一、基础概念
1. projective transformation = homography = collineation.
2. 齐次坐标:使用N+1维坐标来表示N维坐标,例如在2D笛卡尔坐标系中加上额外变量w来形成2D齐次坐标系(x,y)⇒(x,y,w)(x,y)⇒(x,y,w)
齐次坐标具有规模不变性,同一点可以被无数个齐次坐标表达.(x,y,1)⇒(ax,ay,a)(x,y,1)⇒(ax,ay,a) 齐次坐标转化为笛卡尔坐标可以通过同除最后一项得到.
3. 单应性变换是对齐次坐标下点的线性变换,可以通过矩阵运算来表达x′=Hxx′=Hx
H为非奇异矩阵.
二、基础变换
刚体变换(rigid transformation): 旋转和平移变换/rotation,translation, 3个自由度,点与点之间的距离不变
R为2*2旋转矩阵,t为2维列向量,0^T为0的二维行向量
相似变换(similarity transformation): 增加了缩放尺度, 四个自由度,点与点之间的距离比不变
s为缩放尺度
仿射变换(affine transformation): 仿射变换和相似变换近似,不同之处在于相似变换具有单一旋转因子和单一缩放因子,仿射变换具有两个旋转因子和两个缩放因子,因此具有6个自由度. 不具有保角性和保持距离比的性质,但是原图平行线变换后仍然是平行线.
A为2*2的非奇异矩阵,可被分解为如下: A=R(θ)R(−ϕ)DR(ϕ)A=R(θ)R(−ϕ)DR(ϕ)
其中R(θ)R(ϕ)R(θ)R(ϕ) 为旋转矩阵,D为对角阵D=(λ100λ2)D=(λ100λ2)
λ1和λ2λ1和λ2可以看做两个方向的缩放比.
投影变换(projective transformation): 也叫作单应性变换。投影变换是齐次坐标下非奇异的线性变换。然而在非齐次坐标系下却是非线性的,这说明齐次坐标的发明是很有价值的。投影变换比仿射变换多2个自由度,具有8个自由度。上面提到的仿射变换具有的“不变”性质,在投影变换中已不复存在了。尽管如此,它还是有一项不变性,那就是在原图中保持共线的3个点,变换后仍旧共线。投影变换表示如下:
其中V=(v1,v2)TV=(v1,v2)T
透视变换: 将3D空间点投影成2D点的变换,在齐次坐标下变换矩阵表达如下:
x 为 2D图像点,齐次3维向量,P为 3*4相机矩阵,X为3D点,齐次4维向量.
三、Python实现
python版本:2.7
依赖包:scipy,numpy,pylab,PIL
1. 使用仿射矩阵进行image warping: 图像扭曲
图片:trees_001.jpg
from scipy import ndimage from numpy import * from PIL import Image from pylab import * im = array(Image.open('trees_001.jpg').convert('L')) H = array([[1.4,0.05,-100],[0.05,1.5,-100],[0,0,1]]) #im2 = ndimage.affine_transform(im,H[:2,:2],(H[0,2],H[1,2])) im2 = ndimage.affine_transform(im,H[:2,:2],(H[0,2],H[1,2])) figure() gray() imshow(im2) show()
结果: