下面咱们来看看更一般一点的作法:以图像的中心为圆心进行旋转。python
这里涉及到一个坐标系的转换问题。看下图:dom
在矩阵中咱们的坐标系一般是AB和AC方向的,而传统的笛卡尔直角坐标系是DE和DF方向的。spa
令图像表示为M×N的矩阵,对于点A而言,两坐标系中的坐标分别是(0,0)和(-N/2,M/2)code
矩阵中点(x',y')转换为笛卡尔坐标系(x,y)的转换关系为:orm
逆变换为blog
因而咱们获得图像以中心旋转的思路图片
因而获得最后结果ip
python中numpy有矩阵运算能力,但这里咱们直接进行数值计算就能够了。用方程表示以下:utf-8
恩,图片旋转后其实真个图片应该变大,而咱们仍是按原大小考虑的ci
那咱们要是要查看完整图片呢。
咱们先得算出变换后图片的大小
仍是看看下图:
好吧。其实很简单。原图是里面灰色部分。旋转后,新图片有效部分(红色部分)的顶点落在新图片四条边上
取旋转后四点坐标中绝对值最大的x、y便可,事实上咱们只须要计算两个点就能够了。
相应的,咱们的计算公式也要作一些改动
N'和M'对应于新图的宽和长
上面的方法不怎么成功。。。。。。。。。。。。。。。。。。。。
下面是又一种。。。。。。。。。。。
1 # -*-coding:utf-8-*- 2 3 import cv2 4 from math import * 5 import numpy as np 6 from scipy.spatial.distance import pdist 7 8 # x=np.random.random(100) 9 # y=np.random.random(100) 10 # 11 # #方法一:根据公式求解,2维 12 # d1=np.dot(x,y)/(np.linalg.norm(x)*np.linalg.norm(y)) 13 # 14 # # print d1 15 # 16 # #方法二:根据scipy库求解,n维 17 # X=np.vstack([x,y]) 18 # d2=1-pdist(X,'cosine') 19 20 # print d2 21 22 img = cv2.imread("/home/260158/code/Haikang/imgRotation.jpg") 23 height,width=img.shape[:2] 24 25 #(1)如何计算这个旋转角度 26 # degree = np.dot(x,y)/(np.linalg.norm(x)*np.linalg.norm(y)) 27 degree=-30 28 29 #(2)旋转后的尺寸 30 #@radians(),角度转换为弧度 31 heightNew=int(width * fabs(sin(radians(degree))) + height*fabs(cos(radians(degree)))) 32 widthNew=int(height * fabs(sin(radians(degree))) + width*fabs(cos(radians(degree)))) 33 34 #(3)求旋转矩阵,以图片中心点为旋转中心 35 matRotation = cv2.getRotationMatrix2D((width/2,height/2),degree,1) 36 37 38 matRotation[0,2] +=(widthNew-width)/2 #?????重点在这步,目前不懂为何加这步 39 matRotation[1,2] +=(heightNew-height)/2 #?????重点在这步 40 41 #(4)最后获得的图像,边界是黑色 42 imgRotation = cv2.warpAffine(img, matRotation, (widthNew,heightNew), borderValue=(0,0,0)) 43 44 45 #我把像素值 > 0 的区域提取出来 46 #做二值化,将阈值设置为50,阈值类型为cv2.THRESH_BINARY,则灰度在大于50的像素其值将设置为255,其它像素设置为0 47 #retval, dst = cv2.threshold(imgRotation, 50, 255, cv2.THRESH_BINARY) 48 49 cv2.imshow("img",img) 50 cv2.imshow("imgRotation",imgRotation) 51 #cv2.imwrite("imgRotation_1.jpg",imgRotation) 52 cv2.waitKey(0)