---

图像旋转与镜像操作详解（OpenCV + NumPy 实现）

在图像处理过程中，旋转与镜像操作是最常见的几何变换。它们不仅用于图像预处理（如数据增强、图像对齐），还常应用于计算机视觉任务（如目标检测、OCR 文字识别、人脸识别等）。本文将介绍 三种图像旋转方法 与 两种图像镜像方法，并进行对比分析。

---

一、图片旋转

方法一：使用 cv2.rotate 函数（最简便）

cv2.rotate 是 OpenCV 提供的专门用于旋转的函数，支持 90 度倍数的旋转操作，使用简单高效。

import cv2
# 读取图像
img = cv2.imread('image.jpg')

# 顺时针旋转 90 度
rotated_90_clockwise = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE)

# 逆时针旋转 90 度
rotated_90_counterclockwise = cv2.rotate(img, cv2.ROTATE_90_COUNTERCLOCKWISE)

# 旋转 180 度
rotated_180 = cv2.rotate(img, cv2.ROTATE_180)

# 显示结果
cv2.imshow('Original Image', img)
cv2.imshow('Rotated 90 Clockwise', rotated_90_clockwise)
cv2.imshow('Rotated 90 Counterclockwise', rotated_90_counterclockwise)
cv2.imshow('Rotated 180', rotated_180)
cv2.waitKey(0)
cv2.destroyAllWindows()

解析：

• cv2.imread('image.jpg') → 读取图像，返回一个 NumPy 数组。

• cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE) → 内置旋转方法，直接实现 90°/180°/270° 的旋转。

• cv2.imshow → 显示图像窗口，参数分别是窗口名和图像数组。

• cv2.waitKey(0) → 等待键盘输入，否则窗口会立即关闭。

👉 特点：无需计算矩阵，直接调用即可，但仅限 90°、180°、270° 的旋转。

---

方法二：使用 cv2.warpAffine + 旋转矩阵（最灵活）

通过 cv2.getRotationMatrix2D 获取旋转矩阵，再结合 cv2.warpAffine 执行仿射变换，可以实现 任意角度 的旋转。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.jpg')
height, width = img.shape[:2]

# 设置旋转中心为图像中心
center = (width // 2, height // 2)

# 设置旋转角度（例如 45 度）
angle = 45
scale = 1.0  # 缩放比例

# 获取旋转矩阵
M = cv2.getRotationMatrix2D(center, angle, scale)

# 仿射变换
rotated = cv2.warpAffine(img, M, (width, height))

cv2.imshow('Original Image', img)
cv2.imshow('Rotated Image', rotated)
cv2.waitKey(0)
cv2.destroyAllWindows()

解析：

• img.shape[:2] → 获取图像高度和宽度（忽略颜色通道）。

• center = (width // 2, height // 2) → 旋转中心点设为图像中心。

• cv2.getRotationMatrix2D(center, angle, scale) → 返回一个 2×3 的旋转矩阵，用于描述旋转+缩放变换。

• cv2.warpAffine(img, M, (width, height)) → 根据矩阵 M 对图像做仿射变换，得到旋转后的结果。

👉 特点：可以旋转 任意角度，但计算稍复杂。
💡 提示：若想避免旋转后图像被裁剪，可以在 warpAffine 时增大输出尺寸 (width, height)。

---

方法三：使用 NumPy rot90（适合矩阵操作）

如果图像以 NumPy 数组形式存储，可以直接用 np.rot90 实现 90° 倍数旋转。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.jpg')

# 顺时针旋转 90 度（k=-1）
rotated_90_clockwise = np.rot90(img, k=-1)

# 逆时针旋转 90 度（k=1）
rotated_90_counterclockwise = np.rot90(img, k=1)

# 旋转 180 度（k=2）
rotated_180 = np.rot90(img, k=2)

cv2.imshow('Original Image', img)
cv2.imshow('Rotated 90 Clockwise', rotated_90_clockwise)
cv2.imshow('Rotated 90 Counterclockwise', rotated_90_counterclockwise)
cv2.imshow('Rotated 180', rotated_180)
cv2.waitKey(0)
cv2.destroyAllWindows()

解析：

• np.rot90(img, k=1) → 每次旋转 90°，k 控制次数（正数逆时针，负数顺时针）。

• 本质上是通过矩阵行列交换 + 反转来实现旋转。

👉 特点：简洁快速，尤其适合与 NumPy 结合处理大规模图像数据，但只能处理 90° 倍数旋转。

---

各方法对比

方法	旋转角度灵活性	操作简便性	适用场景
cv2.rotate	仅支持 90、180、270 度	高，直接调用	常规 90° 倍数旋转
cv2.warpAffine	任意角度	中，需要矩阵运算	图像增强、任意旋转
np.rot90	仅支持 90° 倍数	高，适合批量矩阵处理	科研计算、NumPy 工作流

---

二、图片镜像（翻转）

方法一：使用 cv2.flip（推荐）

OpenCV 的 cv2.flip 专门用于翻转图像，只需指定 flipCode 参数即可：

• flipCode = 0：垂直镜像（上下翻转）

• flipCode = 1：水平镜像（左右翻转）

• flipCode = -1：同时水平 + 垂直镜像

import cv2

img = cv2.imread('image.jpg')

# 水平镜像
horizontal_flip = cv2.flip(img, 1)

# 垂直镜像
vertical_flip = cv2.flip(img, 0)

# 水平 + 垂直镜像
both_flip = cv2.flip(img, -1)

cv2.imshow('Original Image', img)
cv2.imshow('Horizontal Flip', horizontal_flip)
cv2.imshow('Vertical Flip', vertical_flip)
cv2.imshow('Both Flip', both_flip)
cv2.waitKey(0)
cv2.destroyAllWindows()

👉 特点：简单高效，推荐使用。

---

方法二：使用 NumPy 索引（原理性方法）

图像本质是 NumPy 数组，因此可以直接通过索引实现翻转。

import cv2
import numpy as np

img = cv2.imread('image.jpg')

# 水平翻转：列反转
horizontal_flip = img[:, ::-1, :]

# 垂直翻转：行反转
vertical_flip = img[::-1, :, :]

# 同时水平 + 垂直翻转
both_flip = img[::-1, ::-1, :]

cv2.imshow('Original Image', img)
cv2.imshow('Horizontal Flip', horizontal_flip)
cv2.imshow('Vertical Flip', vertical_flip)
cv2.imshow('Both Flip', both_flip)
cv2.waitKey(0)
cv2.destroyAllWindows()

解析：

• img[:, ::-1, :] → 第二个维度（列）反转 → 水平翻转。

• img[::-1, :, :] → 第一个维度（行）反转 → 垂直翻转。

• img[::-1, ::-1, :] → 行列都反转 → 水平 + 垂直翻转。

👉 特点：更底层，适合理解图像存储结构或进行自定义操作。

---

各方法对比

方法	操作简便性	依赖库	灵活性
cv2.flip	高，直接调用函数	仅需 OpenCV	高，通过 flipCode 控制
NumPy 索引	中等，需理解数组结构	OpenCV + NumPy	高，可自定义更复杂翻转

---

三、总结

• 旋转：

  • 如果是 90° 倍数旋转 → cv2.rotate 或 np.rot90。

  • 如果是 任意角度旋转 → cv2.warpAffine。

• 镜像：

  • 推荐用 cv2.flip，更简洁高效。

  • NumPy 索引更灵活，适合需要批量矩阵操作时使用。

这些操作还常用于 数据增强（Data Augmentation），例如在深度学习训练中，通过旋转和镜像生成不同角度和方向的图像，可以有效提高模型的泛化能力。