图像的仿射变换原理、Homography、alpha通道以及python实现

最新推荐文章于 2024-03-18 10:20:58 发布
最新推荐文章于 2024-03-18 10:20:58 发布
阅读量1.3k 收藏 3
点赞数
CC 4.0 BY-SA版权
文章标签： python homography
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ChenMoJiKenZuo/article/details/88674256
本文详细介绍了图像的仿射变换原理，包括如何通过3个对应点对来估计 Homography 矩阵。在图像处理中，使用仿射变换可以将图像扭曲并与指定区域对齐。此外，文章还探讨了α通道的概念，它是图像透明度的表示。最后，通过实际代码展示了如何在Python中进行图像仿射变换，并分享了实验过程中遇到的问题及其解决方案。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、仿射变换原理

仿射变换有6个自由度，需要3个对应点对来估计矩阵H。仿射变换可以用DLT(Direct Linear Transformation，直接线性变换)算法估计得出，DLT方程为：
在这里插入图片描述

1.2 Homography

对图像块进行仿射变换，我们将其称为图形扭曲。
仿射扭曲的一个简单例子是将图像或者图像的一部分放置在另一幅图像中，使得他们能够和指定的区域或者标记物对齐。
将函数image_in_image()添加到warp.py文件中。该函数的输入参数为两幅图像和一个坐标。该坐标为将第一幅图像放置到第二幅图像中的焦点坐标。将两幅扭曲的图像和第二幅图像融合就创建了alpha图像。
图像映射流程：
① 针对两张图像提取特征
② 特征匹配
③ 根据图像变换特点，选取合适的变换结构
④ 根据DLT等方法计算变换结构
⑤ 采用正向/逆向映射，利用插值方式实现图像映射变换

2、α通道

在电脑图形中，每个象素都包含RGB三个色彩信息通道–红、绿、蓝，在24位的图形中，每个通道又包含了8位色彩深度。如果图形卡具有32位总线，附加的8位信号就被用来保存不可见的透明度信号以方便处理用。
白色的alpha象素用于定义不透明的彩色象素，而黑色的alpha象素用于定义透明象素，黑白之间的灰阶用来定义半透明象素。 (在24位真彩色的基础上，增加了8位的Alpha数值来描述物体的透明程度)alpha通道,除RGB或CMYK以外的8位的通道,使用Alpha通道可使图像由不透明渐变到透明。
我们在图像仿射的过程中创建了alpha图像，该图像定义了每个像素从

最低0.47元/天 解锁文章

200万优质内容无限畅学
_XCX
关注
图片特征匹配仿射变换
苏凯的博客
11-30 260
图片特征匹配仿射变换
图像处理基础算法---仿射变换
qq_43526137的博客
07-24 1014
旋转平移
图像的仿射变换原理及python实现
热门推荐
Lavi的专栏
09-21 3万+
1. 原理 1.1 原理 仿射变换（Affine Transformation 或Affine Map）是一种二维坐标（x, y）到二维坐标（u, v）的线性变换，其数学表达式形式如下： 对应的齐次坐标矩阵表示形式为： 仿射变换保持了二维图形的“平直性”（直线经仿射变换后依然为直线）和“平行性”（直线之间的相对位置关系保持不变，平行线经仿射变换后依然为平行线，且直线上点的位置顺序不会发生变化）...
图像仿射变换
xu.hyj
07-20 3734
文章目录1. 引用2. 什么是仿射变换？3. 定义4. 常用的转换矩阵5.实际应用5.1 栗子15.2 栗子2 1. 引用 opencv学习(三十五)之仿射变换warpAffine 2. 什么是仿射变换？ 3. 定义 向量空间中进行一次线性变换(乘以一个矩阵A)再加上一个平移(加上一个向量B)。 现定义参数A，B和AB的组合M(固定尺寸2*3)： 定义自变量(起始量)： 则X → T 的仿射变换过程可以表达式为： 或者： 得到结果T： 其实可以看出，矩阵M中a决定缩放旋转等性质，b决定平移性质。
opencv+python实现图像仿射变换（注释全）
yuxiaoye03222的博客
05-26 1074
用的是cv2.getAffineTransform这个函数实现 `from matplotlib import pyplot as plt import cv2 import numpy as np img=cv2.imread(‘E:/cat.jpg’) #路径名中不能有中文，会出错 s=img.size print(img.shape) #输出三维向量（500，500，3） p1 = np.float32([[50,50],[200,50],[50,200]]) #变
图像的仿射变换原理及示例(python)
weixin_43836818的博客
03-19 3146
对图像块应用仿射变换，我们将其称为图像扭曲（或者仿射扭曲）。指的是在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。下面会介绍仿射变换的原理及简单应用。 ...
详解Python计算机视觉 图像扭曲（仿射扭曲）
09-19
对于任何一对图像，只要确定了三个对应的点对，就可以计算出一个唯一的仿射变换矩阵，进而实现两幅图像之间的精确对齐或变换。 ##### 原理分析 仿射变换的基本思想是将一个二维图像中的点通过矩阵乘法的方式映射到...
python 仿射变换
wzdbjl的博客
05-29 8620
PCV-chapter03 记录学习Python Computer Vision的过程 第三次 Homography（单应性变换） 图像变换的方法很多，单应性变换是其中一种方法，单应性变换会涉及到单应性矩阵。单应性变换的目标是通过给定的几个点（通常是4对点）来得到单应性矩阵。单应性变换是将一个平面内的点映射到另一个平面内的二维投影变换。平面指的是图像或者三维中平面表面，单应性变换的具有很强的实用性...
python--单应性变换、仿射变换
qq_39295665的博客
03-19 4850
一、 单应性变换 1 概念 单应性变换是将一个平面内的点映射到另一个平面内的二维投影变换。在这里，平面是指图像或者三维中的平面表面。 如图，两张图片中红色的点叫做对应点对。 单应性变换的目标是通过给定的几个点（通常是4对点）来得到单应性矩阵。 矩阵H会将一幅图像上的一个点的坐标a=(x,y,1)映射成另一幅图像上的点的坐标b=(x1,y1,1)，则有： 即 进行坐标变换 具体实现时，先要...
仿射变换、透视变换、图像配准
nameofcsdn的博客
07-06 5456
目录 一，仿射变换 二，仿射变换的映射方式 1，前向映射 2，反向映射 三，常见的变换 1，恒等变换 2，尺度变换（缩放） 3，旋转变换​ 4，平移变换 5，偏移变换 一，仿射变换 二，仿射变换的映射方式 仿射变换的映射方式有两种，前向映射和反向映射。 1，前向映射 扫描原图的每个像素(v,w)，变换后的值填入对应的(x,y)处。 对于多个像素点映射到同一个（x,y）的情况，不太好处理，所以反向映射更有效。 2，反向映射 扫描变换后图像的每个像素（x,y），根
Python计算机视觉——仿射变换的应用
yaonuliazzz的博客
03-19 2179
目录 一、仿射变换原理介绍 1、原理部分 2、代码实现部分以及部分主要函数解析 2.1 代码实现部分 ​2.2.主要函数 2.2.1.α通道原理 一、仿射变换原理介绍 在计算机视觉的应用里，有一个叫仿射变换的重要变换。主要效果是实现两个不同图片的插入拼接，在计算机视觉编程的这本书里，作者将甲壳虫乐队的照片与广告牌进行了拼接，十分有意思。而在这篇博客里，将详细介绍放...
仿射变换
weixin_44037639的博客
03-19 1418
在学习计算机视觉这门课程的时候，我们会接触到关于图像与图像之间的映射问题，图像映射可以应用于很多领域，例如我们最近玩的很火的换脸游戏，和手机相机中的全景拍摄功能，都有应用到图像应用的知识。 初学图像到图像的映射，在仿射变换前会首先介绍单应性变换。 单应性变换 单应性变换是指将一个平面内的点映射到另一个平面内的二维投影变换。平面是指图像或者是三维空间中的平面表面。单应性变换具有很强的实用性。本质上，...
图像处理中的仿射变换和透视变换理解总结
lz867422770的博客
06-18 7790
一. 前言 1. 最近在做身份证OCR项目中，需要对倾斜扭曲的图像做矫正，透视变换正可以解决这个问题，在这里记录对变换方法的理解。 2. 本文主要介绍一下仿射变换和透视变换的原理，特点以及其在opencv中实现的一些注意点。 3. 首先看下透视变换后的例图： 二. 从仿射变换说起 透视变换和仿射变换在原理上比较相似，而仿射变换更加简单。 1. 定义：...
图像处理基本算法--仿射变换
weixin_30748995的博客
01-04 701
几何空间变换和图像配准 几何空间变换又称为橡皮膜变换，因为他可以看做是在一幅橡皮膜上印制图像，然后根据一定规则拉伸橡皮膜。由两个基本操作组成： 1）坐标的空间变换 2）灰度内插 最常用的是仿射变换一般形式如下： [x,y,1] = [v,w,1]*T [t11 t12 0] = [...
求解3、4、6自由度仿射变换矩阵
郝久武的博客
03-18 410
求解3、4、6自由度的仿射变换矩阵
【halcon】模板匹配和仿射变换总结
songhuangong123的博客
02-21 4924
模板匹配和仿射变换，经常一起使用，他们之前的位置变换一般有两种情况！
opencv笔记（4）： 图像仿射
weixin_33963594的博客
04-26 318
生活就像大海，我就像一条咸鱼，在浩瀚的海洋中边浪边学，这是opencv笔记系列中的「图像仿射」。更多可关注「浪学」公众 ~ 世间万图，皆可仿射。这一篇文章以很咸鱼的方式把它们记录下来。 首先呢，是导入相关的库，再读取和显示原图像： import numpy as np import cv2 from matplotlib.pyplot import imshow %matplotlib inlin...
《数字图像处理》dlib人脸检测获取关键点，delaunay三角划分，实现人脸的几何变换warpping,接着实现两幅人脸图像之间的渐变合成morphing
MbingxingM的博客
05-10 4782
这学期在上《数字图像处理》这门课程，老师布置了几个大作业，自己和同学一起讨论完成后，感觉还挺有意思的，就想着把这个作业整理一下 ： 目录 1.实验任务和要求 2.实验原理 3.实验代码 3.1利用人脸特征点检测工具dlib获取人脸关键点 1.实验任务和要求 （1） 利用人脸特征点检测工具如dlib(http://dlib.net/)获得人脸关键点； （2） 获得Delaunay Triangulation，可利用Opencv (https://www.learnope...
单张影像外定向的线性方法-Direct Linear Transformation
weixin_44154817的博客
01-20 422
单张影像外定向的线性方法-Direct Linear Transformation，11参数、14参数、16参数方法原理，求解方法及代码实现
在图像拼接过程中减少一侧形变的问题 python
最新发布
03-21
<think>嗯，用户的问题是关于在Python中进行图像拼接时如何减少单侧形变的方法或解决方案。首先，我需要理解图像拼接的基本流程，以及可能导致单侧形变的原因。通常，图像拼接包括特征点检测、配准、变换矩阵估计、图像融合等步骤。单侧形变可能出现在拼接后的图像边缘，尤其是在使用透视变换时，因为透视变换会将图像投影到新的平面上，导致边缘拉伸或扭曲。 接下来，我应该考虑用户可能的场景。用户可能在处理全景图拼接、卫星图像拼接或其他需要多图拼接的应用，比如医学影像或无人机拍摄的图像。单侧形变会影响拼接后的视觉效果，特别是在边缘部分，用户希望减少这种形变，使拼接结果更自然。 用户的需求可能不仅仅是减少形变，还可能包括保持图像内容的准确性和视觉连贯性。他们可能尝试过传统的拼接方法，但遇到了形变问题，需要更优化的解决方案。此外，用户可能在寻找具体的Python库或算法调整方法，比如改进特征匹配、使用不同的变换模型或后处理技术。 现在，我需要回顾相关知识。图像拼接中常用的变换模型有单应性矩阵（Homography），它使用透视变换，但容易导致边缘形变。另一种方法是使用仿射变换（Affine），但仿射变换只能处理平面旋转、平移和缩放，不能处理透视变化。此外，还有基于圆柱或球面的投影模型，适用于全景拼接，减少形变。 可能的解决方案包括：优化特征匹配，使用更鲁棒的算法如SIFT或ORB；调整变换模型，比如结合局部单应性或使用弹性扭曲（Elastic Warping）；多平面拼接，将图像分成多个平面处理；图像融合时使用渐入渐出或拉普拉斯金字塔融合；以及后处理技术如形变校正。 另外，参考中提到的Mosaic数据增强方法，虽然主要用于训练数据增强，但其中的随机裁剪、缩放、拼接思路可能对减少形变有启发。比如，Mosaic-9通过多图组合和变换增强鲁棒性，或许在拼接时采用类似的策略，分块处理或多次调整，减少单侧影响。 需要确认Python中是否有相关库支持这些方法。OpenCV提供了特征检测、单应性变换、图像融合等功能。可能还需要结合其他库如scikit-image或自定义算法。例如，使用APAP（As-Projective-As-Possible）算法代替传统的单应性变换，或者采用接缝裁剪（Seam Carving）来优化拼接边缘。 最后，用户可能需要具体的代码示例，比如如何调整变换模型或应用后处理。确保代码示例正确，使用OpenCV库，并解释关键步骤，如特征点匹配、变换矩阵计算、图像融合方法等。</think>在Python中进行图像拼接时减少单侧形变，可通过优化特征匹配、变换模型选择和后处理方法实现。以下是分步骤解决方案： --- ### 一、优化特征匹配 1. **使用鲁棒特征检测算法** 采用SIFT、SURF或ORB算法检测特征点，提升匹配精度。OpenCV实现示例： ```python import cv2 sift = cv2.SIFT_create() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) ``` 2. **筛选匹配点对** 通过RANSAC算法或比率测试（Lowe's ratio test）剔除误匹配： ```python bf = cv2.BFMatcher() matches = bf.knnMatch(des1, des2, k=2) good = [m for m,n in matches if m.distance < 0.75*n.distance] ``` --- ### 二、调整变换模型 1. **局部单应性变换** 使用APAP（As-Projective-As-Possible）算法替代全局单应性变换，降低边缘形变[^1]。 ```python # 需安装第三方库如homography_optimization from homography_optimization import APAPWarper warper = APAPWarper() warped_img = warper.warp(img, H) ``` 2. **分块投影模型** 将图像划分为网格，对每个网格计算局部变换参数： ```python # 使用仿射变换分块处理 grid_size = 100 # 网格像素大小 for x in range(0, img_w, grid_size): for y in range(0, img_h, grid_size): patch = img[y:y+grid_size, x:x+grid_size] M = cv2.getAffineTransform(src_pts, dst_pts) warped_patch = cv2.warpAffine(patch, M, (grid_size, grid_size)) ``` --- ### 三、图像融合优化 1. **渐入渐出融合（Alpha Blending）** 在重叠区域使用加权平均过渡： ```python def blend(img1, img2, overlap_width): mask = np.linspace(1, 0, overlap_width) blended = img1 * mask + img2 * (1 - mask) return blended.astype(np.uint8) ``` 2. **接缝裁剪（Seam Carving）** 通过动态规划寻找最佳拼接缝，减少形变可见性： ```python from skimage import transform carved_img = transform.seam_carve(warped_img, energy_map, 'vertical') ``` --- ### 四、后处理形变校正 使用**薄板样条插值（Thin Plate Spline, TPS）**校正全局形变： ```python from scipy.interpolate import ThinPlateSpline tps = ThinPlateSpline(src_points, dst_points) corrected_img = tps.transform(img) ``` --- ### 代码示例（OpenCV全景拼接） ```python import cv2 stitcher = cv2.Stitcher_create(cv2.Stitcher_PANORAMA) status, panorama = stitcher.stitch([img1, img2]) if status == cv2.Stitcher_OK: cv2.imwrite("result.jpg", panorama) ``` ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值