参考书目：《OpenCV计算机视觉基础教程》–夏帮贵。
代码编写：Jupyter Notebook。

# 1.缩放
# 语法格式：dst = cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])
# 参数说明：
# a.dst：转换后的图像；
# b.src：用于缩放的原图像；
# c.dsize：转换后图像大小；
# d.fx：水平方向的缩放比例；
# e.fy：垂直方向的缩放比例；

# f.interpolation：插值方式；
# 插值方式：
# 1.cv2.INTER_NEAREST：最近邻插值；
# 2.cv2.INTER_LINEAR：双线性插值，默认方式；
# 3.cv2.INTER_CUBIC：3次样条插值；
# 4.cv2.INTER_AREA：区域插值；
# 5.cv2.INTER_LANCZOS4：Lanszos插值；
# 6.cv2.INTER_LINEAR_EXACT：位精确双线性插值；
# 7.cv2.INTER_MAX：插值编码掩码；
# 8.cv2.WARP_FILL_OUTLIERS：标志，填充目标图像中的所有像素；
# 9.cv2.WARP_INVERSE_MAP：标志，逆变换；
import cv2 as cv

img1 = cv.imread("apple.jpg")
img2 = cv.resize(img1, None,fx = 0.5,fy = 0.5)    # 缩放到fx = 0.5,fy = 0.5;

cv.imshow("apple", img1)
cv.imshow("0.5apple", img2)

cv.waitKey(0)

# 2.翻转
# 语法格式：dst = cv2.flip(src, flipCode)
# 参数说明：
# a.dst：转换后的图像；
# b.src：原图像；
# c.flipCode：翻转类型；
# flip = 0：绕x轴翻转；flip大于0的整数时，绕y轴翻转；flip小于0的整数时，绕x轴和y轴同时翻转；
import cv2 as cv

img1 = cv.imread("apple.jpg")

while True:
    """
    程序功能：
    按【0】显示原图；
    按【1】垂直翻转；
    按【2】水平翻转；
    按【3】水平、垂直同时翻转；
    按【ESC】退出；
    """
    key = cv.waitKey() & 0xFF
    if key == 48:
        img2 = img1
    elif key == 49:
        img2 = cv.flip(img1, 0)
    elif key == 50:
        img2 = cv.flip(img1, 1)
    elif key == 51:
        img2 = cv.flip(img1, -1)
    cv.imshow("apple_flip", img2)
    if key == 27:
        break
cv.destroyAllWindows()

# 3.仿射
# 放射变换：平移、旋转、缩放；特点：原图像中的所有平行线在转换后的图像仍然平行；
# 语法格式：dst = cv2.warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]])
# 参数说明：
# a.dst：转换后的图像，图像类型和原图像一致，大小由dsize决定；
# b.src：原图像；
# c.M：一个2×3的转换矩阵，使用不同的转换矩阵可实现平移、旋转等多种操作；
# d.dsize：转换后的图像大小；
# e.flags：插值方式，默认值：cv2.INTER_LINEAR；
# f.borderMode：边类型，默认值：cv2.BORDER_CONSTANT；
# g.borderValue：边界值，默认值：0；

1.平移

1. 平移：将图像沿着水平或垂直方向移动一定的像素；
2. 假设将图像水平移动$m$个像素，垂直移动$n$个像素，则图像转换矩阵公式：$dst(x,y)=src(x+m,y+n)$,转换矩阵如下：
   $$M=\left[\begin{array}{ccc}1& 0& m\\ 0& 1& n\end{array}\right]$$

import numpy as np
import cv2 as cv

img1 = cv.imread("apple.jpg")

height = img1.shape[0]    # 图像高度
width = img1.shape[1]     # 图像宽度
dsize = (width, height)
m1 = np.float32([[1, 0, 100], [0, 1, 50]])
m2 = np.float32([[1, 0, -100], [0, 1, -50]])

img2 = cv.warpAffine(img1, m1, dsize)
img3 = cv.warpAffine(img1, m2, dsize)

cv.imshow("apple", img1)
cv.imshow("apple_translation1", img2)
cv.imshow("apple_translation2", img3)

cv.waitKey(0)

2.缩放

1. 假设图像的宽度缩放比例为$h$，高度缩放比例为$v$，根据图像转换矩阵运算公式，缩放转换矩阵为：
   $$M=\left[\begin{array}{ccc}h& 0& 0\\ 0& v& 0\end{array}\right]$$

import cv2 as cv
import numpy as np

img1 = cv.imread("apple.jpg")
height = img1.shape[0]
width = img1.shape[1]
dsize = (width, height)

m1 = np.float32([[0.5, 0, 0], [0, 0.5, 0]])
m2 = np.float32([[0.25, 0, 0], [0, 0.25, 0]])

img2 = cv.warpAffine(img1, m1, dsize)
img3 = cv.warpAffine(img1, m2, dsize)

cv.imshow("apple", img1)
cv.imshow("apple_scale1", img2)
cv.imshow("apple_scale2", img3)

cv.waitKey(0)

3.旋转

1. 执行旋转的函数：$cv2.getRotationMatrix2D()$；
2. 语法格式：$m=cv2.getRotationMatrix2D(center,angle,scale)$；
3. 参数说明：
   • $center$：原图像中作为旋转中心的坐标；
   • $angle$：旋转角度，正数表示逆时针方向旋转，负数表示顺时针方向旋转；
   • $scale$：目标图像与原图像的大小比例；
4. 假设原图像宽度为$width$，高度为$height$，将图像中心作为旋转中心顺时针旋转60°，将图像缩小50%，则计算矩阵如下：
   $$m=cv2.getRotationMatrix2D((width/2,height/2),-60,0.5)$$

import cv2 as cv

img1 = cv.imread("apple.jpg")
height = img1.shape[0]
width = img1.shape[1]
dsize = (width, height)

m1 = cv.getRotationMatrix2D((width / 2, height / 2), -60, 0.5)
m2 = cv.getRotationMatrix2D((width / 2, height / 2), 60, 0.5)

img2 = cv.warpAffine(img1, m1, dsize)
img3 = cv.warpAffine(img1, m2, dsize)

cv.imshow("apple", img1)
cv.imshow("apple_rotation1", img2)
cv.imshow("apple_rotation2", img3)

cv.waitKey(0)

4.三点映射变换

1. 三点映射变换：将图像转换为任意的平行四边形；
2. 计算转换矩阵函数：$cv2.getAffineTransform()$；
3. 语法格式：$m=cv2.getAffineTransform(src,dst)$；
4. 参数说明：
   • $src$：原图像中3个点的坐标；
   • $dst$：原图像中3个点在目标图像中的对应坐标；

import cv2 as cv
import numpy as np

img1 = cv.imread("apple.jpg")
height = img1.shape[0]
width = img1.shape[1]
dsize = (width, height)

src = np.float32([[0, 0], [width - 20, 0], [0, height - 5]])
dst = np.float32([[50, 50], [width - 100, 80], [100, height - 100]])

m = cv.getAffineTransform(src, dst)
img2 = cv.warpAffine(img1, m, dsize)

cv.imshow("apple", img1)
cv.imshow("apple_trans", img2)

cv.waitKey(0)

# 4.透视
# 透视：将图像转换为任意四边形；
# 透视特点：原始图像中的所有直线在转换后的图像仍然是直线；
# 语法格式：dst = cv2.warpPerspective(src, M, dsize[, flags[, borderMode[, borderValue]]])；
# 参数说明：
# a.dst：转换后的图像；
# b.src：用于缩放的原图像；
# c.M：大小为3×3的转换矩阵；
# d.dsize：转换后图像大小；
# e.flags：插值方式，默认值：cv2.INTER_LINEAR；
# f.borderMode：边类型，默认值：cv2.BORDER_CONSTANT；
# g.borderValue：边界值，默认值：0；

# 计算透视变换使用的转换矩阵：
# 语法格式：M = cv2.getPerspectiveTransform(src, dst)
# 参数说明：
# a.src：原图像中4个点的坐标；
# b.dst：原图像中4个点在转换后的目标图像中的对应坐标；
import cv2 as cv
import numpy as np

img1 = cv.imread("apple.jpg")
height = img1.shape[0]
width = img1.shape[1]
dsize = (width, height)

src = np.float32([[0, 0], [width - 10, 0], [0, height - 10], [width - 1, height - 1]])
dst = np.float32([[50, 50], [width - 50, 80], [50, height - 100], [width - 100, height - 10]])

m = cv.getPerspectiveTransform(src, dst)
img2 = cv.warpPerspective(img1, m, dsize)

cv.imshow("apple", img1)
cv.imshow("apple_perspective", img2)

cv.waitKey(0)