[图片校准(矫正)]——透射变换应用

如果想要对图像进行校准，那么透射变换是非常有效的变换方法。

• 透射变换的定义如下：将图像投影到一个新的视平面，通常也成为投影映射。
• 详情参考链接：透射变换介绍

1、举例说明 

直观的来看，透视变换的作用就是将左侧图像的坐标点 [[50,0],[150,0],[0,200],[200,200]]
转化为新的坐标 [[0,0],[200,0],[0,200],[200,200]]

 2、应用

原图是一个旋转过的图片，现在需要做图片矫正，将图片放正。

• 做法：手工选去需要矫正区域四个角上的点（顺序：左上、右上、右下、左下），使用透射变换对所选区域进行矫正

原图如下：

 代码：

import numpy as np
import cv2
 
def order_points(pts):
    # 初始化坐标点
    rect = np.zeros((4, 2), dtype="float32")
 
    # 获取左上角和右下角坐标点
    s = pts.sum(axis=1)
    rect[0] = pts[np.argmin(s)]
    rect[2] = pts[np.argmax(s)]
 
    # 分别计算左上角和右下角的离散差值
    diff = np.diff(pts, axis=1)
    rect[1] = pts[np.argmin(diff)]
    rect[3] = pts[np.argmax(diff)]
 
    return rect
 
 
def four_point_transform(image, pts):
    """
    :param image: 图片
    :param pts: 鼠标选中的点集
    :return: 返回变换后的图片
    """
    # 获取坐标点，并将它们分离开来
    rect = order_points(pts)
    (tl, tr, br, bl) = rect
 
    # 计算新图片的宽度值，选取水平差值的最大值
    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
    maxWidth = max(int(widthA), int(widthB))
 
    # 计算新图片的高度值，选取垂直差值的最大值
    heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
    heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
    maxHeight = max(int(heightA), int(heightB))
 
    # 构建新图片的4个坐标点
    dst = np.array([
        [0, 0],
        [maxWidth - 1, 0],
        [maxWidth - 1, maxHeight - 1],
        [0, maxHeight - 1]], dtype="float32")
 
    # 获取仿射变换矩阵并应用它
    M = cv2.getPerspectiveTransform(rect, dst)
    # 进行仿射变换
    warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))
 
    # 返回变换后的结果
    return warped
 
 
def on_mouse(event, x, y, flags, param):
    global timg, points
    img2 = timg.copy()
    point0 = (0, 0)
    if event == cv2.EVENT_LBUTTONDOWN:  # 左键点击
        point1 = (x, y)
        points.append([x, y])
        #print(x, y)
        cv2.circle(img2, point1, 4, (0, 255, 0), 4)
        cv2.imshow('origin', img2)
    return point0
 
 
#程序获取需要矫正的区域
def rectification(img_file, points):
    xscale, yscale = 0.9, 0.9
    oimg = cv2.imread(img_file)
    oshape = oimg.shape
    timg = cv2.resize(oimg, (int(oshape[1] / xscale), int(oshape[0] / yscale)))  # 放大图像
    points = np.array(points, dtype=np.float32)
    points[:, 0] *= oshape[1] / int(oshape[1] / xscale)  # 还原像素位置的大小
    points[:, 1] *= oshape[0] / int(oshape[0] / yscale)
    warped = four_point_transform(oimg, points)
    cv2.imwrite('images/final.png', warped ) # 保存图像
    cv2.imshow('final', warped)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
 
#手工选择区域进行图片矫正
def image_rectification(img_file):
    global points, timg
    #xscale, yscale = 0.5, 0.5  # 通过放大图像来使得点击位置更加精确
    xscale, yscale = 0.9, 0.9
    points = []
    oimg = cv2.imread(img_file)
    oshape = oimg.shape #图形规格
    timg = cv2.resize(oimg, (int(oshape[1] / xscale), int(oshape[0] / yscale)))  # 放大图像
    print(timg.shape)
    cv2.imshow('origin', timg)
    cv2.setMouseCallback('origin', on_mouse)
    cv2.waitKey(0)  # 点完4个角点之后随便按一个键盘按键结束操作
    cv2.destroyAllWindows()
    points = np.array(points, dtype=np.float32)
    points[:, 0] *= oshape[1] / int(oshape[1] / xscale)  # 还原像素位置的大小
    points[:, 1] *= oshape[0] / int(oshape[0] / yscale)
    warped = four_point_transform(oimg, points)
    # cv2.imwrite('warped.png', warped ) # 保存图像
    cv2.imshow('origin', warped)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
 
if __name__ == '__main__':
    points = []
    rectification('images/test.png', points)

 矫正后的图片：