【1】引言
前序已经对图像展开了平移、旋转缩放和倾斜拉伸技巧探索，相关链接为：
python学opencv|读取图像（二十八）使用cv2.warpAffine（）函数平移图像-CSDN博客
python学opencv|读取图像（二十九）使用cv2.getRotationMatrix2D()函数旋转缩放图像-CSDN博客
python学opencv|读取图像（三十）使用cv2.getAffineTransform()函数倾斜拉伸图像-CSDN博客
在此基础上我们更进一步，制作透视图，将使用cv2.getPerspectiveTransform()函数。
实际上，cv2.getPerspectiveTransform()函数的执行，相对于实现倾斜拉伸效果的cv2.getAffineTransform()函数，是一个扩维操作，把控制三个点转化为控制四个点。
倾斜拉伸效果控制三个点，图像的两个对边保持互相平行；透视效果控制四个点，图像的各个边将不再保持平行。
如果把实现倾斜拉伸效果称做仿射变换，把实现透视效果称做透视变换，有如下的对比效果：
图1
【2】官网教程
要想图像实现透视，需要调用cv2.getPerspectiveTransform()函数。点击下述链接，直达该函数的官网说明：
OpenCV: Geometric Image Transformations
在官网，我们看到cv2.getPerspectiveTransform()函数本身也只需要两个点集做参数：
图2
这里的参数意义是：
Mat cv::getPerspectiveTransform ( const Point2f src[], #原始图点集
const Point2f dst[], #透视图点集
int solveMethod = DECOMP_LU ) #矩阵转换方法，不是重点，暂不讨论
【3】代码测试
这里直接给出完整代码：
python">import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片
src = cv.imread('srcm.png')#设置点
rows=len(src) #读取图像行数
cols=len(src[0]) #读取图像列数
p1=np.zeros((4,2),np.float32) #32位浮点型全0矩阵
p1[0]=[0,0] #第一点
p1[1]=[cols-1,0] #第二点
p1[2]=[0,rows-1] #第三点
p1[3]=[cols-1,rows-1] #第四点
p2=np.zeros((4,2),np.float32) #32位浮点型全0矩阵
p2[0]=[90,0] #新的第一点
p2[1]=[(cols-90),0] #新的第二点
p2[2]=[0,1*(rows-1)] #新的第三点
p2[3]=[cols-1,1*(rows-1)] #新的第四点
#center=(rows/2,cols/2) #旋转中心
#M=np.float32([[1,0,50],#[0,1,200]]) #M矩阵，x=50，y=200
M=cv.getPerspectiveTransform(p1,p2)
#M=cv.getAffineTransform(p1,p2)
#M=cv.getRotationMatrix2D(center,60,0.8) #旋转并缩放图像
dst=cv.warpPerspective(src,M,(cols,rows))#输出图像
#dst=cv.warpAffine(src,M,(cols,rows)) #输出图像
cv.imshow('srcm-qxls', dst) # 在屏幕展示绘制圆形的效果
cv.imwrite('srcm-ts.png', dst) # 保存图像
cv.waitKey() # 图像不会自动关闭
cv.destroyAllWindows() # 释放所有窗口
需要注意的是，这里控制四个点的设置方法：
p1=np.zeros((4,2),np.float32) #32位浮点型全0矩阵 p1[0]=[0,0] #第一点 p1[1]=[cols-1,0] #第二点 p1[2]=[0,rows-1] #第三点 p1[3]=[cols-1,rows-1] #第四点 p2=np.zeros((4,2),np.float32) #32位浮点型全0矩阵 p2[0]=[90,0] #新的第一点 p2[1]=[(cols-90),0] #新的第二点 p2[2]=[0,1*(rows-1)] #新的第三点 p2[3]=[cols-1,1*(rows-1)] #新的第四点
在cv2.getPerspectiveTransform()函数中，新旧的第一第二第三和第四点互相替换，实现透视变化。
原始图像为：
图3
新的图像为：
图4
需要注意的是，此时的输出图像使用的是cv2.warpPerspective()函数，该函数和之前的cv2.warpAffine()函数用法几乎完全一致。
【4】透视探索
控制四个点比控制三个点要灵活得多，所以，也有可能实现对边平行，如果按照下述方式设置新旧点，就会出现平行边：
p1=np.zeros((4,2),np.float32) #32位浮点型全0矩阵
p1[0]=[0,0] #第一点
p1[1]=[cols-1,0] #第二点
p1[2]=[0,rows-1] #第三点
p1[3]=[cols-1,(rows-1)] #第四点
p2=np.zeros((4,2),np.float32) #32位浮点型全0矩阵
p2[0]=[cols-1,0.5*(rows-1)] #新的第一点
p2[1]=[0.5*(cols-1),0] #新的第二点
p2[2]=[0.5*(cols-1),rows-1] #新的第三点
p2[3]=[0,0.5*(rows-1)] #新的第四点
或者按照下述方式：
p1=np.zeros((4,2),np.float32) #32位浮点型全0矩阵
p1[0]=[0,0] #第一点
p1[1]=[cols-1,0] #第二点
p1[2]=[0,rows-1] #第三点
p1[3]=[cols-1,(rows-1)] #第四点
p2=np.zeros((4,2),np.float32) #32位浮点型全0矩阵
p2[0]=[0.5*(cols-1),0] #新的第一点
p2[1]=[cols-1,0.5*(rows-1)] #新的第二点
p2[2]=[0,0.5*(rows-1)] #新的第三点
p2[3]=[0.5*(cols-1),rows-1] #新的第四点
对边平行的透视效果为：
图5
如果仔细对比会发现，在实现上述对边平行的透视效果过程中，新旧点并没有按照严格的一二三四对应排列。
如果严格按照一二三四的顺序排列：
p1=np.zeros((4,2),np.float32) #32位浮点型全0矩阵
p1[0]=[0,0] #第一点
p1[1]=[cols-1,0] #第二点
p1[2]=[0,rows-1] #第三点
p1[3]=[cols-1,(rows-1)] #第四点
p2=np.zeros((4,2),np.float32) #32位浮点型全0矩阵
p2[0]=[0.5*(cols-1),0] #新的第一点
p2[1]=[cols-1,0.5*(rows-1)] #新的第二点
p2[2]=[0.5*(cols-1),rows-1] #新的第三点
p2[3]=[0,0.5*(rows-1)] #新的第四点
获得的透视图为：
图6
由图6可见，图像出现了预想不到的拼接。
