python图像处理实战 豆瓣,python的图像处理
本文主要讲解图像仿射变换和图像透视变换，并通过Python调用OpenCV函数。
本文由eastmount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》。
一、图像仿射变换图像仿射变换，也称图像仿射映射，在几何学中是指通过线性变换后的平移，将一个向量空间变换到另一个向量空间。通常图像旋转加图像拉伸就是图像仿射变换。仿射变换需要一个M矩阵，但是由于仿射变换的复杂性，很难找到这个M矩阵。
OpenCV提供了函数——cv2。getaffinetransform(pos1，pos2)根据变换前后三点的对应关系自动求解M，其中pos 1和Pos2表示变换前后位置的对应关系，输出结果为仿射矩阵M .然后利用函数cv2.warpAffine()实现图像仿射变换。图5-14显示了仿射变换前后的效果。
图像仿射变换的函数原型如下：
M=cv2.getAffineTransform(pos1，pos2)
1表示变换前的位置1，pos2表示变换后的位置cv2。Warpaffin (src，m，(列，行))
表示src原始图像的m表示仿射变换矩阵(rows，cols)表示变换后图像的大小，rows表示行数，cols表示列数，实现代码如下：
#编码：utf-8
导入cv2
将numpy作为np导入
将matplotlib.pyplot作为plt导入
#阅读图片
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(原始，src)
cv2.imshow(result ，结果)
#等待显示
cv2.waitKey(0)
2.cv2.destroyAllWindows()的输出渲染如下：
二。图像透视变换。透视变换的本质是将图像投射到一个新的视觉平面上。同样，OpenCV通过函数cv2.getperspective变换(pos1，pos2)构造一个矩阵M，其中pos 1和pos 2分别代表变换前后四个点的对应位置。获得m后，通过函数cv2.warpperspective (src，m，(cols，rows))执行透视变换。
图像透视变换的功能原型如下：
m=cv2 . getperspective transform(pos 1，pos2)
1表示透视变换前四个点的对应位置，pos1表示透视变换后四个点的对应位置CV2。扭曲透视(src，m，(列，行))。
m表示原始图像src表示透视变换矩阵(rows，cols ),表示变换后的图像尺寸，rows表示行数，cols表示列数。代码如下：
#编码：utf-8
导入cv2
将numpy作为np导入
将matplotlib.pyplot作为plt导入
#阅读图片
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 . getperspective transform(pos 1，pos2)
#图像透视变换
result=cv2.warpPerspective(src，M，(190，272))
#显示图像
cv2.imshow(原始，src)
cv2.imshow(result ，结果)
#等待显示
cv2.waitKey(0)
2.cv2.destroyAllWindows()的输出结果如下图所示：
三。基于图像透视变换的图像校正。参考下面t6_17大神的文章，通过图像透视变换实现图像校正功能。
假设有一张A4纸图像，现在需要通过调用图像透视变换来校正图像。
代码如下：
#编码：utf-8
导入cv2
将numpy作为np导入
将matplotlib.pyplot作为plt导入
#阅读图片
src=cv2.imread(test01.jpg )
#获取图像大小
rows，cols=src.shape[:2]
#高斯模糊源图像
img=cv2。高斯布朗(src，(3，3)，0)
#执行灰度处理。
gray=cv2.cvtColor(img，cv2。COLOR_BGR2GRAY)
#边缘检测(检测图像的边缘信息)
边缘=cv2。Canny(灰色，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是四个顶点。
对于行[0]中的x1、y1、x2、y2:
打印(x1，y1)，(x2，y2)
空军中尉
打印(x1，y1)，(x2，y2)
#绘制边缘
对于行[0]中的x1、y1、x2、y2:
cv2.line(灰色，(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。获取透视变换(位置1，位置2)
#图像透视变换
result=cv2.warpPerspective(src，M，(190，272))
#显示图像
cv2.imshow(原始，src)
cv2.imshow(result ，结果)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()运行结果如下图所示：
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：
完整代码如下：
#编码：utf-8
导入cv2
将数组作为铭牌导入
将matplotlib.pyplot作为血小板计数导入
#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
row，cols，channel=image.shape
#函数参数：旋转中心旋转度数规模
m=cv2。getrotationmatrix 2d((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。获取透视变换(pt S1，pts2)
img8=cv2.warpPerspective(image，M，(200，200))
#循环显示图形
titles=[源,移位,缩小,放大,旋转， flipX ， flipY ，仿射,传输]
images=[image，img1，img2，img3，img4，img5，img6，img7，img8]
对于xrange(9)中的我：
plt.subplot(3，3，i 1)，plt.imshow(images[i]， gray )
工厂名称(标题[我])
plt.xticks([])，plt.yticks([])
plt.show()
点击关注，第一时间了解华为云新鲜技术~
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。