height 2),interpolation=cv2.INTER_LINEAR)

plt.imshow(resized_img)

看下此时图像大小，确守放大了1倍

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

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))

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

根据定义，我们的坐标就可以根据A，B来进行运算

可以很轻易的得出以下方程

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)

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

#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

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)

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)

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)

画布画圆

circle(img, center, radius, color, thickness=None, lineType=None, shift=None):

含义：图片，中心店，半径，颜色，圆轮廓粗细，线类型。

#画圆

rectangle = np.zeros((300,300),dtype='uint8')

circle_img = cv2.circle(rectangle,(150,150),150,255,-1)

plt.imshow(circle_img)

#与运算

and_img = cv2.bitwise_and(rect_img,circle_img)

plt.imshow(and_img)

可见两张图重合的部分被画出

#或运算 OR

or_img = cv2.bitwise_or(rect_img,circle_img)

plt.imshow(or_img)

#异或运算 XOR

两张图片不重叠的部分

xor_img = cv2.bitwise_xor(rect_img,circle_img)

plt.imshow(xor_img)

7. 图像的分离和融合

#图像的分离

B,G,R = cv2.split(img)

plt.imshow(B)

plt.imshow(G)

plt.imshow®

在使用opencv和matplotlib的过程中会遇到图像反色或者生成的是伪彩色图像的问题，

原因是两个读取RGB通道的顺序是不一样的，opencv的顺序是B-G-R，而matplotlib的顺序是R-G-B，所以这个区分就会产生一些矛盾。

图像合并

matplotlib这样显示才是正常颜色

plt.imshow(cv2.merge([R,G,B]))

对比下直接用matplotlib和cv2的显示

8. 图像的颜色空间

#颜色空间

#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)

#lab

lab = cv2.cvtColor(img,cv2.COLOR_BGR2LAB)

plt.imshow(lab)