Python skimage.transform.warp用法及代码示例

用法: skimage.transform.warp(image, inverse_map, map_args={}, output_shape=None, order=None, mode='constant', cval=0.0, clip=True, preserve_range=False)

根据给定的坐标变换扭曲图像。

参数：

image：ndarray

输入图像。

inverse_map：转换对象，可调用 cr = f(cr, **kwargs) 或 ndarray

逆坐标图，将输出图像中的坐标转换为输入图像中对应的坐标。

根据输入图像的维度，有许多不同的选项可以定义此映射。 2-D 图像对于gray-scale 图像可以具有 2 个维度，或者具有颜色信息的 3 个维度。

对于二维图像，您可以直接传递一个转换对象，例如 skimage.transform.SimilarityTransform ，或者它的倒数。
对于二维图像，您可以通过(3, 3)齐次变换矩阵，例如skimage.transform SimilarityTransform.params.
对于二维图像，一个函数将一个(M, 2)数组(col, row)输出图像中的坐标到它们在输入图像中的对应坐标。可以通过指定函数的额外参数map_args.
对于N-D 图像，您可以直接传递坐标数组。第一个维度指定输入图像中的坐标，而后续维度确定输出图像中的位置。例如：在二维图像的情况下，您需要传递一个形状数组(2, rows, cols)，其中行和科尔斯确定输出图像的形状，第一维包含(row, col)输入图像中的坐标。看scipy.ndimage.map_coordinates获取更多文档。

请注意，(3, 3) 矩阵被解释为齐次变换矩阵，因此如果输出的形状为 (3,) ，则不能对 3-D 输入中的值进行插值。

有关用法，请参见示例部分。

map_args：字典，可选

传递给inverse_map 的关键字参数。

output_shape：元组(行，列)，可选

生成的输出图像的形状。默认情况下，输入图像的形状被保留。请注意，即使对于多波段图像，也只需要指定行和列。

order：int 可选

插值的顺序。顺序必须在 0-5 范围内：

0：Nearest-neighbor
1：Bi-linear(默认)
2：Bi-quadratic
3：Bi-cubic
4：Bi-quartic
5：Bi-quintic

如果 image.dtype 为 bool，则默认值为 0，否则为 1。

mode：{‘constant’, ‘edge’, ‘symmetric’, ‘reflect’, ‘wrap’}，可选

根据给定的模式填充输入边界之外的点。模式与 numpy.pad 的行为匹配。

cval：浮点数，可选

与模式‘constant’(图像边界外的值)结合使用。

clip：布尔型，可选

是否将输出裁剪到输入图像的值范围内。这是默认启用的，因为高阶插值可能会产生超出给定输入范围的值。

preserve_range：布尔型，可选

是否保持原来的取值范围。否则，输入图像将根据以下约定进行转换img_as_float.另见https://scikit-image.org/docs/dev/user_guide/data_types.html

warped：双ndarray: 扭曲的输入图像。

注意：

输入图像被转换为双倍的图片。
万一SimilarityTransform,AffineTransform和ProjectiveTransform和次序在 [0, 3] 中，此函数使用底层变换矩阵以更快的例程扭曲图像。

例子：

>>> from skimage.transform import warp
>>> from skimage import data
>>> image = data.camera()

以下图像扭曲都是相同的，但在执行时间上存在很大差异。图像移至底部。

使用几何变换来扭曲图像(快速)：

>>> from skimage.transform import SimilarityTransform
>>> tform = SimilarityTransform(translation=(0, -10))
>>> warped = warp(image, tform)

使用可调用(慢)：

>>> def shift_down(xy):
...     xy[:, 1] -= 10
...     return xy
>>> warped = warp(image, shift_down)

使用变换矩阵扭曲图像(快速)：

>>> matrix = np.array([[1, 0, 0], [0, 1, -10], [0, 0, 1]])
>>> warped = warp(image, matrix)
>>> from skimage.transform import ProjectiveTransform
>>> warped = warp(image, ProjectiveTransform(matrix=matrix))

您还可以使用几何变换的逆(快速)：

>>> warped = warp(image, tform.inverse)

对于N-D 图像，您可以传递一个坐标数组，它为输出图像中的每个元素指定输入图像中的坐标。例如：如果你想重新调整一个 3-D 立方体，你可以这样做：

>>> cube_shape = np.array([30, 30, 30])
>>> rng = np.random.default_rng()
>>> cube = rng.random(cube_shape)

设置坐标数组，定义缩放：

>>> scale = 0.1
>>> output_shape = (scale * cube_shape).astype(int)
>>> coords0, coords1, coords2 = np.mgrid[:output_shape[0],
...                    :output_shape[1], :output_shape[2]]
>>> coords = np.array([coords0, coords1, coords2])

假设立方体包含空间数据，其中第一个数组元素中心位于真实空间中的坐标 (0.5, 0.5, 0.5)，即我们必须在缩放图像时考虑这个额外的偏移量：

>>> coords = (coords + 0.5) / scale - 0.5
>>> warped = warp(cube, coords)

相关用法

注：本文由纯净天空筛选整理自scikit-image.org大神的英文原创作品 skimage.transform.warp。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

注意：

例子：