【OpenCV】透视变换 Perspective Transformation（续）

     这篇文章是我从自己的QQ（632846506）日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。

    透视变换的原理和矩阵求解请参见前一篇《透视变换
Perspective Transformation》。在OpenCV中也实现了透视变换的公式求解和变换函数。

求解变换公式的函数： 

Mat getPerspectiveTransform(const Point2f src[], const Point2f dst[])
。

输入原始图像和变换之后的图像的对应4个点，便可以得到变换矩阵。之后用求解得到的矩阵输入perspectiveTransform便可以对一组点进行变换： [cpp] view plaincopy void perspectiveTransform(InputArray src, OutputArray dst, InputArray m)   注意这里src和dst的输入并不是图像，而是图像对应的坐标。应用前一篇的例子，做个相反的变换： [cpp] view plaincopy int main( )   {       Mat img=imread("boy.png");       int img_height = img.rows;       int img_width = img.cols;       vector<Point2f> corners(4);       corners[0] = Point2f(0,0);       corners[1] = Point2f(img_width-1,0);       corners[2] = Point2f(0,img_height-1);       corners[3] = Point2f(img_width-1,img_height-1);       vector<Point2f> corners_trans(4);       corners_trans[0] = Point2f(150,250);       corners_trans[1] = Point2f(771,0);       corners_trans[2] = Point2f(0,img_height-1);       corners_trans[3] = Point2f(650,img_height-1);          Mat transform = getPerspectiveTransform(corners,corners_trans);       cout<<transform<<endl;       vector<Point2f> ponits, points_trans;       for(int i=0;i<img_height;i++){           for(int j=0;j<img_width;j++){               ponits.push_back(Point2f(j,i));           }       }          perspectiveTransform( ponits, points_trans, transform);       Mat img_trans = Mat::zeros(img_height,img_width,CV_8UC3);       int count = 0;       for(int i=0;i<img_height;i++){           uchar* p = img.ptr<uchar>(i);           for(int j=0;j<img_width;j++){               int y = points_trans[count].y;               int x = points_trans[count].x;               uchar* t = img_trans.ptr<uchar>(y);               t[x*3]  = p[j*3];               t[x*3+1]  = p[j*3+1];               t[x*3+2]  = p[j*3+2];               count++;           }       }       imwrite("boy_trans.png",img_trans);          return 0;   }   得到变换之后的图片： 注意这种将原图变换到对应图像上的方式会有一些没有被填充的点，也就是右图中黑色的小点。解决这种问题一是用差值的方式，再一种比较简单就是不用原图的点变换后对应找新图的坐标，而是直接在新图上找反向变换原图的点。说起来有点绕口，具体见前一篇《透视变换 Perspective Transformation》的代码应该就能懂啦。 除了getPerspectiveTransform()函数，OpenCV还提供了findHomography()的函数，不是用点来找，而是直接用透视平面来找变换公式。这个函数在特征匹配的经典例子中有用到，也非常直观： [cpp] view plaincopy int main( int argc, char** argv )   {       Mat img_object = imread( argv[1], IMREAD_GRAYSCALE );       Mat img_scene = imread( argv[2], IMREAD_GRAYSCALE );       if( !img_object.data || !img_scene.data )       { std::cout<< " --(!) Error reading images " << std::endl; return -1; }          //-- Step 1: Detect the keypoints using SURF Detector       int minHessian = 400;       SurfFeatureDetector detector( minHessian );       std::vector<KeyPoint> keypoints_object, keypoints_scene;       detector.detect( img_object, keypoints_object );       detector.detect( img_scene, keypoints_scene );          //-- Step 2: Calculate descriptors (feature vectors)       SurfDescriptorExtractor extractor;       Mat descriptors_object, descriptors_scene;       extractor.compute( img_object, keypoints_object, descriptors_object );       extractor.compute( img_scene, keypoints_scene, descriptors_scene );          //-- Step 3: Matching descriptor vectors using FLANN matcher       FlannBasedMatcher matcher;       std::vector< DMatch > matches;       matcher.match( descriptors_object, descriptors_scene, matches );       double max_dist = 0; double min_dist = 100;          //-- Quick calculation of max and min distances between keypoints       for( int i = 0; i < descriptors_object.rows; i++ )       { double dist = matches[i].distance;       if( dist < min_dist ) min_dist = dist;       if( dist > max_dist ) max_dist = dist;       }          printf("-- Max dist : %f \n", max_dist );       printf("-- Min dist : %f \n", min_dist );          //-- Draw only "good" matches (i.e. whose distance is less than 3*min_dist )       std::vector< DMatch > good_matches;          for( int i = 0; i < descriptors_object.rows; i++ )       { if( matches[i].distance < 3*min_dist )       { good_matches.push_back( matches[i]); }       }          Mat img_matches;       drawMatches( img_object, keypoints_object, img_scene, keypoints_scene,           good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),           vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS );          //-- Localize the object from img_1 in img_2       std::vector<Point2f> obj;       std::vector<Point2f> scene;          for( size_t i = 0; i < good_matches.size(); i++ )       {           //-- Get the keypoints from the good matches           obj.push_back( keypoints_object[ good_matches[i].queryIdx ].pt );           scene.push_back( keypoints_scene[ good_matches[i].trainIdx ].pt );       }          Mat H = findHomography( obj, scene, RANSAC );          //-- Get the corners from the image_1 ( the object to be "detected" )       std::vector<Point2f> obj_corners(4);       obj_corners[0] = Point(0,0); obj_corners[1] = Point( img_object.cols, 0 );       obj_corners[2] = Point( img_object.cols, img_object.rows ); obj_corners[3] = Point( 0, img_object.rows );       std::vector<Point2f> scene_corners(4);       perspectiveTransform( obj_corners, scene_corners, H);       //-- Draw lines between the corners (the mapped object in the scene - image_2 )       Point2f offset( (float)img_object.cols, 0);       line( img_matches, scene_corners[0] + offset, scene_corners[1] + offset, Scalar(0, 255, 0), 4 );       line( img_matches, scene_corners[1] + offset, scene_corners[2] + offset, Scalar( 0, 255, 0), 4 );       line( img_matches, scene_corners[2] + offset, scene_corners[3] + offset, Scalar( 0, 255, 0), 4 );       line( img_matches, scene_corners[3] + offset, scene_corners[0] + offset, Scalar( 0, 255, 0), 4 );          //-- Show detected matches       imshow( "Good Matches & Object detection", img_matches );       waitKey(0);       return 0;   }   findHomography()函数直接通过两个平面上相匹配的特征点求出变换公式，之后代码又对原图的四个边缘点进行变换，在右图上画出对应的矩形。这个图也很好地解释了所谓透视变换的“Viewing Plane”。