机器视觉专栏（三）图像的几何变换

总览

图像的几何变换主要是以下几种：缩放，旋转，仿射变换和透视
变换，接下来我们一一介绍。

图像的缩放：尺度变换

在opencv中提供了缩放的函数cv2.resize,这个函数可以按照倍数进行缩放，或者是直接将图像的大小变成指定的。说到缩放，我们首先想到的是如何处理变换之后图片中缺少的像素如何填充，在介绍缩放函数之前我们先来了解什么是插值。
插值算法，顾名思义就是如何填充/去掉图像中的像素，使得图像在变换大小过后中原有的特征得以保留。opencv支持的插值算法有三种:
cv2.INTER_AREA : 最近邻插值，把一个点的像素值直接设置为这个点最近的点的像素，但是这个方法会让图像出现很多色块
cv2.INTER_LINEAR ： 双线性插值，这里使用了一维下的线性插值算法在二维上的推广，一维上的插值算法就是在两点之间填上一条直线，二维中只要4个方程对上下左右四个像素解方程就行
cv2.INTER_CUBIC：立方插值是在双线性插值算法的基础上进行改进，除了考虑函数值以外还添加了变化率的估量，只不过速度很慢就是了。
下面是代码的演示

import cv2import numpy as npimg = cv2.imread(r"C:\Users\LIMN2O4\Pictures\lena.jpg")# 按照倍数缩放res1 = cv2.resize(img,(0,0),fx = 1.3,fy = 1.3,interpolation=cv2.INTER_CUBIC)# 按照大小进行变化res2 = cv2.resize(img,(500,500),interpolation=cv2.INTER_AREA)cv2.imshow("out1",res1)cv2.imshow("out2",res2)cv2.waitKey(0)

图像的旋转

图像的旋转是通过图像的“投影”实现的，相当于将一张图像的某个点投影到另外一个点。我们将一个一个点投影到另外的点事实上变换算法的过程。我们将原矩阵乘以一个变换矩阵，得到的新矩阵就是投影完成之后的矩阵就是我们想要的图像。
具体的矩阵是通过cv2.getRotationMatrix2D 实现的，这个函数需要的参数是旋转的角度，之后将这个矩阵当作cv2.warpAffine 的参数就行：

import cv2import numpy as npimg = cv2.imread(r"C:\Users\LIMN2O4\Pictures\lena.jpg")# 旋转90°row,col,ch = img.shapeM = cv2.getRotationMatrix2D(((col/2),(row/2)),90,1)# 参数分别是中心点，角度，缩放尺度res1 = cv2.warpAffine(img,M,(row,col))cv2.imshow("out1",res1)cv2.waitKey(0)

仿射变换和透视变换：

仿射变换很容易理解，就是在源图像中平行的直线，在变换之后的图像中仍然是平行的，这个方法需要三个点在变换前，变换后的坐标。
透视变换是保持原有图形的一种变换方法，在源图像中的直线，在变换后的时候仍是直线，这个方法需要4个点的坐标，我们需要创建一个np.float32 矩阵来保存这两种方法所需的矩阵和坐标点。

import cv2import numpy as npimg = cv2.imread(r"C:\Users\LIMN2O4\Pictures\lena.jpg")# 通过三个点的相对位置来确定整个图像row,col,ch = img.shapepts1 = np.float32([[0,0],[0,col],[row,0]])pts2 = np.float32([[0,0],[100,col],[row,50]])M1 = cv2.getAffineTransform(pts1,pts2)res1 = cv2.warpAffine(img,M1,(row,col))pts3 = np.float32([[0,0],[0,col],[row,0],[row,col]])pts4 = np.float32([[10,10],[10,col-10],[row-10,10],[row-10,col-10]])M2 = cv2.getPerspectiveTransform(pts3,pts4)res2 = cv2.warpPerspective(img,M2,(row,col))cv2.imshow("out1",res1)cv2.imshow("out2",res2)cv2.waitKey(0)