warpAffine与warpPerspective区别

`warpAffine`和`warpPerspective`都是OpenCV中的图像变换函数，它们之间的区别在于变换的类型和变换矩阵的维度。

`warpAffine`函数是对图像进行仿射变换，即通过一个2x3的变换矩阵来对图像进行变换，变换后的图像保持平行线性质和长度比例不变。`warpAffine`函数可以用来实现平移、旋转、缩放等变换操作。

`warpPerspective`函数是对图像进行透视变换，即通过一个3x3的变换矩阵来对图像进行变换，变换后的图像可以改变平行线之间的距离和角度关系。`warpPerspective`函数可以用来实现图像的投影变换、倾斜校正等操作。

因此，`warpAffine`和`warpPerspective`函数适用于不同的变换类型，需要根据具体的需求来选择使用哪一个函数。

相关问题

cv.2warpAffine

cv2.warpAffine是OpenCV中的一个函数，用于对图像进行仿射变换。它接受以下参数：
- src：输入图像
- M：变换矩阵
- dsize：输出图像的尺寸
- dst：可选参数，用于存储变换后的图像
- flags：可选参数，指定插值方法
- borderMode：可选参数，指定边界模式
- borderValue：可选参数，指定边界像素值

这个函数的作用是对输入图像应用仿射变换，通过变换矩阵M来改变图像的形状和位置。变换后的图像将会被存储在dst中，如果没有提供dst参数，则函数会创建一个新的图像来存储结果。

关于参数的具体用法和含义，请参考引用中的代码示例和引用中给出的官方文档解释。<em>1</em><em>2</em><em>3</em>
#### 引用[.reference_title]
- *1* *3* [cv2.warpAffine 参数详解](https://blog.csdn.net/weixin_36670529/article/details/113755620)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}} ] [.reference_item]
- *2* [cv2.warpAffine、cv2.warpPerspective](https://blog.csdn.net/u012193416/article/details/124519653)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}} ] [.reference_item]
[ .reference_list ]

仿射变换cv.WarpAffine （1）将一副图像顺时针旋转45°，分别用3种不同插值方法（修改flags参数），比较不同方法的效果； （2）对一副图像进行水平和垂直错切30°操作。

对于第一个问题，我可以回答：

1.1 代码示例：

import cv2 as cv
import numpy as np

img = cv.imread('image.jpg')
rows, cols = img.shape[:2]

# 顺时针旋转45度
M = cv.getRotationMatrix2D((cols/2, rows/2), 45, 1)
dst1 = cv.warpAffine(img, M, (cols, rows), flags=cv.INTER_NEAREST)
dst2 = cv.warpAffine(img, M, (cols, rows), flags=cv.INTER_LINEAR)
dst3 = cv.warpAffine(img, M, (cols, rows), flags=cv.INTER_CUBIC)

# 显示结果
cv.imshow('original', img)
cv.imshow('nearest', dst1)
cv.imshow('linear', dst2)
cv.imshow('cubic', dst3)
cv.waitKey(0)
cv.destroyAllWindows()

1.2 效果比较：

使用不同的插值方法，得到的结果如下图所示：


从图中可以看出，使用不同的插值方法得到的结果有所不同。使用INTER_NEAREST方法得到的结果最为粗糙，而使用INTER_CUBIC方法得到的结果最为平滑。

对于第二个问题，我可以回答：

2.1 代码示例：

import cv2 as cv
import numpy as np

img = cv.imread('image.jpg')
rows, cols = img.shape[:2]

# 水平错切
M = np.float32([[1, 0.5, 0], [0, 1, 0], [0, 0, 1]])
dst1 = cv.warpPerspective(img, M, (cols, rows))

# 垂直错切
M = np.float32([[1, 0, 0], [0.5, 1, 0], [0, 0, 1]])
dst2 = cv.warpPerspective(img, M, (cols, rows))

# 显示结果
cv.imshow('original', img)
cv.imshow('horizontal shear', dst1)
cv.imshow('vertical shear', dst2)
cv.waitKey(0)
cv.destroyAllWindows()

2.2 效果展示：

使用水平和垂直错切操作，得到的结果如下图所示：


从图中可以看出，经过水平和垂直错切操作后，图像的形状发生了变化。