基于Opencv的圖像單應(yīng)性轉(zhuǎn)換實戰(zhàn)
點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”
重磅干貨，第一時間送達(dá)
同形轉(zhuǎn)換
我們所常見的都是以這樣的方式來處理圖像：檢測斑點(diǎn)，分割感興趣的對象等。我們?nèi)绾螌⑺鼈儚囊环N形式轉(zhuǎn)換為另一種形式來處理這些圖像呢？通過單應(yīng)矩陣快速轉(zhuǎn)換圖像可以實現(xiàn)這個需求。
單應(yīng)性，也被稱為平面單應(yīng)性，是兩個平面之間發(fā)生的轉(zhuǎn)換。換句話說，它是圖像的兩個平面投影之間的映射。它由同構(gòu)坐標(biāo)空間中的3x3轉(zhuǎn)換矩陣表示。在數(shù)學(xué)上，同質(zhì)矩陣表示為：
在坐標(biāo)標(biāo)平面上：
如圖所示，圖像中的元素在同一個坐標(biāo)平面中投影到另一幅圖像，保留了相同的信息，但具有變換的透視圖。現(xiàn)在，讓我們使用Python代碼實現(xiàn)這一操作。與往常一樣，在我們實際執(zhí)行此操作之前。必須導(dǎo)入以下庫：
from skimage.io import imread, imshowfrom skimage import transformimport matplotlib.pyplot as pltimport numpy as np
我們將在本文中使用多個圖像。通過單擊標(biāo)題中嵌入的鏈接來下載圖像?？紤]一下這個棋盤：
chess = imread('chess.png')imshow(chess)
假設(shè)你們想改為看到木板及其零件的鳥瞰圖。是否可以僅使用圖像中的信息來做到這一點(diǎn)？在這種情況下，你們要做的就是找到木板的角并將其設(shè)置為原坐標(biāo)。之后，在要進(jìn)行單應(yīng)性投影的同一圖像中，選擇要顯示變換后的圖像的目標(biāo)坐標(biāo)。該代碼已實現(xiàn)：
#source coordinatessrc = np.array([391, 100,14, 271,347, 624,747, 298,]).reshape((4, 2))#destination coordinatessrc = np.array([100, 100,100, 650,650, 650,650, 100,]).reshape((4, 2))#using skimage’s transform module where ‘projective’ is our desired parametertform = transform.estimate_transform('projective', src, dst)tf_img = transform.warp(chess, tform.inverse)#plotting the transformed imagefig, ax = plt.subplots()ax.imshow(tf_img)_ = ax.set_title('projective transformation')
既然我們已經(jīng)做到了，那么考慮到目標(biāo)圖像來自其他圖像的情況，我們又如何處理另一個圖像呢？讓我們來看這個例子。考慮一下這張圖像，一場籃球比賽。
still2 = imread('still2.png')imshow(still2)
假設(shè)我們有興趣通過單應(yīng)性法改變球場的一半。首先，從上面的圖像（即半場的角）確定原坐標(biāo)。然后，從另一幅與上述圖像完全不同的圖像中找到我們的目的地坐標(biāo)。我們正在談?wù)摰牧硪粋€圖像如下所示：
court = imread('court.png')plt.imshow(court)
讓我們通過代碼實際看到這一點(diǎn)：
src_2 = np.array([440, 470,10, 750,1190, 490,1195, 785,]).reshape((4, 2))dst_2 = np.array([3, 7,3, 506,447, 7,447, 506,]).reshape((4, 2))fig, ax = plt.subplots(3, 1, figsize=(25, 15))ax[0].imshow(still2, )ax[0].scatter(src_2[:,0], src_2[:,1], c='red', s=30)ax[0].set_title('source coordinates')ax[1].imshow(court)ax[1].scatter(dst_2[:,0], dst_2[:,1], c='red', s=30)ax[1].set_title('destination coordinates')dst_2 = dst_2*2 #because image sizes are not the same.tform = transform.estimate_transform('projective', src_2, dst_2)tf_img = transform.warp(still2, tform.inverse)ax[2].imshow(tf_img)ax[2].scatter(dst_2[:,0], dst_2[:,1], c='red', s=10)
就這樣利用單應(yīng)矩陣來進(jìn)行變換圖像，現(xiàn)在，我們不僅可以從另一個角度來看待球場上的玩家，而且仍然保留了原始角度的相關(guān)信息。
交流群
歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~