本文共 1760 字，大约阅读时间需要 5 分钟。

基于透视的图像矫正是一种常用的图像处理技术，主要用于消除透视畸变，恢复图像的准确几何关系。以下是实现该技术的核心步骤和方法：

1. 获取图像四个顶点

在实际应用中，首先需要从图像中提取四个顶点，这些顶点通常是图像的关键点（如四个角）。可以通过以下方法实现：

• 使用边缘检测算法（如Canny边缘检测）找到图像的轮廓。
• 对轮廓进行分析，提取四个主要顶点。
• 通过近似多边形（ApproximBDP）算法得到四边形近似。

2. 形成变换矩阵

一旦获得四个顶点坐标，可以利用这些点构建三维变换矩阵。变换矩阵由旋转、缩放、平移和剪切参数组成，具体计算步骤如下：

• 将四个点转换为矩阵形式。
• 利用三点共线性条件，求解变换矩阵。
• 验证变换矩阵的正确性。

3. 透视变换

通过变换矩阵对原始图像进行透视变换，实现图像的几何校正。具体操作步骤：

• 将原始图像矩阵与变换矩阵相乘。
• 输出变换后的图像，去除畸变。

以下是实现过程的代码示例：

from imutils.perspective import four_point_transform
import imutils
import cv2
def Get_Outline(input_dir):
    image = cv2.imread(input_dir)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    edged = cv2.Canny(blurred, 75, 200)
    return image, gray, edged
def Get_cnt(edged):
    cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    cnts = cnts[0] if imutils.is_cv2() else cnts[1]
    docCnt = None
    if len(cnts) > 0:
        cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
        for c in cnts:
            peri = cv2.arcLength(c, True)
            approx = cv2.approxPolyDP(c, 0.02 * peri, True)
            if len(approx) == 4:
                docCnt = approx
                break
    return docCnt
if __name__ == "__main__":
    input_dir = "21.png"
    image, gray, edged = Get_Outline(input_dir)
    docCnt = Get_cnt(edged)
    result_img = four_point_transform(image, docCnt.reshape(4, 2))
    
    for peak in docCnt:
        peak = peak[0]
        cv2.circle(image, tuple(peak), 10, (255, 0, 0))
    
    cv2.imshow("original", image)
    cv2.imshow("gray", gray)
    cv2.imshow("edged", edged)
    cv2.imshow("result_img", result_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

4. 结果展示

通过上述方法，可以清晰地看到原始图像与经过透视变换后的图像差异。四个关键点以红色圆圈标注，方便直观验证变换效果。