1. 引言

欢迎回来！今天我们将焦点聚焦在我在图像处理中最喜欢的话题之一——透视变换。使用该技术，可以灵活方便的实现各种各样好玩的特效。

闲话少说，我们直接开始吧！

2. 单应矩阵

我们首先展开对单应矩阵的深入研究。作为图像处理的基本工具，它在捕捉图像中的几何变换方面发挥着至关重要的作用。更具体地说，它是实现透视变换的秘密武器。

单应矩阵被定义为图像的两个平面投影之间的映射。它由齐次坐标空间中的3x3变换矩阵表示。这些变换可以是旋转、平移、缩放等操作的组合。

我们用示意图总结如下：

3. 举个栗子

虽然上图简明地定义了常见的转换，但是如果我们将其应用到输入和输出为图像操作会怎样？根据变换，我们需要几个点来计算单应矩阵。让我们来做吧！像往常一样，让我们首先导入必要的库，如下：

# Import libraries
from skimage.io import imread, imshow
import matplotlib.pyplot as plt
import numpy as np
from skimage import transform

接着导入我们需要的测试图像，代码如下：

# Display the original imageimage = imread('painting.png')
plt.figure(figsize=(20,20))
plt.imshow(image)
plt.title('Original Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

结果如下：

4. 计算变换矩阵

接着我们想对这幅画有一个自上而下的视图。我们需要计算单应矩阵。我们必须确定这幅画明确的角点。在这种情况下，我使用画图应用程序来识别画的四个角点坐标：

# Source points
src = np.array([879, 625,                    # top left431, 2466,                   # bottom left3251, 61,                    # top right3416, 2767]).reshape((4, 2)) # bottom right

为了执行单应性变换，我们需要一组与源点相对应的目标点。这些目标点表示我们希望源点在输出图像中的位置。对于自上而下的视图，这里我们引用源点的最小值和最大值x和y：

# Destination points
dst = np.array([[np.min(src[:, 0]), np.min(src[:, 1])],  # top left[np.min(src[:, 0]), np.max(src[:, 1])],  # bottom left[np.max(src[:, 0]), np.min(src[:, 1])],  # top right[np.max(src[:, 0]), np.max(src[:, 1])],  # bottom right
])

接着我们用以下代码计算单应矩阵，如下：

tform = transform.estimate_transform('projective', src, dst)

5. 透视变换

经过上述处理，我们有了执行透视变换所需要的单应性矩阵，接着我们来执行对应的透视变换，如下：

tf_img = transform.warp(image, tform.inverse)
fig, ax = plt.subplots(figsize=(20,20))
ax.imshow(tf_img)
_ = ax.set_title('projective transformation')

得到结果如下：

6. 美化显示效果

观察上图，考虑到图像外围添加了白色像素，输出看起来很奇怪，我们可以编辑出代码来裁剪这些奇怪的墙和额外的像素：

# Load the image
image = imread('painting.png')# Source points
src = np.array([879, 625,                    # top left431, 2466,                   # bottom left3251, 61,                    # top right3416, 2767]).reshape((4, 2)) # bottom right# Estimate the width and height from the source points
width = np.max(src[:, 0]) - np.min(src[:, 0])
height = np.max(src[:, 1]) - np.min(src[:, 1])# Destination points (forming a box shape)
dst = np.array([[0, 0],[0, height],[width, 0],[width, height]
])# Compute the projective transform
tform = transform.estimate_transform('projective', src, dst)# Apply the transformation
warped_image = transform.warp(image, tform.inverse, output_shape=(height, width))# Convert the warped image to uint8
warped_image_uint8 = (warped_image * 255).astype(np.uint8)# Display the transformed and cropped image
plt.figure(figsize=(20,20))
plt.imshow(warped_image_uint8)
plt.title('Transformed and Cropped Image', fontsize=20, weight='bold')
plt.axis('off')
plt.show()

最终的显示效果如下：

7. 总结

经过我们一步一步的优化，我们最终得到了，一幅美丽而干净的自上而下的油画。一般来说，一旦我们有了单应矩阵，我们也可以用它来变换一幅图像，使其与另一幅图像的视角对齐。这对于图像拼接等应用非常有用！

嗯嗯，您学废了嘛？

用OpenCV进行透视变换相关推荐

文档扫描仪的构建——使用Python，OpenCV应用透视变换来获得图像的自顶向下的“鸟瞰图”
使用Python,OpenCV应用透视变换来获得图像的自顶向下的"鸟瞰图" 1. 效果图 2. 应用透视变换的步骤 3. 优化:矩形角点的获取 4. 源码参考这篇博客演示了如何 ...
OpenCV：透视变换
一.话说透视变换透视变换是将图像从一个视平面投影到另外一个视平面的过程,所以透视变换也被称为投影映射(Projection Mapping).我们知道在图像的仿射变换中需要变换矩阵是一个2x3的两维 ...
【Python+OpenCV 图像透视变换 warpPerspective函数】
Python+OpenCV 图像透视变换 warpPerspective函数 1.函数介绍 2.代码实例 3.实现效果 1.函数介绍 warpPerspective():对图像进行透视变换.简单来说, ...
python opencv 实现透视变换——将侧视图进行正投影
python opencv 实现透视变换--将侧视图进行正投影这个方法可以将倾斜拍摄的四边形图片投影成矩形,在图像处理工程里经常要用,之前写过一个C语言版本的,可以搜我博客:透视变换但是pytho ...
【OpenCV】透视变换 Perspective Transformation（续）
透视变换的原理和矩阵求解请参见前一篇<透视变换 Perspective Transformation>.在OpenCV中也实现了透视变换的公式求解和变换函数. 求解变换公式的函数: [cp ...
【OpenCV】透视变换 Perspective Transformation
透视变换的原理和矩阵求解请参见前一篇<透视变换 Perspective Transformation>.在OpenCV中也实现了透视变换的公式求解和变换函数. 求解变换公式的函数: Mat ...
使用opencv的透视变换裁剪倾斜人脸
需求人脸检测以后,有了检测框,需要将眼睛扶正,并裁剪,然后resize成需要的大小. 人脸检测结果如下: 其中蓝色是检测框,内部的红色框是我根据长宽扩展的正方形,绿色框是根据眼睛倾斜角度计算的正方形 ...
基于opencv实现透视变换（Python）
透视变换文章目录透视变换 1.导入opencv等相关库,并封装一个显示图像的函数,方便后面显示图像 2.读取图片 3.设置输出图片的宽高 4.设置透视变换前后顶点位置✨✨✨ 5.调用opencv中 ...
【OpenCV】透视变换应用——实现鸟瞰图与贴图
透视变换是3D转换,透视变换的本质是将图像投影到一个新的视平面: 据此,我们可以使用透视变化来实现鸟瞰图和图形贴图的效果: 一.鸟瞰图实现前: 实现效果: 1.准备一个空的mat对象用于保存转换后 ...

用OpenCV进行透视变换