[Python从零到壹] 三十九.图像处理基础篇之图像几何变换（镜像仿射透视）

欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望我们都能在人生路上开心快乐、共同成长。

该系列文章主要讲解Python OpenCV图像处理和图像识别知识，前期主要讲解图像处理基础知识、OpenCV基础用法、常用图像绘制方法、图像几何变换等，中期讲解图像处理的各种运算，包括图像点运算、形态学处理、图像锐化、图像增强、图像平滑等，后期研究图像识别、图像分割、图像分类、图像特效处理以及图像处理相关应用。

上一篇文章介绍图像几何变换，包括图像平移、图像缩放和图像旋转。这篇文章将继续讲解图像几何变换，包括图像镜像、图像仿射和图像透视。希望文章对您有所帮助，如果有不足之处，还请海涵。

文章目录

下载地址：

• https://github.com/eastmountyxz/Python-zero2one

前文赏析：

第一部分 基础语法

• [Python从零到壹] 一.为什么我们要学Python及基础语法详解
• [Python从零到壹] 二.语法基础之条件语句、循环语句和函数
• [Python从零到壹] 三.语法基础之文件操作、CSV文件读写及面向对象

第二部分 网络爬虫

• [Python从零到壹] 四.网络爬虫之入门基础及正则表达式抓取博客案例
• [Python从零到壹] 五.网络爬虫之BeautifulSoup基础语法万字详解
• [Python从零到壹] 六.网络爬虫之BeautifulSoup爬取豆瓣TOP250电影详解
• [Python从零到壹] 七.网络爬虫之Requests爬取豆瓣电影TOP250及CSV存储
• [Python从零到壹] 八.数据库之MySQL基础知识及操作万字详解
• [Python从零到壹] 九.网络爬虫之Selenium基础技术万字详解（定位元素、常用方法、键盘鼠标操作）
• [Python从零到壹] 十.网络爬虫之Selenium爬取在线百科知识万字详解（NLP语料构造必备技能）

第三部分 数据分析和机器学习

• [Python从零到壹] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)
• [Python从零到壹] 十二.机器学习之回归分析万字总结全网首发（线性回归、多项式回归、逻辑回归）
• [Python从零到壹] 十三.机器学习之聚类分析万字总结全网首发（K-Means、BIRCH、层次聚类、树状聚类）
• [Python从零到壹] 十四.机器学习之分类算法三万字总结全网首发（决策树、KNN、SVM、分类算法对比）
• [Python从零到壹] 十五.文本挖掘之数据预处理、Jieba工具和文本聚类万字详解
• [Python从零到壹] 十六.文本挖掘之词云热点与LDA主题分布分析万字详解
• [Python从零到壹] 十七.可视化分析之Matplotlib、Pandas、Echarts入门万字详解
• [Python从零到壹] 十八.可视化分析之Basemap地图包入门详解
• [Python从零到壹] 十九.可视化分析之热力图和箱图绘制及应用详解
• [Python从零到壹] 二十.可视化分析之Seaborn绘图万字详解
• [Python从零到壹] 二十一.可视化分析之Pyechart绘图万字详解
• [Python从零到壹] 二十二.可视化分析之OpenGL绘图万字详解
• [Python从零到壹] 二十三.十大机器学习算法之决策树分类分析详解(1)
• [Python从零到壹] 二十四.十大机器学习算法之KMeans聚类分析详解(2)
• [Python从零到壹] 二十五.十大机器学习算法之KNN算法及图像分类详解(3)
• [Python从零到壹] 二十六.十大机器学习算法之朴素贝叶斯算法及文本分类详解(4)
• [Python从零到壹] 二十七.十大机器学习算法之线性回归算法分析详解(5)
• [Python从零到壹] 二十八.十大机器学习算法之SVM算法分析详解(6)
• [Python从零到壹] 二十九.十大机器学习算法之随机森林算法分析详解(7)
• [Python从零到壹] 三十.十大机器学习算法之逻辑回归算法及恶意请求检测应用详解(8)
• [Python从零到壹] 三十一.十大机器学习算法之Boosting和AdaBoost应用详解(9)
• [Python从零到壹] 三十二.十大机器学习算法之层次聚类和树状图聚类应用详解(10)

第四部分 Python图像处理基础

• [Python从零到壹] 三十三.图像处理基础篇之什么是图像处理和OpenCV配置
• [Python从零到壹] 三十四.OpenCV入门详解——显示读取修改及保存图像
• [Python从零到壹] 三十五.图像处理基础篇之OpenCV绘制各类几何图形
• [Python从零到壹] 三十六.图像处理基础篇之图像算术与逻辑运算详解
• [Python从零到壹] 三十七.图像处理基础篇之图像融合处理和ROI区域绘制
• [Python从零到壹] 三十八.图像处理基础篇之图像几何变换（平移缩放旋转）
• [Python从零到壹] 三十九.图像处理基础篇之图像几何变换（镜像仿射透视）

第五部分 Python图像运算和图像增强

第六部分 Python图像识别和图像处理经典案例

第七部分 NLP与文本挖掘

第八部分 人工智能入门知识

第九部分 网络攻防与AI安全

第十部分 知识图谱构建实战

扩展部分 人工智能高级案例

作者新开的“娜璋AI安全之家”将专注于Python和安全技术，主要分享Web渗透、系统安全、人工智能、大数据分析、图像识别、恶意代码检测、CVE复现、威胁情报分析等文章。虽然作者是一名技术小白，但会保证每一篇文章都会很用心地撰写，希望这些基础性文章对你有所帮助，在Python和安全路上与大家一起进步。

一.图像镜像

图像镜像是图像旋转变换的一种特殊情况，通常包括垂直方向和水平方向的镜像。水平镜像通常是以原图像的垂直中轴为中心，将图像分为左右两部分进行堆成变换。如图7-1所示：

垂直镜像通常是以原图像的水平中轴线为中心，将图像划分为上下两部分进行堆成变换的过程，示意图如图7-2所示。

在Python中主要调用OpenCV的flip()函数实现图像镜像变换，函数原型如下：

• dst = cv2.flip(src, flipCode) – src表示原始图像 – flipCode表示翻转方向，如果flipCode为0，则以X轴为对称轴翻转，如果fliipCode>0则以Y轴为对称轴翻转，如果flipCode<0则在X轴、Y轴方向同时翻转。

下面代码是实现三个方向的翻转。

# -*- coding:utf-8 -*-# By：Eastmountimport cv2  
import numpy as np
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('scenery.png')
src = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#图像翻转
img1 = cv2.flip(src,0)#参数=0以X轴为对称轴翻转 
img2 = cv2.flip(src,1)#参数>0以Y轴为对称轴翻转
img3 = cv2.flip(src,-1)#参数<0以X轴和Y轴翻转#显示图形
titles =['Source','Image1','Image2','Image3']
images =[src, img1, img2, img3]for i inrange(4):
   plt.subplot(2,2,i+1), plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

输出结果如图7-3所示，图中“Source”为原始图像，“Image1”为以X轴为对称轴翻转或垂直镜像，“Image2”为以Y轴为对称轴翻转或水平镜像，“Images3”为以X轴和Y轴翻转。

二.图像仿射

图像仿射变换又称为图像仿射映射，是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。通常图像的旋转加上拉升就是图像仿射变换，仿射变换需要一个M矩阵实现，但是由于仿射变换比较复杂，很难找到这个M矩阵，OpenCV提供了根据变换前后三个点的对应关系来自动求解M的函数：

• cv2.getAffineTransform(pos1,pos2)

其中pos1和pos2表示变换前后的对应位置关系，输出的结果为仿射矩阵M，接着使用函数cv2.warpAffine()实现图像仿射变换。图7-4是仿射变换的前后效果图。

图像仿射变换的函数原型如下：

• M = cv2.getAffineTransform(pos1,pos2) – pos1表示变换前的位置 – pos2表示变换后的位置
• cv2.warpAffine(src, M, (cols, rows)) – src表示原始图像 – M表示仿射变换矩阵 – (rows,cols)表示变换后的图像大小，rows表示行数，cols表示列数

实现代码如下所示：

# -*- coding: utf-8 -*-# By：Eastmountimport cv2
import numpy as np
import matplotlib.pyplot as plt

#读取图片
src = cv2.imread('scenery.png')#获取图像大小
rows, cols = src.shape[:2]#设置图像仿射变换矩阵
pos1 = np.float32([[50,50],[200,50],[50,200]])
pos2 = np.float32([[10,100],[200,50],[100,250]])
M = cv2.getAffineTransform(pos1, pos2)#图像仿射变换
result = cv2.warpAffine(src, M,(cols, rows))#显示图像
cv2.imshow("original", src)
cv2.imshow("result", result)#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如图7-5所示：

三.图像透视

图像透视变换（Perspective Transformation）的本质是将图像投影到一个新的视平面，同理OpenCV通过函数cv2.getPerspectiveTransform(pos1,pos2)构造矩阵M，其中pos1和pos2分别表示变换前后的4个点对应位置。得到M后在通过函数cv2.warpPerspective(src,M,(cols,rows))进行透视变换。

图像透视变换的函数原型如下：

• M = cv2.getPerspectiveTransform(pos1, pos2) – pos1表示透视变换前的4个点对应位置 – pos2表示透视变换后的4个点对应位置
• cv2.warpPerspective(src,M,(cols,rows)) – src表示原始图像 – M表示透视变换矩阵 – (rows,cols)表示变换后的图像大小，rows表示行数，cols表示列数

假设现在存在一张A4纸图像，现在需要通过调用图像透视变换校正图像。

图像透视变换的校正代码如下所示，代码中pos1表示透视变换前A4纸的四个顶点，pos2表示透视变换后A4纸的四个顶点。

# -*- coding: utf-8 -*-# By：Eastmountimport cv2
import numpy as np
import matplotlib.pyplot as plt

#读取图片
src = cv2.imread('transform.jpg')#获取图像大小
rows, cols = src.shape[:2]#设置图像透视变换矩阵
pos1 = np.float32([[114,82],[287,156],[8,322],[216,333]])
pos2 = np.float32([[0,0],[188,0],[0,262],[188,262]])
M = cv2.getPerspectiveTransform(pos1, pos2)#图像透视变换
result = cv2.warpPerspective(src, M,(190,272))#显示图像
cv2.imshow("original", src)
cv2.imshow("result", result)#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

最终输出结果如图7-7所示，它将图形校正显示。

四.总结

本章主要讲解Python和OpenCV的图像几何变换，详细介绍了图像镜像、图像仿射和图像透视，包括歪曲图像纠正的案例，希望大家喜欢。此外，这些知识点也是我们PC端或手机端图像处理应用常见的算法，读者可以尝试结合这些应用完成一套图像处理软件。

最近寒假日更，为了感谢读者。同时感谢在求学路上的同行者，不负遇见，勿忘初心。图像处理系列主要包括三部分，分别是：

这周的留言感慨～

十二年CSDN的博客分享，如果要说分享最让我开心的是什么？不是传道，不是授业，也不是解惑，而是接下来这类事。这些年已经陆续鼓励了一些朋友当老师，而昨天得知这一位博友真的去到新疆南疆成为了一名小学老师，我很是感动，是真的感动，六年前我曾鼓励他如果想，就放弃高额工资的互联网大厂，去做自己想做的，没想到已经当了四年老师。又当爹又当妈，国语普及，文化教育，这里面的艰辛不是一两句道得清，除了佩服就是鼓励。
正如你说的一样，“一辈子总得做点有意义的事情，生命实在太短暂，一定要活得积极、正面”。或许，这也是我在CSDN分享博客的最大意义，再比如云南那位老友的留言，“农村的孩子下雨没有伞，只能拼命奔跑”，希望你以后也能成为一名教师，感恩有你们，感谢有你们。我也希望自己早日毕业回到家乡，花上三四十年做好两件事，一是认真教书，二是将少数民族文物抢救和文字语音保护做好，也鼓励更多人一起加入进来。自己虽然很菜吧，但还是有一些喜欢的事，尤其陪伴爱的人，挺好，爱你们喔。2022年继续加油，在CSDN分享更高质量的博客和专栏。

(By:娜璋之家 Eastmount 2022-01-27 夜于贵阳 https://blog.csdn.net/Eastmount )

参考文献：

• [1]冈萨雷斯. 数字图像处理（第3版）[M]. 北京：电子工业出版社, 2013.
• [2]阮秋琦. 数字图像处理学（第3版）[M]. 北京：电子工业出版社，2008.
• [3]毛星云, 冷雪飞. OpenCV3编程入门[M]. 北京：电子工业出版社, 2015.
• [4]Eastmount. [Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移[EB/OL]. (2018-09-06). https://blog.csdn.net/Eastmount/article/details/82454335.
• [5]Eastmount. [数字图像处理] 六.MFC空间几何变换之图像平移、镜像、旋转、缩放详解[EB/OL]. (2015-06-04). https://blog.csdn.net/Eastmount/article/details/46345299.