在 Python 中使用 OpenCV 通过透视校正转换图像

时间：2024-01-25 10:56:18

在这里插入图片描述

在计算机视觉和图像处理领域，透视变换是一个强大的工具。它允许我们改变图像的视角以获得新的视点，通常用于校正扭曲或模拟不同的相机角度。本文将探讨一个 Python 脚本，该脚本使用计算机视觉领域流行的 OpenCV 库对图像执行透视变换。我们将详细介绍该脚本的工作原理以及如何将其用于图像处理任务。

理解脚本

加载图像：
脚本首先使用 OpenCV 的函数加载图像**cv2.imread**。它检查图像是否正确加载，以避免后续步骤中出现错误。
在这里插入图片描述

设置源点和目标点：
该脚本定义两组点 - 源 ( src_points) 和目标 ( dst_points)。源点是原始图像上的坐标，而目标点是这些点在变换图像中应位于的位置。这类似于在地图上标记点，然后决定它们在新地图上的位置。

**计算透视变换矩阵：cv2.getPerspectiveTransform**脚本
使用该函数计算变换矩阵。该矩阵就像一组指令，用于将每个像素从其原始位置移动到新位置。

应用变换：
然后，脚本使用 将此矩阵应用于原始图像**cv2.warpPerspective**。这一步是实际变换发生的地方，根据定义的点重塑图像。

调整图像大小：
转换后，脚本将图像大小调整为其原始尺寸。这类似于调整相机的缩放级别以更好地查看变换后的图像。

显示和保存图像：
最后，脚本在窗口中显示转换后的图像并将其保存为新文件。这使您可以直观地验证转换并保留结果以供进一步使用。
在这里插入图片描述

详细代码：

import cv2
import numpy as np

# Load the image
image = cv2.imread(r'192.168.1.41_01_20230919175221813.jpg')
if image is None:
    print("Error loading image!")
    exit()

height, width, _ = image.shape

# Define the 4 corners of the image
src_points = np.array([
    [799, 222], [1036, 195],  # 第一行
    [537, 1024], [1228, 992]  # 最后一行
], dtype=np.float32)


# Define the corresponding 4 points on the ground in world coordinates
dst_points = np.array([
    [0, 0],[400, 0],
    [0, 1680],[400, 1680]
], dtype=np.float32)

# Compute the perspective trans matrix
M = cv2.getPerspectiveTransform(src_points, dst_points)

# Apply the transformation
transformed_image = cv2.warpPerspective(image, M, (400, 1680))

frame =transformed_image

# 缩放图像
scale_percent = 100# 缩放到原来的200%
width = int(frame.shape[1] * scale_percent / 100)
height = int(frame.shape[0] * scale_percent / 100)
dim = (width, height)
resized_frame = cv2.resize(frame, dim, interpolation=cv2.INTER_AREA)

cv2.imshow("frame", resized_frame)
cv2.waitKey(0)
cv2.destroyAllWindows()

#保存为图片
cv2.imwrite('1111111111111.jpg', resized_frame)
print("保存成功")

进一步探索：

为了扩大您的理解，您可以考虑：

  • 尝试不同的源点和目标点集，看看它们如何影响变换后的图像。
  • 探索 OpenCV 中可用的其他图像变换，例如仿射变换。
  • 将此脚本集成到更大的应用程序中，例如用于实时校正相机失真的自动化系统。

该脚本演示了 OpenCV 和 Python 在处理图像方面的强大功能。通过理解和使用透视变换，您可以显着增强图像处理能力，无论是校正扭曲、提高视觉美感还是为机器学习任务准备图像。

相关文章