OpenCV--图像的基本变换

图像的基本变换

  • 代码和笔记

代码和笔记

import cv2
import numpy as np"""
图像的基本变换
"""cat = cv2.imread('./img/cat.jpeg')"""
缩放 
"""
# dsize:(499, 360)这里的宽高和numpy的行列是反过来的 interpolation插值算法
new_cat = cv2.resize(cat, (499, 360), interpolation=cv2.INTER_NEAREST)
# 按xy轴的比例进行缩放
new_cat1 = cv2.resize(cat, dsize=None, fx=1.5, fy=0.5, interpolation=cv2.INTER_LINEAR)cv2.imshow('new_cat', new_cat)
cv2.imshow('new_cat1', new_cat1)"""
翻转
"""
# 0表示上下翻转,>0表示左右  <0左右上下
new_cat2 = cv2.flip(cat, 0)cv2.imshow('new_cat2', new_cat2)"""
旋转
"""
# ROTATE_90_CLOCKWISE 90度顺时针 ROTATE_180 180度 ROTATE_90_COUNTERCLOCKWISE 逆时针90度
new_cat3 = cv2.rotate(cat, rotateCode=cv2.ROTATE_90_COUNTERCLOCKWISE)
cv2.imshow('new_cat3', new_cat3)"""
仿射变换(原图和一个矩阵进行运算)
"""
# 平移操作
# 变换矩阵,至少是float32位 改变200位置的数,往由右平移,变成负数就是往左,100位置的数,往下,变成负数就是往上
M = np.float32([[1, 0, 200], [0, 1, 100]])
new_cat4 = cv2.warpAffine(cat, M, (499, 360))
cv2.imshow('new_cat4', new_cat4)# 在进行旋转操作时,不方便计算变换矩阵
# 获取变换矩阵 (100, 100), 15, 1 以坐标(100, 100)的点旋转(规定按照逆时针)15度,1表示不缩放
M1 = cv2.getRotationMatrix2D((100, 100), 15, 1)# 通过三个点不通过角度确定变换角度,需要原始图片的三个点坐标和变换后的三个对应坐标
src = np.float32([[200, 100], [300, 100], [200, 300]])
dst = np.float32([[100, 150], [360, 200], [280, 120]])
M2 = cv2.getAffineTransform(src, dst)# 透视变换--把斜的图变正
# 获取变换矩阵,需要原图四个坐标和变换后的四个对应坐标
src1 = np.float32([[200, 100], [300, 100], [200, 300], [150, 240]])
dst1 = np.float32([[0, 0], [360, 0], [0, 120], [360, 120]])
M3 = cv2.getPerspectiveTransform(src1, dst1)
# (360, 120)输出大小
new_cat5 = cv2.warpPerspective(cat, M3, (360, 120))cv2.waitKey(0)
cv2.destroyAllWindows()

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/856094.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

AXI三板斧之Outstanding、Out-of-order、interleaving

1、AXI三板斧之Outstanding 可以不用等单个命令的响应&#xff0c;直接连续发送N个命令&#xff08;N>1&#xff09;&#xff0c;假设Slave端的Outstanding能力为N时&#xff08;N>1&#xff09;&#xff0c;那么Master端可以在Slave不返回读数据的情况下&#xff0c;连…

第8天:Django Admin高级配置

第8天&#xff1a;Django Admin高级配置 目标 定制Django Admin界面&#xff0c;提高数据管理效率。 任务概览 注册模型到Admin界面。定制Admin选项&#xff0c;如列表显示、搜索字段、过滤器等。 详细步骤 1. 注册模型到Admin界面 在Django Admin中注册模型&#xff0c…

SARscape——Frost斑点滤波

目录 一、算法原理1、概述2、参考文献 二、软件操作三、结果展示1、原始图像2、滤波结果 一、算法原理 1、概述 2、参考文献 [1] 廉小亲,黄雪,高超,等. 基于Frost滤波和改进CNN的SAR图像TR方法 [J]. 计算机仿真, 2023, 40 (05): 49-55233. [2] SAR图像相干斑滤波算法研究_朱俊…

资深专家教你如何开展新版FMEA培训

新版FMEA的出现&#xff0c;不仅优化了原有的分析流程&#xff0c;更引入了一系列创新的理念和方法&#xff0c;为企业提供了更为全面、细致的风险评估与管理手段。因此&#xff0c;开展新版FMEA培训对于提升企业的质量管理水平、增强产品竞争力具有重要意义。 本文&#xff0…

【昇思25天学习打卡营打卡指南-第一天】基本介绍与快速入门

昇思MindSpore介绍 昇思MindSpore是一个全场景深度学习框架&#xff0c;旨在实现易开发、高效执行、全场景统一部署三大目标。 其中&#xff0c;易开发表现为API友好、调试难度低&#xff1b;高效执行包括计算效率、数据预处理效率和分布式训练效率&#xff1b;全场景则指框架…

【CT】LeetCode手撕—92. 反转链表 II

目录 题目1- 思路2- 实现⭐92. 反转链表 II——题解思路 3- ACM实现 题目 原题连接&#xff1a;92. 反转链表 II 1- 思路 模式识别&#xff1a;翻转 给定 left 和 right 固定区间的链表 ——> ①虚拟头结点 ②三个指针方式实现 2- 实现 ⭐92. 反转链表 II——题解思路 c…

面向对象进阶--抽象(Java 抽象)详解

1.1 抽象类引入 父类中的方法&#xff0c;被它的子类们重写&#xff0c;子类各自的实现都不尽相同。那么父类的方法声明和方法主体&#xff0c;只有声明还有意义&#xff0c;而方法主体则没有存在的意义了(因为子类对象会调用自己重写的方法)。换句话说&#xff0c;父类可能知道…

流媒体学习之路(WebRTC)——音频NackTracker优化思路(8)

流媒体学习之路(WebRTC)——音频NackTracker优化思路&#xff08;8&#xff09; —— 我正在的github给大家开发一个用于做实验的项目 —— github.com/qw225967/Bifrost目标&#xff1a;可以让大家熟悉各类Qos能力、带宽估计能力&#xff0c;提供每个环节关键参数调节接口并实…

数据结构——排序(期末总结)

1. 插入排序 1.1 直接插入排序 思想 假设第一个元素是已经排好序的元素&#xff0c;从第二个元素开始依次插入操作&#xff0c;大的放后面&#xff0c;小的放前面。 代码 void insert(int a[], int n) {int i, j, key;for (i 2; i < n; i){key a[i];j i - 1;while (j…

百度网盘 url 正则表达式

匹配 https://pan.baidu.com/s/1NmVIJiI2Ot8MkI-vxxNPTg?pwdxxxx https://pan.baidu.com/s/[a-zA-Z0-9\-]*(\?pwd[a-zA-Z0-9]{4})?该正则表达式匹配以 https:// 开头&#xff0c;后面跟着 pan.baidu.com/s/ 或 yun.baidu.com/s/&#xff0c;最后跟着一串由大小写字母、数字…

kotlin集合框架

1、集合框架的接口类型对比 2、不可变和可变List fun main() {// 不可变List - 不能删除或添加元素val intList: List<Int> listOf(1,2,3)intList.forEach{println(it) // 1 2 3}println("")// 可变List - 可以删除或添加元素val mutableList mutableListO…

SSL证书怎样配置部署更安全?

在互联网上&#xff0c;SSL证书是用于加密网站与用户之间传输的数据的一种数字证书。它通过建立安全的连接&#xff0c;确保网站的身份和保护用户的隐私&#xff0c;是网站安全的重要组成部分。然而&#xff0c;要想让SSL证书发挥最大的作用&#xff0c;除了检查证书是否过期外…

【Apple Vision pro 应用】Orbital Beats-重塑音乐创作与体验的创新混合现实之旅

轨道节拍:重塑音乐创作与体验的创新混合现实之旅 灵感之源 Orbital Beats 诞生于一个宏大的愿景——革新音乐创作与体验的方式。我们渴望打破传统界限,让用户在视觉沉浸的虚拟环境中与音乐亲密互动。通过直观的手势操控声音,我们期待每个人都能轻松融入音乐创作的世界,无论…

目标检测——YOLOv10算法解读

论文&#xff1a;YOLOv10: Real-Time End-to-End Object Detection (2024.5.23) 作者&#xff1a;Ao Wang, Hui Chen, Lihao Liu, Kai Chen, Zijia Lin, Jungong Han, Guiguang Ding 链接&#xff1a;https://arxiv.org/abs/2405.14458 代码&#xff1a;https://github.com/THU…

深入理解抽象工厂模式:概念与金融行业应用

前言 在软件开发过程中&#xff0c;设计模式提供了解决特定问题的通用方案。抽象工厂模式是一种创建型设计模式&#xff0c;它为创建一系列相关或相互依赖的对象提供了一个接口&#xff0c;而无需指定它们的具体类。本文将详细介绍抽象工厂模式的概念、结构和应用&#xff0c;…

C++ | Leetcode C++题解之第165题比较版本号

题目&#xff1a; 题解&#xff1a; class Solution { public:int compareVersion(string version1, string version2) {int n version1.length(), m version2.length();int i 0, j 0;while (i < n || j < m) {long long x 0;for (; i < n && version1[…

【OpenHarmony开发】自定义系统应用之实践

前言 OpenHarmony系统应用是指预装在OpenHarmony操作系统中的应用程序&#xff0c;也称为系统应用。这些应用程序通常由操作系统开发者开发&#xff0c;包括系统设置、电话、短信、浏览器、相机、音乐、视频等常用应用程序。这些应用程序通常具有更高的权限和更深入的系统集成…

机器学习参数寻优:方法、实例与分析

机器学习参数寻优:方法、实例与分析 机器学习模型的性能很大程度上依赖于其参数的选择。参数寻优(Hyperparameter Tuning)是提升模型表现的关键步骤之一。本文将详细介绍主流的参数寻优方法,包括网格搜索(Grid Search)、随机搜索(Random Search)、贝叶斯优化(Bayesia…

Skype机器人

这段代码是一个Skype机器人,它使用OpenAI的GPT模型来回答与基督教相关的问题。机器人会读取最近的聊天历史,生成一个回复,并发送给用户。以下是对代码每一部分的详细解释: 导入模块 import json import http.client from skpy import SkypeEventLoop, SkypeNewMessageEve…

反激开关电源EMI电路选型及计算

EMI &#xff1a;开关电源对电网或者其他电子产品的干扰 EMI &#xff1a;传导与辐射 共模电感的滤波电路&#xff0c;La和Lb就是共模电感线圈。这两个线圈绕在同一铁芯上&#xff0c;匝数和相位都相 同(绕制反向)。 这样&#xff0c;当电路中的正常电流&#xff08;差模&…