OpenCV实现透视变换的示例代码
作者：赵卓不凡
1. 引言
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 image
image = 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 left
431, 2466, # bottom left
3251, 61, # top right
3416, 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 left
431, 2466, # bottom left
3251, 61, # top right
3416, 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！
到此这篇关于OpenCV实现透视变换的示例代码的文章就介绍到这了,更多相关OpenCV 透视变换内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！