python将弯曲图像拉直 python图片扭曲

【python】图像映射：单应性变换与图像扭曲

• 单应性变换(Homography)
• 图像扭曲（仿射变换）
• 图中图
• 分段仿射扭曲

单应性变换(Homography)

单应性变换(Homography)即一个平面中的点到另一个平面的映射关系，如下图所示，使用单应性矩阵，将不同角度拍摄的图像图1和图2变换到同一平面。

而实现单应性变化的重点就是对单应性矩阵H的求解。如下图所示，其中x1y1表示图像一的矩阵数据，x2y2表示图像二的矩阵数据，而H则为单应性矩阵，通过求解H即可得出两图像间的映射关系。

在一般情况下，矩阵A不可逆，若需要求得t的值（下图中t即为单应性矩阵）则需要做一定的数学变换

如下公式所示，进行转换后，通过计算最小二乘解求得最小特征值对应的特征向量

再通过DLT（Direct Linear Transform）算法解决该最小二乘问题，如下图，通过DTL算法得A = UDV^t, 而h （单应性矩阵）即为V的最后一行

单应性变换的结果诶下图，图中将图1与图2通过单应性变换进行了图片融合

图像扭曲（仿射变换）

图像扭曲即仿射变换。仿射变换变化包括缩放、平移、旋转、反射等，，原来的直线仿射变换后还是直线，原来的平行线经过仿射变换之后还是平行线。
仿射变换中一些性质会保持不变：
1.凸性
2.共线性：若几个点变换前在一条线上，则仿射变换后仍然在一条线上
3.平行性：若两条线变换前平行，则变换后仍然平行
4.共线比例不变性：变换前一条线上两条线段的比例，在变换后比例不变

from numpy import *
from matplotlib.pyplot import *
from scipy import ndimage
from PIL import Image

im = array(Image.open('11.jpg').convert('L'))
H = array([[1.4,0.05,-100],[0.05,1.5,-100],[0,0,1]])
im2 = ndimage.affine_transform(im, H[:2,:2],(H[0,2],H[1,2]))

gray()
subplot(121)
imshow(im)
axis('off')
subplot(122)
imshow(im2)
axis('off')
show()

图中图

如下图所示，将一图融入了二图中，虽然图片有些扭曲但这就是该算法所需要呈现的效果。图像中的图像即为仿射扭曲的一个简单例子，它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。为了能够实现更加精准的匹配，我们可以使用分段仿射扭曲。

from numpy import *
from matplotlib.pyplot import *
from scipy import ndimage
from PIL import Image
def Haffine_from_points(fp, tp):
    """计算H仿射变换，使得tp是fp经过仿射变换H得到的"""

    if fp.shape != tp.shape:
        raise RuntimeError('number of points do not match')
        
    # 对点进行归一化（对数值计算很重要）
    # --- 映射起始点 ---
    m = mean(fp[:2], axis=1)
    maxstd = max(std(fp[:2], axis=1)) + 1e-9
    C1 = diag([1/maxstd, 1/maxstd, 1]) 
    C1[0][2] = -m[0]/maxstd
    C1[1][2] = -m[1]/maxstd
    fp_cond = dot(C1,fp)
    
    # --- 映射对应点 ---
    m = mean(tp[:2], axis=1)
    C2 = C1.copy() # 两个点集，必须都进行相同的缩放
    C2[0][2] = -m[0]/maxstd
    C2[1][2] = -m[1]/maxstd
    tp_cond = dot(C2,tp)
    
    # 因为归一化后点的均值为0，所以平移量为0
    A = concatenate((fp_cond[:2],tp_cond[:2]), axis=0)
    U,S,V = linalg.svd(A.T)
    
    # 如Hartley和Zisserman著的Multiplr View Geometry In Computer,Scond Edition所示，
    # 创建矩阵B和C
    tmp = V[:2].T
    B = tmp[:2]
    C = tmp[2:4]
    
    tmp2 = concatenate((dot(C,linalg.pinv(B)),zeros((2,1))), axis=1) 
    H = vstack((tmp2,[0,0,1]))
    
    # 反归一化
    H = dot(linalg.inv(C2),dot(H,C1))
    
    return H / H[2,2]

def image_in_image(im1, im2, tp):
    """使用仿射变换将im1放置在im2上，使im1图像的角和tp尽可能的靠近
        tp是齐次表示的，并且是按照从左上角逆时针计算的"""
    
    # 扭曲的点
    m,n = im1.shape[:2]
    fp = array([[0,m,m,0],[0,0,n,n],[1,1,1,1]])
    
    # 计算仿射变换，并且将其应用于图像im1中
    H = Haffine_from_points(tp,fp)
    im1_t = ndimage.affine_transform(im1,H[:2,:2],
                    (H[0,2],H[1,2]),im2.shape[:2])
    alpha = (im1_t > 0)
    
    return (1-alpha)*im2 + alpha*im1_t


im1 = array(Image.open('31.jpg').convert('L'))
im2 = array(Image.open('32.jpg').convert('L'))

gray()
subplot(131)
imshow(im1)
axis('equal')
axis('off')
subplot(132)
imshow(im2)
axis('equal')
axis('off')

# 选定一些目标点
tp = array([[264, 538, 540, 264], [40, 36, 605, 605], [1, 1, 1, 1]])

im3 = image_in_image(im1, im2, tp)
subplot(133)
imshow(im3)
axis('equal')
axis('off')
show()

分段仿射扭曲

为了能够实现图像中角点的精确匹配，我们通常使用分段仿射扭曲。即首先通过三角化图像块再使用仿射扭曲来扭曲每个三角形，其中的核心部分即为图像块的三角化，可以通过狄洛克三角剖分实现，其具体如下：

from PIL import Image
from pylab import *
import numpy as np
from scipy.spatial import Delaunay

x,y  = array(np.random.standard_normal((2,100)))
"""centers, edges, tri, neighbors = md.delaunay(x, y"""
tri = Delaunay(np.c_[x,y]).simplices

figure()

for t in tri:
    t_ext = [t[0],t[1],t[2],t[0]]
    plot(x[t_ext], y[t_ext], 'g')

plot(x,y,'*')
axis('off')
show()