上回说到公司HR姐姐了解我会图像矫正，提供很多倾斜图片让我处理，我都一一克服了。
后来了解到，她是在替他男朋友找源码。
得知真相的我眼泪掉了下来，从此再也不相信漂亮女生的言语。
就在我决定和她绝交的时候。HR姐姐发来信息，说她在宾馆609房间等我。
六、再续前缘
我还是决定去和她见面，探一探虚实，丰富一下人生阅历，即便以后写小说也会有素材。
不过，即便不去，我也已经基本猜到了。
她男朋友以及他的研发团队，在宾馆里封闭开发。这次叫我还是让我写代码的。
我到了宾馆，敲门进入了609房间。见到了她，果然，有很多人，很显眼的是，一个穿黑色皮衣的中年男人坐在椅子上，而她就站在旁边。
她看到我，有点不好意思，说到，又要麻烦你了。这次是我又遇到了一个问题，你看这样的图片如何矫正。
七、warpPerspective 透视变换
我看到这张图，微微一笑。
我心想：当初为了给你矫正文档，我研究了大量的资料，这种可不是角度的倾斜，这是透视扭曲。
我先看了看那个皮衣男，那是她的男朋友吧，年纪不小了，哼哼，这点知识居然都没有掌握，而且也没有我长得帅。
我问：这是你扫描文件的时候，纸张下面垫了个玻璃瓶子吧？只有这种情况才能扫描成这样！
她说，你怎么看出来的。
我说，这叫透视扭曲。
比如下面这张图。
怎么才能达到你那种效果，只有通过立体感变换才可以，说白了就是远近角度的扭曲，不能直视它，要斜视，哪个角度看着难受哪个角度看。
你看着屏幕上的这张图，跑到天花板上看，或者趴到地板上看。要么你不动，让文件动，就像下面这样，让文件一部分接近你或者远离你，这就是从视觉上的扭曲，绘画上叫“远大近小”。
能扭曲，就能矫正。知道怎么扭曲的，倒放的步骤就能矫正。
import numpy as np
import cv2
# 读入图片
img = cv2.imread('img4_0_perspective.jpg')
img_size = (img.shape[1], img.shape[0])
# 确定需要矫正的区域，左上，左下，右下，右上
src = np.float32([[82,90],[82,368],[433,338],[433,124]])
# 确定需要矫正成的形状，和上面一一对应
dst = np.float32([[82,90],[82,368],[433,368],[433,90]])
# 获取矫正矩阵，也就步骤
M = cv2.getPerspectiveTransform(src, dst)
# 进行矫正，把img
img = cv2.warpPerspective(img, M, img_size)
# 展示校正后的图形
cv2.imshow('output', img)
cv2.waitKey(0)
矫正后的图像如下：
实现起来主要就是两步。
- 第一通过
cv2.getPerspectiveTransform获取矫正的转换钥匙（矩阵）。传入图像扭曲部分4个点的坐标，然传入矫正到4个点的坐标，坐标顺序没有要求，但是前后要对应（不然会翻车），就可以计算出转换钥匙。 - 第二步，调用
cv2.warpPerspective(img, M, img_size)进行矫正。第一个参数是要矫正的图像数据，第二个参数是转换的钥匙（矩阵），第三个参数是图像的大小。默认矫正后空白填充0值，也就是黑色。当然我们通过cv2.warpPerspective(img, M, img_size, borderValue=(255,255,255))可以设置成白色。
注意下图虚线处就是矫正前和校正后四个点的坐标。
八、得寸进尺 findContours、approxPolyDP
皮衣男看到结果后，微微点头，向右看去。
HR姐姐在皮衣男左边，右边是一个秃顶男。
秃顶男收到信号后，问我：传入参数调用方法执行即可，这也不难，敢问矫正前后的四个点，从何获取？你能自动识别吗？
呜呼呀！这里居然还有懂行的人，实际应用中，哪有人给你手工找坐标点，肯定也得是自动计算。看来简单应付是不行了。
我微微一笑，这有何难！我飞快地用右手敲击键盘，用红绿两种颜色画出了扭曲框和矫正框。
“怎么样！这效果还满意吧！”，我语气中故意将问号全部换成了叹号。
说吧，我就要走。
“壮士留步！”，秃顶男将我拦下：“可否留下代码，解读一下！”
“没有这个必要吧，你我萍水相逢，何况我还有公务在身，不便久留”，说完要走。
皮衣男瞅了瞅HR姐姐，HR姐姐把我拦了下来：“大郎……不是，大工程师，来都来了，不在乎这一时半会儿了，说说吧，就当帮我了！”
“帮你，凭什么帮你？！”，我心里想，但是没有说出口，我被潜意识控制，说出一个字：好！
img = cv2.imread('img4_0_perspective.jpg')
# 转为灰度单通道 [[255 255],[255 255]]
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化图像
ret,img_b=cv2.threshold(gray,200,255,cv2.THRESH_BINARY_INV)
# 图像出来内核大小，相当于PS的画笔粗细
kernel=np.ones((5,5),np.uint8)
# 图像膨胀
img_dilate=cv2.dilate(img_b,kernel,iterations=8)
# 图像腐蚀
img_erode=cv2.erode(img_dilate,kernel,iterations=3)
# 寻找轮廓
contours, hierarchy = cv2.findContours(img_erode,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
#cv2.drawContours(img,contours,-1,(255,0,255),1)
# 一般会找到多个轮廓，这里因为我们处理成只有一个大轮廓
contour = contours[0]
# 每个轮廓进行多边形拟合
approx = cv2.approxPolyDP(contour, 150, True)
# 绘制拟合结果，这里返回的点的顺序是：左上，左下，右下，右上
cv2.polylines(img, [approx], True, (0, 255, 0), 2)
# 寻找最小面积矩形
rect = cv2.minAreaRect(contour)
# 转化为四个点，这里四个点顺序是：左上，右上，右下，左下
box = np.int0(cv2.boxPoints(rect))
# 绘制矩形结果
cv2.drawContours(img, [box], 0, (0, 66, 255), 2)
img_size = (img.shape[1], img.shape[0])
# 同一成一个顺序：左上，左下，右下，右上
src = np.float32(approx)
dst = np.float32([box[0],box[3],box[2],box[1]])
# 获取透视变换矩阵，进行转换
M = cv2.getPerspectiveTransform(src, dst)
img = cv2.warpPerspective(img, M, img_size, borderValue=(255,255,255))
cv2.imshow('output', img)
cv2.waitKey(0)
代码在此，告辞！
“壮士留步，代码都留了，何不解释一下！”，秃顶男说。
我没有理他，转身要走。HR姐姐又把我留下了。
“这张图，我们如何识别出轮廓。”
灰度、二值化都是常规操作了，目的是转为黑白单通道，简化计算。
怎么才能让他们融为一体，有一个方法就是膨胀。cv2.dilate(img_b,kernel,iterations=8)。img_b是需要膨胀的图片，kernel是膨胀的内核，上面我们定义了5*5像素大小，iterations是膨胀次数。膨胀之后这样效果。
这样看，他们就连为一体的，但是太胖了，我们还要收缩，收缩用腐蚀cv2.erode(img_dilate,kernel,iterations=3)。
为什么要膨胀完了再收缩？膨胀是为了融为一体，为了一体化必然会扩大，收缩是为了接近原始大小。
这样，基本的图形轮廓就出来了，我们利用cv2.findContours找到轮廓的点。
# 寻找轮廓
contours, hierarchy = cv2.findContours(img_erode,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img,contours,-1,(255,0,255),1)
contours是图形中能找到的所有闭合的轮廓，如果是下面的图，那就是2个轮廓。
数据是离散的点的集合，样式如下面这样[ [[[ 84, 101]], [[ 84, 103]],[[ 83, 104]]] , [[[ 84, 101]], [[ 84, 103]],[[ 83, 104]]] ]，每个轮廓由多个点构成。轮廓之间有可能存在嵌套关系，比如甜甜圈那样，hierarchy就是说明这些之前的嵌套关系，本例子不涉及，此处不做详细说明。
我们的图，经过8次膨胀，已经合成一体是一个轮廓。所以，我们可以先按照contour = contours[0]处理这一个轮廓，轮廓的数据也是点的集合。
下面就是用cv2.approxPolyDP(contour, 150, True)做一个多边形拟合。approxPolyDP能够根据传入的多个点，得出一个包裹所有点的多边形，返回多边形的顶点。
approxPolyDP(curve,epsilon,closed)
- 第一个参数curve是数据点。
- 第二个参数epsilon是多边形的精度，数值越小越像曲线。
- 第三个参数closed是指多边形是否闭合的。
# 每个轮廓进行多边形拟合
approx = cv2.approxPolyDP(contour, 150, True)
# 绘制拟合结果，这里返回的点的顺序是：左上，左下，右下，右上
cv2.polylines(img, [approx], True, (0, 255, 0), 2)
通过approxPolyDP并绘制之后，结果如下：
我们可以获得它的4个顶点，顺序是：左上，左下，右下，右上。这4个顶点就是矫正前的点。
我们可以利用minAreaRect获得最小面积矩形，作为期望被矫正后的轮廓。
# 寻找最小面积矩形
rect = cv2.minAreaRect(contour)
# 转化为四个点，这里四个点顺序是：左上，右上，右下，左下
box = np.int0(cv2.boxPoints(rect))
# 绘制矩形结果
cv2.drawContours(img, [box], 0, (0, 66, 255), 2)
矫正后的4个点，这4个点的顺序是：左上，右上，右下，左下。
有了前后的4个点，我们再去调用矫正方法，就可以做到自动矫正了。
九、故事反转
“好好好！”，皮衣男拍着巴掌站了起来：“你讲的很通俗，我居然都听懂了，是个人才！”。
说完，他就走了。紧着着，其他人也都跟着走了，留下我一个人在房间里。
我还在发愣，这是什么情况，搞什么鬼？
我正在思考之际，HR姐姐急忙返回来，跟我说：你发达了！
说完她就急忙走了。
