Task02 几何变换

最新推荐文章于 2022-10-20 04:20:53 发布
最新推荐文章于 2022-10-20 04:20:53 发布
阅读量181 收藏
点赞数
分类专栏： 学习 文章标签： opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37337494/article/details/105696152
版权

Task02 几何变换

2.1 简介

该部分将对基本的几何变换进行学习，几何变换的原理大多都是相似，只是变换矩阵不同，因此，我们以最常用的平移和旋转为例进行学习。在深度学习领域，我们常用平移、旋转、镜像等操作进行数据增广；在传统CV领域，由于某些拍摄角度的问题，我们需要对图像进行矫正处理，而几何变换正是这个处理过程的基础，因此了解和学习几何变换也是有必要的。

这次我们带着几个问题进行，以旋转为例：

  • 1：变换的形式（公式）是什么？

  • 2：旋转中心是什么？毕竟以不同位置为旋转中心得到的结果是不一样的。

  • 3：采用前向映射还是反向映射？(反向映射更为有效)

  • 4：采用反向映射后，采用何种插值算法？最常用的的是双线性插值，OpenCV也是默认如此。

2.2 学习目标

  • 了解几何变换的概念与应用

  • 理解平移、旋转的原理

  • 掌握在OpenCV框架下实现平移、旋转操作

2.3 内容介绍

1、平移、旋转的原理

2、OpenCV代码实践

3、动手实践并打卡（读者完成）

2.4 算法理论介绍

变换形式

先看第一个问题，变换的形式。与OpencV不同的是这里采取冈萨雷斯的《数字图像处理_第三版》的变换矩阵方式，关于OpenCV的策略可以看它的官方文档。根据冈萨雷斯书中的描述，仿射变换的一般形式如下：
Image

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，不同的变换对应不同的矩阵，这里也贴出来吧，一些常见的变换矩阵及作用如下表：

Image

也就是说，我们根据自己的目的选择不同变换矩阵就可以了。

坐标系变换

再看第二个问题，变换中心，对于缩放、平移可以以图像坐标原点（图像左上角为原点）为中心变换，这不用坐标系变换，直接按照一般形式计算即可。而对于旋转和偏移，一般是以图像中心为原点，那么这就涉及坐标系转换了。

我们都知道，图像坐标的原点在图像左上角，水平向右为 X 轴，垂直向下为 Y 轴。数学课本中常见的坐标系是以图像中心为原点，水平向右为 X 轴，垂直向上为 Y 轴，称为笛卡尔坐标系。看下图:

Image

因此，对于旋转和偏移，就需要3步（3次变换）：

  • 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。

图像坐标系与笛卡尔坐标系转换关系：

先看下图：

Image

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。
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：

Image

逆变换为：

Image

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：

Image

反向映射

看第3个问题，在冈萨雷斯的《数字图像处理_第三版》中说的很清楚，前向映射就是根据原图用变换公式直接算出输出图像相应像素的空间位置，那么这会导致一个问题：可能会有多个像素坐标映射到输出图像的同一位置，也可能输出图像的某些位置完全没有相应的输入图像像素与它匹配，也就是没有被映射到，造成有规律的空洞（黑色的蜂窝状）。更好的一种方式是采用 反向映射（Inverse Mapping）：扫描输出图像的位置(x,y)，通过
Image
（为T的逆矩阵）计算输入图像对应的位置 (v,w)，通过插值方法决定输出图像该位置的灰度值。

插值

第4个问题，采用反向映射后，需通过插值方法决定输出图像该位置的值，因此需要选择插值算法。通常有最近邻插值、双线性插值，双三次插值等，OpencV默认采用双线性插值，我们也就采用双线性插值。

2.5 基于OpenCV的实现

  • 工具：OpenCV3.1.0+VS2013
  • 平台：WIN10

函数原型（c++）

OpenCV仿射变换相关的函数一般涉及到warpAffine和getRotationMatrix2D这两个：

  • 使用OpenCV函数warpAffine 来实现一些简单的重映射.
  • OpenCV函数getRotationMatrix2D 来获得旋转矩阵。

1、warpAffined函数详解

void boxFilter( InputArray src, OutputArray dst, 
                int ddepth,
                Size ksize,  
                Point anchor = Point(-1,-1),
                bool normalize = true,
                int borderType = BORDER_DEFAULT );
  • 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。
  • 第二个参数，OutputArray类型的dst，函数调用后的运算结果存在这里，需和源图片有一样的尺寸和类型。
  • 第三个参数，InputArray类型的M，2×3的变换矩阵。
  • 第四个参数，Size类型的dsize，表示输出图像的尺寸。
  • 第五个参数，int类型的flags，插值方法的标识符。此参数有默认值INTER_LINEAR(线性插值)，可选的插值方式如下：
    INTER_NEAREST - 最近邻插值
    INTER_LINEAR - 线性插值（默认值）
    INTER_AREA - 区域插值
    INTER_CUBIC –三次样条插值
    INTER_LANCZOS4 -Lanczos插值
    CV_WARP_FILL_OUTLIERS - 填充所有输出图像的象素。如果部分象素落在输入图像的边界外，那么它们的值设定为 fillval.
    CV_WARP_INVERSE_MAP –表示M为输出图像到输入图像的反变换，即 。因此可以直接用来做象素插值。否则, warpAffine函数从M矩阵得到反变换。
  • 第六个参数，int类型的borderMode，边界像素模式，默认值为BORDER_CONSTANT。
  • 第七个参数，const Scalar&类型的borderValue，在恒定的边界情况下取的值，默认值为Scalar()，即0。

2、getRotationMatrix2D函数详解

C++: Mat getRotationMatrix2D(Point2f center, double angle, double scale)

参数：

  • 第一个参数，Point2f类型的center，表示源图像的旋转中心。
  • 第二个参数，double类型的angle，旋转角度。角度为正值表示向逆时针旋转（坐标原点是左上角）。
  • 第三个参数，double类型的scale，缩放系数。## 2.6 总结

实现示例（c++)

1、旋转
	cv::Mat src = cv::imread("lenna.jpg");
	cv::Mat dst;
 
	//旋转角度
	double angle = 45;
 
	cv::Size src_sz = src.size();
	cv::Size dst_sz(src_sz.height, src_sz.width);
	int len = std::max(src.cols, src.rows);
 
	//指定旋转中心（图像中点）
	cv::Point2f center(len / 2., len / 2.);
	
	//获取旋转矩阵（2x3矩阵）
	cv::Mat rot_mat = cv::getRotationMatrix2D(center, angle, 1.0);
 
	//根据旋转矩阵进行仿射变换
	cv::warpAffine(src, dst, rot_mat, dst_sz);
 
	//显示旋转效果
	cv::imshow("image", src);
	cv::imshow("result", dst);
 
	cv::waitKey(0);
 
	return 0;
2、平移
	cv::Mat src = cv::imread("lenna.jpg");
	cv::Mat dst;
 
	cv::Size dst_sz = src.size();
	
	//定义平移矩阵
	cv::Mat t_mat =cv::Mat::zeros(2, 3, CV_32FC1);
 
	t_mat.at<float>(0, 0) = 1;
	t_mat.at<float>(0, 2) = 20; //水平平移量
	t_mat.at<float>(1, 1) = 1;
	t_mat.at<float>(1, 2) = 10; //竖直平移量
 
	//根据平移矩阵进行仿射变换
	cv::warpAffine(src, dst, t_mat, dst_sz);
 
	//显示平移效果
	cv::imshow("image", src);
	cv::imshow("result", dst);
 
	cv::waitKey(0);
 
	return 0;

进阶实现(根据原理自己实现)

1、旋转
/*图像旋转（以图像中心为旋转中心）*/
void affine_trans_rotate(cv::Mat& src, cv::Mat& dst, double Angle){
	double angle = Angle*CV_PI / 180.0;
	//构造输出图像
	int dst_rows = round(fabs(src.rows * cos(angle)) + fabs(src.cols * sin(angle)));//图像高度
	int dst_cols = round(fabs(src.cols * cos(angle)) + fabs(src.rows * sin(angle)));//图像宽度
 
	if (src.channels() == 1) {
		dst = cv::Mat::zeros(dst_rows, dst_cols, CV_8UC1); //灰度图初始
	} 
	else {
		dst = cv::Mat::zeros(dst_rows, dst_cols, CV_8UC3); //RGB图初始
	}
 
	cv::Mat T1 = (cv::Mat_<double>(3,3) << 1.0,0.0,0.0 , 0.0,-1.0,0.0, -0.5*src.cols , 0.5*src.rows , 1.0); // 将原图像坐标映射到数学笛卡尔坐标
	cv::Mat T2 = (cv::Mat_<double>(3,3) << cos(angle),-sin(angle),0.0 , sin(angle), cos(angle),0.0, 0.0,0.0,1.0); //数学笛卡尔坐标下顺时针旋转的变换矩阵
	double t3[3][3] = { { 1.0, 0.0, 0.0 }, { 0.0, -1.0, 0.0 }, { 0.5*dst.cols, 0.5*dst.rows ,1.0} }; // 将数学笛卡尔坐标映射到旋转后的图像坐标
	cv::Mat T3 = cv::Mat(3.0,3.0,CV_64FC1,t3);
	cv::Mat T = T1*T2*T3;
	cv::Mat T_inv = T.inv(); // 求逆矩阵
 
	for (double i = 0.0; i < dst.rows; i++){
		for (double j = 0.0; j < dst.cols; j++){
			cv::Mat dst_coordinate = (cv::Mat_<double>(1, 3) << j, i, 1.0);
			cv::Mat src_coordinate = dst_coordinate * T_inv;
			double v = src_coordinate.at<double>(0, 0); // 原图像的横坐标，列，宽
			double w = src_coordinate.at<double>(0, 1); // 原图像的纵坐标，行，高
		//	std::cout << v << std::endl;
 
			/*双线性插值*/
			// 判断是否越界
			if (int(Angle) % 90 == 0) {
				if (v < 0) v = 0; if (v > src.cols - 1) v = src.cols - 1;
				if (w < 0) w = 0; if (w > src.rows - 1) w = src.rows - 1; //必须要加上，否则会出现边界问题
			}
 
			if (v >= 0 && w >= 0 && v <= src.cols - 1 && w <= src.rows - 1){
				int top = floor(w), bottom = ceil(w), left = floor(v), right = ceil(v); //与映射到原图坐标相邻的四个像素点的坐标
				double pw = w - top ; //pw为坐标 行 的小数部分(坐标偏差)
				double pv = v - left; //pv为坐标 列 的小数部分(坐标偏差)
				if (src.channels() == 1){
					//灰度图像
					dst.at<uchar>(i, j) = (1 - pw)*(1 - pv)*src.at<uchar>(top, left) + (1 - pw)*pv*src.at<uchar>(top, right) + pw*(1 - pv)*src.at<uchar>(bottom, left) + pw*pv*src.at<uchar>(bottom, right);
				}
				else{
					//彩色图像
					dst.at<cv::Vec3b>(i, j)[0] = (1 - pw)*(1 - pv)*src.at<cv::Vec3b>(top, left)[0] + (1 - pw)*pv*src.at<cv::Vec3b>(top, right)[0] + pw*(1 - pv)*src.at<cv::Vec3b>(bottom, left)[0] + pw*pv*src.at<cv::Vec3b>(bottom, right)[0];
					dst.at<cv::Vec3b>(i, j)[1] = (1 - pw)*(1 - pv)*src.at<cv::Vec3b>(top, left)[1] + (1 - pw)*pv*src.at<cv::Vec3b>(top, right)[1] + pw*(1 - pv)*src.at<cv::Vec3b>(bottom, left)[1] + pw*pv*src.at<cv::Vec3b>(bottom, right)[1];
					dst.at<cv::Vec3b>(i, j)[2] = (1 - pw)*(1 - pv)*src.at<cv::Vec3b>(top, left)[2] + (1 - pw)*pv*src.at<cv::Vec3b>(top, right)[2] + pw*(1 - pv)*src.at<cv::Vec3b>(bottom, left)[2] + pw*pv*src.at<cv::Vec3b>(bottom, right)[2];
				}
			}
		}
	}
}
2、平移
/*平移变换*（以图像左顶点为原点）/
/****************************************
tx: 水平平移距离 正数向右移动 负数向左移动
ty: 垂直平移距离 正数向下移动 负数向上移动
*****************************************/
void affine_trans_translation(cv::Mat& src, cv::Mat& dst, double tx, double ty){
	//构造输出图像
	int dst_rows = src.rows;//图像高度
	int dst_cols = src.cols;//图像宽度
 
	if (src.channels() == 1) {
		dst = cv::Mat::zeros(dst_rows, dst_cols, CV_8UC1); //灰度图初始
	}
	else {
		dst = cv::Mat::zeros(dst_rows, dst_cols, CV_8UC3); //RGB图初始
	}
 
	cv::Mat T = (cv::Mat_<double>(3, 3) << 1,0,0 , 0,1,0 , tx,ty,1); //平移变换矩阵
	cv::Mat T_inv = T.inv(); // 求逆矩阵
 
	for (int i = 0; i < dst.rows; i++){
		for (int j = 0; j < dst.cols; j++){
			cv::Mat dst_coordinate = (cv::Mat_<double>(1, 3) << j, i, 1);
			cv::Mat src_coordinate = dst_coordinate * T_inv;
			double v = src_coordinate.at<double>(0, 0); // 原图像的横坐标，列，宽
			double w = src_coordinate.at<double>(0, 1); // 原图像的纵坐标，行，高
 
			/*双线性插值*/
			// 判断是否越界
 
			if (v >= 0 && w >= 0 && v <= src.cols - 1 && w <= src.rows - 1){
				int top = floor(w), bottom = ceil(w), left = floor(v), right = ceil(v); //与映射到原图坐标相邻的四个像素点的坐标
				double pw = w - top; //pw为坐标 行 的小数部分(坐标偏差)
				double pv = v - left; //pv为坐标 列 的小数部分(坐标偏差)
				if (src.channels() == 1){
					//灰度图像
					dst.at<uchar>(i, j) = (1 - pw)*(1 - pv)*src.at<uchar>(top, left) + (1 - pw)*pv*src.at<uchar>(top, right) + pw*(1 - pv)*src.at<uchar>(bottom, left) + pw*pv*src.at<uchar>(bottom, right);
				}
				else{
					//彩色图像
					dst.at<cv::Vec3b>(i, j)[0] = (1 - pw)*(1 - pv)*src.at<cv::Vec3b>(top, left)[0] + (1 - pw)*pv*src.at<cv::Vec3b>(top, right)[0] + pw*(1 - pv)*src.at<cv::Vec3b>(bottom, left)[0] + pw*pv*src.at<cv::Vec3b>(bottom, right)[0];
					dst.at<cv::Vec3b>(i, j)[1] = (1 - pw)*(1 - pv)*src.at<cv::Vec3b>(top, left)[1] + (1 - pw)*pv*src.at<cv::Vec3b>(top, right)[1] + pw*(1 - pv)*src.at<cv::Vec3b>(bottom, left)[1] + pw*pv*src.at<cv::Vec3b>(bottom, right)[1];
					dst.at<cv::Vec3b>(i, j)[2] = (1 - pw)*(1 - pv)*src.at<cv::Vec3b>(top, left)[2] + (1 - pw)*pv*src.at<cv::Vec3b>(top, right)[2] + pw*(1 - pv)*src.at<cv::Vec3b>(bottom, left)[2] + pw*pv*src.at<cv::Vec3b>(bottom, right)[2];
				}
			}
		}
	}
}

效果

1、旋转45度

Image

2、平移

Image

机体右手笛卡尔坐标系下roll、pitch 和 yaw 旋转
zfjBIT的专栏
03-07 1829
机体右手笛卡尔坐标系下roll、pitch 和 yaw 旋转
Datawhale 计算机视觉基础-图像处理（上）-Task02几何变换）
weixin_40727182的博客
04-23 275
1、简介 该部分将对基本的几何变换进行学习，几何变换的原理大多都是相似，只是变换矩阵不同，因此，我们以最常用的平移和旋转为例进行学习。在深度学习领域，我们常用平移、旋转、镜像等操作进行数据增广；在传统CV领域，由于某些拍摄角度的问题，我们需要对图像进行矫正处理，而几何变换正是这个处理过程的基础，因此了解和学习几何变换也是有必要的。 2、算法理论介绍 a、仿射变换 原理 仿射变换（Affine Tr...
一、笛卡尔坐标系
子非鱼的博客
05-22 2万+
三维笛卡尔坐标系 所有二位笛卡尔坐标系在某种意义上是“相等的”，对于任意两个二维坐标空间A和B，可以旋转坐标空间A，总可以使其坐标轴指向与坐标空间B坐标轴指向相等。 所有三维坐标空间都不相等，某些坐标系不能相互对齐。有以下两种不同类型的坐标系 左手坐标系 伸出左手，让拇指和食指成“L”形，大拇指向右，食指向上。其余的手指指向前方，这样就建立了一个左手坐标系。其中，拇指、食指和其余手指分别代表x，y，z轴的正方向 右手坐标系 伸出右手，让拇指和食指成“L”形，食指向上。第三根手指指向前方，这样就建立了一个右
判断三维坐标系旋转正方向的简单方法
热门推荐
yongyinmg的专栏
08-21 6万+
判断三维坐标系旋转正方向的简单方法 更多0 的 方向 判断 坐标 方法 简单 引言 做iOS开发，不免要接触到一些特效，其中不乏3D特效，这时候就要对iOS所使用的坐标系了解才行。若不限于iOS开发，还有MacOS开发，若不知道它们所使用坐标系的不同，初学者会很容易陷于混乱， 三维坐标系 做3D特效，就要用到三维坐标系，这是后人在笛卡尔的平面坐标系的基础上发明的。三
机器人正运动学（3）—— 坐标系及其变换
weixin_44415639的博客
06-28 4957
1. 引言   个人认为机器人运动学是整个机器人学的核心内容。仍然以前面的SCARA机器人为例，如下图所示，假设笛卡尔坐标系{A}是一个固定坐标系（笛卡尔坐标系实际上就是利用相交于一点的三条数轴来衡量空间中点的位置的一种坐标系，相对应的有极坐标系，球坐标系等；所谓固定坐标系就是坐标系不随着机器人运动）。蓝色的P点是机器人丝杆末端的上的一个点。   想像一下，如果我们知道机器人各个关节当前旋转的角度，如何确定P点在坐标系{A}中的坐标P(x,y,z)呢？老实说即使是这样一个问题也曾经困扰了我很久。   这就
[机械臂运动学系列]机械臂及其笛卡尔坐标正逆解算（三）
Baby_Qi的博客
04-22 2200
[三]正运动学与DH坐标变换 附上一段矩阵运算的C语言代码 #include<stdio.h> #include<math.h> #define unExist 9999 #define Free_N 5 //自由度个数为N则DH表N+1 #define pi 3.1415926 #define Arm_a 9 #define Arm_b 10 #define...
OpenCV——几何变换原理（python实现和c++实现）
qq_44957388的博客
04-23 1311
Datawhale 计算机视觉基础-图像处理（上）-Task02 几何变换 2.1 简介 该部分将对基本的几何变换进行学习，几何变换的原理大多都是相似，只是变换矩阵不同，因此，我们以最常用的平移和旋转为例进行学习。在深度学习领域，我们常用平移、旋转、镜像等操作进行数据增广；在传统CV领域，由于某些拍摄角度的问题，我们需要对图像进行矫正处理，而几何变换正是这个处理过程的基础，因此了解和学习几何变换也...
三维几何变换 matlab
最新发布
07-27
回答: 在Matlab中进行三维几何变换，可以使用矩阵运算和内置函数来实现。首先，你需要定义一个表示三维物体的数据结构。可以使用向量或矩阵来表示物体的坐标和属性。然后，你可以使用Matlab的内置函数来执行各种几何...
Task02几何变换
小武的博客
04-13 625
Datawhale 计算机视觉基础-图像处理（上）-Task02 几何变换 2.1 简介 该部分将对基本的几何变换进行学习，几何变换的原理大多都是相似，只是变换矩阵不同，因此，我们以最常用的平移和旋转为例进行学习。在深度学习领域，我们常用平移、旋转、镜像等操作进行数据增广；在传统CV领域，由于某些拍摄角度的问题，我们需要对图像进行矫正处理，而几何变换正是这个处理过程的基础，因此了解和学习几何变换也...
计算机视觉基础-图像处理-几何变换
water19111213的博客
04-23 1357
本文来源于Datawhale组队学习的教材手册，供大家参考阅读。 https://github.com/datawhalechina/team-learning/blob/master/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89%E5%9F%BA%E7%A1%80%EF%BC%9A%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%8...
3D游戏开发所需的数学基础——笛卡尔坐标系
路漫漫其修远兮，吾将上下而求索。
10-20 3280
很多人会觉得图形学中的数学复杂难懂。的确，一些数学模型在初学者看来晦涩难懂。但很多情况下，我们需要打交道的只是一些基础的数学运算。 在游戏制作中，我们使用数学绝大多数是用于计算位置，距离和角度等信息。而这些计算都是在笛卡尔坐标系下进行的。
极坐标和笛卡尔坐标转换
02-26
本代码为直角坐标系和极坐标之间的转换代码，希望对需要的朋友们带来帮助！
笛卡尔坐标系左手坐标系与右手坐标系
妙木山
11-07 4万+
立体形态的空间在现实世界中是绝对真实存在的，而无论哪种坐标系都是一个相对的基准，任何坐标系下的坐标都是相对坐标。因此，笛卡尔坐标系下，无论是二维(平面)坐标系还是三维坐标系，通过变换坐标轴的正向方向，都能够得到两种不同的坐标系：即左手坐标系(左手系)和右手坐标系(右手系)。 三维坐标系下的左/右手系 传说从高中到大学的课堂上，教材中所涉及的立体几何基本都是右手系。在原本的二维直角坐标系，再添加
xy坐标正负方向_【笛卡尔坐标系】
weixin_39647787的博客
12-14 3644
【壹】笛卡尔坐标系(Cartesian coordinates)就是直角坐标系和斜坐标系的统称。相交于原点的两条数轴，构成了平面放射坐标系。如两条数轴上的度量单位相等，则称此放射坐标系为笛卡尔坐标系。两条数轴互相垂直的笛卡尔坐标系，称为笛卡尔直角坐标系，否则称为笛卡尔斜角坐标系。【贰】两个坐标轴的相交点，称为原点，通常标记为 O ，既有“零”的意思，又是英语“Origin”的首字母。这两...
62.[GIS基础]笛卡尔坐标系
Mars Loo的博客
01-16 8261
GIS基础知识之笛卡尔坐标系，包含各种坐标系的解释。
基于图像的三维重建--Task1 相机模型与対极几何
weixin_43808250的博客
01-24 255
Task1-1 阅读代码文件class1_test_math_basic.cc, 了解矩阵和向量的基本操作与数学运算, 包括矩阵向量的创建、元素的访问、矩阵向量的乘法、矩阵的奇异值分解等操作。后面的任务中需要用到这些基本的操作。 解答 任意一个m×n矩阵，都可以表示为三个矩阵的乘积形式，分别是m阶正交矩阵、由降序排列的非负的对角线元素组成的m×n矩形对角矩阵和n阶正交矩阵，称为该矩阵的奇异值分解。 其中A是非零的m×n实矩阵，U是m阶正交矩阵，V是n阶正交矩阵，Σ是由降序排列的非负的对角线元素组...
openGL坐标系
12-30 220
What are the basic steps to use OpenGL in a Windows Program? Getting a Device Context (DC) for the rendering locationSelecting and setting a pixel format for the Device ContextCreating a Rendering
OpenCV：第2章 几何变换
sinat_38059712的博客
04-22 376
第2章 几何变换本章思维导图本章内容概要1、几何变换算法原理介绍变换形式坐标系变换图像坐标系与笛卡尔坐标系转换关系反向映射插值基于OpenCV的实现C++ 本章思维导图 本章内容概要 1、几何变换算法原理介绍 变换形式 在冈萨雷斯的《数字图像处理_第三版》书中的描述，仿射变换的一般形式如下： 式中的 TTT 就是变换矩阵，其中 (v,w)(v,w)(v,w) 为原坐标，(x,y)(x,y)...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值