一、图像的基本变换
1.1 图像的放大与缩小
– resize(src, dsize, dst, fx, fy, interpolation)
– src: 要缩放的图片
– dsize: 缩放之后的图片大小, 元组和列表表示均可.
– dst: 可选参数, 缩放之后的输出图片
– fx, fy: x轴和y轴的缩放比, 即宽度和高度的缩放比.
– interpolation: 插值算法, 主要有以下几种:
– INTER_NEAREST, 邻近插值, 速度快, 效果差.
– INTER_LINEAR, 双线性插值, 使用原图中的4个点进行插值. 默认.
– INTER_CUBIC, 三次插值, 原图中的16个点.
– INTER_AREA, 区域插值, 效果最好, 计算时间最长.
import cv2
import numpy as np
#导入图片
dog = cv2.imread('./dog.jpeg')
# x,y放大一倍
new_dog = cv2.resize(dog,dsize=(800, 800), interpolation=cv2.INTER_NEAREST)
cv2.imshow('dog', new_dog)
cv2.waitKey(0)
cv2.destroyAllWindows()
1.2 图像的翻转
– flip(src, flipCode)
– flipCode =0 表示上下翻转
– flipCode >0 表示左右翻转
– flipCode
# 翻转
import cv2
import numpy as np
#导入图片
dog = cv2.imread('./dog.jpeg')
new_dog = cv2.flip(dog, flipCode=-1)
cv2.imshow('dog', new_dog)
cv2.waitKey(0)
cv2.destroyAllWindows()
1.3 图像的旋转
– rotate(img, rotateCode)
– ROTATE_90_CLOCKWISE 90度顺时针
– ROTATE_180 180度
– ROTATE_90_COUNTERCLOCKWISE 90度逆时针
# 旋转
import cv2
import numpy as np
#导入图片
dog = cv2.imread('./dog.jpeg')
new_dog = cv2.rotate(dog, rotateCode=cv2.cv2.ROTATE_90_COUNTERCLOCKWISE)
cv2.imshow('dog', new_dog)
cv2.waitKey(0)
cv2.destroyAllWindows()
1.4 仿射变换之图像平移
– 仿射变换是图像旋转, 缩放, 平移的总称.具体的做法是通过一个矩阵和和原图片坐标进行计算, 得到新的坐标, 完成变换. 所以关键就是这个矩阵.
– warpAffine(src, M, dsize, flags, mode, value)
– M:变换矩阵
– dsize: 输出图片大小
– flag: 与resize中的插值算法一致
– mode: 边界外推法标志
– value: 填充边界值
– 平移矩阵
# 仿射变换之平移
import cv2
import numpy as np
#导入图片
dog = cv2.imread('./dog.jpeg')
h, w, ch = dog.shape
M = np.float32([[1, 0, 100], [0, 1, 0]])
# 注意opencv中是先宽度, 再高度
new = cv2.warpAffine(dog, M, (w, h))
cv2.imshow('new', new)
cv2.waitKey(0)
cv2.destroyAllWindows()
1.5 仿射变换之获取变换矩阵
仿射变换的难点就是计算变换矩阵, OpenCV提供了计算变换矩阵的API
– getRotationMatrix2D(center, angle, scale)
– center 中心点 , 以图片的哪个点作为旋转时的中心点.
– angle 角度: 旋转的角度, 按照逆时针旋转.
– scale 缩放比例: 想把图片进行什么样的缩放.
# 仿射变换之平移
import cv2
import numpy as np
#导入图片
dog = cv2.imread('./dog.jpeg')
h, w, ch = dog.shape
# M = np.float32([[1, 0, 100], [0, 1, 0]])
# 注意旋转的角度为逆时针.
# M = cv2.getRotationMatrix2D((100, 100), 15, 1.0)
# 以图像中心点旋转
M = cv2.getRotationMatrix2D((w/2, h/2), 15, 1.0)
# 注意opencv中是先宽度, 再高度
new = cv2.warpAffine(dog, M, (w, h))
cv2.imshow('new', new)
cv2.waitKey(0)
cv2.destroyAllWindows()
– getAffineTransform(src[], dst[]) 通过三点可以确定变换后的位置, 相当于解方程, 3个点对应三个方程, 能解出偏移的参数和旋转的角度.
– src原目标的三个点
– dst对应变换后的三个点
# 通过三个点来确定M
# 仿射变换之平移
import cv2
import numpy as np
#导入图片
dog = cv2.imread('./dog.jpeg')
h, w, ch = dog.shape
# 一般是横向和纵向的点, 所以一定会有2个点横坐标相同, 2个点纵坐标相同
src = np.float32([[200, 100], [300, 100], [200, 300]])
dst = np.float32([[100, 150], [360, 服务器托管网200], [280, 120]])
M = cv2.getAffineTransform(src, dst)
# 注意opencv中是先宽度, 再高度
new = cv2.warpAffine(dog, M, (w, h))
cv2.imshow('new', new)
cv2.waitKey(0)
cv2.destroyAllWindows()
1.6 透视变换
透视变换就是将一种坐标系变换成另一种坐标系. 简单来说可以把一张”斜”的图变”正”.
– warpPerspective(img, M, dsize,….)
– 对于透视变换来说, M是一个3 * 3 的矩阵.
– getPerspectiveTransform(src, dst) 获取透视变换的变换矩阵, 需要4个点, 即图片的4个角.
# 透视变换
import cv2
import numpy as np
#导入图片
img = cv2.imread('./123.png')
print(img.shape)
src = np.float32([[100, 1100], [2100, 1100], [0, 4000], [2500, 3900]])
dst = np.float32([[0, 0], [2300, 0], [0, 3000], [2300, 3000]])
M = cv2.getPerspectiveTransform(src, dst)
new = cv2.warpPerspective(img, M, (2300, 3000))
cv2.namedWindow('img', cv2.WINDOW_NORMAL)
cv2.resizeWindow('img', 640, 480)
cv2.namedWindow('new', cv2.WINDOW_NORMAL)
cv2.resizeWindow('new', 640, 480)
cv2.imshow('img', img)
cv2.imshow('new', new)
cv2.waitKey(0)
cv2.destroyAllWindows()
服务器托管,北京服务器托管,服务器租用 http://www.fwqtg.net服务器托管网
相关推荐: 详细说明 BootStrap整合 BootStrap 【整合V3版本的,需要依赖JQuery】
文章底部有个人公众号:热爱技术的小郑。主要分享开发知识、有兴趣的可以关注一下。为何分享? 踩过的坑没必要让别人在再踩,自己复盘也能加深记忆。利己利人、所谓双赢。 前言 以下这个图说明了、如果你使用的是BootStrap V3 ,那么你在使用BootStrap …