Python进行图像变换和插值操作详解

图像变换

尽管numpy提供了一些矩阵函数，但图像处理是一个十分浩瀚的领域，numpy的体量显然有些不够。相比之下，【scipy】封装了【ndimage】模块，即专用的多维数组处理模块，自然也涵盖了二维图像的处理。

ndimage中提供了对数组进行平移、缩放以及旋转操作的函数，分别是shift, zoom, rotate，可以实现下面的变换效果

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()

除了输入图像外，平移和缩放均有一个参数，表示图像数据的三个坐标轴宽、高、通道的平移与缩放情况；旋转有两个参数，分别表示旋转角度和旋转轴。

这些变换都是通过插值来实现的，通过参数order可以指定几何变换的插值次数，参数prefilter若设为为True，则会在插值前进行样条滤波。

从上图可知，当平移和旋转在对原数组进行操作后，空出来的区域会被填补为黑色，这由两个参数决定，参数mode用于指定填充方法，默认为constant模式，在此模式下，会用某个常数来填充空余区域，这个数值由参数cval指定。

填充模式

设数组中的值为a b c d，当mode参数取不同的模式时，其填充方法如下

reflect/grid-mirror 反射取点【d c b a | a b c d | d c b a】

mirror 反射取点，不包括边缘点 【d c b | a b c d | c b a】

constant/grid-constant 添加常数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 就近取点 【a a a a | a b c d | d d d d】

grid-wrap 循环处理 【a b c d | a b c d | a b c d】

wrap 循环处理，不包括边缘点【d b c d | a b c d | b c a b】

下面以旋转为例，进一步对比不同mode下的变换效果，旋转函数中有一个axes参数，表示旋转所在的坐标平面。

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

图像插值

由于数组本身是格点化了的，所以对数组的旋转、平移和缩放，并不像实数空间中那么简单。以一维的平移为例，现有三个点，坐标为0,1,2，值对应为a,b,c，现在将这个数轴向右平移0.5，则这a,b,c三个点的坐标就变成了0.5,1.5,2.5，但数组中不允许出现非整数的坐标，所以显示的仍然是0,1,2位置处的值，所以就需要通过0.5,1.5,2.5位置处的值，来插值得到0,1,2位置处的值。

几何变换中所用到的插值方法，就是样条插值，而样条插值的核心步骤，是根据临近点做数据拟合，拟合时最重要的参数就是阶数，这也是旋转、缩放等操作中order参数的源头。

在【ndimage】中，提供了一维样条插值和多维样条插值函数，分别是spline_filter1d和spline_filter，这两个函数的参数也包括order和mode。而一维插值函数还有一个坐标轴选项，用以约定插值的方向，其差别如下。

绘图代码为

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()

到此这篇关于Python进行图像变换和插值操作详解的文章就介绍到这了,更多相关Python图像变换和插值内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论