Python OpenCV超详细讲解透视变换的实现

Python OpenCV超详细讲解透视变换的实现

简介

透视变换是计算机视觉中一种重要的图像处理技术，通过透视变换可以对图像进行几何变换从而得到需要的图像形式。OpenCV的图片处理库中提供了cv2.warpPerspective函数来完成透视变换的处理，本文将详细讲解透视变换的具体实现过程。

实现透视变换的具体步骤

1. 读取需要进行透视变换的原始图像，可以使用OpenCV的cv2.imread()函数来读取。

import cv2

img = cv2.imread("input.jpg")

1. 根据原图像中需要进行变换的四个点的坐标值，使用cv2.getPerspectiveTransform()函数得到透视变换矩阵M。

import numpy as np

# 坐标点顺序为左上、右上、右下、左下
src_points = np.array([(200, 200), (600, 200), (600, 500), (200, 500)])
dst_points = np.array([(300, 100), (500, 100), (500, 400), (300, 400)])
M = cv2.getPerspectiveTransform(src_points, dst_points)

1. 对读取到的原始图像进行透视变换，使用cv2.warpPerspective()函数来实现。

output_img = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))

1. 最后将处理后的图像保存到本地，可以使用OpenCV的cv2.imwrite()函数来保存。

cv2.imwrite("output.jpg", output_img)

示例1：透视变换实现公文校正

在这个示例中，我们将使用透视变换处理照片上的公文纸张，将其校正为水平状态。

1. 读入需要处理的公文照片，并使用cv2.resize()函数将其缩小一半。

img = cv2.imread("paper.jpg")
img = cv2.resize(img, (0, 0), fx=0.5, fy=0.5)

1. 使用cv2.Canny()函数进行边缘检测，并使用cv2.dilate()函数对边缘进行膨胀处理，增加边缘的宽度以便接下来的轮廓检测。

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 30, 100)
kernel = np.ones((5, 5), np.uint8)
dilated_edges = cv2.dilate(edges, kernel, iterations=1)

1. 使用cv2.findContours()函数来查找轮廓，并使用cv2.drawContours()函数来绘制轮廓。

contours, _ = cv2.findContours(dilated_edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours, -1, (0, 255, 0), 2)

1. 针对得到的轮廓点进行筛选和排序，得到顶点坐标。

contour = contours[0] 
epsilon = 0.02 * cv2.arcLength(contour, True)
approx = cv2.approxPolyDP(contour, epsilon, True)
sorted_points = sort_points(approx)

1. 获取一个与原始图像大小相同的黑色画布，并使用cv2.fillPoly()函数绘制出透视变换的区域。

black = np.zeros((img.shape[0], img.shape[1], 3), np.uint8)
cv2.fillPoly(black, [sorted_points], (255, 255, 255))

1. 利用cv2.getPerspectiveTransform()函数得到透视变换矩阵并应用它到原始图像上。

M = cv2.getPerspectiveTransform(sorted_points.astype(np.float32), np.array([(0, 0), (black.shape[1], 0), (black.shape[1], black.shape[0]), (0, black.shape[0])], np.float32))
output = cv2.warpPerspective(img, M, (black.shape[1], black.shape[0]), flags=cv2.INTER_LINEAR)

1. 将处理后的结果保存到本地。

cv2.imwrite("output.jpg", output)

示例2：透视变换实现图像拼接

在这个示例中，我们将使用透视变换将两张图像拼接在一起。

1. 读取需要拼接的两张图像。

img1 = cv2.imread("1.jpg")
img2 = cv2.imread("2.jpg")

1. 根据两张图像中需要进行拼接的四个点的坐标值，使用cv2.getPerspectiveTransform()函数得到透视变换矩阵M。

src_points = np.array([(313, 137), (827, 135), (1077, 765), (76, 763)])
dst_points = np.array([(0, 0), (img1.shape[1], 0), (img2.shape[1],img2.shape[0]), (0, img1.shape[0])])
M = cv2.getPerspectiveTransform(src_points, dst_points)

1. 对读取到的原始图像进行透视变换，使用cv2.warpPerspective()函数来实现。

output = cv2.warpPerspective(img2, M, (img2.shape[1], img1.shape[0]))

1. 进行图像拼接，使用cv2.addWeighted()函数将两张图像进行融合拼接。

result = cv2.addWeighted(img1, 1, output, 1, 0)

1. 最后将处理后的图像保存到本地，可以使用OpenCV的cv2.imwrite()函数来保存。

cv2.imwrite("result.jpg", result)

总结

通过以上示例可以看出，利用OpenCV实现透视变换并不复杂。首先需要获得需要变换的四个点的坐标值，然后计算透视变换矩阵M，最后利用cv2.warpPerspective()函数将原始图像进行变换，实现各种需要的图像处理效果。