[python][转载]关于使用opencv旋转后坐标位置变化研究

旋转一定角度的方法有两种

方法一：

 
M = cv2.getRotationMatrix2D((cx, cy), angle, 1)
(im_h, im_w) = image.shape[:2]
(cX, cY) = (im_w // 2, im_h // 2)
# img = np.array(img)
cos_ = np.abs(M[0, 0])
sin_ = np.abs(M[0, 1])
nW = int((im_h * sin_) + (im_w * cos_))
nH = int((im_h * cos_) + (im_w * sin_))
M[0, 2] += (nW / 2) - cX
M[1, 2] += (nH / 2) - cY
r_img = cv2.warpAffine(image, M, (nW, nH))
旋转后原图整个信息都在，为了保证旋转之后原图完整存留，需要重新计算旋转后的图片大小，原图之外会padding 0

方法二：

M = cv2.getRotationMatrix2D((cx, cy), angle, 1)
r_img = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))
旋转之后的图片保持原图大小，所以原图信息不会完整保存，意味着边缘部分将被截断

在目标检测训练过程中两种方法都可取，但为了不错过目标信息，我一般用第一种方法，但是在截图目标框的时候，方法一旋转之后，目标框对应位置也变了，但是方法二因为与原图保持大小一致，所以旋转之后的目标框可以直接裁取。
 

图像的平移，旋转变换以及仿射与投影都需要先定义转换矩阵，然后使用cv2.warpAffine()根据变换矩阵完成转换

imgRotation = cv2.warpAffine(img, mat,(widthNew,heightNew),borderValue=(255,255,255))

其中，参数的定义如下表：

img	需要变换的图像
mat	转换矩阵
(widthNew,heightNew)	转换后图像尺寸
borderValue=(255,255,255)	转换后空白区域填充色

返回值imgRotation 就是转换后的图像。

注：　转换矩阵mat可以自己定义也可以直接使用opencv内置的函数得到想要的转换矩阵。一般直接使用opencv的内置函数比较方便。

一、图像平移变换

平移变换就是像素坐标x,y的加减运算，假设有两个点坐标pt1=(x1,y1),pt2=(x2,y2)

平移转换矩阵可以定义为TranslationMatrix =[[1, 0, 100],[0, 1, 50]] 

左乘转换矩阵可以得到平移变换后的坐标值，矩阵运算的过程如下，其他旋转转换矩阵运算类似。

二、图像旋转变换

图像旋转变换需要先确定旋转中心，旋转角度。如果使用图像某一角作为旋转中心会出现某点落在同一位子，某些位子是空白的问题。为避免这个问题，通常使用图像的中心作为旋转中心。

旋转矩阵可由cv2.getRotationMatrix2D()得到，注意degree是角度值，不是弧度值。

cv2.getRotationMatrix2D((width//2, height//2), degree, 1)
 下面给出给定图像和旋转角度求旋转后图像的例子

def dumpRotateImage(img,degree):
 
    height, width = img.shape[:2]
    heightNew = int(width * fabs(sin(radians(degree))) + height * fabs(cos(radians(degree))))
    widthNew = int(height * fabs(sin(radians(degree))) + width * fabs(cos(radians(degree))))
    matRotation = cv2.getRotationMatrix2D((width//2, height//2), degree, 1)
    imgRotation = cv2.warpAffine(img, matRotation,(widthNew,heightNew),borderValue=(255,255,255))
 
    return imgRotation
其中，heightNew和widthNew是旋转后图像的新尺寸。matRotation是以图像为中心，角度为degree的旋转矩阵。新尺寸的计算方法直接看图：

然后使用cv2.warpAffine()以该旋转矩阵旋转图像，这里需要注意必须使用原图像为旋转中心，旋转后的图像：

可以看到有部分图像像素点落在了图像区域外。为什么回落到图像外？是因为无论是对于新图像还是老图像，坐标系原点是图像左上角。所以图像旋转后会有一部分的像素值落在新图像之外。看图（阴影表示原图像，虚线区域表示旋转后的图像尺寸大小）：

为避免这个问题可以在该旋转矩阵中加入平移操作，使得原图旋转后完全落在图像图像中。平移量上图已经给出了。 

代码：

def dumpRotateImage(img,degree):
 
    height, width = img.shape[:2]
    heightNew = int(width * fabs(sin(radians(degree))) + height * fabs(cos(radians(degree))))
    widthNew = int(height * fabs(sin(radians(degree))) + width * fabs(cos(radians(degree))))
    matRotation = cv2.getRotationMatrix2D((width//2, height//2), degree, 1)
 
　　#加入平移操作
    matRotation[0,2] += (widthNew - width)//2
    matRotation[1,2] += (heightNew - height)//2
 
    imgRotation = cv2.warpAffine(img, matRotation,(widthNew,heightNew),borderValue=(255,255,255))
 
    return imgRotation
加入平移操作后旋转图像的结果：可以看到女神已经位于图像中心了

三、图像旋转前后的坐标映射关系

（１）原图像某点坐标P -> 旋转后图像坐标Q

假设某点坐标为P(x,y)，旋转矩阵为matRotation，旋转后图像坐Q可直接有P左乘matRotation得到

Q = np.dot(MatRotation,np.array([[P[0]],[P[1]],[1]]))
（２）旋转后图像坐标Q -> 原图像某点坐标P

可以使用cv2.invertAffineTransform得到变换矩阵的逆矩阵reverseMatRotation

假设旋转后图像某点坐标值为Q(x,y)，旋转矩阵逆矩阵为reverseMatRotation，在原图像中的坐标可有Q左乘reverseMatRotation得到

reverseMatRotation = cv2.invertAffineTransform(matRotation)
P = np.dot(reverseMatRotation,np.array([[Q[0]],[Q[1]],[1]]))
如下图四个点坐标：

经过下面代码计算后：

import cv2
from math import *
import numpy as np
 
def dumpRotateImage(img,degree):
 
    height, width = img.shape[:2]
    heightNew = int(width * fabs(sin(radians(degree))) + height * fabs(cos(radians(degree))))
    widthNew = int(height * fabs(sin(radians(degree))) + width * fabs(cos(radians(degree))))
    matRotation = cv2.getRotationMatrix2D((width//2, height//2), degree, 1)
    #matRotation[0,2] += (widthNew - width)//2
    #matRotation[1,2] += (heightNew - height)//2
    imgRotation = cv2.warpAffine(img, matRotation,(widthNew,heightNew),borderValue=(255,255,255))
 
    matRotation2 = cv2.getRotationMatrix2D((widthNew//2, heightNew//2), degree, 1)
    imgRotation2 = cv2.warpAffine(img, matRotation2, (widthNew, heightNew), borderValue=(255, 255, 255))
    return imgRotation,imgRotation2, matRotation
 
 
def draw_box(img,box):
    cv2.line(img, (box[0], box[1]), (box[2], box[3]), (0, 255, 0), 3)
    cv2.line(img, (box[0], box[1]), (box[4], box[5]), (0, 255, 0), 3)
    cv2.line(img, (box[2], box[3]), (box[6], box[7]), (0, 255, 0), 3)
    cv2.line(img, (box[4], box[5]), (box[6], box[7]), (0, 255, 0), 3)
    return img
 
image = cv2.imread('/home/fangsh/Pictures/timg.jpeg')
imgRotation, imgRotation2, matRotation = dumpRotateImage(image, 45)
box = [200,250,250,200,230,280,280,230]
 
reverseMatRotation = cv2.invertAffineTransform(matRotation)
pt1 = np.dot(reverseMatRotation,np.array([[box[0]],[box[1]],[1]]))
pt2 = np.dot(reverseMatRotation,np.array([[box[2]],[box[3]],[1]]))
pt3 = np.dot(reverseMatRotation,np.array([[box[4]],[box[5]],[1]]))
pt4 = np.dot(reverseMatRotation,np.array([[box[6]],[box[7]],[1]]))
 
print(pt1, pt2, pt3, pt4)
box2 = [pt1[0],pt1[1],pt2[0],pt2[1],pt3[0],pt3[1],pt4[0],pt4[1]]
 
cv2.imwrite('/home/fangsh/drawBox.png',draw_box(imgRotation,box))
cv2.imwrite('/home/fangsh/raw.png',draw_box(image,box2))
#cv2.waitKey(0)
在旋转后图像中的矩阵框使用旋转矩阵逆矩阵可求得在原图像中的位子，结果如下：

tips:流程如果没看懂的话，把代码跑一下就能大致知道为什么是这个流程了。 
原文链接1：https://blog.csdn.net/cunyizhang/article/details/110441599
原文链接2：https://blog.csdn.net/MrR1ght/article/details/89196611