第二次写CSDN文档，上一篇的排版实在太烂了，于是决定认真学习一下markdown的语法。

好了，废话不多说，今天，我们学习一下图像(2维平面)到图像(2维平面)的四种变换，等距变换，相似变换，仿射变换，投影变换 首先介绍它的原理，最后介绍matlab的实现

1.数学基础

射影变换矩阵H属于射影群PL(n)中的一个，仿射群是由PL(3)中最后一行为(0,0,1)的矩阵组成的子群，包括仿射群，欧式群，其中欧式群是仿射群的子群，其左上角的矩阵是正交的，当它的行列式为1是称为定向欧式群，距离是欧式群的不变量，但不是相似群的不变量，而夹角是这两个群的不变量。

听了这么多群，不变量的数学概念，可能有点晕，下面我用最直观的语言解释。线性空间中的线性变换可以用矩阵来描述，因此我们用矩阵来刻画这四种变换。我们以数学系的经典代数入门教材北大版的《高等代数》为例，研究这些变换是如何进行的

2. 等距变换

等距变换(isometric transform)，保持欧式距离不变，当图像中的点用齐次坐标表示时，变换矩阵如下所示：

⎛⎝⎜x′y′1⎞⎠⎟=⎛⎝⎜εcos(θ)εsin(θ)0−εsin(θ)−εcos(θ)0txty1⎞⎠⎟⎛⎝⎜xy1⎞⎠⎟

当ε=1是保向的，ε=−1是逆向的，等距变换可以更简单的写成

x′=HEx=(R0t1)x

其中R是旋转矩阵。t是平移矢量，有3个自由度(1旋转角θ+两个平移tx,ty)，需要2组点4个方程求解，等距变换的不变量是:长度，角度，面积。用matlab实现等距变换如下：

clear;close all;clc

I=imread('book1.jpg');

figure,imshow(I);

[w,h]=size(I);

theta=pi/4;

t=[100,100];

s=0.5;

% test Eucludian transform

H_e=projective2d([cos(theta) -sin(theta) t(1);

sin(theta) cos(theta) t(2);

0 0 1]');

newimg=imwarp(I,H_e);

figure,imshow(newimg);1

2

3

4

5

6

7

8

9

10

11

12

13

141

2

3

4

5

6

7

8

9

10

11

12

13

14

可以看出，等距变换就是对图像的旋转+平移

3. 相似变换

相似变换(similarity transform)：等距变换+均匀缩放，当图像中的点用齐次坐标表示时，变换矩阵如下所示：

⎛⎝⎜x′y′1⎞⎠⎟=⎛⎝⎜scos(θ)ssin(θ)0−ssin(θ)−scos(θ)0txty1⎞⎠⎟⎛⎝⎜xy1⎞⎠⎟

当s=1是保向的，s=−1是逆向的，相似变换可以更简单的写成

x′=HSx=(sR0t1)x

其中R是旋转矩阵。t是平移矢量，s是缩放尺度，有4个自由度(1旋转角θ+2个平移tx,ty+1个缩放尺度)，需要2组点4个方程求解，相似变换的不变量是:角度，长度的比例，面积的比例。用matlab实现相似变换如下：

clear;close all;clc

I=imread('book1.jpg');

figure,imshow(I);

[w,h]=size(I);

theta=pi/4;

t=[100,100];

s=0.5;

%% test similar transform

H_s=projective2d([s*cos(theta) -s*sin(theta) t(1);

s*sin(theta) s*cos(theta) t(2);

0 0 1]');

newimg=imwarp(I,H_s);

figure,imshow(newimg);1

2

3

4

5

6

7

8

9

10

11

12

13

14

151

2

3

4

5

6

7

8

9

10

11

12

13

14

15

可以看出，等距变换就是对图像的旋转+平移+缩放，这个图相对原图是变小了一些。

4. 仿射变换

仿射变换(affine transform)：非奇异变换+均匀缩放，当图像中的点用齐次坐标表示时，变换矩阵如下所示：

⎛⎝⎜x′y′1⎞⎠⎟=⎛⎝⎜a11a210a12a220txty1⎞⎠⎟⎛⎝⎜xy1⎞⎠⎟

仿射变换可以更简单的写成

x′=HAX=(A0t1)x

其中A是仿射矩阵。t是平移矢量，s是缩放尺度，有6个自由度(4个仿射矩阵的元素+2个平移tx,ty)，需要2组点4个方程求解。这里多说一句，仿射变换的A矩阵是可以做SVD分解的，即：

A=R(θ)R(−ϕ)DR(ϕ)

D=diag(λ1,λ2)仿射变换A可以看作是一个旋转ϕ+x,y方向按照比例因子λ1,λ2的缩放+回转−ϕ+旋转θ的复合变换，

仿射变换的不变量是:平行线，平行线的长度的比例，面积的比例。用matlab实现仿射变换如下：

clear;close all;clc

I=imread('book1.jpg');

figure,imshow(I);

[w,h]=size(I);

theta=pi/4;

t=[100,100];

s=0.5;

%% test affine transform

H_a=projective2d([1 0.5 t(1);

0 0.5 t(2);

0 0 1]');

newimg=imwarp(I,H_a);

figure,imshow(newimg);1

2

3

4

5

6

7

8

9

10

11

12

13

14

151

2

3

4

5

6

7

8

9

10

11

12

13

14

15

可以看出，仿射变换就是对图像的旋转+平移+缩放+切变(shear)，相比前两种变换图像的形状发生了改变，但是原图中的平行线仍然保持平行。

5. 射影变换

射影变换(projection transform)：当图像中的点的齐次坐标的一般非奇异线性变换。有些文献中把射影变换矩阵称为单应性矩阵变换矩阵如下所示：

⎛⎝⎜x′y′1⎞⎠⎟=⎛⎝⎜h11h21h31h12h22h32h13h231⎞⎠⎟⎛⎝⎜xy1⎞⎠⎟

仿射变换可以更简单的写成

x′=HAX=(AvTtv)x

其中A是旋转矩阵。t是平移矢量，s是缩放尺度，有8个自由度(矩阵中的8个h)，需要4组点8个方程求解。同样的，射影变换的A矩阵是可以做分解的，QR分解，SVD分解都有各自不同的含义。我们常说的矩阵内外参数矩阵就是QR分解中的一种(QR分解不唯一)，即把单应性矩阵分解成=内参矩阵×外参矩阵 。给定世界坐标系中的二维平面，用相机对二维平面拍照，通过对应点求拍摄照片的单应性矩阵(射影矩阵)的过程就称为相机标定,直接用代数的方法求解参数会有一定的误差，在张正友的标定方法中，讲的就是如何通过迭代使得误差最小。具体可以见我写的第一篇文章张正友相机标定法。对一般的两张照片也可以求单应性矩阵，具体的应用就是把其中的一张变换到另一张上，进一步可以做图像融合。

射影变换的不变量是:长度的交比。用matlab实现射影变换如下：

clear;close all;clc

I=imread('book1.jpg');

figure,imshow(I);

[w,h]=size(I);

theta=pi/4;

t=[100,100];

s=0.5;

%% test projective transform

H_P=projective2d([0.765,-0.122,-0.0002;

-0.174,0.916,9.050e-05;

105.018,123.780,1]);

newimg=imwarp(I,H_P);

figure,imshow(newimg);1

2

3

4

5

6

7

8

9

10

11

12

13

14

151

2

3

4

5

6

7

8

9

10

11

12

13

14

15

可以看出，射影变换就是对图像的旋转+平移+缩放+切变+射影，相比前三种变换图像的形变更为自由，原图中的平行线经过变换之后已经不在平行，而可能相交于一点，射影变换就是把理想点(平行直线在无穷远处相交)变换到图像上。

6 应用

说了这么多，下边举一个简单的小应用，就是把通过求两幅对应点的单应性矩阵(射影矩阵)，把一种图片变换成另一张的形状。如图：

选择两幅图像对应的四个点

第一幅

第二幅

变换的结果

这样就成功把第二幅图片变成第一副图片的角度

下面附上代码

%% Initial

clear;

clc;

img_num=2; %the number of image

compress_scale=0.4; %define image compress scale

points_p=[0 0;1 0;2 1;2 0]; %define cordinate of 2D plain in 3D space

%% define a cell that load image

Image=cell(1,img_num);

%% read the image

Image{1,1}=imread('book1.jpg');

Image{1,2}=imread('book2.jpg');

%% image compression, transform rgb to gray, and select feature points

feature=[];

for i=1:img_num

Image{1,i}=imresize(Image{1,i},compress_scale);

I{:,:,i}=Image{1,i};

Image{1,i}=rgb2gray(Image{1,i});

imshow(Image{1,i});

hold on;

for j=1:4

[x,y]= ginput(1); %select the corner

x=round(x);

y=round(y);

plot(x,y,'ro');

feature(j,2*i-1)=x; %feature is a matrix containing corner cordination

feature(j,2*i)=y;

end

close all;

end

%% calculate homegraphy matrix for each matrix

featurep1=feature(:,1:2);

featurep2=feature(:,3:4);

h = calc_homography(featurep2, featurep1);

Im=I{:,:,2};

[a,b]=size(I);

tform=projective2d(h);

J=imwarp(Im,tform); % matlab自带的处理图像变换的函数

figure,imshow(I{:,:,1});

figure,imshow(I{:,:,2});

figure,imshow(J)1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

471

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47