大家好,又见面了,我是你们的朋友全栈君。
Python OpenCV 365 天学习计划,与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 41 篇。
该系列文章导航参考:https://blog.csdn.net/hihell/category_10688961.html
Python OpenCV
基础知识铺垫
在 OpenCV 中常见的几何变换有缩放,仿射,透视变换,之前的内容中已经学习过缩放函数了,今天一边复习旧知识,一边学习新知识。
先看一下三个几何变换对应的函数原型是:
dst = cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])
dst = cv2.warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]])
dst = cv2.warpPerspective(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]])
先从缩放说起,函数名为 cv2.resize()
,非空参数有 2 个,分别是 src
与 dsize
,含义为源图像与缩放后图像的尺寸。
import cv2 as cv
src = cv.imread("./t1.jpg")
cv.imshow("src", src)
dst = cv.resize(src, (200, 200))
cv.imshow("dst", dst)
cv.waitKey(0)
cv.destroyAllWindows()
上述为最简单的代码,运行效果如下,实现了一个简单的变化
该案例会出现一个常见的错误,缩放的数值提供的是浮点类型,错误提示为
TypeError: integer argument expected, got float
还有需要注意的是,元组 dsize
的两个值说明如下,顺序不要记错。
# dsize = (cols,rows) 中文,(宽度,高度)
dst = cv.resize(src, (400, 200))
这个地方深究下去,其实需要记忆的细节很多,例如在笛卡尔坐标系里面,记录一个坐标点都是先 x 轴,后 y 轴,但是在计算机中,图像是以矩阵的形式保存的,先行后列,所以 宽x高x通道
的图片会保存在 高x宽x通道
的三位数组中,在图像处理的时候,都是按照 高x宽x通道
记忆,例如通过 shape
获取形状。
src = cv.imread("./t1.jpg")
print(src.shape)
输出的结果就是 (高,宽,通道)
,但是这一点 resize
函数没有遵守,它依旧采用的是 (宽,高)
设置。
fx
,fy
为图像x
,y
方向的缩放比例,使用该参数,需要提前将 dsize
设置为 (0,0)
,测试代码如下:
import cv2 as cv
src = cv.imread("./t1.jpg")
print(src.shape)
cv.imshow("src", src)
# dsize = (cols,rows) 中文,(宽度,高度)
dst = cv.resize(src, (0, 0),fx=0.5,fy=0.5)
cv.imshow("dst", dst)
cv.waitKey(0)
cv.destroyAllWindows()
测试结果为,如果不提前设置 dsize
为 (0,0)
,那 fx
与 fy
不会生效。注意 dsize=(0,0)
,如果数据类型不对,会出现如下错误:
SystemError: new style getargs format but argument is not a tuple
interplolation 缩放时的插值方式
interplolation 为缩放时的插值方式,有以下几种方式,这些是今天要探索的重点内容。
cv.INTER_NEAREST
:最近邻插值;cv.INTER_LINEAR
:双线形插值(默认设置);cv.INTER_CUBIC
:4×4 像素邻域的双三次插值;cv2.INTER_AREA
:基于局部像素的重采样。它可能是图像抽取的首选方法,因为它会产生无云纹理的结果。 但是当图像缩放时,它类似于INTER_NEAREST
方法。
最近邻插值
这部分比较吃精力,所以今天这一个小时,我们争取搞定一个插值算法,即最近邻插值就好。
这个算法的思想是,通过已经像素值去获取目标像素值。我在学习的时候找到最通俗的解释,接下来由我说明给你。
假设有一个 3×3 的灰度图,需要通过最近邻插值算法,得到一个 4×4 的灰度图。
先通过坐标系去了解像素在缩放的时候的变化。
上图中最后可以到的结论是:
- 目标像素的 x 值 = 原像素的 x 值 * 倍数;
- 目标像素的 y 值 = 原像素的 y 值 * 倍数;
本案例的倍数是多少呢?很容易计算,原来的图像是 3×3,现在是 4×4,那倍数在 x,y
上都是 4/3 = 0.75
。
先看一下运算之后得到的结果如下所示:
这里列举两个点的像素值计算,拿目标图像 4x4灰度图
中的 (3,0)
与 (3,3)
两个点进行说明。
(3x0)
点的值等于(3 x 0.75 ≈ 2,0 x 0.75 = 0)
,原图像(2,0)
点的颜色为222
。(3x3)
点的值等于(3 x 0.75 ≈ 2,3 x 0.75 ≈ 2)
,原图像(2,2)
点的颜色为45
;
掌握了原理之后,就可以自己实现这个算法了,首先看一下 OpenCV 内置的函数实现结果。
import cv2 as cv
import numpy as np
# 最近邻插值算法,来源梦想橡皮擦 https://dream.blog.csdn.net/
def nearest_demo(src, multiple_x, multiple_y):
src_y, src_x, src_c = src.shape
tar_x, tar_y, tar_c = src_x*multiple_x, src_y*multiple_y, src_c
# 生成一个黑色的目标图像
tar_img = np.zeros((tar_y, tar_x, tar_c), dtype=np.uint8)
print(tar_img.shape)
# 渲染像素点的值
# 注意 y 是高度,x 是宽度
for y in range(tar_y-1):
for x in range(tar_x-1):
# 计算新坐标 (x,y) 坐标在旧图中是哪个值
old_y = round(y/multiple_y)
old_x = round(x/multiple_x)
tar_img[y, x] = src[old_y, old_x]
return tar_img
src = cv.imread("./t2.jpeg")
print(src.shape)
cv.imshow("src", src)
# dsize = (cols,rows) 中文,(宽度,高度)
dst = cv.resize(src, (0, 0), fx=2, fy=2, interpolation=cv.INTER_NEAREST)
cv.imshow("dst", dst)
new_dst = nearest_demo(src, 2, 2)
cv.imshow("new_dst", new_dst)
cv.waitKey(0)
cv.destroyAllWindows()
运行之后发现确实官方的算法更优一些。
橡皮擦的小节
希望今天的 1 个小时你有所收获,我们下篇博客见~
相关阅读
技术专栏
今天是持续写作的第 83 / 100 天。
如果你想跟博主建立亲密关系,可以关注同名公众号 梦想橡皮擦,近距离接触一个逗趣的互联网高级网虫。
博主 ID:梦想橡皮擦,希望大家点赞、评论、收藏。
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/125824.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...