快捷導(dǎo)航

OpenCV實(shí)現(xiàn)透視變換的示例代碼

更新時(shí)間：2023年07月07日 09:22:33 作者：趙卓不凡

本文主要介紹了OpenCV實(shí)現(xiàn)透視變換的示例代碼，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

1. 引言

今天我們將焦點(diǎn)聚焦在我在圖像處理中最喜歡的話題之一——透視變換。使用該技術(shù)，可以靈活方便的實(shí)現(xiàn)各種各樣好玩的特效。

閑話少說，我們直接開始吧！

2. 單應(yīng)矩陣

我們首先展開對單應(yīng)矩陣的深入研究。作為圖像處理的基本工具，它在捕捉圖像中的幾何變換方面發(fā)揮著至關(guān)重要的作用。更具體地說，它是實(shí)現(xiàn)透視變換的秘密武器。

單應(yīng)矩陣被定義為圖像的兩個(gè)平面投影之間的映射。它由齊次坐標(biāo)空間中的3x3變換矩陣表示。這些變換可以是旋轉(zhuǎn)、平移、縮放等操作的組合。

我們用示意圖總結(jié)如下：

3. 舉個(gè)栗子

雖然上圖簡明地定義了常見的轉(zhuǎn)換，但是如果我們將其應(yīng)用到輸入和輸出為圖像操作會怎樣？根據(jù)變換，我們需要幾個(gè)點(diǎn)來計(jì)算單應(yīng)矩陣。讓我們來做吧！像往常一樣，讓我們首先導(dǎo)入必要的庫，如下：

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

接著導(dǎo)入我們需要的測試圖像，代碼如下：

# 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()

結(jié)果如下：

4. 計(jì)算變換矩陣

接著我們想對這幅畫有一個(gè)自上而下的視圖。我們需要計(jì)算單應(yīng)矩陣。我們必須確定這幅畫明確的角點(diǎn)。在這種情況下，我使用畫圖應(yīng)用程序來識別畫的四個(gè)角點(diǎn)坐標(biāo)：

# Source points
src = np.array([879, 625,                    # top left
                431, 2466,                   # bottom left
                3251, 61,                    # top right
                3416, 2767]).reshape((4, 2)) # bottom right

為了執(zhí)行單應(yīng)性變換，我們需要一組與源點(diǎn)相對應(yīng)的目標(biāo)點(diǎn)。這些目標(biāo)點(diǎn)表示我們希望源點(diǎn)在輸出圖像中的位置。對于自上而下的視圖，這里我們引用源點(diǎn)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
])

接著我們用以下代碼計(jì)算單應(yīng)矩陣，如下：

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

5. 透視變換

經(jīng)過上述處理，我們有了執(zhí)行透視變換所需要的單應(yīng)性矩陣，接著我們來執(zhí)行對應(yīng)的透視變換，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')

得到結(jié)果如下：

6. 美化顯示效果

觀察上圖，考慮到圖像外圍添加了白色像素，輸出看起來很奇怪，我們可以編輯出代碼來裁剪這些奇怪的墻和額外的像素：

# 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()

最終的顯示效果如下：