opencv图像的几何变换

常见的几何变换有缩放，仿射，透视变换，可以通过如下函数完成对图像的上述变换

dst = cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) 
dst = cv2.warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) 
dst = cv2.warpPerspective(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) 

首先是缩放变换cv2.resize()

非关键字参数组有2个：src,dsize，分别是源图像与缩放后图像的尺寸

关键字参数为dst,fx,fy,interpolation

dst为缩放后的图像，fx,fy为图像x,y方向的缩放比例，

interplolation为缩放时的插值方式，有三种插值方式：

cv2.INTER_AREA 　　# 使用象素关系重采样。当图像缩小时候，该方法可以避免波纹出现。当图像放大时，类似于 CV_INTER_NN 方　
cv2.INTER_CUBIC　　# 立方插值
cv2.INTER_LINEAR  # 双线形插值　
cv2.INTER_NN      # 最近邻插值

仿射变换cv2.warpAffine()

非关键字参数有src, M, dsize，分别表示源图像，变换矩阵，变换后的图像的长宽

这里说一下放射变换的变换矩阵

位移变换矩阵为：

　　　　                               

旋转变换矩阵：

标准旋转变换矩阵为

                                              

但该矩阵没有考虑旋转变换时进行位移以及缩放操作，OpenCV中的旋转变换如下：

　　　　                                 

 其中

                                              

OpenCV中提供了一个函数获得这样一个矩阵

M=cv2.getRotationMatrix2D(rotate_center, degree, scale)

　　rotate_center为一个2元的元组，表示旋转中心坐标，degree表示逆时针旋转的角度，scale表示缩放的比例

仿射变换矩阵：

　　                                        

透视变换cv2.warpPerspective()

非关键字参数src, M, dsize分别表示源图像，变换矩阵，以及输出图像的大小。关键字参数为flags, borderMode, borderValue，这几个参数的意思理解的还不是很清楚。透视变换矩阵一般不容易直接知道，能够直接知道的往往是变换前后的点的位置，因此，OpenCV中提供了getPersepectiveTransform()函数获得透视变换矩阵

M = cv2.getPerspectiveTransform(pts1, pts2)

pts1,pts2分别为变换前点的位置以及变换后点的位置

(其实所有的变换的变换矩阵都可以通过变换前后点的坐标得到，即通过上面这个函数，因为所有的变换都是透视变换中的特例而已) 

最后用一个实例将上述变换函数作用呈现如下：

import numpy as np
import cv2
from matplotlib import pyplot as plt

#scaling:
img = cv2.imread('/home/zh/pic/3.png')
rows, cols, channels = img.shape
res = cv2.resize(img, (cols/2, rows/2))

#Translation:

# 1.shift
M_shift = np.float32([[1,0,100],[0,1,50]])
img_shift = cv2.warpAffine(img, M_shift, (cols, rows))

# 2.rotate
M_rotate = cv2.getRotationMatrix2D((cols/2, rows/2), 90, 1)
img_rotate = cv2.warpAffine(img, M_rotate, (cols, rows))

# 3.affine
pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[10,100],[200,50],[100,250]])
M_affine = cv2.getAffineTransform(pts1,pts2)
img_affine = cv2.warpAffine(img, M_affine, (cols, rows))

# 4.perspective
pts3 = np.float32([[56,65],[368,52],[28,387],[389,390]])
pts4 = np.float32([[0,0],[300,0],[0,300],[300,300]])
M_perspective = cv2.getPerspectiveTransform(pts3,pts4)
img_perspective = cv2.warpPerspective(img, M_perspective, (cols, rows))

print 'shift:\n', M_shift
print 'rotate:\n', M_rotate
print 'affine:\n', M_affine
print 'perspective:\n', M_perspective

plt.subplot(231),plt.imshow(img),plt.title('src')
plt.subplot(232),plt.imshow(res),plt.title('scale')
plt.subplot(233),plt.imshow(img_shift),plt.title('shift')
plt.subplot(234),plt.imshow(img_rotate),plt.title('rotate')
plt.subplot(235),plt.imshow(img_affine),plt.title('affine')
plt.subplot(236),plt.imshow(img_perspective),plt.title('perspective')

plt.show()