3.1 图像几何变换——平移变换

理论介绍

现设点 $P_0(x_0,y_0)$ 进行平移后，移动到 $P(x,y)$，其中 $x$ 方向的平移量为 $\Delta x$，$y$ 方向的平移量为 $\Delta y$。如图所示，那么，点 $P(x,y)$ 的坐标为
$$\{\begin{array}{c}x=x_0+\Delta x\\ y=y_0+\Delta y\end{array}$$

这个变换用矩阵可以表示成

$$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{c}{x}_0\\ y_0\end{array}\right]+\left[\begin{array}{c}\Delta x\\ \Delta y\end{array}\right]$$
对上式进行简单变换可以写成
$$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]\left[\begin{array}{c}{x}_0\\ y_0\end{array}\right]+\left[\begin{array}{c}\Delta x\\ \Delta y\end{array}\right]$$
进一步变换可得
$$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{ccc}1& 0& \Delta x\\ 0& 1& \Delta y\end{array}\right]\left[\begin{array}{c}{x}_0\\ y_0\\ 1\end{array}\right]$$

为了使变换矩阵变成方阵，通过增加附加坐标，把左侧写成 $[x,y,1{]}^T$ 的形式，右侧坐标写成 $[x_0,y_0,1{]}^T$形式，最终扩展如下：
$$\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{ccc}1& 0& \Delta x\\ 0& 1& \Delta y\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}{x}_0\\ y_0\\ 1\end{array}\right]$$
对上式中各个矩阵进行定义：
$$T=\left[\begin{array}{ccc}1& 0& \Delta x\\ 0& 1& \Delta y\\ 0& 0& 1\end{array}\right]$$
称为变换矩阵。此处的变换矩阵对应了平移变换。

$$P=\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$$
为变换后坐标。

$$P_0=\left[\begin{array}{c}{x}_0\\ y_0\\ 1\end{array}\right]$$
为变换前坐标。

实现

编程实现

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

def show(img):
    if img.ndim == 2:
        plt.imshow(img, cmap='gray', vmin=0, vmax=255)
    else:
        img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
        plt.imshow(img)
    plt.show()

img = cv.imread('pic/rabbit500x333.jpg')
transM = np.array([
    [1, 0, 20],
    [0, 1, 100]
], dtype=np.float32)

img_trans = cv.warpAffine(img, transM, dsize=(333, 500))
show(img_trans)

效果

---

说明：

1. 未经许可，谢绝转载。
2. 本教程为《数字图像处理Python OpenCV实战》的配套代码相关内容。
   免费视频教程为0-6章（标题号≤6），可在此处点击观看。
   所有课件及源代码可在此处下载：
   链接：https://pan.baidu.com/s/198PySe_vebO3e06idHSQ6g
   提取码：11o4
   有问题可在QQ群（1079300899）指出，进群答案：数字图像处理。在本文评论指出可能导致回复很晚。