2019-09-07 17:05:40 weixin_44225182 阅读数 1415

图像平移

对于图像的平移,MATLAB中是可以利用膨胀函数平移图像。
代码:

I = imread('a1.jpg');
se = translate(strel(1), [50 140]);%将一个平面结构化元素分别向下和向右移动30个位置
J = imdilate(I,se);%利用膨胀函数平移图像
subplot(121);imshow(I), title('原图')
subplot(122), imshow(J), title('移动后的图像');

效果图:
在这里插入图片描述
这里我重点说平移的基本原理及代码实现。

首先,我们必须要知道图像是怎么平移的?图像可以看成二维矩阵,由很多的像素点组成,假设一个像素点的坐标为(1,2),我们向下平移2个像素,向右平移3个像素,那么目标坐标就是(3,5)。这个在二维坐标中很好得出结果,无非就是横纵坐标加减偏移地址罢了,但是在矩阵中怎么算呢?其实这里有几种方法,但思维都是一样的。看原理:
假设(x0,y0)是原图像的点,Tx是x方向偏移量,Ty是y方向偏移量(图像处理一般向下为x轴,向右为y轴)。那么(x1,y1)可以由下图矩阵计算。

在这里插入图片描述
通过上面的矩阵运算,我们对原图像的中的每一个像素点进行该变换(仅仅是位置变换),得到新的坐标,然后在新坐标下显示原图像。

代码(这个是copy别人的,她用的矩阵变换和我的不一样,但是原理相同):

I=rgb2gray(imread('a1.jpg'));%读入图片并转化为灰度图
subplot(1,2,1),imshow(I),title('原图');                   %建立窗口,显示灰度图I
[r,c]=size(I);                      %计算灰度图的大小,r表示行,c表示列,即通过size函数将灰度图I的行数存在矩阵的r中,列数存在矩阵的c中,这样就知道灰度图的大小是r×c
dst=zeros(r,c);                     %建立r×c的0矩阵(平移结果矩阵),初始化为零(黑色)
dx=50;                              %平移的x方向的距离,这里是竖直方向
dy=80;                              %平移的y方向的距离,这里是水平方向
tras=[1 0 dx;0 1 dy;0 0 1];         %平移变换矩阵
for i=1:r
    for j=1:c
        temp=[i;j;1];               %灰度图I要平移变换的点,这里用矩阵表示
        temp=tras*temp;             %矩阵相乘,得到三行一列的矩阵temp,即平移后的矩阵
        x=temp(1,1);                %把矩阵temp的第一行第一列的元素给x   
        y=temp(2,1);                %把矩阵temp的第二行第一列的元素给y 
        if(x>=1&&x<=r)&&(y>=1&&y<=c)%判断所变换后得到的点是否越界
            dst(x,y)=I(i,j);        %得到平移结果矩阵,点(x,y)是由点(i,j)平移而来的,有对应关系 
        end
    end
end
subplot(1,2,2),imshow(uint8(dst)),title('平移后');          %建立窗口,显示平移后的图

效果图:
在这里插入图片描述
效果虽然达到了,但是,她的这种写法好像都变成了灰色图片。那么怎么得到和膨胀函数的效果一样呢?
这个也简单,我们只需要对原图像的三个通道分别平移,再合成就ok了(就是这么简单,哈哈)。
代码(这个才是我写的):

 t=imread('a1.jpg');

%分别提取三通道的矩阵
t_1=t(:,:,1)
t_2=t(:,:,2)
t_3=t(:,:,3)

%这里不能是[m,n]=size(t),我们是用三个二维矩阵合成一个三维图片(这里图片看出三维,毕竟有RGB)
[m,n,z]=size(t);

% 定义偏移量
dx=50;
dy=140;

%定义新矩阵 ,存储新坐标
r_1=zeros(m,n);
r_2=zeros(m,n);
r_3=zeros(m,n);

%martix 变换用的矩阵
martix=[1,0,dx;0,1,dy;0,0,1];

%坐标变换
for i=1:m
for j=1:n
tem=[i;j;1];
tem=martix*tem;
x=tem(1,1);
y=tem(2,1);
if(x>=1&&x<=m)&&(y>=1&&y<=n)
r_1(x,y)=t_1(i,j);
r_2(x,y)=t_2(i,j);
r_3(x,y)=t_3(i,j);
end
end
end

%得到三个新矩阵合成一张图片
rt=t
rt(:,:,1)=r_1;
rt(:,:,2)=r_2;
rt(:,:,3)=r_3;

%显示
subplot(1,2,1),imshow(t),title('原图');
subplot(1,2,2),imshow(rt),title('平移后');

效果图:
在这里插入图片描述

更多

获取更多资料、代码,微信公众号:海轰Pro
回复 海轰 即可

2018-07-29 10:41:14 ywxk1314 阅读数 6475

1、代码如下:

(1)

close all;clear all;clc;  %关闭所有图形窗口,清除工作空间所有变量,清空命令行
I=imread('lena1.bmp');
a=50;b=50;
J1=move(I,a,b);
a=-50;b=50;
J2=move(I,a,b);
a=50;b=-50;
J3=move(I,a,b);
a=-50;b=-50;
J4=move(I,a,b);
set(0,'defaultFigurePosition',[100,100,1000,500]);
set(0,'defaultFigureColor',[1 1 1]);
figure(1);
subplot(121),imshow(J1),axis on;         
subplot(122),imshow(J2),axis on;   
figure(2);
subplot(121),imshow(J3),axis on;         
subplot(122),imshow(J4),axis on; 

(2)move函数代码:

function J = move( I,a,b )
%UNTITLED 此处显示有关此函数的摘要
%   此处显示详细说明
%a,b为平移量,I为原图像,J为平移后图像
[M,N,G]=size(I);
I=im2double(I);
J=ones(M,N,G);
for i=1:M
    for j=1:N
        if((i+a)>=1&&(i+a)<=M&&(j+b)>=1&&(j+b)<=N)  %判断平移后行列是否超过范围
            J(i+a,j+b,:)=I(i,j,:);
        end
    end
    
end

2、运行效果如下:

(1)

(2)

2016-11-08 16:01:52 u012428169 阅读数 2644

作为代码界的菜鸟,最近在尝试着用vs实现《数字图像处理与机器视觉》一书中有关图像处理的VC++代码。目前先从简单的图像几何变换做起,希望能记录自己的成长^_^
本篇是图像平移变换的实现。

#include <iostream>
#include <opencv2\core\core.hpp>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\imgproc\imgproc.hpp>

using namespace std;
using namespace cv;

/********************************************
void imMove(Mat img,Mat &dst,int x,int y)
功能: 平移图像
注: 图像范围不变
参数:  Mat img:原图像
       Mat dst: 处理后得到的图像
       int x: 水平右移距离
       int y: 垂直下移距离
返回值: 无
*********************************************/
void imMove(Mat img,Mat &dst, int x, int y)
{
    int nHeight = img.rows;
    int nWidth = img.cols;
    int i, j;
    if (x > nWidth || y > nHeight)
    {
        cout << "超出图片大小" << endl;
        return;
    }

    for (i = 0; i < nHeight; i++)
    {
        for (j = 0; j < nWidth; j++)
        {
            if (i - x>0 && i - x<nHeight&&j - y>0 && j - y < nWidth)
                dst.at<Vec3b>(i, j) = img.at<Vec3b>(i - x, j - y);
            else
            {
                dst.at<Vec3b>(i, j)[0] = 0;
                dst.at<Vec3b>(i, j)[1] = 0;
                dst.at<Vec3b>(i, j)[2] = 0;
            }
        }
    }
}
int main()
{
    Mat img = imread("1.jpg");
    Mat dst=img.clone();
    imshow("原图", img);
    //平移变换后
    imMove(img,dst, 40, 60);
    imshow("平移变换", dst);
    waitKey(0);
    return 0;
}

结果图如下:
原图
平移变换

2019-04-26 21:26:00 zaishuiyifangxym 阅读数 1315

目录

1 图像缩放- resize()

2 图像旋转- getRotationMatrix2D(), warpAffine()

3 图像翻转- flip()

4 图像平移- warpAffine()

参考资料


图像几何变换有图像缩放、图像旋转、图像翻转和图像平移等。

 

1 图像缩放- resize()

图像缩放主要调用 resize() 函数实现,具体如下:

result = cv2.resize(src, dsize[, result[. fx[, fy[, interpolation]]]])

其中,参数

src 表示原始图像;

dsize 表示缩放大小;

fx和fy 也可以表示缩放大小倍数,他们两个(dsize或fx/fy)设置一个即可实现图像缩放。例如:

(1)result = cv2.resize(src, (160,160))

(2)result = cv2.resize(src, None, fx=0.5, fy=0.5)

图像缩放:设({x_0},{y_0})是缩放后的坐标,(x,y)是缩放前的坐标,{s_x} 和 {s_y} 为缩放因子,则公式如下:

                                                                       [{x_0}\text{ }{\text{ }}{y_0}\text{ }{\text{ }}1] = [x\text{ }{\text{ }}y\text{ }{\text{ }}1]{\text{ }}\left[ \begin{gathered} {s_x}\text{ }{\text{ }}0\text{ }\text{ }{\text{ 0}} \hfill \\ 0{\text{ }}\text{ }\text{ }{s_y}\text{ }{\text{ 0}} \hfill \\ {\text{0 }}\text{ }\text{ }0\text{ }\text{ }{\text{ 1}} \hfill \\ \end{gathered} \right]

 

(1) cv2.resize(src, (200,100)) 设置的dsize是列数为200,行数为100

result = cv2.resize(src, (200,100))

代码如下:

# encoding:utf-8
import cv2
import numpy as np

# 读取图片
src = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

# 图像缩放
result = cv2.resize(src, (200,100))
print (result.shape)

# 显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下图所示:

 

(2)可以获取 原始图像像素\times乘以缩放系数 进行图像变换;

result = cv2.resize(src, (int(cols * 0.6), int(rows * 1.2)))

 

代码如下所示:

# encoding:utf-8
import cv2
import numpy as np

# 读取图片
src = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)
rows, cols = src.shape[:2]
print
rows, cols

# 图像缩放 dsize(列,行)
result = cv2.resize(src, (int(cols * 0.6), int(rows * 1.2)))

# 显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下图所示:

 

(3)(fx,fy) 缩放倍数的方法对图像进行放大或缩小。

result = cv2.resize(src, None, fx=0.3, fy=0.3)

 

代码如下所示:

# encoding:utf-8
import cv2
import numpy as np

# 读取图片
src =cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)
rows, cols = src.shape[:2]
print
rows, cols

# 图像缩放
result = cv2.resize(src, None, fx=0.3, fy=0.3)

# 显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下图所示:(按例比 0.3 \times 0.3 缩小)


 

2 图像旋转- getRotationMatrix2D(), warpAffine()

图像旋转:设 ({x_0},{y_0}) 是旋转后的坐标,({x},{y}) 是旋转前的坐标,({ m},{n}) 是旋转中心,a 是旋转的角度,({ left},{top}) 是旋转后图像的左上角坐标,则公式如下:

                                     [{x_0}\text{ }{\text{ }}{y_0}\text{ }{\text{ }}1] = [x\text{ }{\text{ }}y\text{ }{\text{ }}1]{\text{ }}\left[ \begin{gathered} \text{ }\text{ } 1\text{ }\text{ }\text{ }{\text{ }}0\text{ }\text{ }{\text{ 0}} \hfill \\ \text{ }\text{ }0{\text{ }} - 1\text{ }{\text{ 0}} \hfill \\ {\text{ - }}m\text{ }{\text{ }}n\text{ }{\text{ 1}} \hfill \\ \end{gathered} \right]{\text{ }}\left[ \begin{gathered} \cos a{\text{ }} - \sin a{\text{ }}0 \hfill \\ \sin a\text{ }\text{ }{\text{ }}\cos a\text{ }{\text{ }}0 \hfill \\ \text{ }\text{ }{\text{ }}0{\text{ }}\text{ }\text{ }\text{ }\text{ }\text{ }\text{ }0\text{ }\text{ }\text{ }{\text{ }}1 \hfill \\ \end{gathered} \right]{\text{ }}\left[ \begin{gathered} \text{ }\text{ }1\text{ }\text{ }\text{ }\text{ }{\text{ }}0\text{ }\text{ }{\text{ }}0 \hfill \\ \text{ }\text{ }0{\text{ }} \text{ }- 1\text{ }{\text{ }}0 \hfill \\ left\text{ }{\text{ }}top{\text{ }}\text{ }1 \hfill \\ \end{gathered} \right]

 

图像旋转主要调用getRotationMatrix2D() 函数和 warpAffine() 函数实现,绕图像的中心旋转,具体如下:

M = cv2.getRotationMatrix2D((cols/2, rows/2), 30, 1)

其中,参数分别为:旋转中心、旋转度数、scale

rotated = cv2.warpAffine(src, M, (cols, rows))

其中,参数分别为:原始图像、旋转参数 和 原始图像宽高

 

(1)旋转30度

代码如下:

# encoding:utf-8
import cv2
import numpy as np

# 读取图片
src =  cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

# 原图的高、宽 以及通道数
rows, cols, channel = src.shape

# 绕图像的中心旋转
# 参数:旋转中心 旋转度数 scale
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 30, 1)
# 参数:原始图像 旋转参数 元素图像宽高
rotated = cv2.warpAffine(src, M, (cols, rows))

# 显示图像
cv2.imshow("src", src)
cv2.imshow("rotated", rotated)

 

运行结果如下图所示:

 

(2)旋转90度

代码如下:

# encoding:utf-8
import cv2
import numpy as np

# 读取图片
src =  cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

# 原图的高、宽 以及通道数
rows, cols, channel = src.shape

# 绕图像的中心旋转
# 参数:旋转中心 旋转度数 scale
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 90, 1)
# 参数:原始图像 旋转参数 元素图像宽高
rotated = cv2.warpAffine(src, M, (cols, rows))

# 显示图像
cv2.imshow("src", src)
cv2.imshow("rotated", rotated)

 

运行结果如下图所示:

 

(3)旋转180度

代码如下:

# encoding:utf-8
import cv2
import numpy as np

# 读取图片
src =  cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)

# 原图的高、宽 以及通道数
rows, cols, channel = src.shape

# 绕图像的中心旋转
# 参数:旋转中心 旋转度数 scale
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 180, 1)
# 参数:原始图像 旋转参数 元素图像宽高
rotated = cv2.warpAffine(src, M, (cols, rows))

# 显示图像
cv2.imshow("src", src)
cv2.imshow("rotated", rotated)

 

运行结果如下图所示:


 

3 图像翻转- flip()

图像翻转在OpenCV中调用函数 flip() 实现,函数用法如下:

dst = cv2.flip(src, flipCode)

其中,参数:

src 表示原始图像;

flipCode 表示翻转方向,如果flipCode为0,则以X轴为对称轴翻转,如果fliipCode>0则以Y轴为对称轴翻转,如果flipCode<0则在X轴、Y轴方向同时翻转。

 

代码如下:(注意一个窗口多张图像的用法

# encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)
src = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 图像翻转
# 0以X轴为对称轴翻转 >0以Y轴为对称轴翻转 <0X轴Y轴翻转
img1 = cv2.flip(src, 0)
img2 = cv2.flip(src, 1)
img3 = cv2.flip(src, -1)

# 显示图形 (注意一个窗口多张图像的用法)
titles = ['Source', 'Image1', 'Image2', 'Image3']
images = [src, img1, img2, img3]
for i in range(4):
    plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

 

运行结果如下图所示:(注意一个窗口多张图像的用法


 

4 图像平移- warpAffine()

图像平移:设 ({x_0},{y_0}) 是缩放后的坐标,({x},{y}) 是缩放前的坐标,{d_x},{d_y} 为偏移量,则公式如下:

                                                             [{x_0}\text{ }{\text{ }}{y_0}\text{ }{\text{ }}1] = [x\text{ }{\text{ }}\text{ }y{\text{ }}\text{ }1]{\text{ }}\left[ \begin{gathered} \text{ }1{\text{ }}\text{ }\text{ }0\text{ }\text{ }{\text{ }}0 \hfill \\ \text{ }0\text{ }\text{ }{\text{ }}1\text{ }\text{ }{\text{ }}0 \hfill \\ {d_x}{\text{ }}\text{ }{d_y}{\text{ }}\text{ }1 \hfill \\ \end{gathered} \right]

 

图像平移首先定义平移矩阵M,再调用 warpAffine() 函数实现平移,函数用法如下:

M = np.float32([[1, 0, x], [0, 1, y]])

shifted = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))

 

代码如下:

# encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
img = cv2.imread("lena.tiff", cv2.IMREAD_UNCHANGED)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 图像平移 下、上、右、左平移
M = np.float32([[1, 0, 0], [0, 1, 100]])
img1 = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))

M = np.float32([[1, 0, 0], [0, 1, -100]])
img2 = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))

M = np.float32([[1, 0, 100], [0, 1, 0]])
img3 = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))

M = np.float32([[1, 0, -100], [0, 1, 0]])
img4 = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))

# 显示图形
titles = ['Image1', 'Image2', 'Image3', 'Image4']
images = [img1, img2, img3, img4]
for i in range(4):
    plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

 

运行结果如下图所示:


 

参考资料

[1] https://blog.csdn.net/Eastmount/article/details/82454335

[2] Python+OpenCV图像处理

2013-07-09 20:03:29 liwuji930726 阅读数 2269

 数字图像处理的主要两种方法:空域法和频域法

 图像变换主要两种重要方式:图像几何变换(空间变换)和图像正交变换

 图像几何变换是指原始图像按照需要进行大小、形状和位置的变化,属于空域法处理

 图像位置变换主要包括图像平移、图像旋转、图像镜像、图像转置

 

图像平移:

概念:图像平移是指将图像中所有像素点按照指定的平移量水平或垂直移动到期望的位置。图像平移只是改变图像在屏幕上的位置,图像本身并不发生变化,实质是一种坐标的变换。

算法设计描述:

 1)将源图像保存到缓冲区,并记录下缓冲区的地址。

 2)采用某种交互方式(如对话框),分别设定在水平和垂直方向上的平移量。

 3)重新分配一个与源图像一样大小的临时缓冲区。

 4)根据步骤2)中设定的平移量及源图像中每个像素点的坐标值,获得平移后各像素点的新坐标值,实现图像的平移,并且不显示已经移出源图区域的图像(如果超出源图的范围,则将该点的像素值统一设置为255(白色))

 

/*************************************************************************
* 函数名称:Translation(LPSTR lpSrcStartBits, long lWidth, long lHeight, long lXOffset,
long lYOffset,long lLineBytes,long lDstLineBytes)
* 函数参数:
*   LPSTR lpSrcStartBits,指向源DIB起始像素的指针
*   long lWidth,DIB图像的宽度
*   long lHeight,DIB图像的高度
*   long lXOffset,X方向偏移量
*   long lYOffset,Y方向偏移量
*   long lLineBytes,DIB图像的行字节数,为4的倍数
*   long lDstLineBytes,临时DIB图像的行字节数,为4的倍数
* 函数类型:BOOL       
* 函数功能:该函数用来平移DIB图像
************************************************************************/
BOOL  Translation(LPSTR lpSrcStartBits, long lWidth, long lHeight,
      long lXOffset, long lYOffset,long lLineBytes,long lDstLineBytes)     

 long i;                 //行循环变量
 long j;                 //列循环变量
 LPSTR lpSrcDIBBits; //指向源像素的指针
 LPSTR lpDstDIBBits; //指向临时图像对应像素的指针
 LPSTR lpDstStartBits; //指向临时图像对应像素的指针   
 HLOCAL hDstDIBBits; //临时图像句柄

 hDstDIBBits= LocalAlloc(LHND, lWidth * lDstLineBytes);// 分配临时内存
 lpDstStartBits= (char * )LocalLock(hDstDIBBits);// 锁定内存 
 if (hDstDIBBits== NULL)// 判断是否内存分配  
  return FALSE;// 分配内存失败    
 for(i = 0; i < lHeight; i++)// 行
 {
  for(j = 0; j < lWidth; j++) // 列
  {
   lpDstDIBBits=(char*)lpDstStartBits+lLineBytes*(lHeight-1-i)+j;// 指向新DIB第i行,第j个像素的指针            
   if( (j-lYOffset>= 0) && (j-lYOffset< lWidth) && // 像素在源DIB中的坐标j-lXOffset
    (i-lXOffset>= 0) && (i-lXOffset < lHeight))// 判断是否在源图范围内
   {
    lpSrcDIBBits=(char *)lpSrcStartBits+lLineBytes*(lHeight-1-
     (i-lXOffset))+(j-lYOffset);// 指向源DIB第i0行,第j0个像素的指针        
    *lpDstDIBBits= *lpSrcDIBBits;// 复制像素
   }
   else
   {    
    *((unsigned char*)lpDstDIBBits) = 255;// 源图中没有的像素,赋为255
   }   
  }
 }
 memcpy(lpSrcStartBits, lpDstStartBits, lLineBytes * lHeight);// 复制图像  
 LocalUnlock(hDstDIBBits);// 释放内存
 LocalFree(hDstDIBBits);  
 return TRUE;
}

 

VC编程实现(基于VS2010):

代码链接:点击打开链接

 

 

没有更多推荐了,返回首页