opencv 9点

'''
图像的仿射变换
在仿射变换中，原图中所有的平行线在结果图像中同样平行。为了创建这个矩阵我们需要从原图像中
找到三个点以及他们在输出图像中的位置。然后cv2.getAffineTransform 会创建一个 2x3 的矩阵，
最后这个矩阵会被传给函数 cv2.warpAffine。
'''
import cv2 as cv
import numpy as np 
from matplotlib import pyplot as plt

img = cv.imread('1.png')
#获取图像行列树
rows,cols,ch = img.shape
pts1=np.float32([[50,50],[200,50],[50,200]])
pts2=np.float32([[10,100],[200,50],[100,250]])

pts3=np.float32([[50,50],[100,50],[50,100]])
pts4=np.float32([[10,100],[100,50],[100,150]])

M=cv.getAffineTransform(pts1,pts2)
M1 = cv.getAffineTransform(pts3,pts2)
M2 = cv.getAffineTransform(pts3,pts4)
dst=cv.warpAffine(img,M,(cols,rows))
dst1=cv.warpAffine(img,M1,(cols,rows))
dst2=cv.warpAffine(img,M2,(cols,rows))

plt.figure()
#(2,2,1) 2,2表示有2*2个图像，1表示第一个图像
plt.subplot(2,2,1)
plt.title('input')
plt.imshow(img)
plt.subplot(2,2,2)
plt.title('output1')
plt.imshow(dst)
plt.subplot(2,2,3)
plt.imshow(dst1)
plt.subplot(2,2,4)
plt.imshow(dst2)
plt.title('output')
plt.show()

'''
透视变换
对于视角变换，我们需要一个 3x3 变换矩阵。在变换前后直线还是直线。要构建这个变换矩阵，你需要在输入
图像上找 4 个点，以及他们在输出图像上对应的位置。这四个点中的任意三个都不能共线。这个变换矩阵可以
有函数 cv2.getPerspectiveTransform() 构建。然后把这个矩阵传给函数cv2.warpPerspective。

'''
import cv2 as cv
import numpy as np 
from matplotlib import pyplot as plt

img = cv.imread('sudusmall.jpg')
rows,cols,ch = img.shape

#调整矩阵的值，来修改图像
pts1 = np.float32([[20,0],[370,0],[0,387],[390,390]])
pts2 = np.float32([[0,0],[400,0],[0,400],[400,400]])

M=cv.getPerspectiveTransform(pts1,pts2)
dst=cv.warpPerspective(img,M,(500,400))

#(1,2,1) 1,2表示1*2个图像，1表示第一个图像
plt.subplot(1,2,1)
plt.title('input')
plt.imshow(img)
plt.subplot(1,2,2)
plt.title('output')
plt.imshow(dst)
plt.show()

'''
自适应阈值，在前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。当时这种方法并不适应与所有情况，尤其
是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小
区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。
'''
import cv2 as cv
import numpy as np 
from matplotlib import pyplot as plt

img = cv.imread('timg.jpg',0)
img1 = cv.medianBlur(img,5)

ret,th1 = cv.threshold(img1,150,255,cv.THRESH_BINARY)

#这种方法需要我们指定三个参数，返回值只有一个。
#• Adaptive Method- 指定计算阈值的方法。
#– cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
#– cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。
#• Block Size - 邻域大小（用来计算阈值的区域大小）。
#• C - 这就是是一个常数，阈值就等于的平均值或者加权平均值减去这个常数。
#11，23，8 为 Block size, 3，8 为 C 值
th2 = cv.adaptiveThreshold(img1,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,11,3)
th3 = cv.adaptiveThreshold(img1,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,23,8)
th4 = cv.adaptiveThreshold(img1,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,45,8)
titles = ['Original Image', 'img1','Global Thresholding (v=150)','Mean Thresholding', 'Gaussian Thresholding','Mean Thresholding']
images = [img,img1,th1,th2,th3,th4]

for i in range(6):
	#(2,3,i+1),2,3表示2*3个图像，因为不能从0开始，所以要i+1
	plt.subplot(2,3,i+1)
	#输出图像标题
	plt.title(titles[i])
	#输出图像
	plt.imshow(images[i],'gray')
	#x，y坐标不显示
	plt.xticks([]),plt.yticks([])
plt.show()