Python图片裁剪：坐标转换妙招

本文介绍使用Python进行图片裁剪及裁剪后小图坐标到原图坐标的转换方法。 主要利用OpenCV和Pillow库实现图片分割和裁剪，并提供基于NumPy的坐标转换公式：原图坐标=(x_sub + sub_w * c, y_sub + sub_h * r)。文章详细讲解了两种库的代码示例，并说明了如何处理图片尺寸无法均分的情况，以及OpenCV和Pillow库坐标系差异带来的影响，帮助读者快速掌握Python图片处理中坐标映射的关键技术。 关键词：Python，图片裁剪，坐标转换，OpenCV，Pillow，图像处理

Python图片裁剪与原图坐标映射

本文探讨如何使用Python进行图片裁剪，并精确映射裁剪后区域在原图中的坐标。这在图像处理中至关重要，例如，使用滑动窗口裁剪图片后，需要将检测到的目标框坐标从裁剪区域转换回原图坐标系。

首先，利用OpenCV库进行图片裁剪。OpenCV读取的图片数据是NumPy的ndarray，可以直接使用切片操作裁剪，例如img[y1:y2, x1:x2].copy()。copy()方法非常重要，它创建裁剪区域的副本，避免修改裁剪区域影响原图。如果图片尺寸能被均分成若干个小图，可以使用numpy.hsplit函数更方便地分割。代码示例如下：

import cv2
import numpy as np

# ... (此处省略图片读取代码，假设img为读取的图片)

h, w = img.shape[:2]
nrows, ncols = 4, 4
sub_h, sub_w = h // nrows, w // ncols

# 分割图片
sub_imgs = np.array(np.hsplit(np.array(np.hsplit(img, ncols)), nrows))

# 填充矩形（示例）
r, c, x1, y1, x2, y2 = 2, 3, 10, 20, 54, 44
sub_imgs[r, c, y1:y2, x1:x2] = (0, 0, 255)  # 在小图上画框
img[sub_h * r + y1:sub_h * r + y2, sub_w * c + x1:sub_w * c + x2] = (0, 0, 255) # 原图上画框

# ... (此处省略显示代码)

代码中，sub_imgs[r, c, y1:y2, x1:x2]表示在第r行c列的小图中，坐标(x1, y1)到(x2, y2)的区域填充蓝色。img[sub_h * r + y1:sub_h * r + y2, sub_w * c + x1:sub_w * c + x2]将该区域坐标转换到原图，实现相同填充。因此，小图坐标到原图坐标的转换公式为：

原图坐标 (x_orig, y_orig) = (x_sub + sub_w c, y_sub + sub_h r)

如果图片尺寸无法均分，可以使用numpy.array_split函数分割，它会将剩余部分分配给靠左和靠上的区域。

此外，Pillow库也能进行图片裁剪，其image.crop()方法更便捷。以下是一个基于Pillow库的图片分割函数：

import PIL.Image as Image

# ... (此处省略代码)

def split_image(img: Image, ncols: int = 1, nrows: int = 1) -> list[list[Image]]:
    # ... (此处省略代码，实现图片分割)

# ... (后续代码)

此函数将图片分割成多个小图，并返回包含这些小图的列表。同样，使用crop()方法裁剪后，可计算小图在原图中的位置，实现坐标转换。需要注意的是，Pillow库的坐标系与OpenCV略有不同，需根据实际情况调整坐标转换公式。

本篇关于《Python图片裁剪：坐标转换妙招》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！