python实现图像的几何变换——冈萨雷斯数字图像处理

2023-12-24 08:20
文章标签 python 实现 图像 数字图像处理 几何变换 冈萨雷斯

本文主要是介绍python实现图像的几何变换——冈萨雷斯数字图像处理，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1、 实现图像的平移。

原理:
图像的平移是一种基本的图像处理操作，它将图像中的每个像素沿着指定的方向和距离移动，以创建一个新的平移后的图像。平移的原理很简单，通常涉及到以下几个步骤：

  1. 确定平移的距离和方向：首先，确定您希望将图像沿着哪个方向移动以及移动多远。这可以通过定义一个平移向量来实现，该向量包含了水平和垂直方向上的移动距离。

  2. 创建一个新的图像：为了执行平移操作，您需要创建一个与原始图像相同大小的新图像，通常称为目标图像。这个目标图像将用于存储平移后的图像。

  3. 遍历原始图像的像素：对于原始图像中的每个像素，将其从原始图像中取出。

  4. 计算新的像素位置：对于每个取出的像素，根据平移向量的值计算其在目标图像中的新位置。通常，新位置的计算方法如下：
    新X坐标 = 原X坐标 + 水平平移距离
    新Y坐标 = 原Y坐标 + 垂直平移距离

  5. 将像素放置到目标图像中：将每个像素放置到目标图像的新位置上。如果新位置超出了目标图像的边界，可以选择丢弃该像素或采用某种插值方法来填充。

重复步骤3至步骤5：重复以上步骤，直到遍历了原始图像的所有像素。
完成平移操作：完成后，目标图像就包含了原始图像沿指定方向平移后的图像。

在这里，我们采用OpenCV的warpAffine函数来解决图像平移，cv2.warpAffine 是 OpenCV（Open Source Computer Vision Library）中的一个函数，用于执行仿射变换（Affine Transformation）操作。仿射变换是一种线性变换，它可以用来实现图像的平移、旋转、缩放、剪切等操作。该函数的主要作用是将输入图像应用一个仿射变换矩阵，从而生成一个经过变换的输出图像。通常，可以使用这个函数来实现图像的平移、旋转、缩放和剪切等操作，而不需要手动编写复杂的像素级操作。

以下是 cv2.warpAffine 函数的一般用法：

cv2.warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]])

src：输入图像。
M：仿射变换矩阵，用于指定要执行的变换操作。
dsize：输出图像的大小。
dst（可选）：输出图像。如果未提供，则函数会创建一个新的图像。
flags（可选）：插值方法的标志，用于确定如何处理像素之间的插值。
borderMode（可选）：图像边界像素的处理方式，通常用于变换后的图像可能超出原始图像边界的情况。
borderValue（可选）：用于边界填充的像素值。

编写代码，输出如下图所示的结果：

在这里插入图片描述
如果(x,y)方向的平移量分别为(t_x, t_y)，则变换矩阵
在这里插入图片描述

可以用类型为np.float32的numpy数组来表示它，并将其作为参数传给cv2.warpAffine函数完成几何变换。上图中
在这里插入图片描述

代码实现

import  cv2
import  numpy as np
import  matplotlib.pyplot as plt
img=cv2.imread("lena_gray_512.tif")rows,cols,channel=img.shapeaffineShrink = np.array([[1,0,100],[0,1,50]],np.float32)
shrinkTwoTimes = cv2.warpAffine(img, affineShrink, (cols, rows), borderValue=10)
plt.subplot(121),plt.imshow(img,'gray'),plt.title("original")
plt.subplot(122),plt.imshow(shrinkTwoTimes,'gray'),plt.title("translation")
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

结果展示

在这里插入图片描述

2、实现图像的旋转

原理

图像旋转是数字图像处理中的一项基本操作，它的原理可以分为几个关键步骤：

**定义旋转中心：**通常旋转是围绕图像的某一点进行的。这个点可以是图像的中心，也可以是任意一点。

旋转变换：在二维空间中，旋转可以通过旋转矩阵来实现。对于一个给定的旋转角度θ，旋转矩阵是这样的：
在这里插入图片描述
这个矩阵可以用来计算图像中每个像素旋转后的新位置。

像素映射：在旋转图像时，原始图像中的像素需要映射到新的位置。这通常涉及插值算法，如最近邻插值、双线性插值或三次样条插值，以确定新位置的像素值。

处理边界问题：旋转后，图像可能会超出原始图像的边界。这可能需要对图像进行裁剪或填充。

反走样：由于旋转可能导致像素不再对齐，因此可能需要进行反走样处理以减少锯齿效应。

但是在OpenCV 允许在任意地方进行旋转，这里旋转矩阵的形式应该修改为

在这里插入图片描述
其中：

在这里插入图片描述
为了构建这个旋转矩阵，OpenCV 提供了一个函数：cv2.getRotationMatrix2D。

编写代码，输出如下图所示的结果：

在这里插入图片描述

提示：

可以先用函数cv2.getRotationMatrix2D得到变换矩阵，该函数的参数包括：旋转中心坐标、旋转角度等，所以利用该函数可以实现围绕任意中心的旋转；旋转角度为正表示逆时针旋转。之后将得到的变换矩阵作为参数传给cv2.warpAffine函数完成几何变换。上图中旋转中心为图像中心，旋转角度为45°。

import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('lena_gray_512.tif',0)
rows,cols=img.shape
# 这里的第一个参数为旋转中心，第二个为旋转角度，第三个为旋转后的缩放因子
# 可以通过设置旋转中心，缩放因子，以及窗口大小来防止旋转后超出边界的问题
M=cv2.getRotationMatrix2D((cols/2,rows/2),45,1)
# 第三个参数是输出图像的尺寸中心
dst=cv2.warpAffine(img,M,(cols,rows))plt.subplot(121),plt.imshow(img,'gray'),plt.title("original")
plt.subplot(122),plt.imshow(dst,'gray'),plt.title("rotation")
plt.show()
cv2.destroyAllWindows()

结果展示

在这里插入图片描述

3、 实现图像的缩放

原理

图像缩放是数字图像处理中的一项重要技术，它涉及改变图像的尺寸，包括放大和缩小。主要流程如下

**定义缩放比例：**首先确定缩放的比例。这个比例可以是均匀的（横向和纵向相同）或不均匀的（横向和纵向不同）。
**计算新像素位置：**根据缩放比例，为原始图像中的每个像素计算在缩放后图像中的新位置。如果是放大图像，新图像中的许多像素位置将没有直接对应的原始像素；如果是缩小图像，一些原始像素将不会在新图像中有对应位置。
**像素插值：**由于缩放过程中新像素位置可能并不对应原始图像中的确切像素，因此需要通过插值算法来确定这些新位置的像素值。常见的插值方法包括：
**最近邻插值：**将新像素的值设置为最接近的原始像素值。这种方法简单快速，但可能导致图像走样。
双线性插值：考虑最接近的四个像素，通过线性插值计算新像素值。这种方法在图像质量和计算复杂度之间提供了一个较好的平衡。
**双三次插值：**考虑最接近的16个像素，使用三次插值算法计算新像素值。这种方法可以提供更高质量的结果，但计算更为复杂。
**处理边界问题：**在缩放过程中，新图像的尺寸可能与原始图像不完全相符，特别是在不均匀缩放的情况下。这可能需要对图像进行裁剪或填充。
**质量控制：**图像缩放可能会引入各种失真，如锯齿效应或模糊。因此，可能需要采用附加的图像处理技术来优化结果，如锐化处理或反走样技术。

实现下图显示的结果

在这里插入图片描述
在这里插入图片描述

提示

用函数cv2.resize对图像进行8倍放大，参数分别为cv2.INTER_NEAREST、cv2.INTER_LINEAR和cv2.INTER_CUBIC时代表选择最近邻插值法、双线性插值法、三次样条插值法。

import  cv2 as cv
import numpy as np
import matplotlib.pyplot as pltimg=cv.imread("jellybeans.png")
img= cv.cvtColor(img,cv.COLOR_RGB2GRAY)
print(img.shape)
x, y = img.shape[0:2]
near = cv.resize(img,(0,0),  fx=8, fy=8,interpolation=cv.INTER_NEAREST)
linear= cv.resize(img, (0,0), fx=8, fy=8,interpolation=cv.INTER_LINEAR)
cubic=cv.resize(img, (0,0), fx=8, fy=8,interpolation=cv.INTER_CUBIC)plt.subplot(221),plt.imshow(img,'gray'),plt.title("original")
plt.subplot(222),plt.imshow(near,'gray'),plt.title("nearest")
plt.subplot(223),plt.imshow(linear,'gray'),plt.title("linear")
plt.subplot(224),plt.imshow(cubic,'gray'),plt.title("cubic")
plt.show()

结果展示

在这里插入图片描述

import cv2
import numpy as np
import matplotlib.pyplot as pltimg=cv2.imread("binarysmall.png")
img=cv2.cvtColor(img,cv2.COLOR_RGV2GRAY)
print(img.shape)
x,y=img.shape[0:2]
near=cv2.resize(img,(0,0),fx=8,fy=8,interpolation=cv2.INTER_NEAREST)
linear=cv2.resize(img,(0,0),fx=8,fy=8,interpolation=cv2.INTER_LINEAR)
cubic=cv2.resize(img,(0,0),fx=8,fy=8,interpolation=cv2.INTER_CUBIC)plt.subplot(221),plt.imshow(img,"gray"),plt.title("original")
plt.subplot(222),plt.imshow(near,"gray"),plt.title("nearst")
plt.subplot(223),plt.imshow(linear,"gray"),plt.title("linear")
plt.subplot(224),plt.imshow(cubic,"gray"),plt.title("cubic")
plt.show()

结果展示

在这里插入图片描述

结果分析
INTER_NEAREST - 最近邻插值
根据名字也知道，这是插入的数值采用与原图像最近的那个点的数值，这种方法比较简单，但是人为痕迹有点重。
插值后的边缘效果：由于是以最近的点作为新的插入点，因此边缘不会出现缓慢的渐慢过度区域，这也导致放大的图像容易出现锯齿的现象
INTER_LINEAR - 线性插值
在这里插入图片描述

比如插值点为(x,y)，这个像素是由围着他的4个点的像素决定的，
先求得：
f(x,0)=f(0,0)+x[f(1,0)-f(0,0)]
f(x,1)=f(0,1)+x[f(1,1)-f(0,1)]
在对求得值做一次线性插值：
f(x,y)=f(x,0)+y[f(x,1)-f(x,0)]
即可。这个准确的说是双线性
插值后的边缘效果：可以有效避免出现锯齿的现象

INTER_CUBIC –三次样条插值
基本的原理跟线性插值类似，都是做完一个方向再做另一个，不过他是用4*4的像素来计算的，但是在求权的时候不是线性的，而是逼近sin(x)/x:
在这里插入图片描述

插值后的边缘效果：可以有效避免出现锯齿的现象
总的来说，最近邻插值会出现锯齿现象，导致图片变形，感觉不太好。

这篇关于python实现图像的几何变换——冈萨雷斯数字图像处理的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/531162。

相关文章

Java实现优雅日期处理的方案详解

Java实现优雅日期处理的方案详解

《Java实现优雅日期处理的方案详解》在我们的日常工作中,需要经常处理各种格式,各种类似的的日期或者时间,下面我们就来看看如何使用java处理这样的日期问题吧,感兴趣的小伙伴可以跟随小编一起学习一下... 目录前言一、日期的坑1.1 日期格式化陷阱1.2 时区转换二、优雅方案的进阶之路2.1 线程安全重构2
阅读更多...
Android实现两台手机屏幕共享和远程控制功能

Android实现两台手机屏幕共享和远程控制功能

《Android实现两台手机屏幕共享和远程控制功能》在远程协助、在线教学、技术支持等多种场景下,实时获得另一部移动设备的屏幕画面,并对其进行操作,具有极高的应用价值,本项目旨在实现两台Android手... 目录一、项目概述二、相关知识2.1 MediaProjection API2.2 Socket 网络
阅读更多...
使用Python实现图像LBP特征提取的操作方法

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB
阅读更多...
Redis消息队列实现异步秒杀功能

Redis消息队列实现异步秒杀功能

《Redis消息队列实现异步秒杀功能》在高并发场景下,为了提高秒杀业务的性能,可将部分工作交给Redis处理,并通过异步方式执行,Redis提供了多种数据结构来实现消息队列,总结三种,本文详细介绍Re... 目录1 Redis消息队列1.1 List 结构1.2 Pub/Sub 模式1.3 Stream 结
阅读更多...
C# Where 泛型约束的实现

C# Where 泛型约束的实现

《C#Where泛型约束的实现》本文主要介绍了C#Where泛型约束的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 目录使用的对象约束分类where T : structwhere T : classwhere T : ne
阅读更多...
Python中__init__方法使用的深度解析

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程（OOP）体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认
阅读更多...
将Java程序打包成EXE文件的实现方式

将Java程序打包成EXE文件的实现方式

《将Java程序打包成EXE文件的实现方式》：本文主要介绍将Java程序打包成EXE文件的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录如何将Java程序编程打包成EXE文件1.准备Java程序2.生成JAR包3.选择并安装打包工具4.配置Launch4
阅读更多...
MySQL索引的优化之LIKE模糊查询功能实现

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》：本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分
阅读更多...
Python实现特殊字符判断并去掉非字母和数字的特殊字符

Python实现特殊字符判断并去掉非字母和数字的特殊字符

《Python实现特殊字符判断并去掉非字母和数字的特殊字符》在Python中,可以通过多种方法来判断字符串中是否包含非字母、数字的特殊字符,并将这些特殊字符去掉,本文为大家整理了一些常用的,希望对大家... 目录1. 使用正则表达式判断字符串中是否包含特殊字符去掉字符串中的特殊字符2. 使用 str.isa
阅读更多...
Spring Boot 集成 Quartz并使用Cron 表达式实现定时任务

Spring Boot 集成 Quartz并使用Cron 表达式实现定时任务

《SpringBoot集成Quartz并使用Cron表达式实现定时任务》本篇文章介绍了如何在SpringBoot中集成Quartz进行定时任务调度,并通过Cron表达式控制任务... 目录前言1. 添加 Quartz 依赖2. 创建 Quartz 任务3. 配置 Quartz 任务调度4. 启动 Sprin
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2