from skimage import transform,data
import matplotlib.pyplot as plt
img = data.camera()
dst=transform.resize(img, (80, 60))
plt.figure('resize')
plt.subplot(121)
plt.title('before resize')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('before resize')
plt.imshow(dst,plt.cm.gray)
plt.show()

將camera圖片由原來的512*512大小，變成了80*60大小。從下圖中的坐標尺，我們能夠看出來：

2、按比例縮放rescale

函數(shù)格式為：

skimage.transform.rescale(image,scale[,...])

scale參數(shù)可以是單個float數(shù)，表示縮放的倍數(shù)，也可以是一個float型的tuple，如[0.2,0.5],表示將行列數(shù)分開進行縮放

from skimage import transform,data
img = data.camera()
print(img.shape)  #圖片原始大小 
print(transform.rescale(img, 0.1).shape)  #縮小為原來圖片大小的0.1倍
print(transform.rescale(img, [0.5,0.25]).shape)  #縮小為原來圖片行數(shù)一半，列數(shù)四分之一
print(transform.rescale(img, 2).shape)   #放大為原來圖片大小的2倍

結(jié)果為：

(512, 512)
(51, 51)
(256, 128)
(1024, 1024)

3、旋轉(zhuǎn) rotate

skimage.transform.rotate(image,angle[,...],resize=False)

angle參數(shù)是個float類型數(shù)，表示旋轉(zhuǎn)的度數(shù)

resize用于控制在旋轉(zhuǎn)時，是否改變大小，默認為False

from skimage import transform,data
import matplotlib.pyplot as plt
img = data.camera()
print(img.shape)  #圖片原始大小
img1=transform.rotate(img, 60) #旋轉(zhuǎn)90度，不改變大小 
print(img1.shape)
img2=transform.rotate(img, 30,resize=True)  #旋轉(zhuǎn)30度，同時改變大小
print(img2.shape)   
plt.figure('resize')
plt.subplot(121)
plt.title('rotate 60')
plt.imshow(img1,plt.cm.gray)
plt.subplot(122)
plt.title('rotate  30')
plt.imshow(img2,plt.cm.gray)
plt.show()

顯示結(jié)果:

4、圖像金字塔

以多分辨率來解釋圖像的一種有效但概念簡單的結(jié)構(gòu)就是圖像金字塔。圖像金字塔最初用于機器視覺和圖像壓縮，一幅圖像的金字塔是一系列以金字塔形狀排列的分辨率逐步降低的圖像集合。金字塔的底部是待處理圖像的高分辨率表示，而頂部是低分辨率的近似。當向金字塔的上層移動時，尺寸和分辨率就降低。

在此，我們舉一個高斯金字塔的應用實例，函數(shù)原型為：

skimage.transform.pyramid_gaussian(image, downscale=2)

downscale控制著金字塔的縮放比例

import numpy as np
import matplotlib.pyplot as plt
from skimage import data,transform
image = data.astronaut()  #載入宇航員圖片
rows, cols, dim = image.shape  #獲取圖片的行數(shù)，列數(shù)和通道數(shù)
pyramid = tuple(transform.pyramid_gaussian(image, downscale=2))  #產(chǎn)生高斯金字塔圖像
#共生成了log(512)=9幅金字塔圖像，加上原始圖像共10幅，pyramid[0]-pyramid[1]
composite_image = np.ones((rows, cols + cols / 2, 3), dtype=np.double)  #生成背景
composite_image[:rows, :cols, :] = pyramid[0]  #融合原始圖像
i_row = 0
for p in pyramid[1:]:
    n_rows, n_cols = p.shape[:2]
    composite_image[i_row:i_row + n_rows, cols:cols + n_cols] = p  #循環(huán)融合9幅金字塔圖像
    i_row += n_rows
plt.imshow(composite_image)
plt.show()