我现在有一个单应性矩阵M，一张原图像srcImg，给定dstSize为dstH*dstW的一张新图，怎么用python实现使用矩阵乘法从srcImg到dstImg的变换，要求不使用cv2库函数，同时遍历dst图像的过程使用矩阵乘法来代替并优化。

你好，根据你的问题描述，我可以给出以下Python实现代码：

import numpy as np
from PIL import Image

# 定义源图像的路径、单应性矩阵M和目标图像的大小
src_path = "Path_to_srcImg"
M = np.array([[a11, a12, a13], [a21, a22, a23], [a31, a32, a33]]) # 按实际情况填写M矩阵
dstH, dstW = 512, 512

# 读取源图像数据并转换成numpy数组
srcImg = Image.open(src_path).convert('RGB')
srcImg_data = np.array(srcImg)

# 创建目标图像并设定每个像素的初始值
dstImg = np.zeros((dstH, dstW, 3), dtype=np.uint8)

# 遍历目标图像的每个像素，使用矩阵乘法计算其对应在源图像中的位置
for i in range(dstH):
    for j in range(dstW):
        dst_point = np.array([i, j, 1]) # 待转换点在目标图像中的坐标
        src_point = M.dot(dst_point) # 转换后在源图像中的坐标
        src_x, src_y = src_point[:2] / src_point[-1] # 由于变换后的坐标是齐次坐标，需要除以z坐标得到真实坐标
        src_x, src_y = int(src_x), int(src_y) # 取整得到像素坐标
        if src_x >= 0 and src_x < srcImg_data.shape[0] and src_y >= 0 and src_y < srcImg_data.shape[1]: # 检查是否越界
            dstImg[i, j] = srcImg_data[src_x, src_y] # 赋值给目标图像

# 保存目标图像
dstImg_PIL = Image.fromarray(dstImg)
dstImg_PIL.save("Path_to_dstImg")

以上代码中，我们首先使用PIL库读取源图像，并将其转换成numpy数组。然后，我们创建与目标图像大小相同的numpy数组，并遍历目标图像的每个像素，使用矩阵乘法计算其对应在源图像中的位置。最后，我们将源图像对应位置的像素值复制到目标图像中，并保存目标图像。需要注意的是，在将变换后的坐标转换为实际像素坐标时，我们需要将其除以z坐标得到真实坐标，然后再取整得到像素坐标。