1、图像形状变换
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
官方代码示例，图像放大2倍
import cv2
import numpy as np
img = cv2.imread('C://path/to/image/doge.jpg')
res = cv2.resize(img,None,fx=2, fy=2, interpolation = cv2.INTER_CUBIC)
#OR
height, width = img.shape[:2]
res = cv2.resize(img,(2*width, 2*height), interpolation = cv2.INTER_CUBIC)
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）
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
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
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+tx, y+ty）
import cv2
import numpy as np
img = cv2.imread('C://path/to/image/doge.jpg',0)
rows,cols = img.shape
M = np.float32([[1,0,100],[0,1,50]])
dst = cv2.warpAffine(img,M,(cols,rows))
cv2.imshow('img',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
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
# 通过getRotationMatrix2D()能得到转变矩阵
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]])
img = cv2.imread('C://path/to/image/doge.jpg')
rows,cols,ch = img.shape
pts1 = 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()
2、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.warpPerspective()函数来进行透视变换。
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.warpPerspective()
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
cv2.perspectiveTransform(src, matrix)
参数：
src：坐标点矩阵，注意其格式. 如src=np.array([[589, 91],[1355, 91],[1355, 219],[589, 219]], np.float32).reshape(-1, 1, 2), 表示四个坐标点，size为(4, -1, 2)
matrix：getPerspectiveTransform()得到的透视变换矩阵 返回值：变换后的坐标点，格式和src相同
img = cv2.imread('C://path/to/image/doge.jpg')
rows,cols,ch = img.shape
pts1 = 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()
若变换前坐标点src(x, y),变换后坐标点为dst(X, Y)， 其内部计算过程如下
#matrix
matrix = np.float32([[ 8.06350904e-01 -1.67497791e-02 -4.34096149e+01]
[ 2.85178118e-02 8.29440456e-01 -6.26063898e+01]
[ 2.41877972e-05 1.99790270e-05 1.00000000e+00]])
rect = np.array([[589, 91], [1355, 91], [1355, 219], [589, 219]], np.float32)
rect = rect.reshape(-1, 1, 2)
newRect = cv2.perspectiveTransform(rect, matrix)
def test(rect, matrix):
rect_fill = np.ones((4, 3), dtype=np.float32)
rect_fill[:, :2] = rect
mid_rect = np.dot(matrix, rect_fill.T)
mid_rect = mid_rect.T
mid_rect[:, :2] = mid_rect[:, :2]/mid_rect[:, 2:]
print("TEST", mid_rect)
