几何变换可以看成图像中物体（或像素）空间位置改变，或者说是像素的移动。

几何运算需要空间变换和灰度级差值两个步骤的算法，像素通过变换映射到新的坐标位置，新的位置可能是在几个像素之间，即不一定为整数坐标。这时就需要灰度级差值将映射的新坐标匹配到输出像素之间。最简单的插值方法是最近邻插值，就是令输出像素的灰度值等于映射最近的位置像素，该方法可能会产生锯齿。这种方法也叫零阶插值，相应比较复杂的还有一阶和高阶插值。

插值算法感觉只要了解就可以了，图像处理中比较需要理解的还是空间变换。

总结一下最近看的关于OpenCV图像几何变换的一些笔记。

这是原图:

原图

1、平移

import cv2

import numpy as np

img = cv2.imread("linuxidc.com.jpg", 1)

imgInfo = img.shape

height = imgInfo[0]

width = imgInfo[1]

mode = imgInfo[2]

dst = np.zeros(imgInfo, np.uint8)

for i in range( height ):

for j in range( width - 100 ):

dst[i, j + 100] = img[i, j]

cv2.imshow('linuxidc.com', dst)

cv2.waitKey(0)

示例很简单，就是将图像向右平移了100个像素，如图：

2、镜像

import cv2

import numpy as np

img = cv2.imread('linuxidc.com.jpg', 1)

cv2.imshow('src', img)

imgInfo = img.shape

height= imgInfo[0]

width = imgInfo[1]

deep = imgInfo[2]

dst = np.zeros([height*2, width, deep], np.uint8)

for i in range( height ):

for j in range( width ):

dst[i,j] = img[i,j]

dst[height*2-i-1,j] = img[i,j]

for i in range(width):

dst[height, i] = (0, 0, 255)

cv2.imshow('www.linuxidc.com', dst)

cv2.waitKey(0)

生成一个如下效果图：

3、缩放

import cv2

img = cv2.imread("linuxidc.com.jpg", 1)

imgInfo = img.shape

print( imgInfo )

height = imgInfo[0]

width = imgInfo[1]

mode = imgInfo[2]

# 1 放大 缩小 2 等比例 非等比例

dstHeight = int(height * 0.5)

dstWeight = int(width * 0.5)

# 最近邻域插值 双线性插值 像素关系重采样 立方插值

dst = cv2.resize(img, (dstWeight,dstHeight))

print(dst.shape)

cv2.imshow('www.linuxidc.com', dst)

cv2.waitKey(0)

使用resize直接进行缩放操作，同时还可以使用邻域插值法进行缩放，代码如下:

# 1 info 2 空白模板 3 重新计算x, y

import cv2

import numpy as np

img = cv2.imread('linuxidc.com.jpg', 1)

imgInfo = img.shape # 先高度,后宽度

height = imgInfo[0]

width = imgInfo[1]

dstHeight = int(height/2)

dstWidth = int(width/2)

dstImage = np.zeros([dstHeight, dstWidth, 3], np.uint8)

for i in range( dstHeight ):

for j in range(dstWidth):

iNew = i * ( height * 1.0 / dstHeight )

jNew = j * ( width * 1.0 / dstWidth )

dstImage[i,j] = img[int(iNew),int(jNew)]

cv2.imshow('linuxidc.com', dstImage)

cv2.waitKey(0)

示例效果图如下：

4、旋转

import cv2

img = cv2.imread('linuxidc.com.jpg', 1)

cv2.imshow('src', img)

imgInfo = img.shape

height= imgInfo[0]

width = imgInfo[1]

deep = imgInfo[2]

# 定义一个旋转矩阵

matRotate = cv2.getRotationMatrix2D((height*0.5, width*0.5), 45, 0.7) # mat rotate 1 center 2 angle 3 缩放系数

dst = cv2.warpAffine(img, matRotate, (height, width))

cv2.imshow('www.linuxidc.com',dst)

cv2.waitKey(0)

旋转需要先定义一个旋转矩阵,cv2.getRotationMatrix2D(),参数1:需要旋转的中心点.参数2:需要旋转的角度.参数三:需要缩放的比例。效果如下图:

5、仿射

import cv2

import numpy as np

img = cv2.imread('linuxidc.com.jpg', 1)

cv2.imshow('src', img)

imgInfo = img.shape

height= imgInfo[0]

width = imgInfo[1]

deep = imgInfo[2]

# src 3 -> dst 3 (左上角, 左下角,右上角)

matSrc = np.float32([[0,0],[0,height-1],[width-1, 0]]) # 需要注意的是 行列 和 坐标 是不一致的

matDst = np.float32([[50,50],[100, height-50],[width-200,100]])

matAffine = cv2.getAffineTransform(matSrc,matDst) #mat 1 src 2 dst 形成组合矩阵

dst = cv2.warpAffine(img, matAffine,(height, width))

cv2.imshow('www.linuxidc.com',dst)

cv2.waitKey(0)

需要确定图像矩阵的三个点坐标,及(左上角, 左下角,右上角).定义两个矩阵,matSrc 为原图的三个点坐标,matDst为进行仿射的三个点坐标,通过cv2.getAffineTransform()形成组合矩阵.效果如下: