OpenCV是應(yīng)用最被廣泛的的開源視覺庫。他允許你使用很少的代碼來檢測圖片或視頻中的人臉。

這里有一些互聯(lián)網(wǎng)上的教程來闡述怎么在OpenCV中使用仿射變換（affine transform）旋轉(zhuǎn)圖片--他們并沒有處理旋轉(zhuǎn)一個圖片里的矩形一般會把矩形的邊角切掉這一問題，所以產(chǎn)生的圖片需要修改。當正確的使用一點代碼時，這是一點瑕疵。
 

def rotate_about_center(src, angle, scale=1.):  w = src.shape[1]  h = src.shape[0]  rangle = np.deg2rad(angle) # angle in radians  # now calculate new image width and height  nw = (abs(np.sin(rangle)*h) + abs(np.cos(rangle)*w))*scale  nh = (abs(np.cos(rangle)*h) + abs(np.sin(rangle)*w))*scale  # ask OpenCV for the rotation matrix  rot_mat = cv2.getRotationMatrix2D((nw*0.5, nh*0.5), angle, scale)  # calculate the move from the old center to the new center combined  # with the rotation  rot_move = np.dot(rot_mat, np.array([(nw-w)*0.5, (nh-h)*0.5,0]))  # the move only affects the translation, so update the translation  # part of the transform  rot_mat[0,2] += rot_move[0]  rot_mat[1,2] += rot_move[1]  return cv2.warpAffine(src, rot_mat, (int(math.ceil(nw)), int(math.ceil(nh))), flags=cv2.INTER_LANCZOS4)

從原始圖像的中心到目標圖像的中心，在旋轉(zhuǎn)中的仿射變換必須結(jié)合 仿射變換的平移。一個在平面中（2D）的仿射變換是一個2x2的矩陣A和一個平移的向量a-它取得原始點p = （x，y）到目標：Ap + a.結(jié)合了兩次變換Ap + a和Bp+b，先做A然后是B，軟后得到了 B(Ap + a)+ b --另一個與矩陣BA和向量Ba + b的仿射變換。

在此情況下，我們正在把旋轉(zhuǎn)功能與平移合并。作為相似變換的平移具有2x2矩陣I與運動矢量m的特征，所以，以Ip + m表示，我們想首先平移到新的中心，飯后旋轉(zhuǎn)它，這樣，在應(yīng)用Ip + m 后我們旋轉(zhuǎn)Rp + r，產(chǎn)生Rp + Rm + r，這解釋了為什么我們不得不只增加兩個系數(shù)。

附言：悲哀地說，如果numpy把輸入的數(shù)據(jù)看作是矢量的矢量，而不是矩陣，那解釋了乘法算子不是矩陣乘法，所以，我們必須明確地寫入np.dot。

又附言：我們使用蘭索斯插值，這一般對擴展有利而對把規(guī)?？s得非常小不利；考慮到應(yīng)用方面，我們應(yīng)該改編這個插值。

再附言：與Python的相互作用因cv2模塊而改善很多，但是因為numpy的坐標不同于OpenCV，所以仍不可避免地有一些為完善之處。另外，因某個原因，OpenCV始終把各單元當作度數(shù)而不是弧度使用，等等。就numpy而言，圖像陣列中的坐標是以[y,x]次序存取的，如首先垂直向下增加，接著水平向右增加一樣。就OpenCV而言，大小用（寬度，高度）表示，次序正相反。