几何变换详解：平移、缩放、旋转

声明：此文章主要参考两位大佬的博客，参考文章在文末。

本文介绍图像三种主要的几何变换：平移、缩放、旋转。

平移变换

将三维空间中的一个点 $[x,y,z,1]$ 移动到另外一个点 $[x^{\prime },y^{\prime },z^{\prime },1]$ ，三个坐标轴的移动分量分别为 $dx=Tx,dy=Ty,dz=Tz$ , 即
$$x^{\prime }=x+Tx$$
$$y^{\prime }=y+Ty$$
$$z^{\prime }=z+Tz$$
平移变换的矩阵如下：
$$[x^{{}^{\prime }},y^{{}^{\prime }},z^{{}^{\prime }},1]=[x,y,z,1]\ast A$$
$$A=\left(\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ T_x& T_y& T_z& 0\end{array}\right)$$

缩放变换

将模型放大或者缩小，本质也是对模型上每个顶点进行放大和缩小（顶点坐标值变大或变小），假设变换前的点是$[x,y,z,1]$，变换后的点是$[x^{\prime },y^{\prime },z^{\prime },1]$，那么
$$x^{\prime }=x\ast S_x$$
$$y^{\prime }=y\ast S_y$$
$$z^{\prime }=z\ast S_z$$
缩放变换的矩阵如下：
$$[x^{{}^{\prime }},y^{{}^{\prime }},z^{{}^{\prime }},1]=[x,y,z,1]\ast B$$
$$B=\left(\begin{array}{cccc}{S}_x& 0& 0& 0\\ 0& S_x& 0& 0\\ 0& 0& S_x& 0\\ 0& 0& 0& 1\end{array}\right)$$

旋转变换

绕X轴旋转

旋转的正方向为顺时针方向。

绕X轴旋转变换的矩阵如下：
$$[x^{{}^{\prime }},y^{{}^{\prime }},z^{{}^{\prime }},1]=[x,y,z,1]\ast C_1$$
$$C_1=\left(\begin{array}{cccc}1& 0& 0& 0\\ 0& \cos \theta & \sin \theta & 0\\ 0& -\sin \theta & \cos \theta & 0\\ 0& 0& 0& 1\end{array}\right)$$

绕Y轴旋转

绕Y轴旋转变换的矩阵如下：
$$[x^{{}^{\prime }},y^{{}^{\prime }},z^{{}^{\prime }},1]=[x,y,z,1]\ast C_2$$

$$C_2=\left(\begin{array}{cccc}\cos \theta & 0& -\sin \theta & 0\\ 0& 1& 0& 0\\ \sin \theta & 0& \cos \theta & 0\\ 0& 0& 0& 1\end{array}\right)$$

绕Z轴旋转

绕Z轴旋转变换的矩阵如下：
$$[x^{{}^{\prime }},y^{{}^{\prime }},z^{{}^{\prime }},1]=[x,y,z,1]\ast C_3$$

$$C_3=\left(\begin{array}{cccc}\cos \theta & \sin \theta & 0& 0\\ -\sin \theta & \cos \theta & 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right)$$

绕坐标轴旋转的矩阵推导

上面三种绕坐标轴旋转的情况属于特殊的二维旋转，比如绕Z轴旋转，相当于在与$XOY$平面上绕原点做二维旋转。

假设点$P(x,y)$是平面直角坐标系内一点，其到原点的距离为$r$，其与$X$轴的夹角为$A$，现将点$P$绕原点旋转$\theta$度，得到点$P^{\prime }(x^{\prime },y^{\prime })$，$P^{\prime }$与$X$轴的夹角为$B$，则$A=B-\theta$。（注意，在二维坐标中，逆时针旋转时角度为正，顺时针旋转时角度为负，下图中由$P$旋转到$P^{\prime }$，角度为$\theta$，若是由$P^{\prime }$转到$P$，则角度为$-\theta$）。

得到下面的转换方程：

写成矩阵的形式：

求得旋转矩阵：

由于这里使用齐次坐标，所以还需加上一维，最终变成如下形式：
（绕Z轴旋转变换矩阵）

对于绕X轴旋转的情况，我们只需将式一中的x用y替换，y用z替换，z用x替换即可：

（绕X轴旋转变换矩阵）

（绕Y轴旋转变换矩阵）

逆矩阵

平移变换矩阵的逆矩阵与原来的平移量相同，但是方向相反：

旋转变换矩阵的逆矩阵与原来的旋转轴相同但是角度相反：
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200423170641358.pn

g?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMzE3MjA0,size_16,color_FFFFFF,t_70)
缩放变换的逆矩阵正好和原来的效果相反，如果原来是放大，则逆矩阵是缩小，如果原来是缩小，则逆矩阵是放大：

代码实战

1.平移

图像平移：设（x0, y0）是缩放后的坐标，（x, y）是缩放前的坐标，dx、dy为偏移量，则公式如下：

图像平移首先定义平移矩阵M，再调用warpAffine()函数实现平移，核心函数如下：
M = np.float32([[1, 0, x], [0, 1, y]])
shifted = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))
（注：M作为仿射变换矩阵，一般反映平移或旋转的关系，为InputArray类型的2×3的变换矩阵）
cv2.imread()和cv2.cvtColor() 的使用
cv2.warpAffine 参数详解

import cv2
import numpy as np

# 读取图片
img = cv2.imread('my goddess zhang.jpg')
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 图像平移 下、上、右、左平移
M = np.float32([[1, 0, 0], [0, 1, 100]])
img1 = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))

M = np.float32([[1, 0, 0], [0, 1, -100]])
img2 = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))

M = np.float32([[1, 0, 100], [0, 1, 0]])
img3 = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))

M = np.float32([[1, 0, -100], [0, 1, 0]])
img4 = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))

# 显示图形
cv2.imshow('original', image)
cv2.imshow('down', img1)
cv2.imshow('up', img2)
cv2.imshow('right', img3)
cv2.imshow('left', img4)

cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

2.缩放

图像缩放主要调用resize()函数实现：
result = cv2.resize(src, dsize[, result[. fx[, fy[, interpolation]]]])
其中src表示原始图像，dsize表示缩放大小，fx和fy也可以表示缩放大小倍数，他们两个（dsize或fx\fy）设置一个即可实现图像缩放。
如：
方法1. result = cv2.resize(src, (160,160))
方法2. result = cv2.resize(src, None, fx=0.5, fy=0.5)
图像缩放：设$（x0,y0）$是缩放后的坐标，$（x,y）$是缩放前的坐标，$sx$、$sy$为缩放因子，则公式如下：

方法一：

import cv2

# 读取图片
src = cv2.imread('my goddess zhang.jpg')

# 图像缩放
result = cv2.resize(src, (200, 300))
print(result.shape)

# 显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

方法二：

import cv2
import numpy as np

# 读取图片
src = cv2.imread('my goddess zhang.jpg')
rows, cols = src.shape[:2]
print(rows, cols)

# 图像缩放 dsize(列,行)
result = cv2.resize(src, (int(cols * 0.6), int(rows * 1.2)))

# 显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

import cv2

# 读取图片
src = cv2.imread('my goddess zhang.jpg')
rows, cols = src.shape[:2]
print(rows, cols)

# 图像缩放
result = cv2.resize(src, None, fx=1.5, fy=1.5)

# 显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

3.旋转

图像旋转主要调用getRotationMatrix2D()函数和warpAffine()函数实现，绕图像的中心旋转，具体如下：

M = cv2.getRotationMatrix2D((cols/2, rows/2), 30, 1)
参数分别为：旋转中心、旋转度数、scale
rotated = cv2.warpAffine(src, M, (cols, rows))
参数分别为：原始图像、旋转参数、原始图像宽高

图像旋转：设（x0, y0）是旋转后的坐标，（x, y）是旋转前的坐标，(m,n)是旋转中心，a是旋转的角度，(left,top)是旋转后图像的左上角坐标，则公式如下：

import cv2

# 读取图片
src = cv2.imread('my goddess zhang.jpg')

# 原图的高、宽 以及通道数
rows, cols, channel = src.shape

# 绕图像的中心旋转
# 参数：旋转中心 旋转度数 scale
M1 = cv2.getRotationMatrix2D((cols / 2, rows / 2), 30, 1)
M2 = cv2.getRotationMatrix2D((cols / 2, rows / 2), -60, 1)
# 参数：原始图像 旋转参数 元素图像宽高
rotated1 = cv2.warpAffine(src, M1, (cols, rows))
rotated2 = cv2.warpAffine(src, M2, (cols, rows))

# 显示图像
cv2.imshow("src", src)
# cv2.imshow("rotated", rotated1)
cv2.imshow("rotated", rotated2)

# 等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

参考文章

https://blog.csdn.net/zhengxiuchen86/article/details/81951608
https://blog.csdn.net/Eastmount/article/details/82454335?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3&utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3