本文分享自华为云社区《[Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校正-云社区-华为云》，作者： eastmount 。

一.图像仿射变换

图像仿射变换又称为图像仿射映射，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。通常图像的旋转加上拉升就是图像仿射变换，仿射变换需要一个M矩阵实现，但是由于仿射变换比较复杂，很难找到这个M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——cv2.getAffineTransform（pos1，pos2），其中pos1和pos2表示变换前后的对应位置关系，输出的结果为仿射矩阵M，接着使用函数cv2.warpAffine（）实现图像仿射变换。图5-14是仿射变换的前后效果图。

图像仿射变换的函数原型如下：

M = cv2.getAffineTransform（pos1，pos2）

• pos1表示变换前的位置
• pos2表示变换后的位置

cv2.warpAffine（src， M， （cols， rows））

• src表示原始图像
• M表示仿射变换矩阵
• （rows，cols）表示变换后的图像大小，rows表示行数，cols表示列数

实现代码如下所示：

#encoding:utf-8import cv2import numpy as npimport matplotlib.pyplot as plt#读取图片src = cv2.imread('test.bmp')#获取图像大小rows, cols = src.shape[:2]#设置图像仿射变换矩阵pos1 = np.float32([[50,50], [200,50], [50,200]])pos2 = np.float32([[10,100], [200,50], [100,250]])M = cv2.getAffineTransform(pos1, pos2)#图像仿射变换result = cv2.warpAffine(src, M, (cols, rows))#显示图像cv2.imshow("original", src)cv2.imshow("result", result)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

输出效果图如下所示：

二.图像透视变换

图像透视变换（Perspective Transformation）的本质是将图像投影到一个新的视平面，同理OpenCV通过函数
cv2.getPerspectiveTransform(pos1,pos2)构造矩阵M，其中pos1和pos2分别表示变换前后的4个点对应位置。得到M后在通过函数cv2.warpPerspective(src,M,(cols,rows))进行透视变换。

图像透视变换的函数原型如下：

M = cv2.getPerspectiveTransform(pos1, pos2)

• pos1表示透视变换前的4个点对应位置
• pos2表示透视变换后的4个点对应位置

cv2.warpPerspective(src,M,(cols,rows))

• src表示原始图像
• M表示透视变换矩阵
• (rows,cols)表示变换后的图像大小，rows表示行数，cols表示列数

代码如下：

#encoding:utf-8import cv2import numpy as npimport matplotlib.pyplot as plt#读取图片src = cv2.imread('test01.jpg')#获取图像大小rows, cols = src.shape[:2]#设置图像透视变换矩阵pos1 = np.float32([[114, 82], [287, 156], [8, 322], [216, 333]])pos2 = np.float32([[0, 0], [188, 0], [0, 262], [188, 262]])M = cv2.getPerspectiveTransform(pos1, pos2)#图像透视变换result = cv2.warpPerspective(src, M, (190, 272))#显示图像cv2.imshow("original", src)cv2.imshow("result", result)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

输出结果如下图所示：

三.基于图像透视变换的图像校正

下面参考 t6_17大神 的文章，通过图像透视变换实现图像校正功能。

假设现在存在一张A4纸图像，现在需要通过调用图像透视变换校正图像。

代码如下所示：

#encoding:utf-8import cv2import numpy as npimport matplotlib.pyplot as plt#读取图片src = cv2.imread('test01.jpg')#获取图像大小rows, cols = src.shape[:2]#将源图像高斯模糊img = cv2.GaussianBlur(src, (3,3), 0)#进行灰度化处理gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#边缘检测（检测出图像的边缘信息）edges = cv2.Canny(gray,50,250,apertureSize = 3)cv2.imwrite("canny.jpg", edges)#通过霍夫变换得到A4纸边缘lines = cv2.HoughLinesP(edges,1,np.pi/180,50,minLineLength=90,maxLineGap=10)#下面输出的四个点分别为四个顶点for x1,y1,x2,y2 in lines[0]: print(x1,y1),(x2,y2)for x1,y1,x2,y2 in lines[1]: print(x1,y1),(x2,y2)#绘制边缘for x1,y1,x2,y2 in lines[0]:    cv2.line(gray, (x1,y1), (x2,y2), (0,0,255), 1)#根据四个顶点设置图像透视变换矩阵pos1 = np.float32([[114, 82], [287, 156], [8, 322], [216, 333]])pos2 = np.float32([[0, 0], [188, 0], [0, 262], [188, 262]])M = cv2.getPerspectiveTransform(pos1, pos2)#图像透视变换result = cv2.warpPerspective(src, M, (190, 272))#显示图像cv2.imshow("original", src)cv2.imshow("result", result)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

运行结果如下图所示：

四.图像几何变换总结

最后补充图像几何代码所有变换，希望读者能体会下相关的代码，并动手实践下。输出结果以女神为例：

完整代码如下：

#encoding:utf-8import cv2  import numpy as npimport matplotlib.pyplot as plt#读取图片img = cv2.imread('test3.jpg')image = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#图像平移矩阵M = np.float32([[1, 0, 80], [0, 1, 30]])rows, cols = image.shape[:2]img1 = cv2.warpAffine(image, M, (cols, rows))#图像缩小img2 = cv2.resize(image, (200,100))#图像放大img3 = cv2.resize(image, None, fx=1.1, fy=1.1)#绕图像的中心旋转#源图像的高、宽 以及通道数rows, cols, channel = image.shape#函数参数：旋转中心 旋转度数 scaleM = cv2.getRotationMatrix2D((cols/2, rows/2), 30, 1) #函数参数：原始图像 旋转参数 元素图像宽高img4 = cv2.warpAffine(image, M, (cols, rows))#图像翻转img5 = cv2.flip(image, 0) #参数=0以X轴为对称轴翻转 img6 = cv2.flip(image, 1) #参数>0以Y轴为对称轴翻转#图像的仿射pts1 = np.float32([[50,50],[200,50],[50,200]])pts2 = np.float32([[10,100],[200,50],[100,250]])M = cv2.getAffineTransform(pts1,pts2)img7 = cv2.warpAffine(image, M, (rows,cols))#图像的透射pts1 = np.float32([[56,65],[238,52],[28,237],[239,240]])pts2 = np.float32([[0,0],[200,0],[0,200],[200,200]])M = cv2.getPerspectiveTransform(pts1,pts2)img8 = cv2.warpPerspective(image,M,(200,200))#循环显示图形titles = [ 'source', 'shift', 'reduction', 'enlarge', 'rotation', 'flipX', 'flipY', 'affine', 'transmission'] images = [image, img1, img2, img3, img4, img5, img6, img7, img8] for i in xrange(9):  plt.subplot(3, 3, i+1), plt.imshow(images[i], 'gray')  plt.title(titles[i])  plt.xticks([]),plt.yticks([]) plt.show() 复制

点击下方，第一时间了解华为云新鲜技术~

华为云博客_大数据博客_AI博客_云计算博客_开发者中心-华为云