图像几何变换（平移/旋转/缩放/仿射） --- # OpenCV图像几何变换终极指南 ```mermaid mindma

OpenCV图像几何变换终极指南

mindmap
    root((几何变换))
        基础变换
            平移
            旋转
            缩放
            翻转
        复合变换
            仿射变换
            透视变换
        应用场景
            图像校正
            数据增强
            AR虚拟试穿

一、核心变换原理

1.1 变换矩阵数学表示

classDiagram
    class TransformationMatrix {
        <<interface>>
        +getMatrix()
    }
    
    class Translation {
        +tx: float
        +ty: float
        +getMatrix()
    }
    
    class Rotation {
        +angle: float
        +center: tuple
        +scale: float
        +getMatrix()
    }
    
    class Affine {
        +src_points: list
        +dst_points: list
        +getMatrix()
    }
    
    TransformationMatrix <|-- Translation
    TransformationMatrix <|-- Rotation
    TransformationMatrix <|-- Affine

变换矩阵公式对比

变换类型	矩阵形式	自由度
平移	[[1,0,tx], [0,1,ty], [0,0,1]]	2
旋转	[[cosθ,-sinθ,0], [sinθ,cosθ,0]]	3
仿射	[[a,b,tx], [c,d,ty]]	6
透视	3x3非奇异矩阵	8

二、基础变换实战

2.1 平移变换

flowchart TD
    A[原始图像] --> B[创建变换矩阵]
    B --> C[warpAffine]
    C --> D[结果图像]
    
    subgraph 矩阵生成
        B --> E[设置tx,ty]
    end

Python实现

import cv2
import numpy as np

img = cv2.imread('test.jpg')
h, w = img.shape[:2]

# 定义平移矩阵 (x方向100, y方向50)
M = np.float32([[1, 0, 100], [0, 1, 50]])
translated = cv2.warpAffine(img, M, (w, h))

# 防止截断的平移
M = np.float32([[1, 0, -50], [0, 1, -100]])
translated = cv2.warpAffine(img, M, (w+100, h+50))

C++实现

#include <opencv2/opencv.hpp>
using namespace cv;

Mat img = imread("test.jpg");
Mat M = (Mat_<double>(2,3) << 1, 0, 100, 0, 1, 50);
Mat translated;
warpAffine(img, translated, M, img.size());

2.2 旋转变换

pie
    title 旋转参数组成
    "旋转角度" : 45
    "旋转中心" : 30
    "缩放因子" : 25

带边界保留的旋转

# 获取旋转矩阵
angle = 45  # 逆时针45度
scale = 0.8  # 缩放80%
center = (w//2, h//2)
M = cv2.getRotationMatrix2D(center, angle, scale)

# 计算新边界
cos = np.abs(M[0, 0])
sin = np.abs(M[0, 1])
new_w = int((h * sin) + (w * cos))
new_h = int((h * cos) + (w * sin))

# 调整中心点
M[0, 2] += (new_w / 2) - center[0]
M[1, 2] += (new_h / 2) - center[1]

rotated = cv2.warpAffine(img, M, (new_w, new_h))

2.3 缩放变换

gantt
    title 缩放方法对比
    dateFormat  X
    axisFormat %s
    section 方法
    最近邻插值 : 0, 3
    双线性插值 : 3, 6
    立方卷积插值 : 6, 9

多方法缩放对比

# 等比例缩放
resized = cv2.resize(img, None, fx=0.5, fy=0.5, 
                    interpolation=cv2.INTER_LINEAR)

# 指定尺寸缩放
new_size = (800, 600)
resized_cubic = cv2.resize(img, new_size, 
                          interpolation=cv2.INTER_CUBIC)

# 缩放到适应高度
target_h = 500
ratio = target_h / h
resized_h = cv2.resize(img, None, fx=ratio, fy=ratio)

三、复合变换实战

3.1 仿射变换

flowchart LR
    A[原始图] --> B[选取3个基准点]
    C[目标图] --> D[定义对应点]
    B --> E[计算变换矩阵]
    D --> E
    E --> F[应用变换]

文档校正案例

# 原始点集 (文档角点)
src_pts = np.float32([[50,50], [200,50], [50,200]])

# 目标点集 (校正后位置)
dst_pts = np.float32([[10,10], [300,10], [10,300]])

# 计算仿射矩阵
M = cv2.getAffineTransform(src_pts, dst_pts)
warped = cv2.warpAffine(img, M, (400, 400))

3.2 透视变换

stateDiagram-v2
    [*] --> 选择四对点
    选择四对点 --> 计算单应性矩阵
    计算单应性矩阵 --> 应用透视变换
    应用透视变换 --> 输出结果

名片矫正实现

# 原始四边形顶点
src_quad = np.float32([[60,80], [420,30], 
                      [520,480], [100,450]])

# 目标矩形顶点
dst_rect = np.float32([[0,0], [500,0], 
                      [500,300], [0,300]])

# 计算透视矩阵
M = cv2.getPerspectiveTransform(src_quad, dst_rect)
warped = cv2.warpPerspective(img, M, (500,300))

四、性能优化技巧

4.1 变换链式操作

flowchart TD
    A[原始图] --> B[平移]
    B --> C[旋转]
    C --> D[缩放]
    D --> E[最终结果]
    
    subgraph 矩阵合并
        B --> M1
        C --> M2
        D --> M3
        M1 --> M_combined["M = M3×M2×M1"]
    end

矩阵合并优化

# 单独变换矩阵
M1 = np.float32([[1, 0, 100], [0, 1, 50]])  # 平移
M2 = cv2.getRotationMatrix2D((0,0), 30, 1.0) # 旋转

# 合并变换（注意顺序）
M_combined = np.vstack([M2, [0,0,1]]) @ np.vstack([M1, [0,0,1]])
M_combined = M_combined[:2]  # 取前两行

result = cv2.warpAffine(img, M_combined, (w*2, h*2))

4.2 并行处理

pie
    title 变换操作耗时分布
    "矩阵计算" : 15
    "像素采样" : 70
    "内存分配" : 10
    "其他" : 5

Python多线程处理

from concurrent.futures import ThreadPoolExecutor

def process_image(transform_fn, img):
    return transform_fn(img)

with ThreadPoolExecutor() as executor:
    futures = [
        executor.submit(process_image, 
                       lambda x: cv2.resize(x, (400,300)), 
        img.copy())
        for _ in range(4)
    ]
    results = [f.result() for f in futures]

五、应用案例

5.1 图像数据增强

bar
    title 增强方法效果对比
    "平移" : 30
    "旋转" : 45
    "缩放" : 25
    "仿射" : 40

批量增强实现

def random_affine(img):
    # 随机生成变换参数
    angle = np.random.uniform(-30, 30)
    scale = np.random.uniform(0.8, 1.2)
    tx = np.random.uniform(-0.1, 0.1) * img.shape[1]
    ty = np.random.uniform(-0.1, 0.1) * img.shape[0]
    
    # 组合变换
    M = cv2.getRotationMatrix2D((img.shape[1]//2, img.shape[0]//2), 
                              angle, scale)
    M[:, 2] += [tx, ty]
    return cv2.warpAffine(img, M, img.shape[:2][::-1])

augmented = [random_affine(img) for _ in range(10)]

5.2 虚拟试衣间

sequenceDiagram
    用户->>系统: 上传服装图片
    系统->>OpenCV: 检测关键点
    OpenCV-->>系统: 返回坐标
    系统->>OpenCV: 计算透视变换
    OpenCV-->>系统: 变换后图像
    系统->>用户: 展示合成效果

服装贴合算法

def warp_cloth(body_img, cloth_img, body_points, cloth_points):
    # 计算单应性矩阵
    M, _ = cv2.findHomography(cloth_points, body_points)
    
    # 透视变换
    warped_cloth = cv2.warpPerspective(cloth_img, M, 
                                      (body_img.shape[1], body_img.shape[0]))
    
    # 融合处理
    mask = warped_cloth.sum(axis=2) > 0
    result = body_img.copy()
    result[mask] = warped_cloth[mask]
    return result

六、调试与优化

6.1 常见问题排查

现象	原因	解决方案
图像边缘缺失	未调整输出尺寸	计算新边界尺寸
变换后图像模糊	插值方法不当	使用INTER_CUBIC
黑边现象严重	填充方式单一	使用BORDER_REFLECT
性能低下	频繁内存分配	预分配输出缓冲区

6.2 可视化调试工具

def show_transform_points(img, points):
    vis = img.copy()
    for i, (x,y) in enumerate(points):
        cv2.circle(vis, (int(x),int(y)), 5, (0,255,0), -1)
        cv2.putText(vis, str(i), (int(x)+10,int(y)), 
                   cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255,0,0), 1)
    cv2.imshow('Points', vis)
    cv2.waitKey(0)

show_transform_points(img, src_quad)

总结：本文系统讲解了OpenCV几何变换的核心技术，关键要点：

使用warpAffine处理线性变换，warpPerspective处理透视变换
通过矩阵合并优化复合变换性能
合理选择插值方法平衡速度与质量
注意变换后的边界处理

下期预告：《图像阈值化》将深入讲解全局/自适应阈值、Otsu算法等二值化技术。