图像的变换

    一、旋转

       

    旋转的数学原理：
    经过计算，可以得到以下关系：

    x′=xcosθ−ysinθ
    y′=xsinθ+ycosθ 
    写成矩阵的形式是：

   

    或者是：（注意坐标按行的方式和按列的方式排列时，变换矩阵的左右位置不一样，矩阵中元素的位置也不一样。可以根据计算的实际过程来确定）

    

   因此，如果知道旋转的角度，可以直接构造矩阵进行变换，代码如下：(当角度为正时，逆时针旋转）。

src = np.array([[5, 5], [5, 10], [10, 5], [10, 10]])
angle = 10
angle_pi = angle * np.pi / 180
a = np.cos(angle_pi)
b = np.sin(angle_pi)
A =np.array([[a, b], [-b, a]])
dest = np.dot(src, A)

    如果是多边形的话，旋转后会形变，如矩形会变形为平行四边形，变换前后如下图所示：

   

    对于图像的变换，可以使用opencv等工具进行变换：

rotate_matrix = cv2.getRotationMatrix2D(center=(img.shape[0]/2, img.shape[1]/2), angle=90, scale=1)
rot_img = cv2.warpAffine(img, rotate_matrix, (img.shape[0], img.shape[1]))

    上述过程是绕原点旋转，如果想绕任意一点（x0, y0）旋转，可以先把（x0, y0）平移到原点（例如把所有点都减去（x0, y0）），再进行旋转。

    二、位移

    位移比较简单，就是简单坐标加减过程    

    

    用变换矩阵进行计算就是：

    

    图像的平移：需构造变换矩阵

trans_matrix = np.array([[1, 0, 10],[0, 1,  5]], dtype=np.float32)
trans_img = cv2.warpAffine(img, trans_matrix, (img.shape[0] + 10, img.shape[1] + 5))

    三、缩放

    直接对原坐标进行缩放，图像的中心点会偏移

    

   如果想保持中心点不变，可以先把中心点平移到原点，再进行缩放，然后再平移回来

    

    或者利用矩阵来计算：同样的过程，先平移，再缩放，再平移：(注意：根据矩阵乘法结合律，离原坐标近的矩阵先执行）

    

    图像的缩放：

resize_img = cv2.resize(src=img, dsize=(img.shape[1]*2, img.shape[0]*2), interpolation=cv2.INTER_LINEAR)

    四、仿射变换

    把旋转、平移、缩放、对称、错切等结合起来，就是仿射变换，仿射变换不会改变图形的相对关系，平行线变换后还是平行线，圆变换后变成椭圆。其中的变换矩阵就是按照变换的顺序，把各个过程的变换乘起来（先执行的离原坐标较近）。

    图形的仿射变换：需要知道三对对应点，求变换矩阵M

rows, cols, ch = img.shape
pts1 = np.float32([[0, 0], [cols - 1, 0], [0, rows - 1]])
pts2 = np.float32([[cols * 0.2, rows * 0.1], [cols * 0.9, rows * 0.2], [cols * 0.1, rows * 0.9]])
M = cv2.getAffineTransform(pts1, pts2)
dst_img = cv2.warpAffine(img, M, (cols, rows))

    反过来，利用上面的过程，可以在知道旋转前、后的坐标的情况下，求变换矩阵。例如需要把图像进行变换，使图像中的某些点与目标位置的点进行匹配，从而对原图像的位置进行调整。如根据人脸图像中的眼睛、鼻子、嘴巴等关键点，对人脸进行对齐。   

def bestFit(destination, source):
    destMean = np.mean(destination, axis=0)
    srcMean = np.mean(source, axis=0)

    srcVec = (source - srcMean).flatten()
    destVec = (destination - destMean).flatten()

    a = np.dot(srcVec, destVec) / np.linalg.norm(srcVec)**2 #dot(a, b) = |a|*|b|*cos
    b = 0
    for i in range(destination.shape[0]): 
        b += srcVec[2*i] * destVec[2*i+1] - srcVec[2*i+1] * destVec[2*i] #|a x b| = |a||b|sin, |a x b| = x1y2 - x2y1
    b = b / np.linalg.norm(srcVec)**2 #sin
    
    A = np.array([[a, b], [-b, a]]) #[[cos, sin], [-sin, cos]]
    srcMean = np.dot(srcMean, T)
    t = destMean - srcMean
    return A, t

    其中，destination是一组目标点，source是原图像的对应点，上面代码求的是平均的变换。返回的A是旋转矩阵，t 是平移矩阵。

    得到A和t之后，如果是对其他的坐标点进行变换，方法如下：

dest = np.dot(src, A) + t

    如果是对图像进行变换，方法如下：

A2 = np.linalg.inv(A) #逆矩阵
t2 = np.dot(-t, A2) #位移矩阵也需要进行旋转和转置
outImg = ndimage.interpolation.affine_transform(img, A2, t2[[1, 0]], output_shape=self.imgSize)

  五、透视变换

    透视变换相当于将图像投影到一个新的平面（可能与原平面不平行），得到的是从原图到目标平面的映射，直线变换后还是直线，但平行线变换后不一定还保持平行。透视变换需要确定四对坐标。   

points1 = np.float32([ [480, 140], [0,140], [0,0], [480,0] ]) # 原图象四个角坐标
points2 = np.float32([ [480, 200], [0, 150], [0, 50], [480, 0]]) # 目标图像四个角坐标
M = cv2.getPerspectiveTransform(points1, points2)
perspective_img = cv2.warpPerspective(img_plate, M, (480, 200)) 

    变换的结果如下：