|
Size: 2101
Comment:
|
Size: 559
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 22: | Line 22: |
| Jähne 10.4, p 288 {{attachment:affine_transform_orig.png}} {{attachment:affine_transform.png}} {{{#!python from scipy import * from scipy.ndimage import * from pylab import * from scipy import linalg def mapping_func((y,x)): # Uebergabe der Koordinaten als Tupel v0=array([y,x,1]).transpose() v1=dot(A,v0) # globale Variable A ist im Hauptprogramm deklariert return (v1[0],v1[1]) def display(B,n,t,y00,x00,y01,x01,y02,x02): figure(n) imshow(B,origin='lower',interpolation='nearest') text(y00,x00,'y0,x0') text(y01,x01,'y1,x1') text(y02,x02,'y2,x2') title(t) colorbar() show() Y,X=512,512 B0=zeros((Y,X),float) # Punkte im Originalbild y00,x00,y01,x01,y02,x02=200,200,200,300,300,300 # Punkte im transformierten Bild y10,x10,y11,x11,y12,x12=200,200,100,250,500,400 B0[y00:y02,x00:x02]=1 # Rechteck mit eins gefuellt sigma=1 B0=gaussian_filter(B0,sigma) # Simuliere Aufnahmevorgang (Verunschaerfen) close('all') display(B0,1,'Original',y00,x00,y01,x01,y02,x02) P0=array([[x00, x01, x02],[y00,y01,y02],[1.0,1.0,1.0]]) P1=array([[x10, x11, x12],[y10,y11,y12],[1.0,1.0,1.0]]) # Berechne Transformationsmatrix A=dot(P1,linalg.inv(P0)) A=linalg.inv(A) # Hier wird die Inverse von A berechnet, # da geometric_transform "rueckwaerts" definiert ist B1=geometric_transform(B0,mapping_func,prefilter=True,order=3,output_shape=(700,700)) display(B1,2,'Transformiert',y10,x10,y11,x11,y12,x12)}}} |
This session provides a brief overview about SciPy image processing functions
Fourier transformation
Statistics
Convolution
Filter
Linear shift invariant
Ranking filter
Recursive filter
Sampling and interpolation
Multiscale representation
Edge detection
Texture
Segmentation
Inverse filtering
Morphology
Shape