【Python计算机视觉】Python全栈体系（二十四）

计算机视觉

第四章形态变换

一、仿射变换

1. 什么是仿射变换

仿射变换是指图像可以通过一系列的几何变换来实现平移、旋转等多种操作。该变换能够保持图像的平直性和平行性。平直性是指图像经过仿射变换后，直线仍然是直线；平行性是指图像在完成仿射变换后，平行线仍然是平行线。

2. 平移

改变图像的x和y坐标，将所有x坐标的像素增加就是向右平移，减小就是向左平移，将所有y坐标的像素增加就是向下平移，减小就是向上平移

3. 镜像

水平镜像：改变的是每个像素的x坐标，x坐标关于y轴对称
垂直镜像：保持x轴坐标不变，改变它的y坐标

4. 旋转

在这里插入图片描述

5. 透视变换

透视变换是将图片投影到一个新的视平面，也称作投影映射。它是二维（x,y）到三维（X,Y,Z），再到另一个二维（x’,y’）空间的映射。
相对于仿射变换，它提供了更大的灵活性，将一个四边形区域映射到另一个四边形区域（不一定是平行四边形），透视变换可用于图像形状校正。

二、算数运算

1. 图像加法

在这里插入图片描述

2. 图像减法

图像减法是找出两幅图像的差异，可以在连续图像中实现消除背景和运动检测

三、图像缩放

1. 缩放

在这里插入图片描述

2. 图像缩小

图像缩小可以通过删除矩阵中的元素来实现，例如：下面的例子进行隔行、隔列删除后，高度、宽度均减小为原来的一半

3. 图像放大

在这里插入图片描述

最邻近插值法放大后有锯齿状

四、腐蚀与膨胀

1. 图像腐蚀

腐蚀是最基本的形态学操作之一，它能够将图像的边界点消除，使图像沿着边界向内收缩，也可以将小于指定结构体元素的部分去除。腐蚀用来“收缩”或者“细化”二值图像中的前景，借此实现去除噪声、元素分割等功能。

2. 图像膨胀

图像膨胀是指根据原图像的形状，向外进行扩充。如果图像内两个对象的距离较近，那么在膨胀的过程中，两个对象可能会连通在一起。膨胀操作对填补图像分割后图像内所存在的空白相当有帮助。

3. 图像开运算

开运算进行的操作是先将图像腐蚀，再对腐蚀的结果进行膨胀。开运算可以用于去噪、计数等。
开运算可用于取出主题图像之间细小的连接

4. 图像闭运算

闭运算是先膨胀、后腐蚀的运算，它有助于关闭前景物体内部的小孔，或去除物体上的小黑点，还可以将不同的前景图像进行连接。

5. 形态学梯度

形态学梯度运算是用图像的膨胀图像减腐蚀图像的操作，该操作可以获取原始图像中前景图像的边缘。

6. 礼帽运算

礼帽运算是用原始图像减去其开运算图像的操作。礼帽运算能够获取图像的噪声信息，或者得到比原始图像的边缘更亮的边缘信息。

7. 黑帽运算

黑帽运算是用闭运算图像减去原始图像的操作。黑帽运算能够获取图像内部的小孔，或前景色中的小黑点，或者得到比原始图像的边缘更暗的边缘部分。

五、图像形态操作

1. 图像翻转

# 图像翻转
import cv2

im = cv2.imread("../data/Linus.png")
cv2.imshow("im", im)

# 0-垂直镜像
im_flip0 = cv2.flip(im, 0)
cv2.imshow("im_flip0", im_flip0)

# 1-水平镜像
im_flip1 = cv2.flip(im, 1)
cv2.imshow("im_flip1", im_flip1)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

在这里插入图片描述

2. 图像位置变换

# 图像仿射变换（旋转、平移）
import numpy as np
import cv2


def translate(im, x, y):
    """
    对图像进行平移变换
    :param im: 原始图像数据
    :param x: 水平方向平移的像素
    :param y: 垂直方向平移的像素
    :return: 返回平移后的图像数据
    """
    h, w = im.shape[:2]  # 取出原图像的高度、宽度

    # 定义平移矩阵
    M = np.float32([[1, 0, x],
                    [0, 1, y]])
    # 调用warpAffine函数实现平移变换
    shifted = cv2.warpAffine(im,  # 原始图像
                             M,  # 平移矩阵
                             (w, h))  # 输出图像大小
    return shifted

def rotate(im, angle, center=None, scale=1.0):
    """
    图像旋转变换
    :param im: 原始图像
    :param angle: 旋转角度
    :param center: 旋转中心
    :param scale: 缩放比例
    :return: 返回经过旋转后的图像
    """
    h, w = im.shape[:2] # 获取图像高度、宽度
    # 计算旋转中心
    if center is None:
        center = (w / 2, h / 2)
    # 生成旋转矩阵
    M = cv2.getRotationMatrix2D(center, angle, scale)

    # 调用warpAffine函数实现旋转变换
    rotated = cv2.warpAffine(im, M, (w, h))
    return rotated

if __name__ == "__main__":
    # 读取原始图像
    im = cv2.imread("../data/Linus.png")
    cv2.imshow("im", im)

    # 向下移动50像素
    shifted = translate(im, 0, 50)
    cv2.imshow("shifted_1", shifted)

    # 向左移动40像素，向下移动50像素
    shifted = translate(im, -40, 50)
    cv2.imshow("shifted_2", shifted)

    # 逆时针旋转45度
    rotated = rotate(im, 45)
    cv2.imshow("rotated_1", rotated)

    # 顺时针旋转90度
    rotated = rotate(im, -90)
    cv2.imshow("rotated_2", rotated)

    cv2.waitKey()  # 等待用户按某个按键
    cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67

在这里插入图片描述

3. 图像缩放

# 图像缩放示例
import cv2
im = cv2.imread("../data/Linus.png")
cv2.imshow("im", im)

h, w = im.shape[:2] # 获取图像高度、宽度

# 缩小
dst_size = (int(w/2), int(h/2)) # 计算缩放后的图像宽度、高度
resized = cv2.resize(im, dst_size)
cv2.imshow("reduce", resized)

# 放大
dst_size = (200, 300) # 缩放尺寸，宽200，高300
resized = cv2.resize(im,
                     dst_size,
                     interpolation=cv2.INTER_NEAREST) # 最邻近插值
cv2.imshow("NEAREST", resized)

resized = cv2.resize(im,
                     dst_size,
                     interpolation=cv2.INTER_LINEAR) # 双线性插值
cv2.imshow("LINEAR", resized)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

在这里插入图片描述

4. 图像裁剪

# 图像裁剪(利用数组切片操作实现)
import numpy as np
import cv2


# 随机裁剪
def random_crop(im, w, h):
    # 随机产生裁剪起点的x, y坐标
    start_x = np.random.randint(0, im.shape[1])  # 裁剪起始的x坐标
    start_y = np.random.randint(0, im.shape[0])  # 裁剪起始的y坐标

    new_img = im[start_y:start_y + h, start_x:start_x + w]  # 切片
    return new_img

# 中心裁剪
def center_crop(im, w, h):
    start_x = int(im.shape[1] / 2) - int(w / 2) # 裁剪起始的x坐标
    start_y = int(im.shape[0] / 2) - int(h / 2) # 裁剪起始的y坐标

    new_img = im[start_y:start_y + h, start_x:start_x + w]  # 切片
    return new_img

if __name__ == "__main__":
    im = cv2.imread("../data/banana_1.png", 1)
    new_img = random_crop(im, 200, 200)  # 随机裁剪
    cv2.imshow("random_crop", new_img)

    new_img2 = center_crop(im, 200, 200)  # 随机裁剪
    cv2.imshow("center_crop", new_img2)

    cv2.waitKey()  # 等待用户按某个按键
    cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

在这里插入图片描述

5. 图像相加

# 图像相加
import cv2

a = cv2.imread("../data/lena.jpg", 0)
b = cv2.imread("../data/lily_square.png", 0)

# 图像直接相加，会导致图像越加越白，越加越亮
dst1 = cv2.add(a, b)
cv2.imshow("dst1", dst1)

# 图像按权重相加
dst2 = cv2.addWeighted(a, 0.6,  # 图像1和权重
                       b, 0.4,  # 图像2和权重
                       0)  # 亮度调节量

cv2.imshow("dst2", dst2)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

在这里插入图片描述

6. 图像相减

# 图像相减
import cv2

a = cv2.imread("../data/3.png", 0)
b = cv2.imread("../data/4.png", 0)

dst = cv2.subtract(a, b) # 图像相减

cv2.imshow("a", a)
cv2.imshow("b", b)
cv2.imshow("dst", dst)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14

在这里插入图片描述

7. 图像透视变换

# 透视变换
import cv2
import numpy as np

im = cv2.imread("../data/pers.png")
rows, cols = im.shape[:2]  # 取出高度、宽度
print(rows, cols) # 206 184
cv2.imshow("im", im)

# 指定映射坐标
pts1 = np.float32([[58, 2], [167, 9], [8, 196], [126, 196]])  # 原坐标点
pts2 = np.float32([[16, 2], [167, 8], [8, 196], [169, 196]])  # 目标点坐标

# 生成透视变换矩阵
M = cv2.getPerspectiveTransform(pts1, pts2)

# 执行变换
dst = cv2.warpPerspective(im,  # 原始图像
                          M,  # 变换矩阵
                          (cols, rows))  # 输出图像大小

cv2.imshow("dst", dst)

# 将矩形变换成平行四边形
M = cv2.getPerspectiveTransform(pts2, pts1)

# 执行变换
dst2 = cv2.warpPerspective(im,  # 原始图像
                           M,  # 变换矩阵
                           (cols, rows))  # 输出图像大小
cv2.imshow("dst2", dst2)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

在这里插入图片描述

8. 图像腐蚀

# 图像腐蚀
import cv2
import numpy as np

im = cv2.imread("../data/5.png")
cv2.imshow("im", im)

# 腐蚀
kernel = np.ones((3, 3), np.uint8)  # 腐蚀核
erosion = cv2.erode(im,  # 原始图像
                    kernel,  # 腐蚀核
                    iterations=3)  # 迭代次数

cv2.imshow("erosion", erosion)
cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

在这里插入图片描述

9. 图像膨胀

# 图像膨胀
import cv2
import numpy as np

im = cv2.imread("../data/6.png")
cv2.imshow("im", im)

# 膨胀
kernel = np.ones((3, 3), np.uint8)  # 膨胀核
dilation = cv2.dilate(im,  # 图像
                      kernel,  # 膨胀核
                      iterations=5)  # 迭代次数
cv2.imshow("dilation", dilation)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

在这里插入图片描述

10. 图像开运算

# 图像开运算
import cv2
import numpy as np

im1 = cv2.imread("../data/7.png")
im2 = cv2.imread("../data/8.png")

# 执行开运算
k = np.ones((10, 10), np.uint8) # 计算核
r1 = cv2.morphologyEx(im1, cv2.MORPH_OPEN, k)
r2 = cv2.morphologyEx(im2, cv2.MORPH_OPEN, k)

cv2.imshow("im1", im1)
cv2.imshow("im2", im2)
cv2.imshow("r1", r1)
cv2.imshow("r2", r2)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

在这里插入图片描述

11. 图像闭运算

# 图像开运算
import cv2
import numpy as np

im1 = cv2.imread("../data/9.png")
im2 = cv2.imread("../data/10.png")

# 执行开运算
k = np.ones((8, 8), np.uint8) # 计算核
r1 = cv2.morphologyEx(im1, cv2.MORPH_CLOSE, k, iterations=2)
r2 = cv2.morphologyEx(im2, cv2.MORPH_CLOSE, k, iterations=2)

cv2.imshow("im1", im1)
cv2.imshow("im2", im2)
cv2.imshow("r1", r1)
cv2.imshow("r2", r2)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

在这里插入图片描述

12. 形态学梯度

# 形态学梯度：膨胀的图像减腐蚀的图像
import cv2
import numpy as np

o = cv2.imread("../data/6.png")
k = np.ones((3, 3), np.uint8)  # 计算核
r = cv2.morphologyEx(o, cv2.MORPH_GRADIENT, k)  # 计算形态学梯度

cv2.imshow("o", o)
cv2.imshow("r", r)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口
1
2
3
4
5
6
7
8
9
10
11
12
13

在这里插入图片描述

相关阅读:
【C语言】学数据结构前必学的结构体struct详细
 @Valid与@Validated区别和详细使用及参数注解校验大全
 java调用python文件的几种方式【超细讲解！】
Vuex的使用
 21天学会C++：Day15----STL简介
 网站为什么要进行内容监控审核？国科云谈网站内容监控的必要性
 软件测试/测试开发丨利用人工智能ChatGPT自动生成架构图
 检测到 #include 错误。请更新 includePath。无法打开源文件xxx
karmada v1.7.0安装指导
 位图BiMap
原文地址：https://blog.csdn.net/sgsgkxkx/article/details/125863854

【Python计算机视觉】Python全栈体系（二十四）

计算机视觉

第四章 形态变换

一、仿射变换

1. 什么是仿射变换

2. 平移

3. 镜像

4. 旋转

5. 透视变换

二、算数运算

1. 图像加法

2. 图像减法

三、图像缩放

1. 缩放

2. 图像缩小

3. 图像放大

四、腐蚀与膨胀

1. 图像腐蚀

2. 图像膨胀

3. 图像开运算

4. 图像闭运算

5. 形态学梯度

6. 礼帽运算

7. 黑帽运算

五、图像形态操作

1. 图像翻转

2. 图像位置变换

3. 图像缩放

4. 图像裁剪

5. 图像相加

6. 图像相减

7. 图像透视变换

8. 图像腐蚀

9. 图像膨胀

10. 图像开运算

11. 图像闭运算

12. 形态学梯度

第四章形态变换