OpenCV图像处理--平面单应性

sydMobile 发布于2021-10-14 09:43 / 2571人阅读

图像几何变化

投影变换
投影变换 (Projective Transformation)，是仿射变换的一般化，二者区别如下：

仿射变换

用途
旋转 (线性变换)，平移(向量加)．缩放(线性变换)，错切，反转
方法
仿射变换是一种二维坐标到二维坐标之间的线性变换，它保持了二维图形的“平直性”（直线经过变换之后依然是直线）和“平行性”（二维图形之间的相对位置关系保持不变，平行线依然是平行线，且直线上点的位置顺序不变）。任意的仿射变换都能表示为乘以一个矩阵(线性变换)，再加上一个向量 (平移) 的形式．
具体应用
给出变换前的ABCD和变换后的A’B’C’D’

透视变换（投影变换）
用途
将2D矩阵图像变换成3D的空间显示效果，全景拼接．
方法
透视变换是将图片投影到一个新的视平面，也称作投影映射．它是二维（x,y）到三维(X,Y,Z)，再到另一个二维(x’,y’)空间的映射．相对于仿射变换，它提供了更大的灵活性，将一个四边形区域映射到另一个四边形区域（不一定是平行四边形）．它不止是线性变换．但也是通过矩阵乘法实现的，使用的是一个3x3的矩阵，矩阵的前两行与仿射矩阵相同(m11,m12,m13,m21,m22,m23)，也实现了线性变换和平移，第三行用于实现透视变换

以上公式设变换之前的点是z值为1的点，它三维平面上的值是x,y,1，在二维平面上的投影是x,y，通过矩阵变换成三维中的点X,Y,Z，再通过除以三维中Ｚ轴的值，转换成二维中的点x’,y’.从以上公式可知，仿射变换是透视变换的一种特殊情况．它把二维转到三维，变换后，再转映射回之前的二维空间（而不是另一个二维空间）．
具体应用
在OpenCV中，透视变换通过函数cvWrapPerspective(src,dst,mat)实现, 与仿射变换不同的是，透视矩阵是一个3x3的矩阵，在计算矩阵时，可利用函数cvGetPerspectiveTransform(srcQuad,dstQuad,mat)，由于不再是平行四边形，需要提供四边形的四个顶点

区别
仿射变换后平行四边形的各边仍操持平行，透视变换结果允许是梯形等四边形，所以仿射变换是透视变换的子集
具体案例：
仿射变换和透视变换的数学原理不需深究，其计算方法为坐标向量和变换矩阵的乘积，换言之就是矩阵运算。在应用层面，仿射变换是图像基于3个固定顶点的变换，如图所示：

图中红点即为固定顶点，在变换先后固定顶点的像素值不变，图像整体则根据变换规则进行变换
同理，透视变换是图像基于4个固定顶点的变换，如图所示：

在OpenCV中，仿射变换和透视变换均有封装好的函数，分别为

void warpAffine(InputArray src, OutputArray dst, InputArray M, Size dsize, int flags=INTER_LINEAR, int borderMode=BORDER_CONSTANT, const Scalar& borderValue=Scalar())

与

void warpPerspective(InputArray src, OutputArray dst, InputArray M, Size dsize, int flags=INTER_LINEAR, int borderMode=BORDER_CONSTANT, const Scalar& borderValue=Scalar())

两种变换函数形式完全相同，因此以仿射变换函数为例：
1、参数InputArray src：输入变换前图像
2、参数OutputArray dst：输出变换后图像，需要初始化一个空矩阵用来保存结果，不用设定矩阵尺寸
3、参数InputArray M：变换矩阵，用另一个函数getAffineTransform()计算
4、参数Size dsize：设置输出图像大小
5、参数int flags=INTER_LINEAR：设置插值方式，默认方式为线性插值
后两个参数不常用，在此不赘述
关于生成变换矩阵InputArray M的函数getAffineTransform()：

Mat getAffineTransform(const Point2f* src, const Point2f* dst)

参数const Point2f* src：原图的三个固定顶点
参数const Point2f* dst：目标图像的三个固定顶点
返回值：Mat型变换矩阵，可直接用于warpAffine()函数

注意，顶点数组长度超过3个，则会自动以前3个为变换顶点；数组可用Point2f[]或Point2f*表示
示例代码如下：

//读取原图	Mat I = imread("img.jpg");	//设置空矩阵用于保存目标图像	Mat dst;	//设置原图变换顶点	Point2f AffinePoints0[3] = { Point2f(100, 50), Point2f(100, 390), Point2f(600, 50) };	//设置目标图像变换顶点	Point2f AffinePoints1[3] = { Point2f(200, 100), Point2f(200, 330), Point2f(500, 50) };	//计算变换矩阵	Mat Trans = getAffineTransform(AffinePoints0, AffinePoints1);	//矩阵仿射变换	warpAffine(I, dst, Trans, Size(I.cols, I.rows));	//分别显示变换先后图像进行对比	imshow("src", I);	imshow("dst", dst);	waitKey();

同理，透视变换与仿射变换函数类似：

void warpPerspective(InputArray src, OutputArray dst, InputArray M, Size dsize, int flags=INTER_LINEAR, int borderMode=BORDER_CONSTANT, const Scalar& borderValue=Scalar())

生成变换矩阵函数为：

Mat getPerspectiveTransform(const Point2f* src, const Point2f* dst)

注意，透视变换顶点为4个

两种变换完整代码及结果比较：

#include #include using namespace std;using namespace cv;Mat AffineTrans(Mat src, Point2f* scrPoints, Point2f* dstPoints){	Mat dst;	Mat Trans = getAffineTransform(scrPoints, dstPoints);	warpAffine(src, dst, Trans, Size(src.cols, src.rows), CV_INTER_CUBIC);	return dst;}Mat PerspectiveTrans(Mat src, Point2f* scrPoints, Point2f* dstPoints){	Mat dst;	Mat Trans = getPerspectiveTransform(scrPoints, dstPoints);	warpPerspective(src, dst, Trans, Size(src.cols, src.rows), CV_INTER_CUBIC);	return dst;}void main(){	Mat I = imread("..//img.jpg");	//700*438	Point2f AffinePoints0[4] = { Point2f(100, 50), Point2f(100, 390), Point2f(600, 50), Point2f(600, 390) };	Point2f AffinePoints1[4] = { Point2f(200, 100), Point2f(200, 330), Point2f(500, 50), Point2f(600, 390) };	Mat dst_affine = AffineTrans(I, AffinePoints0, AffinePoints1);	Mat dst_perspective = PerspectiveTrans(I, AffinePoints0, AffinePoints1);	for (int i = 0; i < 4; i++)	{		circle(I, AffinePoints0[i], 2, Scalar(0, 0, 255), 2);		circle(dst_affine, AffinePoints1[i], 2, Scalar(0, 0, 255), 2);		circle(dst_perspective, AffinePoints1[i], 2, Scalar(0, 0, 255), 2);	}	imshow("origin", I);	imshow("affine", dst_affine);	imshow("perspective", dst_perspective);	waitKey();}

结果如图：

可以看出，仿射变换以3个点为基准点，即使数组长度为4也仅取前3个点作为基准点；透视变换以4个点为基准点，两种变换结果不相同。应根据实际情况判断使用哪种变换方式更佳

idc机房托管超融合服务器单应性图像处理c++opencv opencv 图像增强 opencv包图像识别

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/122532.html

opencv python 使用特征匹配和单应性查找对象

摘要：为了解决这个问题，算法使用和可以通过参数来设定所以好的匹配提供的正确的估计被称为，剩下的被称为返回一个掩模，这个掩模确定了和点 Feature Matching + Homography to find Objects 联合使用特征提取和 calib3d 模块中的 findHomography 在复杂图像中查找已知对象. 之前在一张杂乱的图像中找到了一个对象（的某些部分）的位置.这些...

BDEEFE 2019-07-30 17:14 评论0 收藏0
slam十四讲各章内容概述

摘要：代表第一章下的代表各章下的小细节内容。描述了李群的局部性质，是单位元附近的正交空间。否则，一个群可能存在多个李代数注意点旋转矩阵的导数，可以由旋转向量指定。误差项是将点的投影位置与观测位置做差，所以称为重投影误差。 1）代表第一章 1）下的1.2代表各章下的小细节内容。层次按1. ——1.1...

canger 2021-11-23 09:51 评论0 收藏0
Python 大白从零开始 OpenCV 学习课-5. 图像的几何变换

摘要：从零开始学习课图像的几何变换本系列面向小白，从零开始实战解说项目实战。仿射变换仿射变换的特点是原始图像中的平行关系和线段长度比例关系保持不变。函数说明函数通过变换矩阵对图像进行仿射变换。 ...

jay_tian 2021-11-18 10:02 评论0 收藏0
【OpenCV 完整例程】34. 图像的投影变换

摘要：完整例程图像的投影变换投影变换也称透视变换是建立两平面场之间的对应关系，将图片投影到一个新的视平面。提供了函数实现投影变换的操作。【OpenCV 完整例程】34....

_ivan 2021-11-19 09:40 评论0 收藏0
opencv python 2D直方图

Histograms - 3 : 2D Histograms 我们已经计算并绘制了一维直方图，因为我们只考虑一个特征，即像素的灰度强度值.但在二维直方图中，需要考虑两个特征，通常，它用于查找颜色直方图，其中两个要素是每个像素的色调和饱和度值. OpenCV中的2D直方图使用函数cv.calcHist（）, 对于颜色直方图，我们需要将图像从BGR转换为HSV。（请记住，对于1D直方图，我们从B...

BlackFlagBin 2019-07-30 17:08 评论0 收藏0