目录
一、介绍
二、仿射变换矩阵 (M)
1.M中六个元素的说明
2.计算旋转角度
3.M的计算过程
三、输出状态 (inliers)
四、错切参数
1.错切参数的定义
2.错切参数例子
（1）水平错切
（2）垂直错切
一、介绍
cv2.estimateAffine2D 是 OpenCV 库中的一个函数，用于估计两个二维点集之间的仿射变换矩阵。即第一个点集经仿射变换转换到第二个点集需要的操作，包括缩放、旋转和平移。
先来看代码：
import cv2
import numpy as np
# 原始点集
srcPoints = np.array([[50, 50], [200, 50], [50, 200]], dtype=np.float32)
# 目标点集
dstPoints = np.array([[70, 100], [220, 70], [150, 250]], dtype=np.float32)
# 估计仿射变换矩阵
M, inliers = cv2.estimateAffine2D(srcPoints, dstPoints)
# 打印估计得到的仿射变换矩阵
print('M:\n', M)
'''
M:
[[ 1. 0.53333333 -6.66666667]
[-0.2 1. 60. ]]
'''
print('inliers:\n', inliers)
'''
inliers:
[[1]
[1]
[1]]
'''从上面的代码中可以看到，函数的输入是两个参数，分别表示原始点集和目标点集。函数的输出参数包括两个部分：仿射变换矩阵和输出状态。
二、仿射变换矩阵 (M)
第一个返回值是一个 2x3 的浮点型矩阵，表示从原始点集到目标点集的仿射变换。矩阵的前两列是旋转和缩放的部分，最后一列是平移的部分。可以使用这个矩阵来将原始图像或点集进行仿射变换，使其与目标图像或点集对齐。
1.M中六个元素的说明
M[0,0]：表示x方向上的缩放。大于 1，则表示进行了放大操作；小于 1，则表示进行了缩小操作；等于 1，则表示没有进行缩放操作。
M[0,1]：表示垂直错切参数，与M[1,0]一起用于计算旋转角度。
M[0,2]：表示x方向上的平移。
M[1,0]：表示水平错切参数，与M[1,1]一起用于计算旋转角度。
M[1,1]：表示y方向上的缩放。大于 1，则表示进行了放大操作；小于 1，则表示进行了缩小操作；等于 1，则表示没有进行缩放操作。
M[1,2]：表示y方向上的平移。
2.计算旋转角度
旋转角度的计算公式：
其中，atan2 是一个反三角函数，用于计算给定的 y 值和 x 值的反正切值。这个角度表示原始点集经过变换后的旋转角度。
代码如下，np.arctan2返回的是弧度值，如果需要角度值还需要再转换一下：
# 得到弧度值
da = np.arctan2(m[1, 0], m[0, 0])
# 得到角度值
theta_deg = np.degrees(da)3.M的计算过程
1. 首先，根据输入的原始点集 srcPoints 和目标点集 dstPoints，构建一个线性方程系统。对于每个点对 (srcPoint, dstPoint)，构建以下两个方程：
2. 将线性方程系统转化为矩阵形式 A * X = B，其中：
A 是一个 2N x 6 的矩阵，其中 N 是点对的数量。A 的每一行对应一个点对，包含原始点的坐标和一个常数项。
X 是一个 6 x 1 的矩阵，表示待求解的仿射变换矩阵的参数。
B 是一个 2N x 1 的矩阵，包含目标点的坐标。
3. 使用最小二乘法来求解矩阵 X，使得 A * X 尽可能接近 B。最小二乘法的目标是最小化残差的平方和。
4. 根据求解得到的矩阵 X，构建估计的仿射变换矩阵 M：
最小二乘法的目标是找到一个最优的仿射变换矩阵，使得原始点集经过变换后与目标点集尽可能接近。通过最小化残差的平方和，可以得到一个最优的估计结果。
需要注意的是，由于存在噪声和异常值的影响，估计的仿射变换矩阵可能不是完全准确的。因此，输出的仿射变换矩阵 M 可能只是一个近似的估计结果，需要根据实际情况进行评估和调整。
三、输出状态 (inliers)
inliers是一个整数或浮点数的向量，表示每个输入点对应的输出点是否被认为是内点（inlier）。内点是指在估计仿射变换时被认为是一致的点。输出状态的长度与输入点集的数量相同，每个元素的值为 0 或 1，其中 1 表示对应的点是内点，0 表示对应的点是外点（outlier）。
cv2.estimateAffine2D确定内点（inliers）的算法有三个可选：
cv2.RANSAC: 使用 RANSAC 算法进行估计。该选项适用于存在较多离群点的情况，可以提高估计的鲁棒性，这也是默认参数。
cv2.LMEDS: 使用最小中值估计（Least-Median Estimation，LMedS）算法进行估计。该选项适用于存在少量离群点的情况，可以提高估计的准确性。
cv2.RHO: 使用 RHO 算法进行估计。该选项适用于存在较多离群点的情况，可以提高估计的鲁棒性。
可以通过下面的方式修改内点检测方式：
M, inliers = cv2.estimateAffine2D(srcPoints, dstPoints, cv2.RHO)四、错切参数
1.错切参数的定义
上面提到了一个名词叫错切参数，这里解释一下。错切参数（Shear parameters）是一种用于描述错切变换的数值参数。在二维图形变换中，错切变换是一种线性变换，它通过改变图形的形状来实现。
在二维平面上，错切变换是一种将对象沿着水平或垂直方向进行平移和拉伸的变换。它会改变对象的形状，使其在一个方向上相对于另一个方向发生倾斜。
在错切变换中，有两个主要的错切参数：水平错切参数（shear parameter）和垂直错切参数（shear parameter）。这些参数决定了在水平和垂直方向上的错切程度。
水平错切参数（shx）：它表示在水平方向上的错切程度。当 shx 的值为正时，图形在水平方向上向右上方倾斜；当 shx 的值为负时，图形在水平方向上向左上方倾斜；当 shx 的值为零时，表示没有水平方向上的错切变换。
垂直错切参数（shy）：它表示在垂直方向上的错切程度。当 shy 的值为正时，图形在垂直方向上向右下方倾斜；当 shy 的值为负时，图形在垂直方向上向左下方倾斜；当 shy 的值为零时，表示没有垂直方向上的错切变换。
这些错切参数可以通过仿射变换矩阵中的相应元素来表示。在二维仿射变换矩阵中，水平错切参数通常对应于矩阵的第一行第二列元素（M[0, 1]），而垂直错切参数通常对应于矩阵的第二行第一列元素（M[1, 0]）。
2.错切参数例子
以下是一个示例，说明如何使用错切参数对对象进行变形：
（1）水平错切
水平错切就是原图每个像素的y不变，x根据M[0,1]进行线性变换。
假设有一个矩形对象，原始的顶点坐标为 (x1, y1), (x2, y2), (x3, y3), (x4, y4)。要对该矩形进行水平方向的错切变形，可以使用错切参数 shx，并将每个顶点的 x 坐标按照如下方式进行变换：
这样，通过调整 shx 的值，可以控制矩形在水平方向上的错切程度。
下面是水平错切的代码和结果：
import cv2
import numpy as np
img_path = r'test.jpg'
target_path = r'test_1.jpg'
scale = 0.3 # 变换的比例
img = cv2.imread(img_path)
# 构造错切变换矩阵
M = np.float32([[1, scale, 0], [0, 1, 0]])
h, w, _ = img.shape
img_shear = cv2.warpAffine(img, M, (w + int(scale * h), h))
cv2.imwrite(target_path, img_shear)
（2）垂直错切
垂直错切就是原图每个像素的x不变，y根据M[1,0]进行线性变换。
要对矩形进行垂直方向的错切变形，可以使用错切参数 shy，并将每个顶点的 y 坐标按照如下方式进行变换：
通过调整 shy 的值，可以控制矩形在垂直方向上的错切程度。
下面是垂直错切的代码和结果：
import cv2
import numpy as np
img_path = r'test.jpg'
target_path = r'test_2.jpg'
scale = 0.3 # 变换的比例
img = cv2.imread(img_path)
# 构造错切变换矩阵
M = np.float32([[1, 0, 0], [scale, 1, 0]])
h, w, _ = img.shape
img_shear = cv2.warpAffine(img, M, (w, h + int(scale * w)))
cv2.imwrite(target_path, img_shear)
需要注意的是，错切参数的值可以是正数、负数或零，具体取决于所需的错切方向和程度。文章来源：https://www.toymoban.com/news/detail-766971.html
cv2.estimateAffine2D 的原理就介绍到这里，关注不迷路(#^.^#)文章来源地址https://www.toymoban.com/news/detail-766971.html
到了这里，关于【OpenCV】仿射变换中cv2.estimateAffine2D 的原理的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
