cv2.remap() 几何变换-- 重映射

拼搏现实的明天。 2022-09-01 00:58 146阅读 0赞

原文链接：[https://blog.csdn.net/weixin\_37804469/article/details/112316884][https_blog.csdn.net_weixin_37804469_article_details_112316884]

《OpenCV 轻松入门 面向Python》 学习笔记

把一张图像内的像素点放置到另一幅图像内指定的位置，这个操作叫做重映射。  
前两节学习的[仿射变换][Link 1]和[透视变换][Link 2]，是通过变换矩阵来指定映射方式。  
有时我们希望通过自定义的方式来指定重映射。opencv 就为我们提供了一个自定义映射的函数 cv2.remap()

函数原型：

cv2.remap(src_img, map1, map2, interpolation)
    
       
        
       
        
         1

参数：

*  src\_img：原始图像
 *  map1：目标图像中的每一个像素都对应于(映射于)原始图像的中的某个像素，将对应的原始图像的像素坐标的col存放在map1中。map1 的shape和目标图像一样。
 *  map2：目标图像中的每一个像素都对应于(映射于)原始图像的中的某个像素，将对应的原始图像的像素坐标的row存放在map2中。map2 的shape和目标图像一样。
 *  interpolation： 插值方式，不支持 INTER\_AREA

说明：  
目标图像的第一个像素，取原始图像中坐标为(2，2)的像素值 7  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNzgwNDQ2OQ_size_16_color_FFFFFF_t_70]

举例：  
将目标图像中所有像素点的值都取原图像中的第0行第3列上的像素点

import cv2
    import numpy as np

\# 随机生成原始图像，大小为\[4, 5\]  
src\_img = np.random.randint(0, 256, size=\[4, 5\], dtype=np.uint8)  
rows, cols = src\_img.shape

\# 指定原始图像的第3列，第0行  
\# 插值方式可解决索引值为float的问题  
map1 = np.ones((4, 5), dtype=np.float32)  3  
map2 = np.ones((4, 5), dtype=np.float32)  0

dst\_img = cv2.remap(src\_img, map1, map2, cv2.INTER\_LINEAR)

print(“src\_img=\\n”, src\_img)  
print("\\nmap1=\\n", map1)  
print("\\nmap2=\\n", map2)  
print("\\ndst\_img=\\n", dst\_img)

\# 输出为：  
\# src\_img=  
\# \[\[252 39 25 186 19\]  
\# \[209 225 13 176 133\]  
\# \[ 43 115 92 110 144\]  
\# \[ 3 176 208 8 232\]\]  
\#   
\# map1=  
\# \[\[3. 3. 3. 3. 3.\]  
\# \[3. 3. 3. 3. 3.\]  
\# \[3. 3. 3. 3. 3.\]  
\# \[3. 3. 3. 3. 3.\]\]  
\#   
\# map2=  
\# \[\[0. 0. 0. 0. 0.\]  
\# \[0. 0. 0. 0. 0.\]  
\# \[0. 0. 0. 0. 0.\]  
\# \[0. 0. 0. 0. 0.\]\]  
\#   
\# dst\_img=  
\# \[\[186 186 186 186 186\]  
\# \[186 186 186 186 186\]  
\# \[186 186 186 186 186\]  
\# \[186 186 186 186 186\]\]

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11
 *  12
 *  13
 *  14
 *  15
 *  16
 *  17
 *  18
 *  19
 *  20
 *  21
 *  22
 *  23
 *  24
 *  25
 *  26
 *  27
 *  28
 *  29
 *  30
 *  31
 *  32
 *  33
 *  34
 *  35
 *  36
 *  37
 *  38
 *  39
 *  40
 *  41
 *  42
 *  43
 *  44
 *  45

[https_blog.csdn.net_weixin_37804469_article_details_112316884]: https://blog.csdn.net/weixin_37804469/article/details/112316884
[Link 1]: https://blog.csdn.net/weixin_37804469/article/details/112304112
[Link 2]: https://blog.csdn.net/weixin_37804469/article/details/112307861
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNzgwNDQ2OQ_size_16_color_FFFFFF_t_70]: /images/20220829/a55b7aa4223842b18a9b0ae86b096231.png