Python图像处理丨带你掌握图像几何变换
摘要:本篇文章主要讲解图像仿射变换和图像透视变换,通过Python调用OpenCV函数实。
本文分享自华为云社区《[Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校正》,作者: eastmount 。
一.图像仿射变换
图像仿射变换又称为图像仿射映射,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间。通常图像的旋转加上拉升就是图像仿射变换,仿射变换需要一个M矩阵实现,但是由于仿射变换比较复杂,很难找到这个M矩阵.
OpenCV提供了根据变换前后三个点的对应关系来自动求解M的函数——cv2.getAffineTransform(pos1,pos2),其中pos1和pos2表示变换前后的对应位置关系,输出的结果为仿射矩阵M,接着使用函数cv2.warpAffine()实现图像仿射变换。图5-14是仿射变换的前后效果图。
![](https://pic4.zhimg.com/80/v2-9d38f10c7cf4e8f724a2dee6eda2b3d7_720w.jpg)
图像仿射变换的函数原型如下:
M = cv2.getAffineTransform(pos1,pos2)
- pos1表示变换前的位置
- pos2表示变换后的位置
cv2.warpAffine(src, M, (cols, rows))
- src表示原始图像
- M表示仿射变换矩阵
- (rows,cols)表示变换后的图像大小,rows表示行数,cols表示列数
实现代码如下所示:
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt #读取图片 src = cv2.imread('test.bmp') #获取图像大小 rows, cols = src.shape[:2] #设置图像仿射变换矩阵 pos1 = np.float32([[50,50], [200,50], [50,200]]) pos2 = np.float32([[10,100], [200,50], [100,250]]) M = cv2.getAffineTransform(pos1, pos2) #图像仿射变换 result = cv2.warpAffine(src, M, (cols, rows)) #显示图像 cv2.imshow("original", src) cv2.imshow("result", result) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
输出效果图如下所示:
![](https://pic1.zhimg.com/80/v2-41c42c8b7b2d44c0df4b04ff295c81dc_720w.jpg)
二.图像透视变换
图像透视变换(Perspective Transformation)的本质是将图像投影到一个新的视平面,同理OpenCV通过函数cv2.getPerspectiveTransform(pos1,pos2)构造矩阵M,其中pos1和pos2分别表示变换前后的4个点对应位置。得到M后在通过函数cv2.warpPerspective(src,M,(cols,rows))进行透视变换。
图像透视变换的函数原型如下:
M = cv2.getPerspectiveTransform(pos1, pos2)
- pos1表示透视变换前的4个点对应位置
- pos2表示透视变换后的4个点对应位置
cv2.warpPerspective(src,M,(cols,rows))
- src表示原始图像
- M表示透视变换矩阵
- (rows,cols)表示变换后的图像大小,rows表示行数,cols表示列数
代码如下:
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt #读取图片 src = cv2.imread('test01.jpg') #获取图像大小 rows, cols = src.shape[:2] #设置图像透视变换矩阵 pos1 = np.float32([[114, 82], [287, 156], [8, 322], [216, 333]]) pos2 = np.float32([[0, 0], [188, 0], [0, 262], [188, 262]]) M = cv2.getPerspectiveTransform(pos1, pos2) #图像透视变换 result = cv2.warpPerspective(src, M, (190, 272)) #显示图像 cv2.imshow("original", src) cv2.imshow("result", result) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
输出结果如下图所示:
![](https://pic3.zhimg.com/80/v2-01de8b0296a1b1efa7ae8ebbe252b5f6_720w.jpg)
三.基于图像透视变换的图像校正
下面参考 t6_17大神 的文章,通过图像透视变换实现图像校正功能。
假设现在存在一张A4纸图像,现在需要通过调用图像透视变换校正图像。
![](https://pic3.zhimg.com/80/v2-47b798da3f2393b21ca43852af909a0e_720w.jpg)
代码如下所示:
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt #读取图片 src = cv2.imread('test01.jpg') #获取图像大小 rows, cols = src.shape[:2] #将源图像高斯模糊 img = cv2.GaussianBlur(src, (3,3), 0) #进行灰度化处理 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #边缘检测(检测出图像的边缘信息) edges = cv2.Canny(gray,50,250,apertureSize = 3) cv2.imwrite("canny.jpg", edges) #通过霍夫变换得到A4纸边缘 lines = cv2.HoughLinesP(edges,1,np.pi/180,50,minLineLength=90,maxLineGap=10) #下面输出的四个点分别为四个顶点 for x1,y1,x2,y2 in lines[0]: print(x1,y1),(x2,y2) for x1,y1,x2,y2 in lines[1]: print(x1,y1),(x2,y2) #绘制边缘 for x1,y1,x2,y2 in lines[0]: cv2.line(gray, (x1,y1), (x2,y2), (0,0,255), 1) #根据四个顶点设置图像透视变换矩阵 pos1 = np.float32([[114, 82], [287, 156], [8, 322], [216, 333]]) pos2 = np.float32([[0, 0], [188, 0], [0, 262], [188, 262]]) M = cv2.getPerspectiveTransform(pos1, pos2) #图像透视变换 result = cv2.warpPerspective(src, M, (190, 272)) #显示图像 cv2.imshow("original", src) cv2.imshow("result", result) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
运行结果如下图所示:
![](https://pic3.zhimg.com/80/v2-aa9039fea587c3cf5782ad97a4a1ccfe_720w.jpg)
![](https://pic1.zhimg.com/80/v2-c5ba2399268d72c1000f1abf937b5af0_720w.jpg)
四.图像几何变换总结
最后补充图像几何代码所有变换,希望读者能体会下相关的代码,并动手实践下。输出结果以女神为例:
![](https://pic3.zhimg.com/80/v2-23d302f3f2ed0ad3db0beacc944cae5a_720w.jpg)
完整代码如下:
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt #读取图片 img = cv2.imread('test3.jpg') image = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #图像平移矩阵 M = np.float32([[1, 0, 80], [0, 1, 30]]) rows, cols = image.shape[:2] img1 = cv2.warpAffine(image, M, (cols, rows)) #图像缩小 img2 = cv2.resize(image, (200,100)) #图像放大 img3 = cv2.resize(image, None, fx=1.1, fy=1.1) #绕图像的中心旋转 #源图像的高、宽 以及通道数 rows, cols, channel = image.shape #函数参数:旋转中心 旋转度数 scale M = cv2.getRotationMatrix2D((cols/2, rows/2), 30, 1) #函数参数:原始图像 旋转参数 元素图像宽高 img4 = cv2.warpAffine(image, M, (cols, rows)) #图像翻转 img5 = cv2.flip(image, 0) #参数=0以X轴为对称轴翻转 img6 = cv2.flip(image, 1) #参数>0以Y轴为对称轴翻转 #图像的仿射 pts1 = np.float32([[50,50],[200,50],[50,200]]) pts2 = np.float32([[10,100],[200,50],[100,250]]) M = cv2.getAffineTransform(pts1,pts2) img7 = cv2.warpAffine(image, M, (rows,cols)) #图像的透射 pts1 = np.float32([[56,65],[238,52],[28,237],[239,240]]) pts2 = np.float32([[0,0],[200,0],[0,200],[200,200]]) M = cv2.getPerspectiveTransform(pts1,pts2) img8 = cv2.warpPerspective(image,M,(200,200)) #循环显示图形 titles = [ 'source', 'shift', 'reduction', 'enlarge', 'rotation', 'flipX', 'flipY', 'affine', 'transmission'] images = [image, img1, img2, img3, img4, img5, img6, img7, img8] for i in xrange(9): plt.subplot(3, 3, i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
相关文章
- Python opencv图像处理基础总结(四) 模板匹配 图像二值化
- Python opencv图像处理基础总结(二) ROI操作与泛洪填充 模糊操作 边缘保留滤波EPF
- Python图像处理丨基于K-Means聚类的图像区域分割
- 跟我学Python图像处理丨基于灰度三维图的图像顶帽运算和黑帽运算
- 跟我学Python图像处理丨获取图像属性、兴趣ROI区域及通道处理
- 教你用Python自制拼图小游戏,轻松搞定熊孩子
- PIL(Python Image Library) Python 图像处理库
- 推荐十个Python图像处理工具
- Python物理学高效计算
- Python yield
- Python 3.x下消除print()自动换行
- python 图像处理(一阶梯度图像和角度图像)
- python学习实例(6)
- 使用Python,Tesseract更正文本方向
- PyQt(Python+Qt)学习随笔:Designer中的QDialogButtonBox的按钮改变缺省文字的方法
- 第7.5节 揭开Python类中self的面纱
- python图像处理(轮廓提取)
- python图像处理(开运算和闭运算)
- python图像处理(腐蚀和膨胀)
- python图像处理(图像镜像)
- Python中通过参数动态创建扩展类(class)
- python定位xpath 节点位置
- python--openCV--图像处理
- python的工作记录B
- python - python crontab模块设置和清除定时任务
- python 创建二维数组的方法
- python性能分析常用方法