图像仿射变换

1. 引用

opencv学习(三十五)之仿射变换warpAffine

2. 什么是仿射变换？

3. 定义

向量空间中进行一次线性变换(乘以一个矩阵A)再加上一个平移(加上一个向量B)。
现定义参数A，B和AB的组合M(固定尺寸2*3)：

定义自变量(起始量)：

则X → T 的仿射变换过程可以表达式为：

或者：

得到结果T：

其实可以看出，矩阵M中a决定缩放旋转等性质，b决定平移性质。若a为单位矩阵，则M实际是表示平移b的效果：
仿射变换(Affine Transformation)

4. 常用的转换矩阵

5.实际应用

我们知道仿射变换一句话概括：原始图像IMG1在矩阵M的变换下，得到结果图像IMG2。
那么实际的应用就分两种情况：

• 知自变量和因变量X和T，求参数M(即A和B)【求关系–M代表IMG1和IMG2的关系】
• 知自变量X和参数M，求结果T 【求结果–知道IMG1和矩阵M，就结果图】

由上式可见，完成仿射变换的公式含有6个未知数，则需要6个公式来表示才可解，所以完成图像的仿射变换需要三个点的对应关系，从而解出6个未知数，通过仿射公式对全部图像像素点进行仿射变换，所以在实际应用中需要先知晓3对坐标点的位置，计算出映射关系的仿射矩阵𝑀𝑀，再对全部像素进行仿射变换运算得到仿射后的图，完成仿射变换。

5.1 栗子1

在openCV中：
比如将128*128的图像上移30，左移30，则：

我们已经得到有三对相应点

# 定义原图中三个点pts1
pts1=np.float32(([0,0],[0,127],[127,127]))

# 定义结果图中三个点pts2
pts2=np.float32(([30,0],[30,97],[127,97]))

# 利用这三对点，求出变换矩阵M
M=cv2.getAffineTransform(pts1,pts2)

# 再利用变换矩阵对原图所有像素点进行变换
# 并指定了输出图像的shape和原图shape一样
res=cv2.warpAffine(img,M,dsize=img.shape[0:2])

cv2.imshow("",res)
cv2.waitKey(0)

5.2 栗子2

• 使用仿射变换，将图片在x方向上放大1.3倍，在y方向上缩小至原来的4/5。
  对应的坐标如下：
  
  代码如下：

import numpy as np
import cv2

img=cv2.imread("../imori.jpg")

pts1=np.float32(([0,0],[0,127],[127,127]))
pts2=np.float32(([0,0],[0,101],[165,101]))

M=cv2.getAffineTransform(pts1,pts2)
# 在定义输出图像尺寸时，从上图可以看出，有效图片在165*101部分
res=cv2.warpAffine(img,M,(165,101))

cv2.imshow("",res)
cv2.waitKey(0)

如果在上面的结果之上，同时在x方向上向右平移30，在y方向上向上平移30呢？
对应坐标为：

如法炮制，代码：

import numpy as np
import cv2

img=cv2.imread("../imori.jpg")

pts1=np.float32(([0,0],[0,127],[127,127]))
pts2=np.float32(([30,0],[30,71],[195,71]))

M=cv2.getAffineTransform(pts1,pts2)
# 在定义输出图像尺寸时，从上图可以看出，有效图片在165*101部分
res=cv2.warpAffine(img,M,(165,101))

cv2.imshow("",res)
cv2.waitKey(0)