第七章图像几何变换.docVIP

图像几何变换 主要内容 数学基础 二维几何变换 齐次坐标 复合变换 其它变换 数字图像的几何变换 一、数学基础 矢量（vector） 连接两个点的有向线段。又称向量 行向量和列向量两种表示 矢量和 矢量的数乘 矢量的点积 运算 性质 矢量的长度 单位矢量 矢量间的夹角 矢量的叉积 矩阵（Matrix) m×n 阶矩阵 n阶方阵（m＝n） 单位矩阵 n阶方阵，对角线元素为1，其它元素为0 矩阵（续） 行向量与列向量 当m＝1时，A退化为行向量 [a11, a12, …, a1n] 当n＝1时， A退化为列向量 [a11, a21, …, am1]T 矩阵的加法 A=(aij)m×n，B＝(bij) m×n A与B的和记为A＋B 性质：结合律和交换律 矩阵（续） 矩阵的数乘 矩阵的乘法 性质：结合律和分配律（不满足交换律） 矩阵（续） 矩阵的转置 矩阵的逆 n阶方阵A是可逆的，若存在另一个n阶方阵B，使得 AB＝BA＝In，称B是A的逆阵，记为B＝A－1 二、二维几何变换 平移变换 (translation transformation) 将点P(x, y)在x轴方向、y轴方向分别平移距离tx，ty，得到点P′(x?, y?)，则 旋转变换(rotation transformation) 如 点P(x, y)的极坐标表示（r为P 到原点的距离） 绕坐标原点（称为参照点，基准点）旋转角度θ （逆时针为正，顺时针为负） 矩阵表示为： 放缩变换(scaling transformation) 将点P(x, y)在x方向, y方向分别放缩 sx 和 sy 倍，得到点P′(x?, y?) 以坐标原点为放缩参照（基准）点 不仅改变了物体的大小和形状，也改变了它离原点的距离 记为：S(sx, sy) 三、齐次坐标 为什么需要齐次坐标? 计算多次不同变换时，分别利用矩阵计算各变换导致计算量大 运算表示形式不统一 平移为“＋” 旋转和放缩为“·” 统一运算形式后，可以先合成变换运算的矩阵，再作用于图形对象 定义 Homogeneous Coordinate （x，y）点对应的齐次坐标定义为 （x，y）点对应的齐次坐标为三维空间的一条直线 标准齐次坐标（x，y，1） h＝0表示无穷远点 二维变换的矩阵表示 平移变换 旋转变换 放缩变换 变换具有统一表示形式的优点 便于变换合成 连续变换时，可以先得到变换的矩阵 便于硬件实现 变换的性质 平移和旋转变换具有可加性 放缩变换具有可乘性 逆变换 逆平移变换：正平移距离tx，ty 逆旋转变换：旋转角度为θ 逆放缩变换：放缩系数为sx和sy 四、复合变换 变换合成 方法：连续变换时，先计算变换矩阵，再计算坐标 优点： （1）提高了对图形依次做多次变换的运算效率。 如：图形上有n个顶点Pi，如果依次施加的变换为T，R，那么顶点Pi 变换后的坐标为 （2）提供构造复杂变换的方法 对图形作较复杂的变换时，不直接去计算这个变换，而是将其先分解成多个基本变换，再合成总的变换 连续平移变换 平移向量为(t1x，t1y)和(t2x，t2y) 点P 经变换为P′，则有 复合矩阵 连续旋转 P 经连续旋转角度分别为 (1 和 (2 后 连续旋转具有相加性 连续放缩 连续放缩因子分别为：(s1x, s1y) 和 (s2x, s2y) 变换合成时，矩阵相乘的顺序 单次变换：列向量表示点 复合变换：先作用的放在连乘的右端，后作用的放在连乘的左端 五、其他变换 对称变换（反射变换、镜像变换：reflection） 关于 x 轴的对称变换 关于 y 轴的对称变换 错切变换（shear） 依赖轴：坐标保持不变的坐标轴，又称参考轴 方向轴：余下的坐标轴 1、以y 轴为依赖轴的错切变换 （1）以 y = 0为参考轴（坐标保持不变） 图像的几何变换 图像的几何变换包括了图像的形状变换和图像的位置变换。 图像的形状变换是指图像的放大、缩小与错切。 图像的位置变换是指图像的平移、镜像与旋转。 图像的仿射变换描述。 图像的几何变换不改变像素的值，只改变像素的位置。 一、图像的形状变换 图像的形状变换主要是指图像的缩小、放大与错切。 图像的形状变换通常在目标物识别中使用。 如图所示,要判别图中的某个果子是苹果还是李子,要将该图像进行放大或者是缩小,才能够进行正确的比较与识别。 图像的缩小 分为按比例缩小和不按比例缩小两种。 图像缩小之后，因为承载的信息量小了，所以画布可相应缩小。 (a) 按比例缩小 (b) 不按比例缩小 图像缩小—— 实现思路 图像缩小实际上就是对原有的多个数据进行挑选或处理，获得期望缩小尺寸的数据，并且尽量保持原有的特征不丢失。 最简单的方法就是等间隔地选取