opencv图像几何变换

1、图像缩放

缩放是对图像的⼤⼩进⾏调整，即使图像放⼤或缩⼩。

 cv2.resize(src,dsize,fx=0,fy=0,interpolation=cv2.INTER_LINEAR)

参数： src : 输⼊图像 dsize: 绝对尺⼨，直接指定调整后图像的⼤⼩ fx,fy: 相对尺⼨，将 dsize 设置为 None ，然后将 fx 和 fy 设置为⽐例因⼦即可

interpolation ：插值⽅法，cv.INTER_AREA用于缩小，cv.INTER_CUBIC和cv.INTER_LINEAR**用于缩放。默认情况下，出于所有调整大小的目的，使用的插值方法为cv.INTER_LINEAR。

def test01():
    # 显示中文设置字体
    mpl.rcParams['font.family'] = 'SimHei'
    img = cv.imread('cat.jpg')
    print(img.shape) # (236, 236, 3)

    # 绝对尺寸
    height, width = img.shape[:2]
    img01 = cv.resize(img,(2*width, 2*height),interpolation=cv.INTER_CUBIC)
    print(img01.shape) # (100, 100, 3)

    # 相对尺寸
    img02 = cv.resize(img,None,fx=0.5,fy=0.5,interpolation=cv.INTER_AREA)
    print(img02.shape)  # (354, 354, 3)

    plt.subplot(131),plt.imshow(img[:,:,::-1]),plt.title('原图')
    plt.subplot(132),plt.imshow(img01[:,:,::-1]),plt.title('放大后')
    plt.subplot(133),plt.imshow(img02[:,:,::-1]),plt.title('缩小后')
    plt.show()

2、图像平移

图像平移就是将图像沿着x轴和y轴方向移动一定的距离

cv.warpAffine(img,M,(cols,rows))

参数：

img: 输⼊图像 M ： 2∗3 移动矩阵

(cols,rows)输出图像的大小，其形式应为(width，height)，width =列数，height =行数。

def test02():
    img = cv.imread('cat.jpg')
    print(img.dtype)
    # 平移矩阵
    M = np.float32([[1,0,80],[0,1,50]])
    img01 = cv.warpAffine(img,M,(img.shape[1],img.shape[0]))

    # 图像显示
    # 显示中文设置字体
    mpl.rcParams['font.family'] = 'SimHei'
    _,axes = plt.subplots(1,2)
    axes[0].imshow(img)
    axes[0].set_title('原图')
    axes[1].imshow(img01)
    axes[1].set_title("平移后")
    plt.show()

3 、图像旋转

   图像旋转是指图像按照某个位置转动⼀定⻆度的过程，旋转中图像仍保持这原始尺
⼨。图像旋转后图像的⽔平对称轴、垂直对称轴及中⼼坐标原点都可能会发⽣变
换，因此需要对图像旋转中的坐标进⾏相应转换。

在OpenCV中图像旋转⾸先根据旋转⻆度和旋转中⼼获取旋转矩阵，然后根据旋转
矩阵进⾏变换，即可实现任意⻆度和任意中⼼的旋转效果。

cv2.getRotationMatrix2D(center, angle, scale)

参数：
center：旋转中⼼        angle：旋转⻆度        scale：缩放⽐例
返回：        M：旋转矩阵
调⽤cv.warpAffine完成图像的旋转

def test03():
    img = cv.imread('cat.jpg')

    # 创建旋转矩阵
    M = cv.getRotationMatrix2D((img.shape[1]/2, img.shape[0]/2), 45, 0.8)
    # 旋转变换
    img01 = cv.warpAffine(img, M, (img.shape[1],img.shape[0]))
    mpl.rcParams['font.family'] = 'SimHei'
    # 图像展示
    _,axes = plt.subplots(1,2)
    axes[0].imshow(img[:,:,::-1])
    axes[0].set_title("原图")
    axes[1].imshow(img01[:,:,::-1])
    axes[1].set_title("旋转后")
    plt.show()

4、仿射变换

图像的仿射变换涉及到图像的形状位置⻆度的变化，是深度学习预处理中常到的功
能,仿射变换主要是对图像的缩放，旋转，翻转和平移等操作的组合。

在仿射变换中，原始图像中的所有平行线在输出图像中仍将平行。为了找到变换矩阵，我们需要输入图像中的三个点及其在输出图像中的对应位置。然后cv.getAffineTransform将创建一个2x3矩阵，该矩阵将传递给cv.warpAffine。

def test04():
    img = cv.imread('cat.jpg')
    # 创建变换矩阵
    pst1 = np.float32([[50,50],[200,50],[50,200]])
    pst2 = np.float32([[100,100],[200,50],[100,250]])
    M = cv.getAffineTransform(pst1,pst2)
    # 仿射变换
    img01 = cv.warpAffine(img,M,(img.shape[1],img.shape[0]))

    # 图像展示
    mpl.rcParams['font.family'] = 'SimHei'
    _,axes = plt.subplots(1,2)
    axes[0].imshow(img[:,:,::-1])
    axes[0].set_title("原图")
    axes[1].imshow(img01[:,:,::-1])
    axes[1].set_title("仿射变换后")
    plt.show()

5 、透射变换

透射变换是视⻆变化的结果，是指利⽤透视中⼼、像点、⽬标点三点共线的条件，
按透视旋转定律使承影⾯（透视⾯）绕迹线（透视轴）旋转某⼀⻆度，破坏原有的
投影光线束，仍能保持承影⾯上投影⼏何图形不变的变换。

要找到此变换矩阵，需要在输入图像上有4个点，在输出图像上需要相应的点。在这四个点中，其中三个不应共线。然后可以通过函数cv.getPerspectiveTransform找到变换矩阵。然后将cv.warpPerspective应用于此3x3转换矩阵。

def test05():
    img = cv.imread('cat.jpg')

    # 创建变换矩阵
    pts1 = np.float32([[56, 65], [368, 52], [28, 387], [389, 390]])
    pts2 = np.float32([[100, 145], [300, 100], [80, 290], [310, 300]])
    T = cv.getPerspectiveTransform(pts1,pts2)
    # 进行变换
    img01 = cv.warpPerspective(img,T,(img.shape[1],img.shape[0]))
    # 图像展示
    mpl.rcParams['font.family'] = 'SimHei'
    _,axes = plt.subplots(1,2)
    axes[0].imshow(img[:,:,::-1])
    axes[0].set_title("原图")
    axes[1].imshow(img01[:,:,::-1])
    axes[1].set_title("透射变换后")
    plt.show()

6、图像金字塔

具有不同分辨率的图像集称为“图像金字塔”（因为当它们堆叠在底部时，最高分辨率的图像位于顶部，最低分辨率的图像位于顶部时，看起来像金字塔）。

def test06():

    img = cv.imread('cat.jpg')
    lower_reso = cv.pyrUp(img)
    higher_reso = cv.pyrDown(lower_reso)


    # 图像展示
    mpl.rcParams['font.family'] = 'SimHei'
    _,axes = plt.subplots(1,3)
    axes[0].imshow(img[:,:,::-1])
    axes[0].set_title("img")
    axes[1].imshow(lower_reso[:,:,::-1])
    axes[1].set_title("lower_reso")
    axes[2].imshow(higher_reso[:,:,::-1])
    axes[2].set_title("higher_reso")
    plt.show()

img不等于higher_reso，因为img一旦降低了分辨率，就会丢失信息