图像处理里最容易被低估的知识点，几何变换绝对算一个。很多人觉得resize、rotate这种操作谁不会，调个函数完事，可一旦真去做文档矫正、做图像配准、做数据增广，马上就会发现坐标换算、插值策略、边界填充这些细节一个都躲不掉。这篇是系列的第二篇，我把自己在项目里反复踩过的缩放、平移、旋转、仿射、透视变换这堆问题集中捋一遍，尽量做到看完就能直接套进自己的代码里。

这期内容主要面向已经会一点图像处理基础、但还停留在“调API”阶段的读者。如果你之前只会读图、存图、灰度化这类基础操作，也完全跟得上，我会把每个函数背后的坐标逻辑拆开讲，不绕弯子。先说明一点：文章里的代码示例都用常见的视觉库风格的Python接口，选它是因为在图像几何变换这件事上它是最趁手的，算法原理本身和具体库没太大关系，换个环境同样成立。

1. 几何变换的底层原理：每个像素都要回答的三个问题

几何变换说穿了就一句话：对图像上每个像素点的位置重新做一次映射。缩放是让采样间距变大变小，旋转是改变坐标方向，透视是把原本平行的关系破坏掉再重组。所有操作最终都落在同一个数学模型上——给你一个坐标(x, y)，通过一个函数算出新坐标(x', y')，再去取像素值。

但这里有个很关键的分叉点：你到底是遍历原图把像素搬到新位置，还是遍历目标图反查原图该取哪个位置？这两个思路对应前向映射和后向映射，直接影响图像质量和实现难度。

1.1 前向映射与后向映射：为什么实际用的都是后向

前向映射的思路很直觉：遍历原图的每个像素，用变换公式算出它该去目标图的哪个位置，然后赋过去。问题在于，多个原图像素可能映射到同一个目标位置，也可能某些目标位置根本没有像素来源，结果就是图像上出现一块一块的空洞。要修这些洞得额外做插值补点，实现起来很啰嗦。

后向映射的思路反着来：遍历目标图的每个像素位置，用逆变换公式算回原图坐标，再去原图上采样。每个目标像素都能找到自己的“来历”，不会产生空洞，代码也干净。OpenCV里warpAffine、warpPerspective这类函数全部采用后向映射，你们去读源码或者文档里关于插值的说明，会发现它们讨论的都是“目标位置反向查源图”，原因就在这。

用个具体的数感受一下。假设有个像素在原图坐标(10, 20)，绕图像中心逆时针转30度。旋转公式是：

x' = cos30 * x - sin30 * y y' = sin30 * x + cos30 * y

带进去算出来可能是(4.32, 17.67)，这个坐标是浮点数。后向映射的做法就是在目标图的(4.32, 17.67)附近找最合理的源像素值，这就要用到插值了。

1.2 几何变换的三大件：插值、边界、坐标系

任何一个几何变换函数，背后都藏着三个必答的问题：

• 映射后坐标是浮点，到底取哪个像素？这是插值问题。
• 目标图像里有大片区域映射到原图之外，填什么？这是边界问题。
• 坐标(x, y)的起点在哪、x轴和y轴方向怎么走？这是坐标系问题。

插值这块，OpenCV给了一堆选项：最近邻、双线性、双三次、区域平均、兰索斯。它们不是随机排列的“可选参数”，背后是质量、速度、语义的三角权衡。我后面会单独讲。

边界问题最常见也最容易被忽略。旋转30度之后，图像的四个角一定有一部分落在原画布外面，如果什么都不设置，OpenCV默认用黑色填充，于是就有了大家喜闻乐见的“黑边旋转图”。这不是bug，是边界策略没选对。

坐标系问题则是无数人写错变换代码的总根源。图像坐标系的原点在左上角，x轴向右，y轴向下。这和你在数学课本里画的坐标系y轴向上的习惯正好相反。旋转方向的判断、矩阵参数的正负号，全都被这个差异影响。

2. 缩放与旋转：最常用操作里藏得最深的两个坑

2.1 resize：插值不是随便选的

resize恐怕是接触OpenCV后第一个学会的函数，但十个新手九个在插值上栽跟头。cv2.resize(src, dsize, fx, fy, interpolation)里，dsize和fx, fy二选一用即可，同时传的时候OpenCV以dsize为准。注意dsize的写法是(宽度, 高度)，也就是(列数, 行数)，而NumPy数组的shape是(行数, 列数)，所以最常用的写法是：

import cv2 img = cv2.imread("sample.jpg") h, w = img.shape[:2] # 缩放到指定尺寸：第一维是宽度w，第二维是高度h small = cv2.resize(img, (320, 240), interpolation=cv2.INTER_AREA) # 按比例放大2倍 big = cv2.resize(img, None, fx=2.0, fy=2.0, interpolation=cv2.INTER_LINEAR)

我把不同插值方法整理成一张表，实际项目里按这个选基本稳：

有个经验原则：放大优先用INTER_LINEAR或INTER_CUBIC，缩小优先用INTER_AREA。为什么缩小不要用双线性？因为缩小时一个目标像素对应源图一大块区域，双线性只采样四个点，高频信息会被折叠成摩尔纹；而INTER_AREA把源图对应区域整体做了均值，反而更接近“正确的局部平均”。

更隐蔽的一个坑是mask或者标签图的缩放。我在一个分割项目里给标签图做缩放，顺手用了双线性插值，结果标签图里全是0.35、0.68这种中间值，损失函数直接算不下去了。标签图、掩码这类语义图，一律用INTER_NEAREST，不要有任何模糊过渡，否则会人为造出不属于任何类别的中间语义。

2.2 旋转：黑边、画布和插值一个都躲不掉

OpenCV里没有单独的rotate图像函数，旋转要用cv2.getRotationMatrix2D加cv2.warpAffine组合：

h, w = img.shape[:2] center = (w / 2, h / 2) # scale=1.0，angle正值是逆时针方向（按图像坐标系定义） M = cv2.getRotationMatrix2D(center, 30, 1.0) rotated = cv2.warpAffine(img, M, (w, h))

第一个坑是方向。getRotationMatrix2D文档写得很清楚，正角度代表“counter-clockwise”，但这个“逆时针”是按图像坐标系的y轴朝下定义的。你在屏幕上看效果，30度正角度，图像其实是顺时针转了30度。我第一次用的时候完全搞反，后来记了个口诀：在OpenCV里写正角度，视觉上就按“钟表方向”理解，别去套数学课的逆时针。

第二个坑是黑边。上面这段代码运行完，四个角一定全是黑的，因为默认borderValue是0。处理方式通常有两种：一是要求不高的场景直接把边填成背景色或白色：

rotated = cv2.warpAffine( img, M, (w, h), borderMode=cv2.BORDER_CONSTANT, borderValue=(255, 255, 255) )

二是让输出画布自适应，把旋转后完整的内容都包进来。需要先算出旋转后外接矩形的宽高，再平移旋转中心：

M = cv2.getRotationMatrix2D((w / 2, h / 2), 30, 1.0) cos = abs(M[0, 0]) sin = abs(M[0, 1]) new_w = int(h * sin + w * cos) new_h = int(h * cos + w * sin) # 把旋转中心移到新画布中心 M[0, 2] += new_w / 2 - w / 2 M[1, 2] += new_h / 2 - h / 2 rotated = cv2.warpAffine(img, M, (new_w, new_h))

为什么外接矩形要这样算？旋转后的外接矩形宽度等于“原图高度乘以sin角度”加“原图宽度乘以cos角度”，高度反之。这个公式是纯几何结论，我自己第一次用的时候直接抄，后来画了个矩形旋转的草图才算彻底明白。

第三个坑是画布尺寸变化。默认(w, h)等于原图尺寸，旋转后边缘内容被裁掉。很多人旋转一个横图90度发现图像被压扁了，其实就是忘了把输出尺寸换成(h, w)。

2.3 90度倍数的旋转别用warpAffine硬算

如果是90度、180度、270度这类特殊角，完全没必要走矩阵映射。cv2.rotate或者NumPy的np.rot90本质是数组搬运，不涉及像素重采样，速度快得不是一个量级：

# 顺时针90度 r = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE) # 等价写法 r = cv2.rotate(img, cv2.ROTATE_90_COUNTERCLOCKWISE) # 这里是逆时针90度，视觉上和上面的顺时针180度不是一回事，别混

cv2.ROTATE_180就是180度旋转，cv2.ROTATE_90_COUNTERCLOCKWISE是逆时针90度。顺便说一句，很多OCR预处理里需要把歪着的图片“转正”，如果角度是90的整数倍，优先用这个，warpAffine的重采样反而会引入不必要的模糊。

3. 平移、镜像与组合变换：坐标方向上的数学账

3.1 平移矩阵：一句话记住正负方向

平移变换的矩阵很简单，2x3的矩阵第三列就是平移量：

import numpy as np M = np.float32([[1, 0, 50], [0, 1, 80]]) shifted = cv2.warpAffine(img, M, (w, h))

tx=50图像向右移，ty=80图像向下移。图像坐标系x向右、y向下，所以正tx就是把图像往右推，正ty就是往下推。这个我记得很清楚，因为曾经把一个“向下平移100像素”的需求写成了-100，结果图案跑到了画面顶部外面，找了好久才意识到方向理解错位。

平移之后原位置空出来，同样可以设置borderValue或borderMode。实际业务里平移单独用的情况不多，更多是和其他变换组合，比如数据增广时的随机平移、图像拼接时的对齐微调。

3.2 flip的三个方向和命名陷阱

cv2.flip(src, flipCode)里的flipCode只有三个值，但命名非常容易让人栽跟头：

记忆的关键是“flipCode取值表示绕着哪条轴翻”。0对应绕着水平的x轴翻，所以是上下镜像；1对应绕着垂直的y轴翻，所以是左右镜像。我见过不少人把0当水平翻转用，出来的图上下颠倒才发现自己记反了。

垂直镜像在实际项目里有个常见误区：做数据增广时，随机水平翻转用flipCode=1没问题，但车牌、文字、数码这类有方向性的数据不能随便翻，否则语义就变了。翻转本质不产生平行偏移，它是坐标轴方向的镜像映射，如果你后续要做方向分类，这种增广方式要慎用。

3.3 组合变换：矩阵乘法顺序常反

缩放、旋转、平移经常要一起上。如果分别算矩阵再连续warp，中间会产生一次额外插值，图像质量受损。更好的办法是把所有变换合并成单个矩阵一次搞定。

问题在于合并的顺序，这里几乎是几何变换里错得最多的地方。假设先缩放2倍，再向右平移50像素：

scale_M = np.float32([[2, 0, 0], [0, 2, 0]]) shift_M = np.float32([[1, 0, 50], [0, 1, 0]]) # 正确顺序：先scale_M，再shift_M M = shift_M @ scale_M # 错误写法：先shift_M，再scale_M # M_wrong = scale_M @ shift_M

为什么是shift_M @ scale_M？因为图像坐标写成齐次列向量[x, y, 1]^T后，变换是从右往左依次作用的。先应用scale_M，再应用shift_M，所以右边的矩阵是先生效的缩放。如果写成反过来的顺序，就会变成先平移后缩放，平移量也被乘以2，结果完全不对。

我自己验证过很多次，正确顺序的视觉结果是：图形先放大两倍，然后整体向右挪50；错误顺序的结果是：图形先右移50，再放大两倍，能看到图形在x方向的偏移量变成了100。差50个像素，放显示器上非常明显。合并两个以上变换时，一定要把“先发生的操作放在最右边”。

4. 仿射变换：三个点算出一组可靠的变换参数

4.1 仿射变换到底在做什么

仿射变换是几何变换家族里最通用的一套框架。它等于“线性变换加平移”，数学形式是2x3矩阵：

M = [[a, b, c], [d, e, f]]

变换公式：

x' = a * x + b * y + c y' = d * x + e * y + f

它有一个重要性质：保持直线和平行关系。原本平行的两条线，变换后依然平行。缩放、旋转、平移、镜像全是它的特例。你不需要为每种变换单独写逻辑，只要给出正确的2x3矩阵，warpAffine通通搞定。

4.2 为什么三个点就能定义仿射变换

矩阵里有6个未知数，而一对对应点提供两个方程（x和y各一个），所以三个点可以解出全部6个参数。OpenCV里对应的函数是cv2.getAffineTransform：

pts_src = np.float32([[50, 50], [200, 50], [50, 200]]) pts_dst = np.float32([[10, 100], [200, 50], [100, 250]]) M = cv2.getAffineTransform(pts_src, pts_dst) out = cv2.warpAffine(img, M, (w, h))

理解这个自由度很重要。仿射只有6个自由度，所以它只能表达“整体的平移、旋转、缩放、切变”。如果你的目标形状是一个梯形，想把它拉成矩形，仿射变换做不到，因为梯形到矩形不保持平行性（梯形的斜边和底边本来就不平行，拉伸后依然不平行，最多改变倾斜角度，无法把两条斜边掰成竖直）。这种情况就要用透视变换，也就是下一节的内容。

我在一个项目里用鼠标在图上点三个特征点做对齐，当时很疑惑“为什么三个点而不是两个点就能固定整张图的映射”，后来想明白是每个点两个方程、三个点六个方程，和未知数正好匹配。如果你点两个点，方程数不够，解出来的矩阵有无数种可能，OpenCV会直接报错或者给出不稳定结果。

4.3 getRotationMatrix2D帮你算好的那些数

回到旋转的函数。cv2.getRotationMatrix2D(center, angle, scale)返回的2x3矩阵，实际上是下面这个结构：

α = scale * cos(angle) β = scale * sin(angle) M = [[ α, β, (1 - α) * cx - β * cy], [-β, α, β * cx + (1 - α) * cy]]

第三列那两项看起来吓人，其实就是“先平移到中心、旋转缩放、再平移回来”的合并结果。这个函数的存在让我在项目里省了很多事。如果你需要绕某个自定义点旋转，只要把center传进去，不用自己推导平移项，全部处理好。

4.4 warpAffine的参数逐个说清楚

cv2.warpAffine(src, M, dsize, flags, borderMode, borderValue)里最容易忽略的是dsize和borderMode。

• dsize是输出尺寸，写成(width, height)。有人写(h, w)之后图像变形，多半是这里搞反。
• flags是插值方式，默认INTER_LINEAR。
• borderMode默认BORDER_CONSTANT，即填固定值；设为BORDER_REPLICATE则复制边缘像素。文档矫正这类场景，旋转后边缘延伸出画布，用BORDER_REPLICATE看起来比黑边自然得多。
• borderValue在BORDER_CONSTANT时生效，可以填(255, 255, 255)让边变白。

这些参数不是每个都常用，但每个我都踩过。尤其是borderMode，很多教程完全没提，导致大家做旋转时只能默默接受黑边，其实一个参数就能改掉。

5. 透视变换：把歪拍摄图掰正的完整链路

5.1 从八参数矩阵到梯形矫正

透视变换是最常用的场景重建工具，数学形式是3x3矩阵，但自由度只有8（矩阵右下角固定为1）。它的变换公式里带了分母：

x' = (a*x + b*y + c) / (g*x + h*y + 1) y' = (d*x + e*y + f) / (g*x + h*y + 1)

这个分母就是“透视感”的来源。仿射变换只能做平行映射，透视变换则允许直线依然保持直线，但平行线不再平行。你看一张梯形卡片，用透视变换可以把它的四条边重新拉成一个矩形，这在文档拍照矫正里几乎是每篇都要用。

OpenCV里对应两个函数：cv2.getPerspectiveTransform(src_pts, dst_pts)用四对点求3x3矩阵，cv2.warpPerspective(img, M, dsize)做实际映射。

5.2 一个文档矫正的完整Demo

我做过一个名片拍照自动矫正的小工具，核心逻辑是找图里的四边形，映射成正矩形。完整流程分四步：找轮廓、排四角、算目标尺寸、透视变换。

第一步找四边形轮廓：

import cv2 import numpy as np img = cv2.imread("card.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (5, 5), 0) edged = cv2.Canny(blur, 50, 150) contours, _ = cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) bigcontour = max(contours, key=cv2.contourArea) quad = cv2.approxPolyDP(bigcontour, 0.02 * cv2.arcLength(bigcontour, True), True) pts = quad.reshape(4, 2).astype(np.float32)

第二步排四角顺序。这里是最容易乱的环节。approxPolyDP给出的四个点顺序并不固定，可能从任意一个角开始，可能是顺时针也可能逆时针。我通常用排序加夹角判断保证顺序是左上、右上、右下、左下：

def order_points(pts): rect = np.zeros((4, 2), dtype=np.float32) s = pts.sum(axis=1) rect[0] = pts[np.argmin(s)] # 左上：x+y最小 rect[2] = pts[np.argmax(s)] # 右下：x+y最大 diff = np.diff(pts, axis=1) rect[1] = pts[np.argmin(diff)] # 右上：x-y最小 rect[3] = pts[np.argmax(diff)] # 左下：x-y最大 return rect

这种“按坐标和与差排序”的写法在四边形接近矩形时很稳定，但遇到很畸形的梯形可能会翻车。稳妥的做法是选定一个初始角点，接着算它到其他三个点的向量角度，按角度排序。我在项目里两种都写过，最终推荐正式场景用“先找一个最左上的点，再按极角排序”的方案，sum/diff只适合文档轮廓比较正的场景。

第三步算目标矩形的宽高。用四角之间的欧氏距离近似：

width = int(max( np.linalg.norm(pts[1] - pts[0]), np.linalg.norm(pts[2] - pts[3]) )) height = int(max( np.linalg.norm(pts[3] - pts[0]), np.linalg.norm(pts[2] - pts[1]) ))

第四步做透视映射：

dst = np.float32([[0, 0], [width - 1, 0], [width - 1, height - 1], [0, height - 1]]) M = cv2.getPerspectiveTransform(pts, dst) result = cv2.warpPerspective(img, M, (width, height))

这四步完整跑下来，斜着拍的名片基本能矫正到正面视角。实际效果好坏主要卡在第二步的顺序和第四步的尺寸选取，我在那个工具里迭代了三轮才算稳定。

5.3 选点顺序与输出尺寸的坑

getPerspectiveTransform本身不要求四个点按某种特定顺序传入，但它要求源图四点和目标四点按相同顺序一一对应。如果你源点顺序是左上、左下、右下、右上，而目标点顺序是左上、右上、右下、左下，映射出来的图就会发生“上下翻转”或“左右翻转”，看起来像被掰了一个奇奇怪怪的扭曲。

我排查过一种情况：矫正出来的文字整体倒着，或者左右镜像。十有八九是选点顺序不一致。所以写代码时我习惯先定义一个固定的顺序常量，无论是鼠标点击、轮廓提取还是手工固定的角点，最后都先统一排序再传给getPerspectiveTransform。

输出尺寸上也有个容易翻车的点。warpPerspective的dsize是可以任意指定的。如果你按检测到的轮廓宽高来输出，得到的图是“文档本身拉直”；如果按原图尺寸输出，得到的只是一种轻微的相机视角调整，并不是真正的矫正。做OCR之前一般用前者，让文字区域最大限度展开。

6. 几何变换的落地场景：增广、拼接与视角转换

6.1 数据增广里的同步变换

几何变换在深度学习项目里最常见的位置就是数据增广。随机旋转、随机平移、随机缩放、随机水平翻转都能提升模型泛化能力，但这里有一个非常容易忽略的问题：图像变换了，标签也要跟着变。

坐标框跟着图像做同样的仿射变换，说起来一句话，写起来全是坑。比如旋转30度之后，原本的矩形框旋转后变成了一个“倾斜的矩形”，很多检测代码要求框必须是轴对齐的，你还得重新计算外接矩形。我之前做过一个管线，直接用warpAffine旋转图像，然后把bbox四个角也用矩阵乘一遍，再取新的外接框，才把这个问题搞定。

有个省心的小技巧：增广阶段不要对整图做透视变换，尽量只做仿射。因为透视变换会把矩形框变成不规则的四边形，绝大多数标注格式处理不了。

6.2 图像拼接与配准：几何变换是粘合剂

做全景拼接时，两幅图之间往往只有在重叠区域，需要先找到特征点匹配关系，再用匹配点求出透视矩阵，最后把一张图映射到另一张的坐标系里。这套流程我拆开看就是两个几何变换的时刻：求矩阵时用的是findHomography，应用时用的是warpPerspective。

说到findHomography，它和getPerspectiveTransform的区别值得提一句：前者用特征匹配出来的一堆点对做鲁棒估计，能剔除错误匹配；后者用精确给定的四对点直接解矩阵。取景正常但有轻微畸变时，用前者更稳。若某个场景只需要用手工选的四个角点做矫正，后者就够了。

6.3 鸟瞰视角转换：把相机坐标系掰成俯视图

车辆感知里经常要把前视相机画面投影成俯视的鸟瞰图。这个操作在很多文章里叫IPM，本质仍然是透视变换，只是源点和目标点从标定流程中获得：在平地上放一张棋盘格，标出网格交点，把前视图里这些点映射到俯瞰网格坐标，得到透视矩阵，之后每一帧图像都用同一个矩阵做warpPerspective。

这个场景里最需要注意的是“高度”问题。透视变换假设所有目标点都在同一个平面上，所以它能正确矫正地面上的车道线，却会把行人、路牌这些有高度的物体拉得变形。有一次做车道线检测项目，我把行人区域也一起投影到鸟瞰图，结果行人被拉成一条斜柱，问题定位了很久才想到是平面假设被打破了。

7. 动手前必看的避坑清单与参数速查

我把这些年踩过的坑整理成一张表，按问题出现的频率排序。每一条都是真实项目里消耗过时间的：

参数速查我也顺手写一下：

• cv2.resize(src, (w, h), fx, fy, interpolation)：dsize与fx/fy二选一；缩小用INTER_AREA，放大用INTER_LINEAR，mask用INTER_NEAREST。
• cv2.getRotationMatrix2D(center, angle, scale)：返回2x3矩阵，正角度视觉为顺时针。
• cv2.warpAffine(src, M, dsize, flags, borderMode, borderValue)：M是2x3浮点矩阵，dsize是(w, h)。
• cv2.getAffineTransform(srcTriangle, dstTriangle)：各传3个点。
• cv2.getPerspectiveTransform(srcQuad, dstQuad)：各传4个点。
• cv2.warpPerspective(src, M, dsize)：M是3x3浮点矩阵。
• cv2.flip(src, flipCode)：0上下，1左右，-1旋转180度。

最后再分享一个我个人的做事习惯：拿到一张要变换的图像，我不会直接写代码，而是先在草稿纸上画一个小的坐标系，手动标出几个关键点的坐标变化，再用这些“手算结果”去验证矩阵输出。做几何变换这类数值敏感的算子，纸上推演一遍能省掉很多调试时间，这套习惯在我写文档矫正模块时帮我少走了不少弯路。