文章目录
前言
一、CV是什么？
二、细节点记录
1.图像坐标与图像矩阵
2.透视变换
总结
前言
很早之前就听闻计算机视觉，尔后又听闻机器学习，一个个高大上的大名，让人有种可望而不可及的感觉。
某日入坑其中，其实和学习其他领域知识类似，都是从基础概念入手，开始看似简单，但是各种基础概念，可能还需要其他学科基础（如数学），也是让人一时难以深入其中。
又某日，有些概念终于理清，故在此记录。
一、CV是什么？
CV即Computer Vision，计算机视觉。近几年很火的人脸识别、自动驾驶都需要用到CV，比较传统的应用还有图像分类、图像识别等等。
目前高端版CV则是利用机器学习、深度学习来实现CV应用，但是传统的CV基础、算法依旧有用武之地。
二、细节点记录
1.图像坐标与图像矩阵
图像一般就是二维的，而且一般的会设定图像的坐标原点在图像的左上角
现假设有一张图片宽1000像素，高700像素。
图片上某个点的坐标就是(x,y)，这里x对应宽、y对应高。那么图像原点的对角线坐标就是(1000,700)。通过很多看图软件都可以看到点的坐标。
接下来，我们假设通过cv2或plt读取图片，此时会返回一个img对象，类型就是矩阵。
如果是RGB三通道图，那么img的shape就是(700,1000,3)，即这里形状是(高，宽，通道数）
如果是灰度图，那么img的shape就是(700,1000)，即这里形状是(高，宽），差别就是没有通道信息，但是前面部分都是（高，宽）
这样，要访问图像上某个点，即img[x,y]，x对应高、y对应宽，和图像普通意义上的坐标是反的。
2.透视变换
透视变换是将图片投影到一个新的视平面，可用于修图，比如实际物体是直线的，通过相册拍摄以后成了曲线的，就可以通过透视变换将照片转换为直线的。
透视变换可以通过提供4组坐标点（原图、目标图），计算出变换矩阵，从而实现将原图变换为目标图。
这里4组坐标点，其实是普通坐标点，即（宽，高）形式的坐标，而非图像的矩阵点。
利用透视变换，可以很容易的实现图片旋转。给出原图4个角的坐标、再给出旋转后的4个角的坐标，即可计算出变换矩阵，进而求出旋转后图像。
总结
CV领域其实内容很多，学习也是一点一滴积累，这篇文章也会随着学习不断去维护和完善的。
