图像处理之图像快速旋转算法

简介: 基本思想: 旋转矩阵在旋转角度较小的情况下可以通过两次错切变化得到旋转效果的图片,在旋 转角度较大的情况下可以通过三次错切得到等价旋转效果图像(较小角度小于15度,较 大角度在90度之内),对于旋转角度超过90度,首先旋转特殊角度90,180,270,然后 在旋转剩下的角度数。

基本思想:

旋转矩阵在旋转角度较小的情况下可以通过两次错切变化得到旋转效果的图片,在旋

转角度较大的情况下可以通过三次错切得到等价旋转效果图像(较小角度小于15度,较

大角度在90度之内),对于旋转角度超过90度,首先旋转特殊角度90,180,270,然后

在旋转剩下的角度数。90,180,270是特殊角度,可以通过简单的矩阵变换得到。旋

矩阵到三次等价错切矩阵等式如下:


一个更好的分解图如下:


程序关键代码解释:

错切变换是基本的图像几何变换,首先在X方向进行顺时针的错切变换,然后在Y方向

进行顺时针的错切变换,最后再到X方向进行顺时针错切变换,最终得到旋转角度以后

的图像数据。

X方向的错切变换的代码如下:

	/**
	 * 水平方向错切变换
	 * 
	 * @param input - 输入像素数据
	 * @param shear - 错切角度
	 * @param width - 图像像素数据宽度
	 * @param height - 图像像素数据高度
	 * @return
	 */
	public int[] xshear(int[] input, float shear, int width, int height) {
		outw = (int)(Math.abs(shear) * height + width);
		outh = height;
		int[] output = new int[height * outw];
		
		// initialization - 初始化计算变量
		float skew = 0.0f;
		float skewi = 0.0f;
		float skewf = 0.0f;
		int index = 0;
		int outdex = 0;
		float leftred = 0.0f, leftgreen = 0.0f, leftblue = 0.0f;
		float oleftred = 0.0f, oleftgreen = 0.0f, oleftblue = 0.0f;
		int ta = 0, tr=0, tg = 0, tb = 0;
		
		// 执行对每个像素的错切变换
		for(int row=0; row<height; row++) {
			// skew = shear * (height-1-row + 0.5f); big issue!! very difficulty to find it
			skew = shear * (row + 0.5f);
			skewi = (float)Math.floor(skew);
			skewf = skew - skewi;
			for(int col=0; col<width; col++) {
				index = row * width + col;
        		ta = (input[index] >> 24) & 0xff;
                tr = (input[index] >> 16) & 0xff;
                tg = (input[index] >> 8) & 0xff;
                tb = input[index] & 0xff;
                if(tr == tg && tg == tb && tb == 0) {
                	continue;
                }
                // calculate interpolation pixel value
				leftred = (skewf * tr);
				leftgreen = (skewf * tg);
				leftblue = (skewf * tb);
				// calculate the new pixel RGB value
				tr = (int)(tr - leftred + oleftred);
				tg = (int)(tg - leftgreen + oleftgreen);
				tb = (int)(tb - leftblue + oleftblue);
				
				// fix issue, need to check boundary
				// computation the new pixel postion here!!
				outdex = (int)(row * outw + col + skewi);
				output[outdex] = (ta << 24) | (tr << 16) | (tg << 8) | tb;
				
				// ready for next pixel.
				oleftred = leftred;
				oleftgreen = leftgreen;
				oleftblue = leftblue;
			}
		}
		return output;
	}

Y方向的错切变换的代码如下:

	public int[] yshear(int[] input, float shear, int width, int height)  {
		outh = (int)(shear * width + height);
		outw = width;
		int[] output = new int[outh * outw];
		
		// initialization - 初始化计算变量
		float skew = 0.0f;
		float skewi = 0.0f;
		float skewf = 0.0f;
		int index = 0;
		int outdex = 0;
		float leftred = 0.0f, leftgreen = 0.0f, leftblue = 0.0f;
		float oleftred = 0.0f, oleftgreen = 0.0f, oleftblue = 0.0f;
		int ta = 0, tr=0, tg = 0, tb = 0;
		
		for(int col = 0; col < width; col++) {
			// the trick is here!!, you can control the 
			// anti-clockwise or clockwise
			skew = shear * (width-1-col + 0.5f);
			// skew = shear * (col + 0.5f); 
			skewi = (float)Math.floor(skew);
			skewf = skew - skewi;
			for(int row = 0; row < height; row++) {
				index = row * width + col;
        		ta = (input[index] >> 24) & 0xff;
                tr = (input[index] >> 16) & 0xff;
                tg = (input[index] >> 8) & 0xff;
                tb = input[index] & 0xff;
                
                // calculate interpolation pixel value
				leftred = (skewf * tr);
				leftgreen = (skewf * tg);
				leftblue = (skewf * tb);
				// calculate the new pixel RGB value
				tr = (int)(tr - leftred + oleftred);
				tg = (int)(tg - leftgreen + oleftgreen);
				tb = (int)(tb - leftblue + oleftblue);
				
				// computation the new pixel postion here!!
				// outdex = (int)((height-row + skewi) * outw + col);
				outdex = (int)((row + skewi) * outw + col);
				output[outdex] = (ta << 24) | (tr << 16) | (tg << 8) | tb;
				
				// ready for next pixel.
				oleftred = leftred;
				oleftgreen = leftgreen;
				oleftblue = leftblue;
			}
		}
		return output;
	}
原图如下:


第一次X shear与Y shear之后效果如下


第二次Xshear即图像旋转效果如下:


其他参数设置与线性插值旋转算法类似,角度,背景参数设置由用户

提供输入完成,关于线性插值旋转参见这里

http://blog.csdn.net/jia20003/article/details/8159587

说实话这个算法烦了我好久,今天我终于解脱了,想起一句电视剧台词,你应

该了解真相,真相让你自由好像是《X档案》

转载请注明出处

目录
相关文章
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
阿里云人工智能平台 PAI 团队发表的图像编辑算法论文在 MM2024 上正式亮相发表。ACM MM(ACM国际多媒体会议)是国际多媒体领域的顶级会议,旨在为研究人员、工程师和行业专家提供一个交流平台,以展示在多媒体领域的最新研究成果、技术进展和应用案例。其主题涵盖了图像处理、视频分析、音频处理、社交媒体和多媒体系统等广泛领域。此次入选标志着阿里云人工智能平台 PAI 在图像编辑算法方面的研究获得了学术界的充分认可。
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
|
2月前
|
机器学习/深度学习 人工智能 算法
【MM2024】面向 StableDiffusion 的多目标图像编辑算法 VICTORIA
阿里云人工智能平台 PAI 团队与华南理工大学合作在国际多媒体顶级会议 ACM MM2024 上发表 VICTORIA 算法,这是一种面向 StableDiffusion 的多目标图像编辑算法。VICTORIA 通过文本依存关系来修正图像编辑过程中的交叉注意力图,从而确保关系对象的一致性,支持用户通过修改描述性提示一次性编辑多个目标。
|
2月前
|
算法 数据安全/隐私保护
织物图像的配准和拼接算法的MATLAB仿真,对比SIFT,SURF以及KAZE
本项目展示了织物瑕疵检测中的图像拼接技术,使用SIFT、SURF和KAZE三种算法。通过MATLAB2022a实现图像匹配、配准和拼接,最终检测并分类织物瑕疵。SIFT算法在不同尺度和旋转下保持不变性;SURF算法提高速度并保持鲁棒性;KAZE算法使用非线性扩散滤波器构建尺度空间,提供更先进的特征描述。展示视频无水印,代码含注释及操作步骤。
|
3月前
|
算法 数据可视化 数据安全/隐私保护
基于LK光流提取算法的图像序列晃动程度计算matlab仿真
该算法基于Lucas-Kanade光流方法,用于计算图像序列的晃动程度。通过计算相邻帧间的光流场并定义晃动程度指标(如RMS),可量化图像晃动。此版本适用于Matlab 2022a,提供详细中文注释与操作视频。完整代码无水印。
|
4月前
|
算法 前端开发 计算机视觉
基于均值坐标(Mean-Value Coordinates)的图像融合算法的优化实现
基于均值坐标(Mean-Value Coordinates)的图像融合算法的优化实现
43 0
|
2月前
|
算法 安全 数据安全/隐私保护
基于game-based算法的动态频谱访问matlab仿真
本算法展示了在认知无线电网络中,通过游戏理论优化动态频谱访问,提高频谱利用率和物理层安全性。程序运行效果包括负载因子、传输功率、信噪比对用户效用和保密率的影响分析。软件版本:Matlab 2022a。完整代码包含详细中文注释和操作视频。
|
8天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
6天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
3天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。
|
9天前
|
算法
基于大爆炸优化算法的PID控制器参数寻优matlab仿真
本研究基于大爆炸优化算法对PID控制器参数进行寻优,并通过Matlab仿真对比优化前后PID控制效果。使用MATLAB2022a实现核心程序,展示了算法迭代过程及最优PID参数的求解。大爆炸优化算法通过模拟宇宙大爆炸和大收缩过程,在搜索空间中迭代寻找全局最优解,特别适用于PID参数优化,提升控制系统性能。