Python+OpenCV图像处理（二）——几何变换

---

系列文章
Python+OpenCV图像处理（一）——OpenCV框架与图像插值算法
Python+OpenCV图像处理（二）——几何变换
Python+OpenCV图像处理（三）——彩色空间互换
Python+OpenCV图像处理（四）——图像滤波
Python+OpenCV图像处理（五）——图像阈值和二值化
Python+OpenCV图像处理（六）——边缘检测

---

二、几何变换

2.1 简介

几何变换，通常指的是对数字图像进行平移、旋转、镜像等。
通常在传统的cv领域，由于人为进行拍摄图像的时候，有很多干扰会导致拍摄角度有问题，需要对图像进行矫正处理，这个矫正的过程正是以几何变换为基础的。另外，在当下比较火热的深度学习领域，在有些情况下，由于样本数量较少，导致训练的模型不够理想，这时，需要自行得到较多的训练样本，这里就可以用到几何变换进行对图像数据进行扩增。
不同的几何变换，原理基本相似，只是变换矩阵有一定的差异。

2.2 算法理论

2.2.1 变换形式

从2.1可以知道，不同的变换形式只是变换矩阵有差异，这里先对这些差异进行研究。
这里采用冈萨雷斯的《数字图像处理_第三版》的变换矩阵形式，与我们实现用到的OpenCV有些许差异，对于OpenCV我们可以参考它的官方文档。这里的仿射变换如下：

 

式中的T就是变换矩阵，其中 (v,w)为原坐标，(x,y) 为变换后的坐标，一些常见的变换矩阵及其对应的作用如下：

 

2.2.2 坐标系变换

我们知道，在平移和缩放的变换中，可以任意选择变换中心，然而对于旋转和偏移，则不能够随便选择了，我们一般情况下选择图像的中心点为变换中心。
然而图像坐标系和数学中的笛卡尔坐标系是不同的，在我们做几何变换的时候通常是以笛卡尔坐标系进行变换的。两种坐标系如下图：

 

具体变换是：

• 将输入原图图像坐标转换为笛卡尔坐标系；
• 进行旋转计算。旋转矩阵前面已经给出了；
• 将旋转后的图像的笛卡尔坐标转回图像坐标。

2.2.3 图像坐标系与笛卡尔坐标系转换关系

在图像中我们的坐标系通常是AB和AC方向的,原点为A，而笛卡尔直角坐标系是DE和DF方向的，原点为D，如图所示：

 

令图像表示为M×N的矩阵，对于点A而言，两坐标系中的坐标分别是(0，0)和(-N/2,M/2)，则图像某像素点(x’,y’)转换为笛卡尔坐标（x,y）转换关系为，x为列，y为行：

 

逆变换为：

 

于是，根据前面说的3个步骤（3次变换），旋转(顺时针旋转)的变换形式就为，3次变换就有3个矩阵：

 

根据上一节谈到的图像插值算法，我们这里用反向映射并通过插值得到输出图像对应未知的灰度值，即扫描输出图像的位置(x,y)，通过

 

（为T的逆矩阵）计算输入图像对应的位置 (v,w)。

2.3 OpenCV+Python实现

缩放

上节已经介绍了cv2.resize函数，这里不再详细展开。

平移

可以使用cv2.warpAffine实现几何变换，第一个参数为图片，第二个参数为变换矩阵，对于平移来说，就是平移的宽和高，第三个参数为输出图像的大小，注意行数等于高，列数等于宽。

#%%

import numpy as np
import cv2

img = cv2.imread('gogo.png',1)
#这里注意，由于图片为彩色，共三通道，所以对shape做切片操作
rows,</