独一无二的工作室名字_域名管理_dw网页制作详细步骤_百度优化是什么

注：代码用到的原图

一、二值化

1.1、二值化图

二值化图：就是将图像中的像素改成只有两种值，其操作的图像必须是灰度图。

1.2、阈值法(THRESH_BINARY)

通过设置一个阈值，将灰度图中的每一个像素值与该阈值进行比较，小于等于阈值的像素就被设置为0（黑），大于阈值的像素就被设置为maxval。

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_binary = np.zeros_like(img_gray)
#设置一个阈值
thresh = 127
for i in range(img_gray.shape[0]):for j in range(img_gray.shape[1]):if img_gray[i,j] <= thresh:img_binary[i,j] = 0else:img_binary[i,j] = 255cv2.imshow("img_binary",img_binary)
cv2.waitKey(0)

1.2.2、反阈值法(THRESH_BINARY_INV)

与阈值法相反。反阈值法是当灰度图的像素值大于阈值时，该像素值将会变成0（黑），当灰度图的像素值小于等于阈值时，该像素值将会变成maxval。

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_binary = np.zeros_like(img_gray)
#设置一个阈值
thresh = 127
for i in range(img_gray.shape[0]):for j in range(img_gray.shape[1]):if img_gray[i,j] > thresh:img_binary[i,j] = 0else:img_binary[i,j] = 255cv2.imshow("img_binary",img_binary)
cv2.waitKey(0)

1.3、截断阈值法(THRESH_TRUNC)：

指将灰度图中的所有像素与阈值进行比较，像素值大于阈值的部分将会被修改为阈值，小于等于阈值的部分不变。换句话说，经过截断阈值法处理过的二值化图中的最大像素值就是阈值。

 

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_binary = np.zeros_like(img_gray)
#设置一个阈值
thresh = 127
for i in range(img_gray.shape[0]):for j in range(img_gray.shape[1]):if img_gray[i,j] <= thresh:img_binary[i,j] = img_gray[i,j]else:img_binary[i,j] = threshcv2.imshow("img_binary",img_binary)
cv2.waitKey(0)

1.4、低阈值零处理(THRESH_TOZERO)

就是像素值小于等于阈值的部分被置为0（也就是黑色），大于阈值的部分不变。

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_binary = np.zeros_like(img_gray)
#设置一个阈值
thresh = 127
for i in range(img_gray.shape[0]):for j in range(img_gray.shape[1]):if img_gray[i,j] <= thresh:img_binary[i,j] = 0else:img_binary[i,j] = img_gray[i,j]cv2.imshow("img_binary",img_binary)
cv2.waitKey(0)

 

1.5、超阈值零处理(THRESH_TOZERO_INV)

就是将灰度图中的每个像素与阈值进行比较，像素值大于阈值的部分置为0（也就是黑色），像素值小于等于阈值的部分不变。

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_binary = np.zeros_like(img_gray)
#设置一个阈值
thresh = 127
for i in range(img_gray.shape[0]):for j in range(img_gray.shape[1]):if img_gray[i,j] <= thresh:img_binary[i,j] = img_gray[i,j]else:img_binary[i,j] = 0cv2.imshow("img_binary",img_binary)
cv2.waitKey(0)

 

1.6、OTSU阈值法

在介绍OTSU阈值法之前，我们首先要了解一下双峰图片的概念。

双峰图片就是指灰度图的直方图上有两个峰值，直方图就是对灰度图中每个像素值的点的个数的统计图，如下图所示。

OTSU算法是通过一个值将这张图分前景色和背景色（也就是灰度图中小于这个值的是一类，大于这个值的是一类），通过统计学方法（最大类间方差）来验证该值的合理性，当根据该值进行分割时，使用最大类间方差计算得到的值最大时，该值就是二值化算法中所需要的阈值。通常该值是从灰度图中的最小值加1开始进行迭代计算，直到灰度图中的最大像素值减1，然后把得到的最大类间方差值进行比较，来得到二值化的阈值。以下是一些符号规定：

下面举个例子，有一张大小为4×4的图片，假设阈值T为1，那么：

也就是这张图片根据阈值1分为了前景（像素为2的部分）和背景（像素为0）的部分，并且计算出了OTSU算法所需要的各个数据，根据上面的数据，我们给出计算方差的公式：

g就是前景与背景两类之间的方差，这个值越大，说明前景和背景的差别就越大，效果就越好。OTSU算法就是在灰度图的像素值范围内遍历阈值T，使得g最大，基本上双峰图片的阈值T在两峰之间的谷底。

功能： 用于对图像进行二值化处理

参数：

• src: 输入图像，这应该是一个灰度图像（即单通道图像）。如果你有一个彩色图像，你需要先使用 cv2.cvtColor() 将其转换为灰度图。
• thresh: 阈值，用于将像素划分为两部分。这个值是一个浮点数或整数，取决于图像的数据类型。
• maxVal: 最大值，用于设置高于阈值的像素值。这个值通常是一个整数，表示你想要将高于阈值的像素设置为的具体数值。
• type: 阈值类型，这是一个标志，用于指定如何应用阈值。OpenCV 提供了几种不同的阈值类型，如 cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV。
• dst: 输出图像，与输入图像具有相同的大小和类型。这是一个可选参数，如果不提供，函数会创建一个新的图像来存储二值化结果。

函数返回值：

• ret: 实际使用的阈值。在某些情况下（如使用 cv2.THRESH_OTSU 或 cv2.THRESH_TRIANGLE 标志时），这个值可能会与输入的 thresh 不同。
• dst: 二值化后的图像。

eg:将图像进行二值化

 

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY+ cv2.THRESH_OTSU)
cv2.imshow("img_binary",img_binary)
cv2.waitKey(0)

二、自适应二值化

与二值化算法相比，自适应二值化更加适合用在明暗分布不均的图片，因为图片的明暗不均，导致图片上的每一小部分都要使用不同的阈值进行二值化处理，这时候传统的二值化算法就无法满足我们的需求了，于是就出现了自适应二值化。

自适应二值化方法会对图像中的所有像素点计算其各自的阈值，这样能够更好的保留图片里的一些信息。自适应二值化组件内容如下图所示：

其中各个参数的含义如下：

maxval：最大阈值，一般为255

adaptiveMethod：小区域阈值的计算方式：

ADAPTIVE_THRESH_MEAN_C：小区域内取均值

ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核

thresholdType：二值化方法，只能使用THRESH_BINARY、THRESH_BINARY_INV，也就是阈值法和反阈值法

blockSize：选取的小区域的面积，如7就是7*7的小块。

c：最终阈值等于小区域计算出的阈值再减去此值

下面介绍一下这两种方法。

2.1 取均值

比如一张图片的左上角像素值如下图所示：

假如我们使用的小区域是3*3的，那么就会从图片的左上角开始（也就是像素值为162的地方）计算其邻域内的平均值，如果处于边缘地区就会对边界进行填充，填充值就是边界的像素点，如下图所示：

那么对于左上角像素值为162的这个点，161（也就是上图中括号内的计算结果，结果会进行取整）就是根据平均值计算出来的阈值，接着减去一个固定值C，得到的结果就是左上角这个点的二值化阈值了，接着根据选取的是阈值法还是反阈值法进行二值化操作。紧接着，向右滑动计算每个点的邻域内的平均值，直到计算出右下角的点的阈值为止。我们所用到的不断滑动的小区域被称之为核，比如3*3的小区域叫做3*3的核，并且核的大小都是奇数个，也就是3*3、5*5、7*7等。

2.2 加权求和

对小区域内的像素进行加权求和得到新的阈值，其权重值来自于高斯分布。

高斯分布，通过概率密度函数来定义高斯分布，一维高斯概率分布函数为：

通过改变函数中和的值，我们可以得到如下图像，其中均值为，标准差为。

此时我们拓展到二维图像，一般情况下我们使x轴和y轴的相等并且，此时我们可以得到二维高斯函数的表达式为：

高斯概率函数是相对于二维坐标产生的，其中（x,y）为点坐标，要得到一个高斯滤波器模板，应先对高斯函数进行离散化，将得到的值作为模板的系数。例如：要产生一个3*3的高斯权重核，以核的中心位置为坐标原点进行取样，其周围的坐标如下图所示（x轴水平向右，y轴竖直向上）

将坐标带入上面的公式中，即可得到一个高斯权重核。

而在opencv里，当kernel(小区域)的尺寸为1、3、5、7并且用户没有设置sigma的时候(sigma

kernel尺寸	核值
1	[1]
3	[0.25, 0.5, 0.25]
5	[0.0625, 0.25, 0.375, 0.25, 0.0625]
7	[0.03125, 0.109375, 0.21875, 0.28125, 0.21875, 0.109375, 0.03125]

比如kernel的尺寸为3*3时，使用

进行矩阵的乘法，就会得到如下的权重值，其他的类似。

通过这个高斯核，即可对图片中的每个像素去计算其阈值，并将该阈值减去固定值得到最终阈值，然后根据二值化规则进行二值化。

而当kernels尺寸超过7的时候,如果sigma设置合法(用户设置了sigma),则按照高斯公式计算.当sigma不合法(用户没有设置sigma),则按照如下公式计算sigma的值：

某像素点的阈值计算过程如下图所示：

首先还是对边界进行填充，然后计算原图中的左上角（也就是162像素值的位置）的二值化阈值，其计算过程如上图所示，再然后根据选择的二值化方法对左上角的像素点进行二值化，之后核向右继续计算第二个像素点的阈值，第三个像素点的阈值…直到右下角（也就是155像素值的位置）为止。

当核的大小不同时，仅仅是核的参数会发生变化，计算过程与此是一样的。

功能： 对图像应用自适应阈值处理。

参数：

• src: 输入图像，必须为灰度图像。
• maxValue: 超过或等于阈值的像素值被赋予的值。它可以是任意数值，但通常设置为 255（表示白色）。
• adaptiveMethod: 自适应阈值算法的选择。有两种选择：
  • cv2.ADAPTIVE_THRESH_MEAN_C：计算邻域的平均值，然后从平均值中减去常数 C。
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：计算邻域像素的加权和（使用高斯窗口），然后从加权和中减去常数 C。
• thresholdType: 阈值类型，与固定阈值函数 cv2.threshold() 相同。通常是 cv2.THRESH_BINARY 或 cv2.THRESH_BINARY_INV。
• blockSize: 用于计算阈值的邻域大小（必须是奇数）。
• C: 从计算出的平均值或加权和中减去的常数。

 

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_adaptive_binary = cv2.adaptiveThreshold(img_gray,# 参数1 灰度图255,# 参数2 最大值cv2.ADAPTIVE_THRESH_GAUSSIAN_C, # 参数3 自适应方法cv2.THRESH_BINARY,  # 参数4 二值化类型7,  # 参数5 核的大小5  # 参数6 计算的阈值减去这个常数是最终阈值)
cv2.imshow("img_adaptive_binary",img_adaptive_binary)
cv2.waitKey(0)

三、腐蚀

腐蚀操作就是使用核在原图（二值化图）上进行从左到右、从上到下的滑动（也就是从图像的左上角开始，滑动到图像的右下角）。在滑动过程中，令核值为1的区域与被核覆盖的对应区域进行相乘，得到其最小值，该最小值就是卷积核覆盖区域的中心像素点的新像素值，接着继续滑动。由于操作图像为二值图，所以不是黑就是白，这就意味着，在被核值为1覆盖的区域内，只要有黑色（像素值为0），那么该区域的中心像素点必定为黑色（0）。这样做的结果就是会将二值化图像中的白色部分尽可能的压缩，如下图所示，该图经过腐蚀之后，“变瘦”了。

功能： 用于对图像进行腐蚀操作

参数：

• src: 输入图像，这可以是一个二值图像、灰度图像或彩色图像。对于二值图像，通常使用 0 和 255 表示像素值；对于灰度图像和彩色图像，像素值范围可能更广。
• kernel: 结构元素，核。
• dst: 输出图像，是一个可选参数，如果不提供，函数会创建一个新的图像来存储腐蚀结果。
• anchor: 锚点，这是一个可选参数，通常不需要修改。
• iterations: 迭代次数，表示腐蚀操作应该应用的次数。默认值为 1，但你可以通过增加这个值来应用多次腐蚀，从而得到更强的效果。
• borderType: 边界类型，用于指定图像边界的像素外推方法。这通常是一个可选参数，默认值为 cv2.BORDER_DEFAULT，表示使用默认的边界填充方法。
• borderValue: 边界值，当 borderType 为 cv2.BORDER_CONSTANT 时使用，表示边界像素应该被设置的值。这也是一个可选参数。

函数返回值：

• dst: 腐蚀后的图像，这是一个包含腐蚀操作结果的 NumPy 数组。

 

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_adaptive_binary = cv2.adaptiveThreshold(img_gray,# 参数1 灰度图255,# 参数2 最大值cv2.ADAPTIVE_THRESH_GAUSSIAN_C, # 参数3 自适应方法cv2.THRESH_BINARY,  # 参数4 二值化类型7,  # 参数5 核的大小5  # 参数6 计算的阈值减去这个常数是最终阈值)
# 进行腐蚀操作
# 1、创建结构化元素 / 核
kernal = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
# 2、调用腐蚀函数
img_erode = cv2.erode(img_adaptive_binary,kernal)cv2.imshow("img_adaptive_binary",img_adaptive_binary)
cv2.imshow('img_erode',img_erode)
cv2.waitKey(0)

四、 膨胀

功能：对图像进行膨胀操作

参数：

• src: 输入图像，这可以是一个二值图像、灰度图像或彩色图像。
• kernel: 结构元素，。
• dst: 输出图像，是一个可选参数，如果不提供，函数会创建一个新的图像来存储膨胀结果。
• anchor: 锚点。
• iterations: 迭代次数，表示膨胀操作应该应用的次数。默认值为 1，但可以通过增加这个值来应用多次膨胀，从而得到更强的效果。
• borderType: 边界类型，用于指定图像边界的像素外推方法。默认值为 cv2.BORDER_DEFAULT。
• borderValue: 边界值，当 borderType 为 cv2.BORDER_CONSTANT 时使用，表示边界像素应该被设置的值。

函数返回值：

• dst: 膨胀后的图像，这是一个包含膨胀操作结果的 NumPy 数组。

 

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#灰度
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_adaptive_binary = cv2.adaptiveThreshold(img_gray,# 参数1 灰度图255,# 参数2 最大值cv2.ADAPTIVE_THRESH_GAUSSIAN_C, # 参数3 自适应方法cv2.THRESH_BINARY,  # 参数4 二值化类型7,  # 参数5 核的大小5  # 参数6 计算的阈值减去这个常数是最终阈值)
# 进行腐蚀操作
# 1、创建结构化元素 / 核
kernal = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
# 2、调用腐蚀函数
img_erode = cv2.dilate(img_adaptive_binary,kernal)cv2.imshow("img_adaptive_binary",img_adaptive_binary)
cv2.imshow('img_erode',img_erode)
cv2.waitKey(0)

五、 仿射变换函数

1、ROI切割

ROI：Region of Interest，翻译过来就是感兴趣的区域。什么意思呢？比如对于一个人的照片，假如我们要检测眼睛，因为眼睛肯定在脸上，所以我们感兴趣的只有脸这部分，其他都不care，所以可以单独把脸截取出来，这样就可以大大节省计算量，提高运行速度。

我们在使用OpenCV进行读取图像时，图像数据会被存储为Numpy数组，这也意味着我们可以使用Numpy数组的一些操作来对图像数据进行处理，比如切片。而本实验的原理也是基于Numpy数组的切片操作来完成的，因此在对应的组件中就需要填我们要切割的ROI区域的坐标来完成ROI切割操作。

注意：在OpenCV中，坐标的x轴的正方向是水平向右，y轴的正方向是垂直向下，与数学上的二维坐标并不相同。

在计算机视觉中，当我们使用OpenCV读取RGB三通道图像时，它会被转换成一个三维的Numpy数组。这个数组里的每个元素值都表示图像的一个像素值。这个三维数组的第一个维度（即轴0）通常代表图像的高度，第二个维度（即轴1）代表图像的宽度，而第三个维度（即轴2）代表图像的三个颜色通道（B、G、R，OpenCV读取到的图像以BGR的方式存储）所对应的像素值。

因此，我们可以通过指定切片的范围来选择特定的高度和宽度区域。这样，我们就能够获取这个区域内的所有像素值，即得到了这个区域的图像块，通过Numpy的切片操作，我们就完成了ROI切割的操作。这种提取ROI的方法允许我们仅获取感兴趣区域内的像素，而忽略其他不相关的部分，从而大大减少数据处理和存储的负担。

import cv2
import numpy as np#读取图片
img = cv2.imread('./011.jpg')
#提取图片的高度宽度
w,h = img.shape[1],img.shape[0]
x_min = 207
y_min = 114
x_max = 468
y_max = 308if x_min<0 or x_min>w or y_min<0 or y_max>h:print("None")
else:# 给要切割的内容画个框cv2.rectangle(img,(x_min-2,y_min-2),(x_max+2,y_max+2),(0,0,255),2)img_roi = img[y_min:y_max, x_min:x_max]cv2.imshow("img", img)cv2.imshow("img_rio",img_roi)cv2.waitKey(0)

 2、图像旋转

3.2.1. 单点旋转

2. 图片旋转

3. 插值方法

3.1 最近邻插值

3.2 双线性插值

3.3 像素区域插值

3.4 双三次插值

3.5 Lanczos插值

3.6 小结

 cv2.flip(src, flipCode, dst=None)

功能：用于翻转图像的函数
参数：
src: 输入图像，即你想要翻转的图像。

flipCode: 翻转的标志，决定了翻转的方式。它可以是以下三个值之一：

0：表示沿 x 轴翻转（垂直翻转）。
1：表示沿 y 轴翻转（水平翻转）。这是最常用的翻转方式，用于创建镜像效果。
-1：表示同时沿 x 轴和 y 轴翻转（水平和垂直都翻转，相当于旋转180度）。
dst: 输出图像，与输入图像有相同的大小和类型。这是一个可选参数，如果提供，则翻转的结果会存储在这个图像中；如果未提供，则会创建一个新的图像来存储结果。

 

# 对图像进行翻转操作
import cv2# 1. 读取图片
image_np = cv2.imread('./lena.png')# 2. 使用flip函数去对图像进行镜像的翻转
# cv2.flip： 对图像进行镜像翻转
# 第一个参数：要翻转的原始图像
# 第二个参数：标志位， 0：表示绕x轴进行上下翻转， >0:表示绕y轴进行左右翻转  <0:表示绕x轴和y轴各进行一次翻转
image_flip = cv2.flip(image_np, 0)# 3. 输出，显示
cv2.imshow('image_np', image_np)
cv2.imshow('image_flip', image_flip)
cv2.waitKey(0)

4、图像缩放

cv2.resize(src, dsize, dst=None, fx=None, fy=None, interpolation=cv2.INTER_LINEAR)

功能：用于调整图像大小的函数

参数：

src: 输入图像，即你想要调整大小的图像。

dsize: 输出图像的尺寸，以 (width, height) 的形式表示。如果指定了这个参数，那么 fx 和 fy 将被忽略。如果 dsize 是 (0, 0)，则必须指定 fx 和 fy。

dst: 输出图像，与输入图像有相同的数据类型和通道数。这是一个可选参数，如果提供，则调整大小后的结果会存储在这个图像中；如果未提供，则会创建一个新的图像来存储结果。

fx: 宽度方向的缩放因子。如果指定了这个参数，那么 dsize 的宽度将被忽略。如果 dsize 和 fx（或 fy）同时被指定，那么 dsize 将被用来计算输出图像的尺寸，而 fx（和 fy）将被忽略。

fy: 高度方向的缩放因子。它的作用与 fx 类似，但是是针对高度的。

interpolation: 插值方法，如 cv2.INTER_NEAREST（最近邻插值）、cv2.INTER_LINEAR（线性插值，默认值）、cv2.INTER_AREA（使用像素区域关系的一种重采样方法，可能更适合图像缩小）、cv2.INTER_CUBIC（4x4 像素邻域的双三次插值）等。

 

# 对图像进行翻转操作
import cv2# 1. 读取图片
image_np = cv2.imread('../1iamge/011.jpg')# 2. 图片缩放
# dsize和fx、fy不能同时使用，如果同时出现，会以dsize的标准进行缩放
# 如果想要使用resize函数，就必须填入两个参数：src和dsize
# 如果不想使用dsize，赋为None就行。
image_resize = cv2.resize(image_np, dsize=None, fx=0.5, fy=1, interpolation=cv2.INTER_LINEAR)# 3. 显示图像
cv2.imshow('image_np', image_np)
cv2.imshow('image_resize', image_resize)
cv2.waitKey(0)

六、图像矫正

图像矫正的原理是透视变换，下面来介绍一下透视变换的概念。

听名字有点熟，我们在图像旋转里接触过仿射变换，知道仿射变换是把一个二维坐标系转换到另一个二维坐标系的过程，转换过程坐标点的相对位置和属性不发生变换，是一个线性变换，该过程只发生旋转和平移过程。因此，一个平行四边形经过仿射变换后还是一个平行四边形。

而透视变换是把一个图像投影到一个新的视平面的过程，在现实世界中，我们观察到的物体在视觉上会受到透视效果的影响，即远处的物体看起来会比近处的物体小。透视投影是指将三维空间中的物体投影到二维平面上的过程，这个过程会导致物体在图像中出现形变和透视畸变。透视变换可以通过数学模型来校正这种透视畸变，使得图像中的物体看起来更符合我们的直观感受。通俗的讲，透视变换的作用其实就是改变一下图像里的目标物体的被观察的视角。

如上图所示，左图在经过透视变换后得到了右图的结果，带入上面的话就是图像中的车道线（目标物体）的被观察视角从平视视角变成了俯视视角，这就是透视变换的作用。

其中x、y是原始图像点的坐标，$x^{\prime}$、$y^{\prime}$是变换后的坐标，a11，a12，…,a33则是一些旋转量和平移量，由于透视变换矩阵的推导涉及三维的转换，所以这里不具体研究该矩阵，只要会使用就行，而OpenCV里也提供了getPerspectiveTransform()函数用来生成该3*3的透视变换矩阵。

cv2.getPerspectiveTransform(src, dst)

功能：cv2.getPerspectiveTransform(src, dst)

参数：

src: 源图像中的四个点，通常是一个形状为 (4, 2) 的 numpy 数组或类似的数据结构，表示四个点的坐标。这四个点应该按照某种顺序排列（例如，顺时针或逆时针），因为变换矩阵的计算依赖于这个顺序。

dst: 目标图像中的四个点，与 src 参数类似，也是一个形状为 (4, 2) 的 numpy 数组或类似的数据结构，表示变换后四个点应该位于的位置。

函数返回一个 3x3 的变换矩阵，可以使用 cv2.warpPerspective() 函数将这个矩阵应用于图像，从而执行透视变换。

cv2.warpPerspective(src, M, dsize, dst=None, flags=cv2.INTER_LINEAR, borderMode=cv2.BORDER_CONSTANT, borderValue=None)

功能：用于对图像进行透视变换的函数

参数：

src: 输入图像，即你想要进行透视变换的源图像。

M: 透视变换矩阵，通常是一个 3x3 的矩阵，可以通过 cv2.getPerspectiveTransform() 函数计算得到。这个矩阵定义了源图像中的点如何映射到目标图像中的点。

dsize: 输出图像的尺寸，以 (width, height) 的形式表示。这是变换后图像的尺寸。

dst: 输出图像，这是一个可选参数。

flags: 插值方法。

borderMode: 边界填充方法。

borderValue: 边界颜色【可选】。

 

 

 

import  cv2
import numpy as np# 1、读取一张图片
img = cv2.imread("./card.png")# 2、 获取透视变换矩阵
# 原图中的四个点
points1 = np.array([[226,126],[670,177],[140,400],[650,460]],dtype = np.float32)
# 目标图中的四个点
points2 = np.array([[0, 0], [img.shape[1], 0], [0, img.shape[0]], [img.shape[1], img.shape[0]]],dtype=np.float32)
M = cv2.getPerspectiveTransform(points1, points2)# 3、透视变换
img_warp = cv2.warpPerspective(img, M, (img.shape[1], img.shape[0]))cv2.imshow('image', img)
cv2.imshow('image_warp', img_warp)
cv2.waitKey(0)