有的时候表非常的歪，再加上镜头畸变，你们来感受下这个画风：
就要想办法把它从这个样子给正过来，拿起你的右手，食指向前中指向左大拇指向上其他收起来
跟我一起做这个动作：
好了，放下吧，我们用不到~
首先思路就是做个变换，做个啥变换呢？是不是要揪住表的左边往屏幕外拽
然后我发现变换分为两种，一种是仿射变换，一种是透视变换（投影变换），我偷了一张非常好懂的图
显然仿射变换不满足我们的要求，这种方法没办法把它拉出屏幕外。
这个时候我发现了另外一种思路：/Search/Detail?ANE=9GDC9EHC4BCA9CGE9IGG6FBA8EBA9AHC9CEC9CFD9AHH9HAG
（找专利就去这里，收费网站太不要脸了）
专利里面的方法其实就是OpenCV里面的透视变换，只不过做了结果处理
找找资料很容易就copy一份能跑得起来的
import cv2import numpy as npimport matplotlib.pyplot as pltfrom PIL import Imageimg = cv2.imread('1.jpg')H_rows, W_cols= img.shape[:2]print(H_rows, W_cols)N = 30X = 40pts1 = np.float32([[77, 0], [171, 128], [77, 268], [0, 128]])pts2 = np.float32([[126+N+X, 0],[252+N,128],[126+N+X, 268],[0,128]])M = cv2.getPerspectiveTransform(pts1, pts2)dst = cv2.warpPerspective(img, M, (268+N,252+N))cv2.imwrite("res.jpg",dst)image_show_11 = Image.fromarray(img)display(image_show_11)image_show_12 = Image.fromarray(dst)display(image_show_12)
其实就是猜猜变化坐标，就可以变得勉强能看：（这个图当做标准图，后面要用到它）
现在的问题是我们手动选了四个坐标，手动计算了四个映射后的坐标才学到了单应性矩阵（变换矩阵啦）
这么行呢？太麻烦了
是时候祭出SURF大法了，用SURF找出两张图特征点（一张待变换的，一张原图-模板图-标准图随你怎么称呼），然后去匹配他们的特征点，有了对应点不就可用上一个办法计算单应性矩阵了吗（结果证明SURF不如SIFT效果好一点，用SURF的话就把代码里面的SIFT四个字母换成SURF就可以其他不要动,在第27行哟）
import cv2import numpy as npfrom PIL import ImageR = 0.45def drawMatchesKnn_cv2(img1_gray,kp1,img2_gray,kp2,Match):h1, w1 = img1_gray.shape[:2]h2, w2 = img2_gray.shape[:2]vis = np.zeros((max(h1, h2), w1 + w2, 3), np.uint8)vis[:h1, :w1] = img1_grayvis[:h2, w1:w1 + w2] = img2_grayp1 = [kpp.queryIdx for kpp in Match]p2 = [kpp.trainIdx for kpp in Match]post1 = np.int32([kp1[pp].pt for pp in p1])post2 = np.int32([kp2[pp].pt for pp in p2]) + (w1, 0)for (x1, y1), (x2, y2) in zip(post1, post2):cv2.line(vis, (x1, y1), (x2, y2), (0,255,0),1)image_show_4 = Image.fromarray(vis)display(image_show_4)def perspectiveTransformation(img1_gray, img2_gray):#image_show_1 = Image.fromarray(img1_gray)#display(image_show_1)#image_show_2 = Image.fromarray(img2_gray)#display(image_show_2)surf = cv2.xfeatures2d.SIFT_create()kp1, des1 = surf.detectAndCompute(img1_gray, None)kp2, des2 = surf.detectAndCompute(img2_gray, None)bf = cv2.BFMatcher(cv2.NORM_L2)matches = bf.knnMatch(des1, des2, k = 2)Match = []for m,n in matches:if m.distance < R * n.distance:Match.append(m)if len(Match) > 4:src_pts = np.float32([ kp1[m.queryIdx].pt for m in Match ]).reshape(-1,1,2)dst_pts = np.float32([ kp2[m.trainIdx].pt for m in Match ]).reshape(-1,1,2)M,status = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0) dst = cv2.warpPerspective(img1_gray, M, (img2_gray.shape[0]*2,img2_gray.shape[1]*2))drawMatchesKnn_cv2(img1_gray,kp1,img2_gray,kp2,Match[:15])image_show_3 = Image.fromarray(dst)display(image_show_3)return dstimg1_gray = cv2.imread("待变换.jpg")img2_gray = cv2.imread("模板图.jpg")pt = perspectiveTransformation(img1_gray, img2_gray)raw = cv2.cvtColor(pt,cv2.COLOR_BGR2RGB)raw_gray = cv2.cvtColor(raw,cv2.COLOR_RGB2GRAY)edges = cv2.Canny(raw_gray,125,350)image1 = Image.fromarray(edges.astype('uint8')).convert('RGB')display(image1)
最后做了个canny边缘检测，效果就很不错了~
然后再研究个深度学习的做法吧，这玩意太不靠谱了~
有机会再写剩下的！
