傾斜 30° 后：OK
傾斜 30° 和旋轉 40° 后：問題
uj5u.com熱心網友回復：
這里有幾個問題。在示例中，我稍微降低了解析度和變換角度，以便更容易發現問題：
champ = 80 # mas
diam = 40 # mas
nb_points = 20
rho = np.linspace(0,champ/2,nb_points)
inclin = 50
angle = 30
問題 1：網格與坐標對齊網格
xv在您的代碼中是一個一維陣列，并且資料位置位于每個元素xv與任何其他元素的任意組合 - 一個規則的矩形網格，與坐標軸對齊。在傾角變換程序中x_inc，y_inc也是一維陣列，資料被移動到 的任何元素x_inc與 的任何元素的每個組合中y_inc。這可以正常作業，因為轉換只影響影像的 y 軸。這意味著對于每個 y 值，x 坐標仍然是恒定的，對于每個 x 值，y 坐標都是恒定的。
然而，輪換打破了這一規則。這要求您使用全因子資料網格。
這意味著您需要給它一個完整的階乘網格，而不是交給xv, xv轉換函式，例如由np.meshgrid. 下面顯示了您的代碼實際在做什么，以及它如何解釋資料（將解析度降低到 20 以使資料點可識別）：
fig1, ax1 = plt.subplots()
ax1.set_aspect('equal')
ax1.scatter(x_inc, y_inc, marker='.', c='b', s=2)
x_inc_full, y_inc_full = np.meshgrid(x_inc, y_inc)
ax1.scatter(x_inc_full, y_inc_full, marker='.', c='b', s=0.1)
ax1.scatter(x_rot, y_rot, marker='.', c='r', s=2)
x_rot_full, y_rot_full = np.meshgrid(x_rot, y_rot)
ax1.scatter(x_rot_full, y_rot_full, marker='.', c='r', s=0.1)
結果：
您可以看到代碼采用對角線輸入線并拉伸/旋轉它，然后將其重新解釋為網格。
如果我們改為在全網格上執行轉換，事情開始看起來更明智：
# again, but doing the transformations on the mesh
fig2, ax2 = plt.subplots()
ax2.set_aspect('equal')
x_orig, y_orig = np.meshgrid(xv, xv)
x_incf, y_incf, xtot_inc = coord_inclination(x_orig, y_orig, inclin)
ax2.scatter(x_incf, y_incf, marker='.', c='b', s=0.2)
x_rotf, y_rotf, xtot_rot = coord_rotation(x_orig, y_orig, angle)
ax2.scatter(x_rotf, y_rotf, marker='.', c='r', s=0.2)
結果：
現在，這樣更好！
除了...
問題 2：轉換沒有做你認為他們做的事情
如果你看前面的圖，你會注意到 x 軸被壓縮了，而不是 y 軸，但是在你的傾斜圖中，圓比高寬。
那是因為您將圖形插值到新網格上，然后在常規網格上繪制插值圖形。
這意味著您所看到的實際上是您可能打算應用的轉換的倒數。傾斜變換壓縮 x 軸，但生成的影像沿 x 軸拉伸相同的量。這在您的原始圖片中可見，但隨著我使用的更新引數變得明顯：
解決方案是反向應用轉換：將影像解釋為在轉換后的網格上（這是您希望它看起來的樣子），然后將其插入到常規網格上以進行顯示：
interp_incf = scipy.interpolate.interp2d(x_incf, y_incf, image)
image_incf = interp_incf(xv, xv)
除了...
問題 3：scipy 不喜歡在非軸平行的網格上或從網格上進行插值
我發現對任意網格進行插值的唯一方法是在我們想要插值的所有點坐標周圍運行（呃......）回圈：
# inclined
interp_orig = scipy.interpolate.interp2d(xv, xv, image)
image_incf = np.array([[interp_orig(x, y) for x, y in zip(xline, yline)]\
for xline, yline in zip(x_incf, y_incf)]\
).reshape(x_incf.shape)
但是，上述問題仍然受到第 2 號問題的影響（轉換方式錯誤）。但是，我們不能從任意變形的網格進行插值。這意味著轉換本身需要反轉：
def inv_coord_rotation(qu, qv, ang_tmp):
ang = ang_tmp*np.pi/180
inv_qu = qu*cos(-ang) qv*sin(-ang)
inv_qv = -qu*sin(-ang) qv*cos(-ang)
new_q = np.sqrt((inv_qu)**2 (inv_qv)**2)
return inv_qu, inv_qv, new_q
def inv_coord_inclination(qu, qv, inclination_tmp):
inclination = inclination_tmp*np.pi/180
inv_qu = qu/cos(inclination)
inv_qv = qv
inv_q = np.sqrt((inv_qu)**2 (inv_qv)**2)
return inv_qu, inv_qv, inv_q
...現在我們終于可以做我們來這里要做的事情了：
# and now for the pictures, with interpolation applied in correct direction:
fig3, axes = plt.subplots(ncols=3)
# interpolator for the original image:
interp_orig = scipy.interpolate.interp2d(xv, xv, image)
# inclined
interp_orig = scipy.interpolate.interp2d(xv, xv, image)
image_incf = np.array([[interp_orig(x, y) for x, y in zip(xline, yline)]\
for xline, yline in zip(x_incfi, y_incfi)]\
).reshape(x_incfi.shape)
axes[0].imshow(image_incf, extent=[min(xv),max(xv),min(xv),max(xv)])
# should be identical to the original inclined version, image_inc
# rotated version of the inclined image
interp_incf = scipy.interpolate.interp2d(xv, xv, image_incf)
x_rotfi, y_rotfi, xtot_rotfi = inv_coord_rotation(x_orig, y_orig, angle)
image_rotf = np.array([[interp_incf(x, y) for x, y in zip(xline, yline)]\
for xline, yline in zip(x_rotfi, y_rotfi)]\
).reshape(x_rotfi.shape)
axes[1].imshow(image_rotf, extent=[min(xv),max(xv),min(xv),max(xv)])
然而
...我只是嘗試將這兩種變換結合起來，以避免對已經插值的影像進行插值，這并非易事，因為它需要您在旋轉空間中應用“傾斜”變換，然后事情就會變得很奇怪。
可能可以使用實作一個函式，該函式采用非反轉變換的像素坐標并從那里計算出逆變換，但實際上，此時我們只是在反對scipy.interpolate，類似于我自己的奧德賽。我認為如果您要處理影像，一般建議是使用Pillow，但這超出了我自己的經驗。
轉載請註明出處，本文鏈接：https://www.uj5u.com/net/472826.html
標籤：Python python-3.x 图像处理 插值 图像旋转