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
- 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 n e w = T I o l d I_{new}= TI_{old} Inew=TIold
即通过变换矩阵 T T T将原图上的点的位置 I o l d I_{old} Iold变换到新的位置,从而得到新的图像 I n e w I_{new} Inew
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 P=[x;y]^T 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 P=[x;y]^T P=[x;y]T变为 P = [ x ; y ; 1 ] T P=[x;y;1]^T P=[x;y;1]T
而向量 P = [ x ; y ] T P=[x;y]^T P=[x;y]T变为 P = [ x ; y ; 0 ] T P=[x;y;0]^T P=