3.2 图像几何变换——旋转变换

理论

设原始图像的任意点 $P_0(x_0,y_0)$ 经顺时针旋转 $\beta$ 角度后到新的位置 $P(x,y)$，为表示方便，采用极坐标形式表示，原始点的角度为 $\alpha$。根据极坐标与直角坐标的关系，原始图像的点 $P_0(x_0,y_0)$ 的极坐标为

$$\{\begin{array}{c}{x}_0=r\mathrm{c}\mathrm{o}\mathrm{s}\alpha \\ y_0=r\mathrm{s}\mathrm{i}\mathrm{n}\alpha \end{array}$$

旋转到新位置以后 $P(x,y)$ 的极坐标为

$$\{\begin{array}{c}x=r\mathrm{c}\mathrm{o}\mathrm{s}(\alpha -\beta )=r\mathrm{c}\mathrm{o}\mathrm{s}\alpha \mathrm{c}\mathrm{o}\mathrm{s}\beta +r\mathrm{s}\mathrm{i}\mathrm{n}\alpha \mathrm{s}\mathrm{i}\mathrm{n}\beta \\ y=r\mathrm{s}\mathrm{i}\mathrm{n}(\alpha -\beta )=r\mathrm{s}\mathrm{i}\mathrm{n}\alpha \mathrm{c}\mathrm{o}\mathrm{s}\beta -r\mathrm{c}\mathrm{o}\mathrm{s}\alpha \mathrm{s}\mathrm{i}\mathrm{n}\beta \end{array}$$

由于旋转后的点 $P(x,y)$ 需要用 $P_0(x_0,y_0)$ 表示，对上式进行简化，得

$$\{\begin{array}{c}x=x_0\mathrm{c}\mathrm{o}\mathrm{s}\beta +y_0\mathrm{s}\mathrm{i}\mathrm{n}\beta \\ y=-x_0\mathrm{s}\mathrm{i}\mathrm{n}\beta +y_0\mathrm{c}\mathrm{o}\mathrm{s}\beta \end{array}$$

用矩阵表示如下：

$$\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{ccc}\mathrm{c}\mathrm{o}\mathrm{s}\beta & \mathrm{s}\mathrm{i}\mathrm{n}\beta & 0\\ -\mathrm{s}\mathrm{i}\mathrm{n}\beta & \mathrm{c}\mathrm{o}\mathrm{s}\beta & 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}{x}_0\\ y_0\\ 1\end{array}\right]$$

记上式中变换矩阵为

$$R=\left[\begin{array}{ccc}\mathrm{c}\mathrm{o}\mathrm{s}\beta & \mathrm{s}\mathrm{i}\mathrm{n}\beta & 0\\ -\mathrm{s}\mathrm{i}\mathrm{n}\beta & \mathrm{c}\mathrm{o}\mathrm{s}\beta & 0\\ 0& 0& 1\end{array}\right]$$
为旋转矩阵。

上述变换是针对原点的，如果指定了旋转中心，可以先按上述方式进行旋转，再把旋转后的中心平移到旋转前的中心。具体地，设旋转前的中线坐标为 $C_0(x_0,y_0)$，则旋转后的坐标为 $C(x,y)$，根据上面的关系，两个点的坐标关系即由上面矩阵变换确定。则旋转中心平移量为 $\overrightarrow{C{C}_0}=C_0-C$，代入 $(x,y)$，可得
$$\overrightarrow{C{C}_0}=\left[\begin{array}{c}\Delta x\\ \Delta y\end{array}\right]=\left[\begin{array}{c}{x}_0-x\\ y_0-y\end{array}\right]=\left[\begin{array}{c}{x}_0(1-\mathrm{c}\mathrm{o}\mathrm{s}\beta )-y_0\mathrm{s}\mathrm{i}\mathrm{n}\beta \\ x_0\mathrm{s}\mathrm{i}\mathrm{n}\beta +y_0(1-\mathrm{s}\mathrm{i}\mathrm{n}\alpha )\end{array}\right]$$

根据上一节，则平移对应的平移矩阵为

$$T=\left[\begin{array}{ccc}1& 0& \Delta x\\ 0& 1& \Delta y\\ 0& 0& 1\end{array}\right]$$

则旋转后再平移，对应矩阵为

$$M=TR=\left[\begin{array}{ccc}1& 0& \Delta x\\ 0& 1& \Delta y\\ 0& 0& 1\end{array}\right]\left[\begin{array}{ccc}\mathrm{c}\mathrm{o}\mathrm{s}\beta & \mathrm{s}\mathrm{i}\mathrm{n}\beta & 0\\ -\mathrm{s}\mathrm{i}\mathrm{n}\beta & \mathrm{c}\mathrm{o}\mathrm{s}\beta & 0\\ 0& 0& 1\end{array}\right]=\left[\begin{array}{ccc}\mathrm{c}\mathrm{o}\mathrm{s}\beta & \mathrm{s}\mathrm{i}\mathrm{n}\beta & \Delta x\\ -\mathrm{s}\mathrm{i}\mathrm{n}\beta & \mathrm{c}\mathrm{o}\mathrm{s}\beta & \Delta y\\ 0& 0& 1\end{array}\right]=\left[\begin{array}{ccc}\mathrm{c}\mathrm{o}\mathrm{s}\beta & \mathrm{s}\mathrm{i}\mathrm{n}\beta & x_0(1-\mathrm{c}\mathrm{o}\mathrm{s}\beta )-y_0\mathrm{s}\mathrm{i}\mathrm{n}\beta \\ -\mathrm{s}\mathrm{i}\mathrm{n}\beta & \mathrm{c}\mathrm{o}\mathrm{s}\beta & x_0\mathrm{s}\mathrm{i}\mathrm{n}\beta +y_0(1-\mathrm{s}\mathrm{i}\mathrm{n}\alpha )\\ 0& 0& 1\end{array}\right]$$
对于 OPENCV 的

cv2.getRotationMatrix2D()

乘以缩放系数，并取了上述变换矩阵 $M$ 的前两行（第三行恒为 $[0,0,1]$。

实现

代码

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')
# 以（80，100）为中心，顺时针旋转45度
rotateM = cv.getRotationMatrix2D((80, 100), 45, 1)
img_rotate = cv.warpAffine(img, rotateM, dsize=(500, 500))
show(img_rotate)

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。