目录
仿射变换原理介绍
cv2.warpAffine函数介绍
代码实例
仿射变换原理介绍
仿射变换，又称仿射映射，是指在几何中，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。
在有限维的情况，每个仿射变换可以由一个矩阵A和一个向量b给出，它可以写作A和一个附加的列b。一个仿射变换对应于一个矩阵和一个向量的乘法，而仿射变换的复合对应于普通的矩阵乘法，只要加入一个额外的行到矩阵的底下，这一行全部是0除了最右边是一个1，而列向量的底下要加上一个1。
在opencv中就相当于是对图像的坐标进行操作(x,y)，对坐标进行矩阵运算。运算过后会生成新的矩阵，仿射变换就相当于是原始图像和新生成图像之间的映射，下面给出运算矩阵。
下面的M相当于就是一个运算矩阵。2行3列
根据定义，我们的坐标就可以根据A，B来进行运算
可以很轻易的得出以下方程
通过方程我们就可以很轻易的看出，c1和c2就相当于是让图像平移，而a和b这2个参数就是对图像进行旋转，缩放等操作。
由于图像是3维的，所以这里还需要增加下维度，构建齐次方程进行运算
上面仅仅是个人理解，如果有误还请指出
cv2.warpAffine函数介绍
cv2.warpAffine函数用于仿射变换
def warpAffine(src, M, dsize, dst=None, flags=None, borderMode=None, borderValue=None)
src：输入图像M：运算矩阵，2行3列的，数据类型要求是float32位及以上dsize：运算后矩阵的大小，也就是输出图片的尺寸dst：输出图像flags：插值方法的组合，与resize函数中的插值一样，可以查看cv2.resizeborderMode：像素外推方法，详情参考官网borderValue：在恒定边框的情况下使用的borderValue值；默认情况下，它是 0
代码实例
下面代码对M矩阵给出不同的值，查看图像变换情况，首先改变c1和c2
M = np.float32([[1, 0, 50], [0, 1, 50]])
上面的代码就相当于是对图像进行平移，向左平移50，向上平移50
改变下其他值，改变b1和a2
M = np.float32([[1, 0.2, 0], [0.2, 1, 0]])
这个就好像是对图片进行了3维的旋转
改变b2和a1
M = np.float32([[1.3, 0, 0], [0, 1.3, 0]])
这个就相当于是对图片进行了放大
完整代码
import cv2import numpy as nplp = cv2.resize(cv2.imread('../images/lp.jpg'), None, fx=0.7, fy=0.7)h, w, channel = lp.shapeM = np.float32([[1, 0, 50], [0, 1, 50]])new_lp1 = cv2.warpAffine(lp, M, (w, h))M = np.float32([[1, 0.2, 0], [0.2, 1, 0]])new_lp2 = cv2.warpAffine(lp, M, (w, h))M = np.float32([[1.3, 0, 0], [0, 1.3, 0]])new_lp3 = cv2.warpAffine(lp, M, (w, h))cv2.imshow('lp', np.hstack((lp, new_lp1, new_lp2, new_lp3)))cv2.waitKey(0)cv2.destroyAllWindows()
