【opencv+python】图像处理之二、几何变换(仿射与投影)的原理

该系列文章为 OpenCV+Python Tutorials的学习笔记
代码托管在Github
转载请注明: http://blog.csdn.net/a352611/article/details/51417779 [三记的博客]

写在文章开始之前:
关于几何变换,常见的资料都没有把数学原理部分讲透彻,基本都是照着课本说,导致我很多地方无法彻底理解.思前想后还是把这一块分成两个部分,一部分专门讲数学原理,一部分专门讲应用.本文为数学原理部分。

---

• 1. 几何变换的数学本质 Geometry Transformation
• 2. 齐次坐标 Homogeneous coordinates
• 3. 缩放、旋转、平移 Scaling,Rotation,Translation
  • 3.1. 缩放 Scaling
  • 3.2. 旋转 Rotation
  • 3.3. 平移 Translation
• 4. 仿射变换 Affine
• 5. 投影变换 Perspective

1. 几何变换的数学本质 Geometry Transformation

对图像的几何变换本质上是一种线性变换,其数学本质为

$$I_{new}=T{I}_{old}$$

即通过变换矩阵$T$将原图上的点的位置$I_{old}$变换到新的位置,从而得到新的图像$I_{new}$

2D平面变换示意图（“Computer Vision: Algorithms and Applications”, Richard Szeliski）

• Translation 平移
• Euclidean(rigid, rotation) 旋转
• Scale 缩放;图中没有画出
• Similarity 相似变换;结合旋转,平移和缩放
• Affine 仿射变换;想象在similarity的基础上用两只手对图像进行按压拉伸
• Projective 投影变换;想象投影仪做的事情,将一个面投影到另外一个面的情况

---

2. 齐次坐标 Homogeneous coordinates

简单的说法就是对于点$P=[x;y{]}^T$我们无从得知这是一个点还是向量，之所以纠结这个概念的原因在于：平移对于向量没有意义，但对点有意义。我们希望对线性变换有一个统一的描述，结果发现在Homogeneous coordinates齐次坐标下我们能够和谐统一地描述这些。怎么把一个点转换到齐次坐标下来描述呢？很简单的一个方法是

直接将点$P=[x;y{]}^T$变为$P=[x;y;1{]}^T$
而向量$P=[x;y{]}^T$变为$P=$