: التحويلات الهندسية للصور¶
: الهدف¶
تعلم اجراء تحويلات هندسية مختلفة , مثل النقل , التدوير , وتحويل ال(التوازي)ال
affine
وسنرى هذه التوابع
cv2.getPerspectiveTransform()
: التحويلات¶
يقدم
OpenCV
تابعين للتحويل
cv2.wrapAffine , cv2.wrapPerspective
واللذين يمكن انجاز كل انواع التحويلات بهما , الاول ياخذ مصفوفة تحويل
2X3
اما الثاني فقياس مصفوفته
3X3
:التحجيم¶
التحجيم هو فقط , تحديد قياس الصورة والمكتبة تقدم تابعا لهذا
cv2.resize()
قياس الصورة يمكن تحديده يدوياً او يمكن تحديد عامل التحجيم , وهناك عدة طرق للاستيفاء ممكنة , كالتالي:
cv2.INTER_AREA cv2.INTER_CUBIC and cv2.INTER_LINEAR
الاول للتقليص , والثاني للتكبير , وافتراضياً تستخدم الطريقة الاخيرة , لكل حالات التحجيم , والتالي يبين الطرق المختلفة الممكنة لذلك
import cv2
import numpy as np
img = cv2.imread('Rene_Decart.jpg')
res = cv2.resize(img,None,fx=2, fy=2, interpolation = cv2.INTER_CUBIC)
# OR
height, width = img.shape[:2]
res = cv2.resize(img,(2*width, 2*height), interpolation = cv2.INTER_CUBIC)
: النقل¶
النقل هو ازاحة مكان جسم ما , اذا عرفت مقدار الازاحة بالاحداثيات فرضاً
tx , ty
يمكنك انشاء مصفوفة التحويل كالتالي:
$$ M = [ [1 , 0 , tx], [0 , 1 , ty]] $$ويمكنك تحويلها لصيغة
np..float32
وتمريرها للتابع
cv2.wrapAffine()
انظر للمثال ادناه , لازاحة بمقدار , (100,5)كالتالي
%matplotlib inline
from matplotlib import pyplot as plt
img = cv2.imread('Rene_Decart.jpg',0)
rows,cols = img.shape
M = np.float32([[1,0,100],[0,1,50]])
dst = cv2.warpAffine(img,M,(cols,rows))
# change 4 matplotlib
#img1 = np.zeros(dst.shape,np.uint8)
#img1[:,:,0] = dst[:,:,2]
#img1[:,:,1] = dst[:,:,1]
#img1[:,:,2] = dst[:,:,0]
res = np.hstack([img , dst])
plt.imshow(res,cmap = 'gray')
plt.xticks([])
plt.yticks([])
plt.title('Original - Transformed')
plt.show()
: التدوير¶
تدوير الصورة بزاوية , يتم من خلال مصفوفة التحويل من الشكل
$$ M = [[cos(th) , -sin(th)], [sin(th) , cos(th) ]] $$ولكن يمكن ل
OpenCV
اعطاء مصفوفة للتدوير حول اي نقطة وبأي زاوية , ولكن اولاً يجب ايجاد المصفوفة الموافقة من خلال تابع اخر
cv2.getRotationMatrix2D()
المثال التالي يدور الصورة بزاوية 90 درجة , بدون اي تحجيم
M = cv2.getRotationMatrix2D((cols/2,rows/2),90,1)
dst = cv2.warpAffine(img,M,(cols,rows))
res = np.hstack([img , dst])
plt.imshow(res,cmap = 'gray')
plt.xticks([])
plt.yticks([])
plt.title('Original - Transformed')
plt.show()
:Affine تحويل¶
بالتحويل هذا , كل الخطوط المتوازية بالصورة الاصلية , ستبقى متوازية بصورة الخرج , ولايجاد مصفوفة التحويل ,نحتاج ثلاث نقاط من الصورة الاصلية ونظيرتها بصورة الخرج ,وبعدها
cv2.getAffineTransform
سينشأ مصفوفة التحويل
2X3
والتي سيتم تمريرها ل
cv2.wrapAffine()
تفحص المثال ادناه , وانظر للنقاط المختارة
img = cv2.imread('wt.jpg')
rows,cols,ch = img.shape
pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[10,100],[200,50],[100,250]])
for x in pts1:
cv2.circle(img ,(int(x[0]),int(x[1])), 6 , [0 ,255 ,0],-1 )
M = cv2.getAffineTransform(pts1,pts2)
dst = cv2.warpAffine(img,M,(cols,rows))
for x in pts2:
cv2.circle(dst ,(int(x[0]),int(x[1])), 6 , [0 ,255 ,0],-1 )
res = np.hstack([img , dst])
plt.imshow(res,cmap = 'gray')
plt.xticks([])
plt.yticks([])
plt.title('Original - Transformed')
plt.show()
:التحويل المنظوري¶
لهذا التحويل تحتاج مصفوفة
3X3
والخطوط المستقيمة ستبقى كذلك بعد التحويل , لايجاد التحويل تحتاج اربع نقاط بصورة الدخل والنقاط المقابلة بصورة الخرج , وثلاثة منهم يجب الا يكونوا على استقامة واحدة , وعندها يمكن ايجاد مصفوفة التحويل , من خلال التابع
cv2.getPerspectiveTransform
وبعدها طبق :
cv2.warpPerspective
مع مصفوفة التحويل
3X3
:كما الكود التالي
img = cv2.imread('sudokusmall.bmp')
rows,cols,ch = img.shape
pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]])/2
pts2 = np.float32([[0,0],[300,0],[0,300],[300,300]])/2
M = cv2.getPerspectiveTransform(pts1,pts2)
dst = cv2.warpPerspective(img,M,(150,150))
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')
plt.show()
: مراجع اضافية¶
- “Computer Vision: Algorithms and Applications”, Richard Szeliski
ليست هناك تعليقات:
إرسال تعليق