opencv-25 图像几何变换04- 透视 cv2.warpPerspective()
什么是透视？
透视是一种几何学概念，用于描述在三维空间中观察物体时，由于视角的不同而产生的变形效果。在现实世界中，当我们从不同的角度或位置观察物体时，它们会呈现出不同的形状和大小。这种现象被称为透视效果。
透视效果主要由以下几个因素造成：
远近关系：在视野范围内，离我们更远的物体看起来较小，而离我们更近的物体看起来较大。这是因为我们在观察时，远处的物体在视平面上的投影较小。
平行线收敛：在透视效果下，远离观察者的平行线在视觉上会似乎收敛到一个点，被称为消失点。这使得在远处的物体线条会看起来更加趋向于一点。
视角变化：观察物体的视角改变，物体的形状和大小也会发生变化。例如，当我们倾斜或移动头部时，看到的物体会有不同的形态。
透视效果在绘画、摄影、计算机图形学等领域都起着重要的作用。在绘画中，艺术家通常使用透视来创造真实感和深度感。在摄影中，摄影师可以利用透视来拍摄令人惊叹的远景和近景照片。在计算机图形学中，透视是渲染真实感图像的重要技术之一。
在图像处理中，透视变换是一种将图像投影到一个新的视角或平面的方法，以实现校正透视畸变、改变图像视角等目的。通过透视变换，可以将图像中的内容按照一定的规则进行调整，从而达到所需的效果。
opencv 透视的应用场景
OpenCV中透视变换的应用场景非常广泛，它可以在许多不同的领域和任务中发挥重要作用。以下是一些使用OpenCV透视变换的常见应用场景：
- 图像校正与纠正：
透视变换可以用于校正图像中的透视畸变，例如摄像头拍摄的倾斜建筑物或文档图像。通过找到正确的透视变换矩阵，可以将图像变换为在平面上正常显示的形式。 - 图像拼接与全景图像：
在全景图像拼接中，透视变换用于将多个图像对齐并拼接成一个更大的全景图像。通过透视变换，可以校正相机的视角，以便拼接后的图像具有连贯的视觉效果。 - 车道线检测与车道保持：
在自动驾驶或驾驶辅助系统中，透视变换可用于检测车道线并保持车辆在车道中心行驶。通过将图像转换为鸟瞰视角，车道线在图像中将呈现为直线，便于车道线检测算法的实现。 - 物体检测与识别：
在计算机视觉中，透视变换可以用于改变图像的视角，从而便于对物体进行检测和识别。例如，通过将图像转换为俯视视角，可以更容易地检测和跟踪行人或车辆。 - 视频稳定与追踪：
在视频稳定和目标追踪中，透视变换可用于稳定视频或将目标区域转换到固定视角，以便进行更稳健的跟踪。 - 增强现实 (AR) 应用：
在AR应用中，透视变换可以用于将虚拟对象与真实世界中的物体进行融合，从而实现更真实的增强现实体验。 - 文档扫描与识别：
在文档扫描与识别应用中，透视变换可用于校正文档图像中的透视畸变，从而确保文本和图像的水平和垂直对齐。
这些只是OpenCV透视变换的一些常见应用场景，实际上，透视变换在计算机视觉和图像处理中有着广泛的应用，帮助我们解决各种复杂的视觉任务。
透视变换通过函数 cv2.warpPerspective()实现，该函数的语法是：
dst = cv2.warpPerspective( src, M, dsize[, flags[, borderMode[, borderValue]]] )
式中：
dst 代表透视处理后的输出图像，该图像和原始图像具有相同的类型。dsize 决定输出图
像的实际大小。
src 代表要透视的图像。
M 代表一个 3×3 的变换矩阵。
dsize 代表输出图像的尺寸大小。
flags 代表插值方法，默认为 INTER_LINEAR。当该值为 WARP_INVERSE_MAP 时，
意味着 M 是逆变换类型，能实现从目标图像 dst 到原始图像 src 的逆变换。具体可选值
参见表 5-1。
borderMode 代表边类型， 默认为 BORDER_CONSTANT 。 当 该值为 BORDER_
TRANSPARENT 时，意味着目标图像内的值不做改变，这些值对应原始图像内的异常值。
borderValue 代表边界值，默认是 0。
与仿射变换一样，同样可以使用一个函数来生成函数 cv2.warpPerspective()所使用的转换矩阵。
该函数是 cv2.getPerspectiveTransform()，其语法格式为：
retval = cv2.getPerspectiveTransform( src, dst )
式中：
src 代表输入图像的四个顶点的坐标。
dst 代表输出图像的四个顶点的坐标。
需要注意的是， src 参数和 dst 参数是包含四个点的数组，与仿射变换函数 cv2.getAffineTransform() 中的三个点是不同的。实际使用中，我们可以根据需要控制 src 中的四
个点映射到 dst 中的四个点。
实验：完成图像透视
import cv2
import numpy as np
img=cv2.imread('demo.bmp')
rows,cols=img.shape[:2]
print(rows,cols)
pts1 = np.float32([[150,50],[400,50],[60,450],[310,450]])
pts2 = np.float32([[50,50],[rows-50,50],[50,cols-50],[rows-50,cols-50]])
M=cv2.getPerspectiveTransform(pts1,pts2)
dst=cv2.warpPerspective(img,M,(cols,rows))
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey()
cv2.destroyAllWindows()
指定原始图像中平行四边形的四个顶点 pts1，指定目标图像中矩形的四个顶点
pts2，使用 M=cv2.getPerspectiveTransform(pts1,pts2)生成转换矩阵 M。接下来，使用语句
dst=cv2.warpPerspective(img,M,(cols,rows))完成从平行四边形到矩形的转换。
运行效果：
实验原图：
