Python-OpenCV(6)

標籤：

接著上篇,這次寫兩個主題:

1. OpenCV中的色彩空間轉換
2. OpenCV中的幾何變換

OpenCV中的色彩空間轉換

色彩空間有許多種，常用有RGB，CMY，HSV,HSI等. 我們平時說的三通道的圖就是指的是RGB的圖.
貼一段百度百科的介紹:

RGB（紅綠藍）是依據人眼識別的顏色定義出的空間，可表示大部分顏色。但在科學研究一般不採用RGB色彩空間，因為它的細節難以進行數字化的調整。它將色調，亮度，飽和度三個量放在一起表示，很難分開。它是最通用的面向硬體的彩色模型。該模型用於彩色監視器和一大類彩色視頻攝像

CMY是工業印刷採用的色彩空間。它與RGB對應。簡單的類比RGB來源於是物體發光，而CMY是依據反射光得到的。具體應用如印表機：一般採用四色墨盒，即CMY加黑色墨盒

HSV,HSI兩個色彩空間都是為了更好的數字化處理顏色而提出來的。有許多種HSX色彩空間，其中的X可能是V,也可能是I，依據具體使用而X含義不同。H是色調，S是飽和度，I是強度

對於影像處理上,常見的色彩空間轉換就是兩種:

1. RGB—>Gray
2. RGB—>HSV

轉換API：

cv2.cvtColor(input_image,flag)，falg是轉換類型

代碼:

__author__ = ‘gavinzhou‘# -*- coding: utf-8 -*-import cv2# read the original imagesim = cv2.imread("./images/1.png")if len(im.shape) == 3:    print "original image is an RGB image"else:    print "original image is an gray image"# convert to grayif len(im.shape) == 3:    im_gray = cv2.cvtColor(im, cv2.COLOR_RGB2GRAY)# convert to HSVif len(im.shape) == 3:    im_hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)# show the imagescv2.imshow("ori", im)cv2.imshow("gray", im_gray)cv2.imshow("hsv", im_hsv)cv2.waitKey(8000)cv2.destroyAllWindows()

結果：

這個圖的右下角是我的案頭哈，不是顯示的圖

OpenCV中的幾何變換

這個部分的化就比較難了，如果大家只是想實作類別似於映像翻轉之類的，大家可以不用看這個，直接使用PIL,裡面有簡單的實現，直接調用就行了，不需要看這個
如果你還想實現點更強大點的功能，那就有必要看看接下來的了

空間變換對應矩陣的仿射變換。一個座標通過函數變換的新的座標位置：

就是原始的點座標(x,y)，經過轉換以後，新的座標是(x‘,y‘)

所以，實質上幾何變換就是點的變換，對應到矩陣就是仿射變換

舉個例子：
把映像向右移動兩個像素，其實就是將原始的像素的位置，比如(x,y)，變為(x+2,y+2)，這樣就是映像整體向右移動了兩個像素

下面，以2x2的矩陣來說明問題

平移變換

對原始的座標來說,(x,y)變換為(x‘,y‘)，所以變換矩陣及逆矩陣:

縮放變換

將映像橫座標放大（或縮小）sx倍，縱座標放大（或縮小）sy倍，變換矩陣及逆矩陣:

旋轉變換

映像繞原點逆時針旋轉a角，其變換矩陣及逆矩陣（順時針選擇）為：

代碼：

__author__ = ‘gavinzhou‘# -*- coding: utf-8 -*-import cv2import numpy as npfrom matplotlib import pyplot as plt# read the original imagesimg = cv2.imread("./images/1.png")rows, cols, channels = img.shaperes = cv2.resize(img, (cols/2, rows/2))#Translation:# 1.shiftM_shift = np.float32([[1, 0, 100], [0, 1, 50]])img_shift = cv2.warpAffine(img, M_shift, (cols, rows))# 2.rotateM_rotate = cv2.getRotationMatrix2D((cols/2, rows/2), 90, 1)img_rotate = cv2.warpAffine(img, M_rotate, (cols, rows))# 3.affinepts1 = np.float32([[50, 50], [200, 50], [50, 200]])pts2 = np.float32([[10, 100], [200, 50], [100, 250]])M_affine = cv2.getAffineTransform(pts1,pts2)img_affine = cv2.warpAffine(img, M_affine, (cols, rows))# 4.perspectivepts3 = np.float32([[56, 65], [368, 52], [28, 387], [389, 390]])pts4 = np.float32([[0, 0], [300, 0], [0, 300], [300, 300]])M_perspective = cv2.getPerspectiveTransform(pts3, pts4)img_perspective = cv2.warpPerspective(img, M_perspective, (cols, rows))print ‘shift:\n‘, M_shiftprint ‘rotate:\n‘, M_rotateprint ‘affine:\n‘, M_affineprint ‘perspective:\n‘, M_perspectiveplt.subplot(231), plt.imshow(img), plt.title(‘src‘)plt.subplot(232), plt.imshow(res), plt.title(‘scale‘)plt.subplot(233), plt.imshow(img_shift), plt.title(‘shift‘)plt.subplot(234), plt.imshow(img_rotate), plt.title(‘rotate‘)plt.subplot(235), plt.imshow(img_affine), plt.title(‘affine‘)plt.subplot(236), plt.imshow(img_perspective), plt.title(‘perspective‘)plt.show()

結果：

console列印結果：

shift:[[   1.    0.  100.] [   0.    1.   50.]]rotate:[[  6.12323400e-17   1.00000000e+00   7.70000000e+01] [ -1.00000000e+00   6.12323400e-17   4.73000000e+02]]affine:[[  1.26666667   0.6        -83.33333333] [ -0.33333333   1.          66.66666667]]perspective:[[  1.05587376e+00   9.18151097e-02  -6.50969128e+01] [  4.69010049e-02   1.12562412e+00  -7.57920240e+01] [  1.83251448e-04   5.13337001e-04   1.00000000e+00]]

Python-OpenCV(6)