6图像的几何变换解析.pptx

像素的空间关系图像由基本单元-像素组成像素在图像空间按照某种规律排列，相互之间有一定联系像素有一定的空间位置空间变换-从一个空间到另一个空间坐标变换-从空间一个位置转换到另外一个位置内容：像素间的联系；基本坐标变换；几何失真校正数字图象处理像素的空间关系-像素的邻域邻域和邻接对于任意像素(i,j),把像素的集合(i+p,j+q)叫像素(i,j)的邻域，像素(i,j)附近的像素形成的区域，常用4邻域、对角邻域、8邻域。数字图象处理p3p2p1p4pp0p5P6p7像素的空间关系-像素的邻域4邻域与4邻接上、下、左、右四个像素p0,p2,p4,p6称为p的4邻域；互为4邻接的两像素叫4邻接。数字图象处理p3p2p1p4i,jp0p5P6p7像素的空间关系-像素的邻域对角邻域与对角邻接右上、左上、右下、左下四个像素p1,p3,p5,p7称为p的对角邻域；互为对角邻接的两像素叫对角邻接。数字图象处理p3p2p1p4i,jp0p5P6p7像素的空间关系-像素的邻域8邻域与8邻接上下左右4个像素和四个对角线像素p0p7为8邻域；互为8邻接的两像素叫8邻接数字图象处理p3p2p1p4i,jp0p5P6p7像素的空间关系-连接和连通邻接-考虑像素的空间关系连接-1、空间上是否接触 2、灰度是否满足特定相似准则V表示连接的灰度值集合V=14连接、8连接、混合连接011010011数字图象处理01101000101101001像素的空间关系-连接和连通连通-从像素坐标（x,y）p到像素坐标（s,t）q的一条通路由一系列具有坐标（x0,y0）（xi，yi）(xn,yn)的独立像素组成。1=I 0变变化化的的过过程程就就表表示示了了标标准准坐坐标标系系中中的的一一个个点点沿沿直直线线 ax+by=0 逐逐渐渐走走向向无无穷穷远远处处的的过过程程。例点S(60 000，40 000)在16位计算机上表示则大于32 767的最大坐标值，需要进行复杂的操作。但如果把S的坐标形式变成（Hx,Hy,H）形式的齐次坐标，则情况就不同了。在齐次坐标系中，设H12，则(60 000，40 000)的齐次坐标为(1x/2,1y/2,1/2)，那么所要表示的点变为(30 000,20 000,1/2)，此点在16位计算机上二进制数所能表示的范围之内。像素的空间关系-几何变换基础 齐次坐标齐次坐标 现设点P0(x0,y0)进行平移后，移到P(x,y)，其中x方向的平移量为x，y方向的平移量为y。那么，点P(x,y)的坐标为 如图下所示。这个变换用矩阵的形式可以表示为 像素的空间关系-几何变换基础 点的平移像素的空间关系-几何变换基础 而平面上点的变换矩阵 中没有引入平移常量，无论a、b、c、d取什么值，都不能实现上述的平移变换。因此，需要使用23阶变换矩阵，取其形式为 此矩阵的第一、二列构成单位矩阵，第三列元素为平移常量。由上述可知，对2D图像进行变换，只需要将图像的点集矩阵乘以变换矩阵即可，2D图像对应的点集矩阵是2n阶的，而上式扩展后的变换矩阵是23阶的矩阵，这不符合矩阵相乘时要求前者的列数与后者的行数相等的规则。像素的空间关系-几何变换基础 所以需要在点的坐标列矩阵x yT中引入第三个元素，增加一个附加坐标，扩展为31的列矩阵x y 1T，这样用三维空间点（x,y,1）表示二维空间点（x,y），即采用一种特殊的坐标，可以实现平移变换，变换结果为 式符合上述平移后的坐标位置。通常将23阶矩阵扩充为33阶矩阵，以拓宽功能。由此可得平移变换矩阵为 像素的空间关系-几何变换基础 下面再验证一下点P(x,y)按照33的变换矩阵T平移变换的结果 从上式可以看出，引入附加坐标后，扩充了矩阵的第3行，并没有使变换结果受到影响。这种用n1维向量表示n维向量的方法称为齐次坐标表示法。像素的空间关系-几何变换基础 因此，2D图像中的点坐标(x,y)通常表示成齐次坐标（Hx,Hy,H），其中H表示非零的任意实数，当H1时，则(x,y,1)就称为点(x,y)的规范化齐次坐标。显然规范化齐次坐标的前两个数是相应二维点的坐标，没有变化，仅在原坐标中增加了H1的附加坐标。由点的齐次坐标（Hx,Hy,H）求点的规范化齐次坐标(x,y,1)，可按如下公式进行：像素的空间关系-几何变换基础 齐次坐标的几何意义相当于点(x,y)落在3D空间H1的平面上，如图所示。如果将XOY 平面内的三角形abc 的各顶点表示成齐次坐标(xi,yi,1)(i=1,2,3)的形式，就变成H1平面内的三角形a1b1c1的各顶点。齐次坐标的几何意义齐次坐标的几何意义像素的空间关系-几何变换基础 齐次坐标在2D图像几何变换中的另一个应用是：如某点S(60 000，40 000)在16位计算机上表示则大于32 767的最大坐标值，需要进行复杂的操作。但如果把S的坐标形式变成（Hx,Hy,H）形式的齐次坐标，则情况就不同了。在齐次坐标系中，设H12，则(60 000，40 000)的齐次坐标为(x/2,y/2,1/2)，那么所要表示的点变为(30 000,20 000,1/2)，此点显然在16位计算机上二进制数所能表示的范围之内。因此，采用齐次坐标，并将变换矩阵改成33阶的形式后，便可实现所有2D图像几何变换的基本变换。像素的空间关系-几何变换基础 二维图像几何变换的矩阵二维图像几何变换的矩阵 利用齐次坐标及改成33阶形式的变换矩阵，实现2D图像几何变换的基本变换的一般过程是：将2n阶的二维点集矩阵 表示成齐次坐标的形式，然后乘以相应的变换矩阵即可完成，即 变换后的点集矩阵=变换矩阵T变换前的点集矩阵（图像上各点的新齐次坐标）（图像上各点的原齐次坐标）像素的空间关系-几何变换基础 设变换矩阵T为 则上述变换可以用公式表示为 像素的空间关系-几何变换基础 图像上各点的新齐次坐标规范化后的点集矩阵为 引入齐次坐标后，表示2D图像几何变换的33矩阵的功能就完善了，可以用它完成2D图像的各种几何变换。下面讨论33阶变换矩阵中各元素在变换中的功能。几何变换的33矩阵的一般形式为 像素的空间关系-几何变换基础 将齐次坐标 规范化后，。由此可见，当s1时，图像按比例缩小；当0s1时，整个图像按比例放大；当s1时，图像大小不变。像素的空间关系-几何变换基础 图像比例缩放变换图像比例缩放变换 图像比例缩放是指将给定的图像在x轴方向按比例缩放fx倍，在y轴方向按比例缩放fy倍，从而获得一幅新的图像。如果fxfy，即在x轴方向和y轴方向缩放的比率相同，称这样的比例缩放为图像的全比例缩放。如果fxfy，图像的比例缩放会改变原始图像的像素间的相对位置，产生几何畸变。设原图像中的点P0(x0,y0)比例缩放后，在新图像中的对应点为P(x,y)，则P0(x0,y0)和P(x,y)之间的对应关系如图6-3所示。像素的空间关系-几何变换基础 图6-3 比例缩放像素的空间关系-几何变换基础 比例缩放前后两点P0(x0,y0)、P(x,y)之间的关系用矩阵形式可以表示为（6-1）公式（6-1）的逆运算为 像素的空间关系-几何变换基础 即 比例缩放所产生的图像中的像素可能在原图像中找不到相应的像素点，这样就必须进行插值处理。插值处理常用的方法有两种，一种是直接赋值为和它最相近的像素值，另一种是通过一些插值算法来计算相应的像素值。前一种方法计算简单，但会出现马赛克现象；后者处理效果要好些，但是运算量也相应增加。在下面的算法中直接采用了前一种做法。实际上，这也是一种插值算法，称为最邻近插值法（Nearest Neighbor Interpolation）。像素的空间关系-几何变换基础 下面首先讨论图像的比例缩小。最简单的比例缩小是当 fx=fy=12时，图像被缩到一半大小，此时缩小后图像中的(0，0)像素对应于原图像中的(0，0)像素；(0，1)像素对应于原图像中的(0，2)像素；(1，0)像素对应于原图像中的(2，0)像素，依此类推。图像缩小之后，因为承载的信息量小了，所以画布可相应缩小。此时，只需在原图像基础上，每行隔一个像素取一点，每隔一行进行操作，即取原图的偶（奇）数行和偶（奇）数列构成新的图像，如图6-4所示。如果图像按任意比例缩小，则需要计算选择的行和列。像素的空间关系-几何变换基础 图6-4 图像缩小一半像素的空间关系-几何变换基础 如果MN大小的原图像F(x，y)缩小为 kMkN大小（k1）的新图像I(x，y)时，则I(x,y)=F(int(cx),int(cy)其中，c=1k。由此公式可以构造出新图像，如图6-5所示。图6-5 图像按任意比例缩小像素的空间关系-几何变换基础 当fxfy(fx,fy0)时，图像不按比例缩小，这种操作因为在x方向和y方向的缩小比例不同，一定会带来图像的几何畸变。图像不按比例缩小的方法是：如果MN大小的旧图F(x，y)缩小为k1Mk2N（k11，k21）大小的新图像I(x，y)时，则I(x,y)=F(int(c1x),int(c2y)其中 由此公式可以构造出新图像。像素的空间关系-几何变换基础 图像在缩小操作中，是在现有的信息里如何挑选所需要的有用信息。而在图像的放大操作中，则需要对尺寸放大后所多出来的空格填入适当的像素值，这是信息的估计问题，所以较图像的缩小要难一些。当fxfy2时，图像被按全比例放大2倍，放大后图像中的(0，0)像素对应于原图中的(0，0)像素；(0，1)像素对应于原图中的(0，0.5)像素，该像素不存在，可以近似为(0，0)也可以近似(0，1)；(0，2)像素对应于原图像中的(0，1)像素；(1，0)像素对应于原图中的(0.5，0)，它的像素值近似于(0，0)或(1，0)像素；(2，0)像素对应于原图中的(1，0)像素，依此类推。其实这是将原图像每行中的像素重复取值一遍，然后每行重复一次。图6-6是原始图像，图6-7和图6-8是分别采用上述两种近似方法放大后的图像。像素的空间关系-几何变换基础 图6-6 放大前的图像 像素的空间关系-几何变换基础 图6-7 按最近邻域法放大两倍的图像 图6-9 按最近邻域法放大五倍的图像 像素的空间关系-几何变换基础 按比例将原图像放大k倍时，如果按照最近邻域法则需要将一个像素值添在新图像的kk的子块中，如图6-9所示。显然，如果放大倍数太大，按照这种方法处理会出现马赛克效应。一般地，当fxfy(fx,fy0)时，图像在x方向和y方向不按比例放大，此时，这种操作由于x方向和y方向的放大倍数不同，一定带来图像的几何畸变。放大的方法是将原图像的一个像素添到新图像的一个k1k2的子块中去。为了提高几何变换后的图像质量，常采用线性插值法。该方法的原理是，当求出的分数地址与像素点不一致时，求出周围四个像素点的距离比，根据该比率，由四个邻域的像素灰度值进行线性插值，如图6-10所示。像素的空间关系-几何变换基础 图6-10 线性插值法示意图 像素的空间关系-几何变换基础 简化后的灰度值计算式如下:g（x，y）=（1-q）（1-p）g（x，y）+pg（x+1，y）+q（1-p）g（x，y+1）+pg（x+1，y+1）图像平移变换图像平移变换 图6-12 图像平移像素的空间关系-几何变换基础 设点P0(x0,y0)进行平移后，移到P(x,y)，其中x方向的平移量为x，y方向的平移量为y。那么，点P(x,y)的坐标为 利用齐次坐标，变换前后图像上的点P0(x0,y0)和P(x,y)之间的关系可以用如下的矩阵变换表示为（6-2）像素的空间关系-几何变换基础 对变换矩阵求逆，可以得到式（6-2）的逆变换 即 像素的空间关系-几何变换基础 对于平移后不在原图像中的点，可以直接将它的像素值统一设置为0或者255（对于灰度图就是黑色或白色）。同样，若有像素点不在原图像中，也就说明原图像中有点被移出显示区域。如果不想丢失被移出的部分图像，可以将新生成的图像宽度扩大|x|，高度扩大|y|。像素的空间关系-几何变换基础 图6-13 平移前的图像 图6-14 平移后的图像 图6-15 平移扩大后的图像 图像镜像变换图像镜像变换 图像的镜像变换不改变图像的形状。图像的镜像(Mirror)变换分为两种：一种是水平镜像，另外一种是垂直镜像。图像的水平镜像操作是将图像左半部分和右半部分以图像垂直中轴线为中心进行镜像对换；图像的垂直镜像操作是将图像上半部分和下半部分以图像水平中轴线为中心进行镜像对换，如图6-16所示。像素的空间关系-几何变换基础 图6-16 图像的镜像 像素的空间关系-几何变换基础 图像的镜像变换也可以用矩阵变换表示。设点P0(x0,y0)进行镜像后的对应点为P(x,y)，图像高度为fHeight，宽度为fWidth，原图像中P0(x0,y0)经过水平镜像后坐标将变为（fWidth-x0，y0），其矩阵表达式为(6-3)像素的空间关系-几何变换基础 逆运算矩阵表达式为 即 像素的空间关系-几何变换基础 同样，P0(x0,y0)经过垂直镜像后坐标将变为(x0，fHeight-y0)，其矩阵表表达式为(6-4)像素的空间关系-几何变换基础 逆运算矩阵表达式为 即 像素的空间关系-几何变换基础 图6-17 镜像前的图像 像素的空间关系-几何变换基础 图6-18 水平镜像 图6-19 垂直镜像 图像旋转变换图像旋转变换一般图像的旋转是以图像的中心为原点，将图像上的所有像素都旋转一个相同的角度。图像的旋转变换是图像的位置变换，但旋转后，图像的大小一般会改变。和图像平移一样，在图像旋转变换中既可以把转出显示区域的图像截去，也可以扩大图像范围以显示所有的图像。如图6-20、图6-21所示。像素的空间关系-几何变换基础 图6-20 旋转前的图像 像素的空间关系-几何变换基础 图6-21 旋转后的图像（扩大图像、转出部分被截）图像的旋转变换也可以用矩阵变换表示。设点P0(x0,y0)旋转角后的对应点为P(x,y)，如图6-22所示。那么，旋转前后点P0(x0,y0)、P(x,y)的坐标分别是：图6-22 图像旋转角像素的空间关系-几何变换基础 写成矩阵表达式为(6-5)像素的空间关系-几何变换基础 其逆运算为其逆运算为 像素的空间关系-几何变换基础 图6-23 图像旋转角 像素的空间关系-几何变换基础 利用公式（6-5）进行图像旋转时需要注意如下两点：（1）图像旋转之前，为了避免信息的丢失，需坐标平移图6-24 图像旋转之前进行的平移 像素的空间关系-几何变换基础 （2）图像旋转之后，会出现许多空洞点，如图6-23所示。对这些空洞点必须进行填充处理，否则画面效果不好，一般也称这种操作为插值处理。最简单的方法是行插值方法或列插值方法：找出当前行的最小和最大的非白点的坐标，记作：(i,k1)、(i,k2)。在(k1,k2)范围内进行插值，插值的方法是：空点的像素值等于前一点的像素值。同样的操作重复到所有行。经过如上的插值处理之后，图像效果就变得自然。如图6-25所示。列插值方法与此类同。像素的空间关系-几何变换基础 图6-25 图6-23中的图像处理后的效果 像素的空间关系-几何变换基础 图6-26 旋转前的图像 像素的空间关系-几何变换基础 图6-27 旋转15并进行插值处理的图像 像素的空间关系-几何变换基础 图6-28 被放大的旋转前图像 像素的空间关系-几何变换基础 6-29 旋转30 并进行插值处理的放大图像 像素的空间关系-几何变换基础 图像复合变换图像复合变换 图像的复合变换是指对给定的图像连续施行若干次如前所述的平移、镜像、比例、旋转等基本变换后所完成的变换，图像的复合变换又叫级联变换。利用齐次坐标，对给定的图像依次按一定顺序连续施行若干次基本变换，其变换的矩阵仍然可以用33阶的矩阵表示，而且从数学上可以证明，复合变换的矩阵等于基本变换的矩阵按顺序依次相乘得到的组合矩阵。设对给定的图像依次进行了基本变换F1，F2，FN，它们的变换矩阵分别为T1，T2，TN，按照公式（6-1）（6-6）的表示形式，图像复合变换的矩阵T可以表示为：T=TNTN-1T1。像素的空间关系-几何变换基础 1.复合平移复合平移 设某个图像先平移到新的位置P1(x1,y1)后，再将图像平移到P2(x2,y2)的位置，则复合平移矩阵为 由此可见，尽管一些顺序的平移，用到矩阵的乘法，但最后合成的平移矩阵，只需对平移常量作加法运算。(6-7)像素的空间关系-几何变换基础 2.复合比例复合比例 同样，对某个图像连续进行比例变换，最后合成的复合比例矩阵，只要对比例常量作乘法运算即可。复合比例矩阵如下：(6-8)像素的空间关系-几何变换基础 3.复合旋转复合旋转 类似地，对某个图像连续进行旋转变换，最后合成的旋转变换矩阵等于两次旋转角度的和，复合旋转变换矩阵如下式所示：(6-9)像素的空间关系-几何变换基础 上述均为相对原点(图像中央)作比例、旋转等变换，如果要相对某一个参考点作变换，则要使用含有不同种基本变换的图像复合变换。不同的复合变换，其变换过程不同，但是无论它的变换过程多么复杂，都可以分解成一系列基本变换。相应地，使用齐次坐标后，图像复合变换的矩阵由一系列图像基本几何变换矩阵依次相乘而得到。下面通过一个例子讨论含有不同种基本变换的图像复合变换。像素的空间关系-几何变换基础 从6.2和6.5节的讨论中可以看出，在进行图像的比例缩放、图像的旋转变换时，整个变换过程由两部分组成，即需要两个独立的算法。首先，需要一个算法来完成几何变换本身，用它描述每个像素如何从其初始位置移动到终止位置；同时，还需要一个用于灰度级插值的算法。这是因为，在一般情况下，原始（输入）图像的位置坐标(x,y)为整数，而变换后（输出）图像的位置坐标为非整数，即产生“空穴”，反过来也是如此。因此，一般地，在进行图像的几何变换时，除了要进行其本身的几何变换外，还要进行灰度级插值处理。像素的空间关系-几何变换基础 灰度像素插值处理（两种方法）：A 像素移交把几何变换想像成将输入图像的灰度一个个像素地转移到输出图像中。一个输入像素被映射到四个输出像素之间，则其灰度值按照插值法在四个像素之间分配。B 像素填充把几何变换想像成输出图像的灰度一个像素地从到输入图像中找到对应的位置。对应的位置落在四个像素之间，则其灰度由四个像素插值决定。像素的空间关系-几何变换基础 图6-30 灰度级插值处理（像素变换）像素的空间关系-几何变换基础 在像素填充法中，变换后（输出）图像的像素通常被映射到原始（输入）图像中的非整数位置，即位于四个输入像素之间。因此，为了决定与该位置相对应的灰度值，必须进行插值运算。最简单的插值方法是零阶插值或称为最近邻插值，也叫最近邻域法，参见本书6.2节。一阶插值或称双线性插值法和零阶插值法相比可产生更令人满意的效果，只是程序稍复杂一些，运行时间稍长一些。它的原理如图6-10和图6-31所示，插值计算公式参见6.2.1中的公式（6-2）。像素的空间关系-几何变换基础 像素的空间关系-几何失真校正最邻近像元法将距离最近的邻点灰度赋给待求像素。双线性内插-原图像坐标为(X0,Y0)，它的输出图像坐标变换求得的(X,Y)，但在 不是整数时，就要用周围点内插出其值。双线性内插是当变换后坐标(x,y)不在网格点上，则可用与之相邻的四个整数位置上的像素灰度进行插值（或代替），比如用最接近像素代替。线性内插具有低通性质，使高频信息受损，图像模糊。数字图象处理图6-31 双线性插值 像素的空间关系-几何变换基础 在这里还要说明一点，为了提高双线性插值的速度，双线性插值也可以分解为三个线性插值来实现，公式如下：f(x,0)=f(0,0)+xf(1,0)-f(0,0)f(x,1)=f(0,1)+xf(1,1)-f(0,1)(6-10)f(x,y)=f(x,0)+yf(x,1)-f(x,0)因为公式(6-2)需要用到四次乘法、八次加(或减)法运算，而公式(6-10)表示的第二种方法只需要三次乘法和六次加(或减)法，所以几何变换程序一般选择后者。像素的空间关系-几何变换基础 在几何运算中，双线性灰度插值的平滑作用可能会使图像的细节产生退化，尤其是在进行放大处理时，这种影响将更为明显。而在其他应用中，双线性插值的斜率不连续性会产生不希望得到的结果。这两种情况都可以通过高阶插值得到修正，当然这需要增加计算量。使用高阶插值函数的例子有：三次样条、Legendre中心函数和sin(x)/函数(即sin(x)函数)。高阶插值常用卷积来实现。像素的空间关系-几何变换基础 像素的空间关系-几何失真校正几何畸变校正 三次卷积法（如果在变换后的坐标附近能找到16个邻点，则可采用此法）数字图象处理图像复合变换的示例图像复合变换的示例P128 图6-32 坐标系的平移 像素的空间关系-几何变换基础 两个坐标系之间的坐标变换矩阵表达式为：它的逆变换矩阵表达式是：像素的空间关系-几何变换基础 为了推导公式简单起见，假设图像未旋转时中心坐标为(a，b)，旋转后中心坐标为(c，d)(在新的坐标系下旋转后新图像左上角为原点)，则旋转变换矩阵表达式为(6-11)像素的空间关系-几何变换基础 其逆变换表达式为(6-12)即(6-13)像素的空间关系-几何变换基础 因此(6-14)公式（6-10）说明绕任意点（a,b）旋转的几何变换是由平移旋转平移三个基本变换所构成，即先将坐标系平移到点（a,b），再进行旋转，然后将旋转后的图像平移回原来的坐标原点。像素的空间关系-几何变换基础 利用上面的转换公式（6-12）（6-14），就可以比较方便地编写出实现图像旋转的VC+函数。首先应计算出公式中需要的几个参数：a，b，c，d和旋转后新图像的高、宽度。现在已知图像的原始宽度为lWidth，高度为lHeight，以图像中心为坐标系原点，则原始图像四个角的坐标分别为 像素的空间关系-几何变换基础 按照旋转公式（6-11）（6-14），在旋转后的新图像中，这四个点坐标为 像素的空间关系-几何变换基础 则新图像的宽度lNewWidth和高度lNewHeight为lNewWidth=max(fDstX4-fDstY1,fDstX3-fDstY2)lNewHeight=max(fDstX4-fDstY1,fDstX3-fDstY2)如果令(6-15)由已知及假设 由公式（6-13）得(6-16)公式（6-16）、（6-17）便是图像绕任意点（a，b）旋转的变换公式，由此便可以编写出实现该变换的VC+程序。事实上，只要先按上述公式计算出旋转后新图像的高度和宽度以及常数f1和f2，并按照公式（6-17）计算出变换后图像上的点(i0,j0)：/计算该像素在源DIB中的坐标 i0=(float)j)*f sina+(float)i)*f cosa+f2;j0=(float)j)*f cosa+(float)i)*f sina+f1;6.7 透透 视视 变变 换换 6.7.1 透视变换透视变换 把三维物体或对象转变为二维图形表示的过程称为投影变换。根据视点（投影中心）与投影平面之间距离的不同，投影可分为平行投影和透视投影，透视投影即透视变换。平行投影的视点与投影平面之间的距离为无穷大，而对透视投影（变换），该距离是有限的。这个距离决定着透视投影的特性透视缩小效应，即三维物体或对象透视投影的大小与形体到视点的距离成反比。例如，等长的两直线段，都平行于投影面，但离投影中心近的线段，其透视投影大，而离投影中心远的线段，透视投影小。这种效应所产生的视觉效果与照相机系统和人的视觉系统十分类似。与平行投影相比，透视投影的深度感更强，看上去更真实，但透视投影不能真实地反映物体的精确尺寸和形状。对于透视投影，一束平行于投影面的平行线的投影可保持平行，而不平行于投影面的平行线的投影会聚集到一个点，这个点称为灭点(Vanishing Point)。灭点可以看作是无限远处的一点在投影面上的投影。透视投影的灭点可以有无限多个，不同方向的平行线在投影面上就能形成不同的灭点，坐标轴方向的平行线在投影面上形成的灭点又称作主灭点。因为有x,y和z三个坐标轴，所以主灭点最多有3个。透视投影是按主灭点的个数来分类的，即按投影面与坐标轴的夹角来分类的，可分为一点透视、二点透视和三点透视，如图6-33 所示。图6-33 透视变换（a）一点透视；(b)二点透视；(c)三点透视 下面讨论一点透视。一点透视只有一个主灭点，即投影面与一个坐标轴正交，与另外两个坐标轴平行，如图6-33（a）所示。进行一点透视投影变换，要很好地考虑图面布局，以避免三维形体或对象的平面域积聚成直线或直线积聚成点而影响直观性。具体地说，就是要考虑下列几点:三维形体或对象与画面(投影面)的相对位置；视距，即视点与画面的距离；视点的高度。由此，假设视点在坐标原点，z坐标轴方向与观察方向重合一致，三维形体或对象上某一点为P(x,y,z)，一点透视变换后在投影面（观察平面）UOV上的对应点为P(x,y,z)，投影面与z轴垂直，且与视点的距离为d，z轴过投影面窗口的中心，窗口是边长为2S的正方形，如图6-34所示。根据相似三角形对应边成比例的关系，有：(6-18)利用齐次坐标，与二维几何变换类似，将该过程写成变换矩阵形式为(6-19)图6-34 一点透视变换 6.7.2 其他变换其他变换 如前所述，齐次坐标为确定各种基本变换和复合变换公式提供了一个简单的方法。然而，在许多图像处理与分析应用中，所需的几何变换都相当复杂，甚至有些无法用简便的数学式来表达。此外，所需几何变换经常要从对实际图像的测量中获得，因此更希望用这些测量结果而不是函数形式来描述几何变换。例如，在对由摄像机拍摄的有几何畸变的图像进行几何校正时，首先应将一个矩形栅格目标数字化并显示出来。因为摄像机中有几何变形，所显示的图案不会是准确的矩形，因此所求几何变换应能使其栅格图案再次被复原为准确的矩形，从而修正了摄像机产生的畸变。采用同样的几何变换可用于校正同一摄像机生成的数字化图像(假定畸变与景物无关)，由此可得到不畸变的图像。