OpenCV-19图像的仿射变换

2024-01-10 08:52
文章标签 图像 opencv 19 仿射变换

本文主要是介绍OpenCV-19图像的仿射变换,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!

放射变换是图像旋转,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。

一、仿射变换之图像平移

使用API------warpAffine(src ,M, dsize, flags, mode, value)

warp:弯曲             affine:仿射

其中src为图片

M:变换矩阵

dsize:输出图片大小

flag: 与resize中的插值算法一直

mode:边界外推法标志

value:填充边界值

平移矩阵:矩阵中的每个像素由(x,y)组成(x,y)表示这个像素的坐标,假设沿x轴平移tx,沿y轴平移ty,那么最后得到的坐标为(x,y) =  (x + tx, y + ty),用矩阵表示就是:

第一个坐标代表列,第二个坐标代表行。

示例代码如下:

import cv2
import numpy as npdog = cv2.imread("dog.png")
h, w, ch = dog.shape
print(dog.shape)   # 先行后列# 写下变换矩阵,最少是float32位
M = np.float32([[1, 0, 200], [0, 1, 0]])  # 第一个对应水平平移,第二个对应上下平移
new_dog = cv2.warpAffine(dog, M,  dsize=(w, h))   # 先列后行cv2.imshow("dpg", dog)
cv2.imshow("new_dpg", new_dog)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下:

二、仿射变换之获取变换矩阵

第一中获取变换方程的方法

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:旋转的角度,按照逆时针旋转。

scale:缩放比例,即想图片进行什么样的缩放

示例代码如下:

# M = cv2.getRotationMatrix2D((100, 100), 15, 1)   # 与原图无关 设定中心点进行旋转
M = cv2.getRotationMatrix2D((w/2, h/2), 15, 1)   # 按照图片的中心点进行旋转
new_dog = cv2.warpAffine(dog, M,  dsize=(w, h))   # 先列后行

输出结果如下:

第二种获取变换方程的方法

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,能解出便宜的参数和旋转的角度。

相当于原图的三个点坐标变为另外三个点的坐标,图像按照坐标的格式旋转。

示例代码如下:

sre = np.float32([[200, 100], [300, 100], [200, 300]])   # 初始三个点的坐标
dst = np.float32([[100, 50], [150, 100], [100, 300]])     # 变化后三个点的坐标
M = cv2.getAffineTransform(sre, dst)
new_dog = cv2.warpAffine(dog, M, dsize=(w, h))  # 先列后行

输出结果如下:

三、仿射变换之透视变化

透视变化就是将一种坐标系变为另一种坐标系,简单来说可以把一张“斜”的图变“正”。

使用API---warpPerspective(img,M, dsize)

对于透视变换来说,M是一个3*3的矩阵。

同时使用API---getPerspectiveTransform(src, dst)获取透视变换的变换矩阵,需要4个点,即图片的四个角。

最后在通过cv.namedWindow对窗口进行缩放

示例代码如下:

src = np.float32([[100, 200], [500, 200], [100, 600], [500, 600]])    # 原图的四个坐标
dst = np.float32([[0, 0], [500, 0], [0, 300], [500, 300]])
M = cv2.getPerspectiveTransform(src, dst)
new_dog = cv2.warpPerspective(dog, M, (500, 300))
# 创建窗口对图片进行缩放
cv2.namedWindow("dog", cv2.WINDOW_NORMAL)
cv2.resizeWindow("dog", 640, 480)
cv2.imshow("dog", dog)cv2.namedWindow("new_dog", cv2.WINDOW_NORMAL)
cv2.resizeWindow("new_dog", 640, 480)
cv2.imshow("new_dog", new_dog)

输出结果如下:

综合演示代码如下所示:

import cv2
import numpy as npdog = cv2.imread("dog.png")
h, w, ch = dog.shape
print(dog.shape)  # 先行后列# 写下变换矩阵,最少是float32位
# M = np.float32([[1, 0, 200], [0, 1, 0]])  # 第一个对应水平平移,第二个对应上下平移
# new_dog = cv2.warpAffine(dog, M,  dsize=(w, h))   # 先列后行# 获取变换矩阵
# M = cv2.getRotationMatrix2D((100, 100), 15, 1)   # 与原图无关 设定中心点进行旋转
# M = cv2.getRotationMatrix2D((w / 2, h / 2), 15, 1)  # 按照图片的中心点进行旋转
# new_dog = cv2.warpAffine(dog, M, dsize=(w, h))  # 先列后行# 通过三个点的坐标获取变换矩阵
# sre = np.float32([[200, 100], [300, 100], [200, 300]])   # 初始三个点的坐标
# dst = np.float32([[100, 50], [150, 100], [100, 300]])     # 变化后三个点的坐标
# M = cv2.getAffineTransform(sre, dst)
# new_dog = cv2.warpAffine(dog, M, dsize=(w, h))  # 先列后行# 透视变换
src = np.float32([[100, 200], [500, 200], [100, 600], [500, 600]])    # 原图的四个坐标
dst = np.float32([[0, 0], [500, 0], [0, 300], [500, 300]])
M = cv2.getPerspectiveTransform(src, dst)
new_dog = cv2.warpPerspective(dog, M, (500, 300))# 创建窗口对图片进行缩放
cv2.namedWindow("dog", cv2.WINDOW_NORMAL)
cv2.resizeWindow("dog", 640, 480)
cv2.imshow("dog", dog)cv2.namedWindow("new_dog", cv2.WINDOW_NORMAL)
cv2.resizeWindow("new_dog", 640, 480)
cv2.imshow("new_dog", new_dog)
cv2.waitKey(0)
cv2.destroyAllWindows()

这篇关于OpenCV-19图像的仿射变换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/590244

相关文章

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

opencv 滚动条

参数介绍:createTrackbar( trackbarname , "hello" , &alpha_slider ,alpha_max ,  on_trackbar )  ;在标签中显示的文字(提示滑动条的用途) TrackbarName创建的滑动条要放置窗体的名字 “hello”滑动条的取值范围从 0 到 alpha_max (最小值只能为 zero).滑动后的值存放在

android-opencv-jni

//------------------start opencv--------------------@Override public void onResume(){ super.onResume(); //通过OpenCV引擎服务加载并初始化OpenCV类库,所谓OpenCV引擎服务即是 //OpenCV_2.4.3.2_Manager_2.4_*.apk程序包,存

OpenCV结构分析与形状描述符(11)椭圆拟合函数fitEllipse()的使用

操作系统:ubuntu22.04 OpenCV版本:OpenCV4.9 IDE:Visual Studio Code 编程语言:C++11 算法描述 围绕一组2D点拟合一个椭圆。 该函数计算出一个椭圆,该椭圆在最小二乘意义上最好地拟合一组2D点。它返回一个内切椭圆的旋转矩形。使用了由[90]描述的第一个算法。开发者应该注意,由于数据点靠近包含的 Mat 元素的边界,返回的椭圆/旋转矩形数据

树莓派5_opencv笔记27:Opencv录制视频(无声音)

今日继续学习树莓派5 8G:(Raspberry Pi,简称RPi或RasPi)  本人所用树莓派5 装载的系统与版本如下:  版本可用命令 (lsb_release -a) 查询: Opencv 与 python 版本如下: 今天就水一篇文章,用树莓派摄像头,Opencv录制一段视频保存在指定目录... 文章提供测试代码讲解,整体代码贴出、测试效果图 目录 阶段一:录制一段

Verybot之OpenCV应用三:色标跟踪

下面的这个应用主要完成的是Verybot跟踪色标的功能,识别部分还是居于OpenCV编写,色标跟踪一般需要将图像的颜色模式进行转换,将RGB转换为HSV,因为对HSV格式下的图像进行识别时受光线的影响比较小,但是也有采用RGB模式来进行识别的情况,这种情况一般光线条件比较固定,背景跟识别物在颜色上很容易区分出来。         下面这个程序的流程大致是这样的:

Verybot之OpenCV应用二:霍夫变换查找圆

其实我是想通过这个程序来测试一下,OpenCV在Verybot上跑得怎么样,霍夫变换的原理就不多说了,下面是程序: #include "cv.h"#include "highgui.h"#include "stdio.h"int main(int argc, char** argv){cvNamedWindow("vedio",0);CvCapture* capture;i

Verybot之OpenCV应用一:安装与图像采集测试

在Verybot上安装OpenCV是很简单的,只需要执行:         sudo apt-get update         sudo apt-get install libopencv-dev         sudo apt-get install python-opencv         下面就对安装好的OpenCV进行一下测试,编写一个通过USB摄像头采

虚拟机ubuntu配置opencv和opencv_contrib

前期准备  1.下载opencv和opencv_contrib源码 opencv-4.6.0:https://opencv.org/releases/ opencv_contrib-4.6.0:https://github.com/opencv/opencv_contrib 在ubuntu直接下载或者在window上下好传到虚拟机里都可以 自己找个地方把他们解压,个人习惯在home下新建一