7. 图像的几何变换-cv2.resize()、cv2.warpAffine()、cv2.getRotationMatrix2D()、cv2.getAffineTransform()、透视变换

1. 改变图像的大小-cv2.resize()

函数原型:cv2.resize(src,  dst, Size, fx, fy, interpolation)

参数说明:1. src 输入图片 2. dst 输出图片 3.size 输出图片的大小 4. fx、fy:沿水平轴、垂直轴的缩放因子(宽度、高度) 5.插入方式,默认为INTER_LINEAR.

插入方式interpolation有以下几种:

INTER_NEAREST	最近邻插值
INTER_LINEAR	双线性插值（默认设置）
INTER_AREA	使用像素区域关系进行重采样。
INTER_CUBIC	4x4像素邻域的双三次插值
INTER_LANCZOS4	8x8像素邻域的Lanczos插值

代码如下:

def resize_demo(image):

    print("Origin size:", image.shape)
    # 第一种方法：通过fx，fy缩放因子
    res = cv.resize(image, None, fx=1, fy=3, interpolation=cv.INTER_CUBIC)  # fx宽 fy高
    print("After resize 1 size:", res.shape)
    # 第二种方法：直接设置输出图像的尺寸，所以不用设置缩放因子
    height,width = image.shape[:2]
    res=cv.resize(image,(2*width,2*height),interpolation=cv.INTER_CUBIC)
    print("After resize 2 size:", res.shape)

    while(1):
        cv.imshow('res',res)
        cv.imshow('img',image)
        if cv.waitKey(1) & 0xFF == 27:
            break

注:cv2.resize():要缩小图像，一般推荐使用CV_INETR_AREA(区域插值)来插值；若要放大图像，推荐使用CV_INTER_LINEAR（线性插值）.

2. 图像的偏移- cv2.warpAffine()

图像的平移也分为两步：首先定义好图像的平移矩阵，分别指定x方向(宽)和y方向上(高)的平移量tx和ty，平移矩阵(2 X 3)的形式如下：

代码如下:

def move_demo(image):
    rows, cols = image.shape[:2]
    M = np.float32([[1, 0, 100], [0, 1, 50]])    # M为平移矩阵,100为宽移动的距离,50为高
    dst = cv.warpAffine(image, M, (cols, rows))  # 仿射变换函数   (cols, rows):平移后图像的大小
    cv.imshow('image', dst)

 3. 图像的旋转- cv2.getRotationMatrix2D()

这个函数可以在任何位置进行旋转变换,它的旋转矩阵为:

这个函数有三个参数:旋转中心，旋转角度，旋转后图像的缩放比例。

然后再使用函数cv2.warpAffine()利用得到的M对原始图像进行变换即可。

代码如下:

def rotation_demo(img):
    rows, cols = img.shape[:2]
    # 将图像相对于中心旋转90度，而不进行任何缩放。旋转中心，角度，缩放比率
    M = cv.getRotationMatrix2D((cols / 2, rows / 2), 90, 1)
    dst = cv.warpAffine(img, M, (cols, rows))
    cv.imshow('original', img)
    cv.imshow('result', dst)
    cv.waitKey(0)
    cv.destroyAllWindows()

4. 图像的仿射变换-cv2.getAffineTransform()

仿射变换，又称仿射映射，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。仿射变换需要一个M矩阵,但是由于仿射变换比较复杂，一般直接找很难找到这个矩阵，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，这个函数就是：cv2.getAffineTransform()，参数如下:

1. src：原始图像中的三个点的坐标
2. dst：变换后的这三个点对应的坐标
3. M：根据三个对应点求出的仿射变换矩阵

然后再使用函数cv2.warpAffine()利用得到的M对原始图像进行变换即可。

代码如下:

def affine_demo(img):

    rows, cols, ch = img.shape

    pts1 = np.float32([[50, 50], [200, 50], [50, 200]])
    pts2 = np.float32([[10, 100], [200, 50], [100, 250]])

    M = cv.getAffineTransform(pts1, pts2)

    dst = cv.warpAffine(img, M, (cols, rows))

    plt.subplot(121), plt.imshow(img), plt.title('Input')
    plt.subplot(122), plt.imshow(dst), plt.title('Output')
    plt.show()

5. 透视变换-cv2.getPerspectiveTransform()、cv2.warpPerspective()

透视变换(Perspective Transformation)是将成像投影到一个新的视平面(Viewing Plane)，也称作投影映射(Projective Mapping)。

5.1 cv2.getPerspectiveTransform(src, dst)

参数说明:

• src：源图像中待测矩形的四点坐标

• sdt：目标图像中矩形的四点坐标

• 返回值:由源图像中矩形到目标图像矩形变换的矩阵 ,得到变换矩阵。

5.2 cv2.warpPerspective(src, M, dsize, dst=None, flags=None, borderMode=None, borderValue=None)

参数说明:

• src：输入图像

• M：变换矩阵

• dsize：目标图像shape

• flags：插值方式，interpolation方法INTER_LINEAR或INTER_NEAREST

• borderMode：边界补偿方式，BORDER_CONSTANT or BORDER_REPLICATE

• borderValue：边界补偿大小，常值，默认为0

• 作用:进行透视变换。

代码如下:

def perspective_demo(img):

    rows, cols, ch = img.shape

    pts1 = np.float32([[56, 65], [368, 52], [28, 387], [389, 390]])
    pts2 = np.float32([[0, 0], [300, 0], [0, 300], [300, 300]])

    M = cv.getPerspectiveTransform(pts1, pts2)

    dst = cv.warpPerspective(img, M, (300, 300))

    plt.subplot(121), plt.imshow(img), plt.title('Input')
    plt.subplot(122), plt.imshow(dst), plt.title('Output')
    plt.show()