[Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校正

该系列文章是讲解Python
OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~

同时推荐作者的C++图像系列知识：
[数字图像处理] 一.MFC详解显示BMP格式图片
<https://blog.csdn.net/eastmount/article/details/18238863>
[数字图像处理] 二.MFC单文档分割窗口显示图片
<https://blog.csdn.net/eastmount/article/details/18987539>
[数字图像处理] 三.MFC实现图像灰度、采样和量化功能详解
<https://blog.csdn.net/eastmount/article/details/46010637>
[数字图像处理] 四.MFC对话框绘制灰度直方图
<https://blog.csdn.net/eastmount/article/details/46237463>
[数字图像处理] 五.MFC图像点运算之灰度线性变化、灰度非线性变化、阈值化和均衡化处理详解
<https://blog.csdn.net/eastmount/article/details/46312145>
[数字图像处理] 六.MFC空间几何变换之图像平移、镜像、旋转、缩放详解
<https://blog.csdn.net/eastmount/article/details/46345299>
[数字图像处理] 七.MFC图像增强之图像普通平滑、高斯平滑、Laplacian、Sobel、Prewitt锐化详解
<https://blog.csdn.net/eastmount/article/details/46378783>

前文参考：
[Python图像处理] 一.图像处理基础知识及OpenCV入门函数
<https://blog.csdn.net/Eastmount/article/details/81748802>
[Python图像处理] 二.OpenCV+Numpy库读取与修改像素
<https://blog.csdn.net/eastmount/article/details/82120114>
[Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理
<https://blog.csdn.net/eastmount/article/details/82177300>
[Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波
<https://blog.csdn.net/Eastmount/article/details/82216380>
[Python图像处理] 五.图像融合、加法运算及图像类型转换
<https://blog.csdn.net/Eastmount/article/details/82347501>
[Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移
<https://blog.csdn.net/Eastmount/article/details/82454335>
[Python图像处理] 七.图像阈值化处理及算法对比
<https://blog.csdn.net/Eastmount/article/details/83548652>
[Python图像处理] 八.图像腐蚀与图像膨胀
<https://blog.csdn.net/Eastmount/article/details/83581277>
[Python图像处理] 九.形态学之图像开运算、闭运算、梯度运算
<https://blog.csdn.net/Eastmount/article/details/83651172>
[Python图像处理] 十.形态学之图像顶帽运算和黑帽运算
<https://blog.csdn.net/Eastmount/article/details/83692456>
[Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图
<https://blog.csdn.net/Eastmount/article/details/83758402>


前面的第六篇文章讲解了图像缩放、图像旋转、图像翻转和图像平移的几何变换，本篇文章主要讲解图像仿射变换和图像透视变换，通过Python调用OpenCV函数实。基础性知识希望对您有所帮助。
1.图像仿射变换
2.图像透视变换
3.基于图像透视变换的图像校正
4.图像几何变换总结

PS：文章参考自己以前系列图像处理文章及OpenCV库函数，同时，本篇文章涉及到《计算机图形学》基础知识，请大家下来补充。

参考文献：
Python下opencv使用笔记（三）（图像的几何变换）
<https://blog.csdn.net/on2way/article/details/46801063>
数字图像处理——图像的几何变换 <https://blog.csdn.net/ywxk1314/article/details/79681754>
图像校正-透视变换——t6_17 <https://blog.csdn.net/t6_17/article/details/78729097>

<>一.图像仿射变换


图像仿射变换又称为图像仿射映射，是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。通常图像的旋转加上拉升就是图像仿射变换，仿射变换需要一个M矩阵实现，但是由于仿射变换比较复杂，很难找到这个M矩阵.


OpenCV提供了根据变换前后三个点的对应关系来自动求解M的函数——cv2.getAffineTransform(pos1,pos2)，其中pos1和pos2表示变换前后的对应位置关系，输出的结果为仿射矩阵M，接着使用函数cv2.warpAffine()实现图像仿射变换。图5-14是仿射变换的前后效果图。

图像仿射变换的函数原型如下：
M = cv2.getAffineTransform(pos1,pos2)

* pos1表示变换前的位置
* pos2表示变换后的位置
cv2.warpAffine(src, M, (cols, rows))

* src表示原始图像
* M表示仿射变换矩阵
* (rows,cols)表示变换后的图像大小，rows表示行数，cols表示列数
实现代码如下所示：
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt
#读取图片 src = cv2.imread('test.bmp') #获取图像大小 rows, cols = src.shape[:2]
#设置图像仿射变换矩阵 pos1 = np.float32([[50,50], [200,50], [50,200]]) pos2 = np.float32([
[10,100], [200,50], [100,250]]) M = cv2.getAffineTransform(pos1, pos2) #图像仿射变换
result= cv2.warpAffine(src, M, (cols, rows)) #显示图像 cv2.imshow("original", src)
cv2.imshow("result", result) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
输出效果图如下所示：

<>二.图像透视变换

图像透视变换（Perspective
Transformation）的本质是将图像投影到一个新的视平面，同理OpenCV通过函数cv2.getPerspectiveTransform(pos1,pos2)构造矩阵M，其中pos1和pos2分别表示变换前后的4个点对应位置。得到M后在通过函数cv2.warpPerspective(src,M,(cols,rows))进行透视变换。

图像透视变换的函数原型如下：

M = cv2.getPerspectiveTransform(pos1, pos2)

* pos1表示透视变换前的4个点对应位置
* pos2表示透视变换后的4个点对应位置
cv2.warpPerspective(src,M,(cols,rows))

* src表示原始图像
* M表示透视变换矩阵
* (rows,cols)表示变换后的图像大小，rows表示行数，cols表示列数
代码如下：
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt
#读取图片 src = cv2.imread('test01.jpg') #获取图像大小 rows, cols = src.shape[:2]
#设置图像透视变换矩阵 pos1 = np.float32([[114, 82], [287, 156], [8, 322], [216, 333]])
pos2= np.float32([[0, 0], [188, 0], [0, 262], [188, 262]]) M = cv2.
getPerspectiveTransform(pos1, pos2) #图像透视变换 result = cv2.warpPerspective(src, M,
(190, 272)) #显示图像 cv2.imshow("original", src) cv2.imshow("result", result) #等待显示
cv2.waitKey(0) cv2.destroyAllWindows()
输出结果如下图所示：

<>三.基于图像透视变换的图像校正

下面参考 t6_17大神 <https://blog.csdn.net/t6_17/article/details/78729097>
的文章，通过图像透视变换实现图像校正功能。

假设现在存在一张A4纸图像，现在需要通过调用图像透视变换校正图像。

代码如下所示：
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt
#读取图片 src = cv2.imread('test01.jpg') #获取图像大小 rows, cols = src.shape[:2]
#将源图像高斯模糊 img = cv2.GaussianBlur(src, (3,3), 0) #进行灰度化处理 gray = cv2.cvtColor(img
,cv2.COLOR_BGR2GRAY) #边缘检测（检测出图像的边缘信息） edges = cv2.Canny(gray,50,250,
apertureSize= 3) cv2.imwrite("canny.jpg", edges) #通过霍夫变换得到A4纸边缘 lines = cv2.
HoughLinesP(edges,1,np.pi/180,50,minLineLength=90,maxLineGap=10)
#下面输出的四个点分别为四个顶点 for x1,y1,x2,y2 in lines[0]: print(x1,y1),(x2,y2) for x1,y1,x2,
y2in lines[1]: print(x1,y1),(x2,y2) #绘制边缘 for x1,y1,x2,y2 in lines[0]: cv2.line(
gray, (x1,y1), (x2,y2), (0,0,255), 1) #根据四个顶点设置图像透视变换矩阵 pos1 = np.float32([[114,
82], [287, 156], [8, 322], [216, 333]]) pos2 = np.float32([[0, 0], [188, 0], [0,
262], [188, 262]]) M = cv2.getPerspectiveTransform(pos1, pos2) #图像透视变换 result =
cv2.warpPerspective(src, M, (190, 272)) #显示图像 cv2.imshow("original", src) cv2.
imshow("result", result) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
运行结果如下图所示：

<>四.图像几何变换总结

最后补充图像几何代码所有变换，希望读者能体会下相关的代码，并动手实践下。输出结果以女神为例：

完整代码如下：
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt
#读取图片 img = cv2.imread('test3.jpg') image = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#图像平移矩阵 M = np.float32([[1, 0, 80], [0, 1, 30]]) rows, cols = image.shape[:2]
img1= cv2.warpAffine(image, M, (cols, rows)) #图像缩小 img2 = cv2.resize(image, (200
,100)) #图像放大 img3 = cv2.resize(image, None, fx=1.1, fy=1.1) #绕图像的中心旋转 #源图像的高、宽
以及通道数 rows, cols, channel = image.shape #函数参数：旋转中心 旋转度数 scale M = cv2.
getRotationMatrix2D((cols/2, rows/2), 30, 1) #函数参数：原始图像 旋转参数 元素图像宽高 img4 = cv2.
warpAffine(image, M, (cols, rows)) #图像翻转 img5 = cv2.flip(image, 0)
#参数=0以X轴为对称轴翻转 img6 = cv2.flip(image, 1) #参数>0以Y轴为对称轴翻转 #图像的仿射 pts1 = np.float32
([[50,50],[200,50],[50,200]]) pts2 = np.float32([[10,100],[200,50],[100,250]]) M
= cv2.getAffineTransform(pts1,pts2) img7 = cv2.warpAffine(image, M, (rows,cols))
#图像的透射 pts1 = np.float32([[56,65],[238,52],[28,237],[239,240]]) pts2 = np.
float32([[0,0],[200,0],[0,200],[200,200]]) M = cv2.getPerspectiveTransform(pts1,
pts2) img8 = cv2.warpPerspective(image,M,(200,200)) #循环显示图形 titles = [ 'source',
'shift', 'reduction', 'enlarge', 'rotation', 'flipX', 'flipY', 'affine',
'transmission'] images = [image, img1, img2, img3, img4, img5, img6, img7, img8]
for i in xrange(9): plt.subplot(3, 3, i+1), plt.imshow(images[i], 'gray') plt.
title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
希望文章对大家有所帮助，如果有错误或不足之处，还请海涵。最近连续奔波考博，经历的事情太多，有喜有悲，需要改变自己好好对家人，也希望读者与我一起加油。
（By：Eastmount 2019-03-20 早上12点 https://blog.csdn.net/Eastmount/）
<https://blog.csdn.net/Eastmount/%EF%BC%89>

• « 上一篇：命悬一线丨33岁程序员垂死经历为所有人敲响警钟！
• » 下一篇：人工智能 = 物联网，大数据 + 云计算