图像变换
-
图像放大
import cv2
import matplotlib.pyplot as plt
img = cv2.imread("images/logo.jpg")
plt.imshow(img)
输出图像大小：
height,width,channel = img.shape
print(height,width,channel)?
?放大图像：
resized_img = cv2.resize(img,(width*2,height*2),interpolation=cv2.INTER_LINEAR)#放大一倍
plt.imshow(resized_img)
print(resized_img.shape)#打印图像大小
??
-
?图像缩小
small_img = cv2.resize(img,None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
plt.imshow(small_img)
print(small_img.shape)
cv2.resize(src, size, fx, fy, interpolation)
?src:原始图片
size：输出图像的大小
fx：水平方向的缩放比例
fy：垂直方向的缩放比例
interpolation：插值方式
插值方式有：
cv2.INTER_NEAREST : 最临近插值
cv2.INTER_LINEAR?: 双线性插值（默认方式）
cv2.INTER_CUBIC?: 三次样条插值
cv2.INTER_AREA?: 区域插值
-
图像平移
import numpy as np
height,width = img.shape[:2]
M1 = np.float32([[1,0,100],[0,1,100]])#平移矩阵，100图像向右移动100个像素，向下移动100个像素
move_img = cv2.warpAffine(img,M1,(width,height))
plt.imshow(move_img)
-
?图像旋转
height,width = img.shape[:2]
center = (width // 2.0,height // 2.0)#旋转的中心
M2 = cv2.getRotationMatrix2D(center,180,1)#180为逆时针旋转180°，1表示图像旋转过程中没有缩放
rotation_img = cv2.warpAffine(img,M2,(width,height))
plt.imshow(rotation_img)
-
图像仿射变换
p1 = np.float32([[120,35],[215,45],[135,120]])
p2 = np.float32([[135,45],[300,110],[130,230]])
M3 = cv2.getAffineTransform(p1,p2)#计算一个变换矩阵
trans_img = cv2.warpAffine(img,M3,(width,height))
plt.imshow(trans_img)?
-
图像的裁剪
crop_img = img[50:250,100:300]
plt.imshow(crop_img)
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 原图? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 裁剪后
-
?图像的位运算
与运算：(01:0,10:0,00:0,11:1)
先创建两幅图片：
?
rectangle = np.zeros((300,300),dtype='uint8')#创建一张300*300的画布
#左上角坐标（25,25）右下角坐标（275,275）颜色255，线条-1
rect_img = cv2.rectangle(rectangle,(25,25),(275,275),255,-1)
plt.imshow(rectangle)?
rectangle = np.zeros((300,300),dtype="uint8")#创建一张300*300的画布
#圆心坐标（150,150）半径150，颜色255，线条-1
circle_img = cv2.circle(rectangle,(150,150),150,255,-1)
plt.imshow(circle_img)?
?
and_img = cv2.bitwise_and(rect_img,circle_img)
plt.imshow(and_img)
?或运算：(01:1,10:1,11:1,00:0)
or_img = cv2.bitwise_or(rect_img,circle_img)
plt.imshow(or_img)
异或运算:(01:1,10:1,00:0,11:0)
xor_img = cv2.bitwise_xor(rect_img,circle_img)
plt.imshow(xor_img)
-
?图像的分离和融合
分离：
(B,G,R)=cv2.split(img)#分离
plt.imshow(B)#蓝色
(B,G,R)=cv2.split(img)#分离
plt.imshow(G)#绿色?
(B,G,R)=cv2.split(img)#分离
plt.imshow(R)#红色?
?
融合：
zeros = np.zeros(img.shape[:2],dtype="uint8")
plt.imshow(cv2.merge([B,zeros,zeros]))?
zeros = np.zeros(img.shape[:2],dtype="uint8")
plt.imshow(cv2.merge([zeros,G,zeros]))
zeros = np.zeros(img.shape[:2],dtype="uint8")
plt.imshow(cv2.merge([zeros,zeros,R]))
-
颜色空间color space
灰度：
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
plt.imshow(gray)?
HSV(色度、饱和度、纯度）：
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
plt.imshow(hsv)
?lab:
lab = cv2.cvtColor(img,cv2.COLOR_BGR2LAB)
plt.imshow(lab)
?