几何变换之重映射---OpenCV-Python开发指南（14）
什么是重映射
把一副图像内的像素点放置到另一幅图像内的指定位置，这个过程我们称为重映射。简单点理解，也就是copy一个图像到另一个图像中。
在OpenCV中，它给我们提供了cv2.remap()函数作为重映射，其定义如下：
def remap(src, map1, map2, interpolation, dst=None, borderMode=None, borderValue=None):
- 1
src：代表原始图像
map1：可以表示(x,y)点的一个映射，也可以表示CV_16SC2、CV_32FC1、CV_32FC2类型（x,y）点的x值
map2：当前map1表示(x,y)点的一个映射时，该值为空。当map1表示CV_16SC2、CV_32FC1、CV_32FC2类型（x,y）点的x值时，该值时CV_16UC1、CV_32FC1类型(x,y)点的y值。
interpolation，borderMode，borderValue与前文类似。
需要注意，map1指代的是像素点所在位置的列号，map2指代的是像素点所在位置的行号。
copy像素点
现在我们假设有一个需求，将目标图像内的所有像素点都映射为原始图像内的第100行，200列上的像素点。具体实现如下：
import cv2
import numpy as np
img = cv2.imread("4.jpg")
rows, cols, ch = img.shape
mapx = np.ones(img.shape[:2], np.float32) * 200
mapy = np.ones(img.shape[:2], np.float32) * 100
result_img = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
cv2.imshow("img", img)
cv2.imshow("result_img", result_img)
cv2.waitKey()
cv2.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
如上面代码所示，我们将所有像素点都设置为原始图像（100，200）点的像素点，会得到一个非常纯色的图像，效果如下所示：
copy整个图像
那么既然能copy某个像素点，那么也肯定能copy整个图像。下面，我们将上图左边的图像全部copy到右边，具体代码如下：
import cv2
import numpy as np
img = cv2.imread("4.jpg")
rows, cols, ch = img.shape
mapx = np.ones(img.shape[:2], np.float32)
mapy = np.ones(img.shape[:2], np.float32)
for i in range(rows): for j in range(cols): mapx.itemset((i,j),j)#设置每个点映射原图的Y坐标 mapy.itemset((i,j),i)#设置每个点映射原图的X坐标
result_img = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
cv2.imshow("img", img)
cv2.imshow("result_img", result_img)
cv2.waitKey()
cv2.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
这里，我们将所有点映射到所有点，每个像素点一一对应，就完成了copy原图像。运行之后，效果如下所示：
绕X轴翻转
通过cv2.remap()函数，我们不仅可以重映射像素点，还可以翻转过来映射，也就是通过它实现X轴的翻转效果，只要保证X轴不变，并且Y坐标值以X轴为对称进行交换即可。
修改上面代码中的某一行，代码如下：
import cv2
import numpy as np
img = cv2.imread("4.jpg")
rows, cols, ch = img.shape
mapx = np.ones(img.shape[:2], np.float32)
mapy = np.ones(img.shape[:2], np.float32)
for i in range(rows): for j in range(cols): mapx.itemset((i,j),j) mapy.itemset((i,j),rows-1-i)#修改这一行即可，对称
result_img = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
cv2.imshow("img", img)
cv2.imshow("result_img", result_img)
cv2.waitKey()
cv2.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
运行之后，我们得到了绕X轴翻转的图像，效果如下：
绕Y轴翻转
既然我们可以通过cv2.remap()函数绕X翻转，那么肯定的也可以绕Y轴翻转，只要将X坐标值以Y轴为对称进行交换即可。
话不多说，直接上代码：
import cv2
import numpy as np
img = cv2.imread("4.jpg")
rows, cols, ch = img.shape
mapx = np.ones(img.shape[:2], np.float32)
mapy = np.ones(img.shape[:2], np.float32)
for i in range(rows): for j in range(cols): mapx.itemset((i,j),cols-1-j)#修改这一行即可 mapy.itemset((i,j),i)#
result_img = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
cv2.imshow("img", img)
cv2.imshow("result_img", result_img)
cv2.waitKey()
cv2.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
运行之后，我们得到绕Y轴翻转的图像：
绕XY轴翻转
那么绕XY轴一起翻转呢？这里二行代码一起更改：
import cv2
import numpy as np
img = cv2.imread("4.jpg")
rows, cols, ch = img.shape
mapx = np.ones(img.shape[:2], np.float32)
mapy = np.ones(img.shape[:2], np.float32)
for i in range(rows): for j in range(cols): mapx.itemset((i,j),cols-1-j) mapy.itemset((i,j),rows-1-i)
result_img = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
cv2.imshow("img", img)
cv2.imshow("result_img", result_img)
cv2.waitKey()
cv2.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
运行之后，效果如下所示：
压缩一半
也就是将原图缩小一般，按将Y轴缩小一般，只需要将X轴设置为2倍即可。具体代码如下所示：
import cv2
import numpy as np
img = cv2.imread("4.jpg")
rows, cols, ch = img.shape
mapx = np.ones(img.shape[:2], np.float32)
mapy = np.ones(img.shape[:2], np.float32)
for i in range(rows): for j in range(cols): mapx.itemset((i,j),j) mapy.itemset((i,j),2*i)#修改这行代码即可
result_img = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
cv2.imshow("img", img)
cv2.imshow("result_img", result_img)
cv2.waitKey()
cv2.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
运行之后，效果显示如下：
既然能压缩，意味着也可以实现缩小，缩小的具体实现，可以当作训练的习题，方便大家巩固掌握，博主在这里就不在赘述了。
文章来源: liyuanjinglyj.blog.csdn.net，作者：李元静，版权归原作者所有，如需转载，请联系作者。
原文链接：liyuanjinglyj.blog.csdn.net/article/details/113807048
- 点赞
- 收藏
- 关注作者
评论（0）