圖像變換

盡管numpy提供了一些矩陣函數(shù)，但圖像處理是一個(gè)十分浩瀚的領(lǐng)域，numpy的體量顯然有些不夠。相比之下，【scipy】封裝了【ndimage】模塊，即專用的多維數(shù)組處理模塊，自然也涵蓋了二維圖像的處理。

ndimage中提供了對數(shù)組進(jìn)行平移、縮放以及旋轉(zhuǎn)操作的函數(shù)，分別是shift, zoom, rotate，可以實(shí)現(xiàn)下面的變換效果

import numpy as np
import matplotlib.pyplot as plt
from scipy.ndimage import *
from scipy.misc import face
img = face()

imDct = {
    "original": img,
    "shift" : shift(img, [50, 50, 0]),
    "zoom" : zoom(img, [1.5, 2, 1]),
    "rotate" : rotate(img, 15, axes=(1,0))
}

fig = plt.figure()
for i, key in enumerate(imDct):
    fig.add_subplot(2,2,i+1)
    plt.imshow(imDct[key])
    plt.title(key)
    plt.axis('off')

plt.show()

除了輸入圖像外，平移和縮放均有一個(gè)參數(shù)，表示圖像數(shù)據(jù)的三個(gè)坐標(biāo)軸寬、高、通道的平移與縮放情況；旋轉(zhuǎn)有兩個(gè)參數(shù)，分別表示旋轉(zhuǎn)角度和旋轉(zhuǎn)軸。

這些變換都是通過插值來實(shí)現(xiàn)的，通過參數(shù)order可以指定幾何變換的插值次數(shù)，參數(shù)prefilter若設(shè)為為True，則會(huì)在插值前進(jìn)行樣條濾波。

從上圖可知，當(dāng)平移和旋轉(zhuǎn)在對原數(shù)組進(jìn)行操作后，空出來的區(qū)域會(huì)被填補(bǔ)為黑色，這由兩個(gè)參數(shù)決定，參數(shù)mode用于指定填充方法，默認(rèn)為constant模式，在此模式下，會(huì)用某個(gè)常數(shù)來填充空余區(qū)域，這個(gè)數(shù)值由參數(shù)cval指定。

填充模式

設(shè)數(shù)組中的值為a b c d，當(dāng)mode參數(shù)取不同的模式時(shí)，其填充方法如下

reflect/grid-mirror 反射取點(diǎn)【d c b a | a b c d | d c b a】

mirror 反射取點(diǎn)，不包括邊緣點(diǎn) 【d c b | a b c d | c b a】

constant/grid-constant 添加常數(shù)k【k k k k | a b c d | k k k k】

grid-constant 【k k k k | a b c d | k k k k】

nearest 就近取點(diǎn) 【a a a a | a b c d | d d d d】

grid-wrap 循環(huán)處理 【a b c d | a b c d | a b c d】

wrap 循環(huán)處理，不包括邊緣點(diǎn)【d b c d | a b c d | b c a b】

下面以旋轉(zhuǎn)為例，進(jìn)一步對比不同mode下的變換效果，旋轉(zhuǎn)函數(shù)中有一個(gè)axes參數(shù)，表示旋轉(zhuǎn)所在的坐標(biāo)平面。

imDct = {
    "mirror" : rotate(img, 15, axes=(1,0), mode='mirror'),
    "reflect" : rotate(img, 30, axes=(1,0), mode='reflect'),
    "nearest" : rotate(img, 45, axes=(1,0), mode='nearest'),
}
fig = plt.figure()
for i, key in enumerate(imDct):
    fig.add_subplot(1,3,i+1)
    plt.imshow(imDct[key])
    plt.title(key)
    plt.axis('off')


plt.show()

效果如下

圖像插值

由于數(shù)組本身是格點(diǎn)化了的，所以對數(shù)組的旋轉(zhuǎn)、平移和縮放，并不像實(shí)數(shù)空間中那么簡單。以一維的平移為例，現(xiàn)有三個(gè)點(diǎn)，坐標(biāo)為0,1,2，值對應(yīng)為a,b,c，現(xiàn)在將這個(gè)數(shù)軸向右平移0.5，則這a,b,c三個(gè)點(diǎn)的坐標(biāo)就變成了0.5,1.5,2.5，但數(shù)組中不允許出現(xiàn)非整數(shù)的坐標(biāo)，所以顯示的仍然是0,1,2位置處的值，所以就需要通過0.5,1.5,2.5位置處的值，來插值得到0,1,2位置處的值。

幾何變換中所用到的插值方法，就是樣條插值，而樣條插值的核心步驟，是根據(jù)臨近點(diǎn)做數(shù)據(jù)擬合，擬合時(shí)最重要的參數(shù)就是階數(shù)，這也是旋轉(zhuǎn)、縮放等操作中order參數(shù)的源頭。

在【ndimage】中，提供了一維樣條插值和多維樣條插值函數(shù)，分別是spline_filter1d和spline_filter，這兩個(gè)函數(shù)的參數(shù)也包括order和mode。而一維插值函數(shù)還有一個(gè)坐標(biāo)軸選項(xiàng)，用以約定插值的方向，其差別如下。

繪圖代碼為

import numpy as np
import matplotlib.pyplot as plt
from scipy.ndimage import *
ori = np.eye(20)
ori[10, :] = 1.0

fDct = {
    "ori" : ori,
    "axis_0" : spline_filter1d(ori, axis=0),
    "axis_1" : spline_filter1d(ori, axis=1),
    "multi axis, order=3" : spline_filter(ori, order=3),
    "multi axis, order=4" : spline_filter(ori, order=4),
    "multi axis, order=5" : spline_filter(ori, order=5)
}

fig = plt.figure()
for i, key in enumerate(fDct):
    fig.add_subplot(2, 3, i+1)
    plt.imshow(fDct[key], cmap='gray_r')
    plt.title(key)

plt.show()

到此這篇關(guān)于Python進(jìn)行圖像變換和插值操作詳解的文章就介紹到這了,更多相關(guān)Python圖像變換和插值內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！