Python3+OpenCV学习笔记（二）：图像几何变换及补边、裁剪

一时失言乱红尘 2022-06-03 05:13 153阅读 0赞

## 缩放变换 ##

缩放变换即改变图片大小，在cv2里面我们使用函数**cv2.resize**（fileobj, None,(fx, fy), interpolation = format）函数。“fileobj”为图片对象；“（fx, fy）”参数类型为tuple， 可以指定大小如“（640， 480）”，也可以“fx=640，fy=480”；“interpolation”为插补项，可以选择cv2.INTER\_AREA（使用象素关系重采样）、cv2.INTER\_LINEAR（双线性插值）、cv2.INTER\_CUBIC（立方插值）等变换方法，cv2.INTER\_AREA适合缩小使用，cv2.INTER\_LINEAR、cv2.INTER\_CUBIC（慢）适合放大使用。我们运行下面的示例，将图片放大1.5倍，看看三种方式的具体效果：

import cv2
    
    img1 = cv2.imread('Rachel.jpg')
    img2 = cv2.imread('Rachel.jpg')
    img3 = cv2.imread('Rachel.jpg')
    
    res1 = cv2.resize(img1, None, fx=1.5, fy=1.5, interpolation=cv2.INTER_AREA)
    res2 = cv2.resize(img2, None, fx=1.5, fy=1.5, interpolation=cv2.INTER_LINEAR)
    res3 = cv2.resize(img3, None, fx=1.5, fy=1.5, interpolation=cv2.INTER_CUBIC)
    
    cv2.imshow('res1', res1)
    cv2.imshow('res2', res2)
    cv2.imshow('res3', res3)
    
    while True:
    	if (cv2.waitKey() & 0xFF) == ord('q'):
    		break
    	else:
    		pass
    cv2.destroyAllWindows()

![SouthEast][]

在res1、res2、res3三个窗口中分别利用三种变换方法进行放大。可以使用鼠标滚轮进一步放大，查看更细致的区别，这里我选择了Rachel的左眼进行放大：![SouthEast 1][]

根据黄色矩形框内的瞳孔亮点，我们可以明显看出三种变换方法的区别。当然，也可以将图像每个像素点的值打印出来进行查看。

**平移变换**

进行平移变换需要用到**cv2.warpAffine**（obj，matrix，（cols，rows））“matrix”为坐标变换矩阵，其变换原理如下：

Mat为一个2×3的矩阵\[ \[a00,a01,mox \]，\[a10,a11,moy \]  \]，像素点原始坐标为（cols，rows），下面利用Mat矩阵计算像素点变换后的坐标（newclos，newrow）,其中newclos = a00\*clos+a01\*rows+mox，newrow = a10\*cols+a11\*rows+moy。

import numpy
    import cv2
    
    img = cv2.imread('Rachel.jpg')
    # 获取坐标
    rows, cols, channal = img.shape
    # 获取变换矩阵
    MAT = numpy.float32([[1, 0, 100], [0, 1, 100]])
    # 平移变换
    mov = cv2.warpAffine(img, MAT, (cols, rows))
    
    cv2.imshow('img', mov)
    
    while True:
    	if (cv2.waitKey() & 0xFF) == ord('q'):
    		break
    	else:
    		pass
    cv2.destroyAllWindows()

效果如下：

![SouthEast 2][]

**旋转变换**

进行旋转变换需要用到**cv2.getRotationMatrix2D（center，angle，scale）**“center”确定旋转中心，“angle”确定旋转角度，“scale”可以确定图像缩放比例。

示例如下：

import cv2
    
    img = cv2.imread('Rachel.jpg')
    # 生成旋转矩阵
    RotateMatrix = cv2.getRotationMatrix2D(center=(img.shape[1]/2, img.shape[0]/2), angle=90, scale=1)
    RotImg = cv2.warpAffine(img, RotateMatrix, (img.shape[0]*2, img.shape[1]))
    cv2.imshow('img', RotImg)

运行效果：

![SouthEast 3][]

有时候在变换后的图像上完成了处理，得到了特征点，现在需要获得对应的在原图上的坐标，这时候使用**[cv2.invertAffineTransform][]（）**可以得到变换矩阵的逆矩阵(也可以利用Numpy.linalg.inv求解，需要转homogeneous)，将点左乘逆矩阵即可得到原图坐标。

**仿射变换**

仿射变换是一种二维坐标到二维坐标直接的线性变换，并保持二维图形的“平直性”，转换前平行的线，在转换后依然平行。对于仿射变换，我们只需要知道变换前的三个点与其对应的变换后的点，通过**cv2.getAffineTransform（dst，src）**函数来得到仿射变换矩阵。

示例如下：

import numpy as np
    import cv2
    from matplotlib import pyplot as plt
    
    img = cv2.imread('Rachel.jpg', 1)
    rows, cols, channal = img.shape
    
    MAT1 = np.float32([[50, 50], [200, 50], [50, 200]])
    MAT2 = np.float32([[10, 100], [200, 50], [100, 250]])
    MAT3 = np.float32([[100, 100], [200, 50], [100, 250]])
    MAT4 = np.float32([[10, 100], [100, 50], [100, 250]])
    MAT5 = np.float32([[10, 100], [200, 50], [100, 150]])
    # 生成4个仿射变换矩阵
    M1 = cv2.getAffineTransform(MAT1, MAT2)
    M2 = cv2.getAffineTransform(MAT1, MAT3)
    M3 = cv2.getAffineTransform(MAT1, MAT4)
    M4 = cv2.getAffineTransform(MAT1, MAT5)
    
    dst1 = cv2.warpAffine(img, M1, (cols, rows))
    dst2 = cv2.warpAffine(img, M2, (cols, rows))
    dst3 = cv2.warpAffine(img, M3, (cols, rows))
    dst4 = cv2.warpAffine(img, M4, (cols, rows))
    
    plt.subplot(231), plt.imshow(img), plt.title('Input')
    plt.subplot(232), plt.imshow(dst1), plt.title('Output1')
    plt.subplot(233), plt.imshow(dst2), plt.title('Output2')
    plt.subplot(234), plt.imshow(dst3), plt.title('Output3')
    plt.subplot(235), plt.imshow(dst3), plt.title('Output3')
    plt.show()

M1~M4为四个不同的仿射变换矩阵，再用cv2.warpAffine（）进行仿射变换，得到如下图所示的几张图片：

![SouthEast 4][]

注：颜色不对是由于之前提到过的RGB和BGR颜色通道差异造成的。

**投影变换**

投影变换，我们则需要知道四个点，通过[cv2.getPerspectiveTransform][]（）求得变换矩阵.之后使用[cv2.warpPerspective][]（）获得矫正后的图片。

示例如下：

import numpy as np
    import cv2
    from matplotlib import pyplot as plt
    
    img = cv2.imread('newspaper.jpg', 1)
    rows, cols, ch = img.shape
    # pts1为图像上四个点
    pts1 = np.float32([[26, 174], [285, 39], [280, 282], [391, 140]])
    pts2 = np.float32([[0, 0], [300, 0], [0, 300], [300, 300]])
    
    M = cv2.getPerspectiveTransform(pts1, pts2)
    
    dst = cv2.warpPerspective(img, M, (300, 300))
    
    plt.subplot(121), plt.imshow(img), plt.title('Input')
    plt.subplot(122), plt.imshow(dst), plt.title('Output')
    plt.show()

运行效果：

![SouthEast 5][]

**补边和裁剪**

进行图像操作是我们还会涉及到图像补边和裁剪多余部分的问题，话不多说，看示例：

import cv2
    from matplotlib import pyplot as plt
    
    img = cv2.imread('Rachel.jpg')
    # 颜色空间转换BGR to RGB
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    # 获取图像尺寸并输出
    cols, rows, channal = img.shape
    coord = (cols, rows)
    print(coord)
    print(img.size)
    # 将图片进行缩放变换为600*300的图片作为标准
    img_standard = cv2.resize(img, (600, 300), interpolation=cv2.INTER_LINEAR)
    # 在600*300的图片上下左右分别贴上宽度为50的红色区域
    img_patch = cv2.copyMakeBorder(img_standard, 50, 50, 50, 50, cv2.BORDER_CONSTANT, value=(255, 0, 0))
    # 裁剪一块区域，起始坐标(xi, yi)=(200, 20)，终止坐标(xn, yn) = (480, 250)
    img_cropped = img[20:250, 200:480]
    
    plt.subplot(221), plt.imshow(img), plt.title('Original')
    plt.subplot(222), plt.imshow(img_standard), plt.title('Standard')
    plt.subplot(223), plt.imshow(img_patch), plt.title('Patch')
    plt.subplot(224), plt.imshow(img_cropped), plt.title('Cropped')
    plt.show()

看看效果：

![SouthEast 6][]

参考链接：

[OpenCV3.3-Doc][]

[【opencv+python】图像处理之二、几何变换(仿射与投影)的原理][opencv_python]

[SouthEast]: /images/20220603/d1d1e9f58fe44f1b9e97c8f6fc2e55fe.png
[SouthEast 1]: /images/20220603/7a08d74789b74719830b43903128f87f.png
[SouthEast 2]: /images/20220603/9a5cb77c879442ebbc8bf0264a8c9d8b.png
[SouthEast 3]: /images/20220603/8a31ba721e3b4972b755dd64ed3a2e70.png
[cv2.invertAffineTransform]: http://docs.opencv.org/2.4/modules/imgproc/doc/geometric_transformations.html#cv2.invertAffineTransform
[SouthEast 4]: /images/20220603/5afbaa3bd30144d7b255914cceeaafd9.png
[cv2.getPerspectiveTransform]: http://docs.opencv.org/2.4/modules/imgproc/doc/geometric_transformations.html#cv2.getPerspectiveTransform
[cv2.warpPerspective]: http://docs.opencv.org/2.4/modules/imgproc/doc/geometric_transformations.html#cv2.warpPerspective
[SouthEast 5]: /images/20220603/6bf4f15db19a4efab0a444ed869dbea7.png
[SouthEast 6]: /images/20220603/24ef39f7fb464d8c8f54d3f21b76ffdc.png
[OpenCV3.3-Doc]: https://docs.opencv.org/3.3.0/da/d54/group__imgproc__transform.html#ga0203d9ee5fcd28d40dbc4a1ea4451983
[opencv_python]: http://blog.csdn.net/a352611/article/details/51417779