1. 实验2 图像的基本处理

1.1. 学习目标

  1. 了解图像的加法、混合操作
  2. 掌握图像的缩放，平移，旋转等
  3. 了解数字图像的仿射变换和透射变换

1.2. 实验内容

1.2.1. 算数操作

  • 使用OpenCV的cv.add()函数把两幅图像相加，或者可以简单地通过numpy操作添加两个图像，如 res = img1 + img2。两个图像应该具有相同的大小和类型，或者第二个图像可以是标量值。

    • 注意：OpenCV加法和Numpy加法之间存在差异。
    • OpenCV的加法是饱和操作，而Numpy添加是模运算
    >>> import numpy as np
>>> import cv2 as cv
>>> x = np.uint8([250])
>>> y = np.uint8([10])
>>> print( cv.add(x,y) ) # 250+10 = 260 => 255
[[255]]
>>> print( x+y )         # 250+10 = 260 % 256 = 4
[4]

    这种差别在你对两幅图像进行加法时会更加明显。OpenCV 的结果会更好一点。所以我们尽量使用OpenCV中的函数。

    import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
import matplotlib
matplotlib.rcParams["font.sans-serif"]=["SimHei"]
img1 = cv.imread("./images/001.jpg")
img2 = cv.imread("./images/003.jpg")
img2.resize(img1.shape)
img3 =cv.add(img1,img2)
img4 = img1 + img2
fig,axes = plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100)
axes[0].imshow(img3[:,:,::-1])
axes[0].set_title("cv中的加法")
axes[1].imshow(img4[:,:,::-1])
axes[1].set_title("直接相加")
plt.show()

    结果：

1.2.2. 图像的混合

  • 这其实也是加法，但是不同的是两幅图像的权重不同，这就会给人一种混合或者透明的感觉。图像混合的计算公式如下

    g(x)=(1−α)×f0(x)+α×f1(x) g(x) = (1 - \alpha) \times f_{0}(x) + \alpha \times f_{1}(x)

    • 通过修改的α\alpha值(0 →\rightarrow 1)，可以实现非常炫酷的混合。

  • 现在我们把两幅图混合在一起。第一幅图的权重是0.7，第二幅图的权重是0.3。函数cv2.addWeighted()可以按下面的公式对图片进行混合操作。

    dst=α×img1+β×img2+γ dst =\alpha \times img_1 + \beta \times img_2 + \gamma

  • 这里γ\gamma取为零。
  import numpy as np
  import cv2 as cv
  import matplotlib.pyplot as plt

  # 1 读取图像

   img1 = cv.imread("./images/002.jpg")
   img2 = cv.imread("./images/001.jpg")
   img2.resize(img1.shape)

  # 2 图像混合
  img3 = cv.addWeighted(img1,0.7,img2,0.3,0)

  # 3 图像显示
  plt.figure(figsize=(8,8))
  plt.imshow(img3[:,:,::-1])
  plt.show()

1.2.3. 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

    image-20220325113425730

    import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 1. 读取图片
img1 = cv.imread("./images/001.jpg")
# 2.图像缩放
# 2.1 绝对尺寸
rows,cols = img1.shape[:2]
res = cv.resize(img1,(2*cols,2*rows),interpolation=cv.INTER_CUBIC)

# 2.2 相对尺寸
res1 = cv.resize(img1,None,fx=0.5,fy=0.5)

# 3 图像显示
# 3.1 使用opencv显示图像(不推荐)
cv.imshow("orignal",img1)
cv.imshow("enlarge",res)
cv.imshow("shrink",res1)
cv.waitKey(0)

# 3.2 使用matplotlib显示图像
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(10,8),dpi=100)
axes[0].imshow(res[:,:,::-1])
axes[0].set_title("绝对尺度（放大）")
axes[1].imshow(img1[:,:,::-1])
axes[1].set_title("原图")
axes[2].imshow(res1[:,:,::-1])
axes[2].set_title("相对尺度（缩小）")
plt.show()

1.2.4. 图像平移

图像平移将图像按照指定方向和距离，移动到相应的位置

cv.warpAffine(img,M,dsize)

参数：

  • img: 输入图像

  • M: 2*3移动矩阵

    对于(x,y)处的像素点，要把它移动到$(x+t_x , y+t_y)$处时，M矩阵应如下设置： M=[10tx01ty] M=\begin{bmatrix} 1&0&t_x\\ 0&1&t_y\\ \end{bmatrix} 注意：将M设置为np.float32类型的Numpy数组。

  • dsize: 输出图像的大小

    注意：输出图像的大小，它应该是(宽度，高度)的形式。请记住,width=列数，height=行数。

  • 将图像的像素点移动(50,100)的距离：

    import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams["font.sans-serif"]=["SimHei"]

# 1. 读取图像
img1 = cv.imread("./images/002.jpg")

# 2. 图像平移
rows,cols = img1.shape[:2]
M = M = np.float32([[1,0,100],[0,1,50]])# 平移矩阵
dst = cv.warpAffine(img1,M,(cols,rows))

# 3. 图像显示
fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100)
axes[0].imshow(img1[:,:,::-1])
axes[0].set_title("原图")
axes[1].imshow(dst[:,:,::-1])
axes[1].set_title("平移后结果")
plt.show()

1.2.5. 图像旋转

  • 图像旋转是指图像按照某个位置转动一定角度的过程，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

    {x′=r×cos(α−θ)y′=r×sin(α−θ) \left\{ \begin{matrix} x^{'}=r \times \cos(\alpha - \theta) \\ y^{'}=r \times \sin(\alpha - \theta)\\ \end{matrix}\right.

其中： r=(x2+y2)sinα=yx2+y2cosα=xx2+y2 r =\sqrt{(x^{2}+y^{2})} \quad \sin\alpha = \frac{y}{\sqrt{x^{2}+y^{2}}} \quad \cos\alpha =\frac{x}{x^{2}+y^{2}} 带入上面的公式中，则： {x′=x×cosθ+y×sinθy′=−xcosθ+y×cosθ \left\{ \begin{matrix}x^{'}=x\times \cos\theta + y \times \sin\theta\\ y^{'}= -x \cos\theta + y \times \cos\theta \end{matrix} \right. 表示成矩阵的形式为： [x′y′1]=[xy1][cosθ−sinθ0sinθcosθ0001] \left[x^{'} \quad y^{'} \quad 1 \right] = \left[x \quad y \quad 1 \right]\left[\begin{matrix}\cos\theta & -\sin \theta & 0 \\ \sin\theta & \cos \theta & 0 \\ 0 & 0 & 1\\ \end{matrix}\right]

假设在旋转的时候是以旋转中心为坐标原点的，旋转结束后还需要将坐标原点移到图像左上角，也就是还要进行一次变换 [x′′y′′1]=[x′y′1][1000−10lefttop1]=[xy1][cosθ−sinθ0sinθcosθ0001][1000−10lefttop1] \left[x^{''} \quad y^{''}\quad 1 \right] =\left[x^{'} \quad y^{'}\quad 1 \right]\left[\begin{matrix}1 & 0 & 0 \\ 0 & -1 & 0 \\ left& top & 1 \\\end{matrix}\right] =\left[x \quad y \quad 1 \right] \left[\begin{matrix}\cos\theta & -\sin \theta & 0 \\\sin\theta & \cos \theta & 0 \\ 0 & 0 & 1 \end{matrix}\right]\left[\begin{matrix}1 & 0 & 0 \\ 0 & -1 & 0 \\ left& top & 1 \\\end{matrix}\right]

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

    cv2.getRotationMatrix2D(center, angle, scale)

    参数：

    • center：旋转中心
    • angle：旋转角度
    • scale：缩放比例

    返回：

    • M：旋转矩阵

      调用cv.warpAffine完成图像的旋转

    import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img = cv.imread("./image2/001.jpg")

# 2 图像旋转
rows,cols = img.shape[:2]
# 2.1 生成旋转矩阵
M = cv.getRotationMatrix2D((cols/2,rows/2),60,1)
# 2.2 进行旋转变换
dst = cv.warpAffine(img,M,(cols,rows))

# 3 图像展示
fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100)
axes[0].imshow(img[:,:,::-1])
axes[0].set_title("原图")
axes[1].imshow(dst[:,:,::-1])
axes[1].set_title("旋转后结果")
plt.show()

1.2.6. 图像金字塔

图像金字塔是图像多尺度表达的一种，最主要用于图像的分割，是一种以多分辨率来解释图像的有效但概念简单的结构。

图像金字塔用于机器视觉和图像压缩，一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图的图像集合。其通过梯次向下采样获得，直到达到某个终止条件才停止采样。

金字塔的底部是待处理图像的高分辨率表示，而顶部是低分辨率的近似，层级越高，图像越小，分辨率越低。

cv.pyrUp(img)       #对图像进行上采样
cv.pyrDown(img)     #对图像进行下采样

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 图像读取
img = cv.imread("./images/002.jpg")
# 2 进行图像采样
up_img = cv.pyrUp(img)  # 上采样操作
img_1 = cv.pyrDown(img)  # 下采样操作
# 3 图像显示
cv.imshow('enlarge', up_img)
cv.imshow('original', img)
cv.imshow('shrink', img_1)
cv.waitKey(0)
cv.destroyAllWindows()

image-20220325130111937

1.3. 实验步骤

按照以上实验内容，对images文件夹的图像进行以下，并截图和记录实验结果:

过程：
  • 读取图像
  • 将任意两幅图像进行混合，混合比率为0.6，0.4，将最终的结果保存为图片，名称为blend.jpg
  • 对blend.jpg图像进行平移 (120,20)，将最终结果保存为trans_blend.jpg
  • 对trans_blend.jpg图像进行缩放0.8，将最终结果保存为sca_trans_blend.jpg
  • 对scal_trans_blend.jpg图像进行旋转40度，将最终结果保存为rot_scal_trans_blend.jpg
  • 对rot_scal_trans_blend.jpg图像分别进行上采样和下采样，将结果分别保存为up.jpg和down.jpg
  • 以上结果图片均需要嵌入自己的学号和姓名
要求：
  • 提交实验报告，实验报告中的结果图片均需要嵌入学号和姓名
  • 提交实验代码，代码应该适当进行注释
  • 将结果（实验结果（6张图片）+实验报告+code.py）打包上传到学习通平台上
Copyright © ZHOUWEN all right reserved，powered by GitbookLatest updated： 2022-04-09 13:13:09

results matching ""

    No results matching ""