掩码创建与应用

掩码是一个二值矩阵，通常用0和255表示黑色和白色区域。创建掩码需要定义掩码类型、指定图像大小和shift值，并使用无符号整形数据类型。掩码的大小必须与图像大小一致，覆盖区域置为255（保留），其余区域置为0（舍弃）。

掩码操作可以实现图像截取和局部处理。将掩码覆盖到图像上，保留掩码为255的区域，舍弃为0的区域。这种方法适用于对图像中的特定区域进行单独处理或提取。

直方图统计与均衡化

直方图用于统计图像中每个像素点的数量，反映图像的亮度或色彩分布。通过分析直方图，可以判断图像的对比度和曝光情况。

直方图均衡化通过统计像素点的灰度值分布，计算累积概率并进行映射变换，使灰度值分布更加均匀。映射变换公式为：

[
s_k = (L-1) \cdot \sum_{j=0}^{k} \frac{n_j}{N}
]

其中，( s_k ) 为映射后的灰度值，( L ) 为灰度级数，( n_j ) 为第j级灰度的像素数，( N ) 为总像素数。

直方图均衡化实现步骤

统计原始图像的灰度直方图，计算每个灰度级的概率分布。

计算累积分布函数（CDF），并对CDF进行归一化处理。

将归一化的CDF映射到新的灰度值，生成均衡化后的图像。均衡化后的图像具有更均匀的亮度分布，对比度得到显著提升。

掩码(Mask)原理

黑白二值矩阵(0/255)用于图像区域选择，核心是通过矩阵运算实现图像局部提取。创建与图像同尺寸的无符号矩阵，目标区域设为255，其余为0。与原始图像进行按位与操作时，白色区域保留原图，黑色区域像素置零。

猫图像局部提取示例中，掩码白色区域对应猫的轮廓，黑色区域为背景，叠加后仅保留猫的可见部分。

---

直方图均衡化

通过概率分布映射改善图像对比度，核心是重新分配像素亮度值。统计各灰度级出现频率，计算累积分布函数，最终映射到新灰度级。公式为：
新灰度值 = 累积概率 × 255

狗图像处理中，原始集中分布的灰度值经过均衡化后，动态范围明显扩大，暗部细节更清晰。

---

掩码实操步骤

使用OpenCV实现时需注意数据类型一致性。np.zeros()初始化矩阵，通过image.shape确保尺寸匹配，指定ROI区域赋值为255。关键代码示例：

mask = np.zeros(image.shape[:2], dtype=np.uint8)  
cv2.rectangle(mask, (x,y), (x+w,y+h), 255, -1)  
result = cv2.bitwise_and(image, image, mask=mask)

---

直方图对比分析

均衡化前后数据差异显著。原始直方图通常呈现窄而高的单峰分布，均衡后变为宽而平的分布。亮度通道变化最明显，如低对比度的人脸图像处理后，五官轮廓更突出。

可视化对比时，建议并排显示原始图像、直方图及处理后的结果，直观展示灰度值分布变化。

---

技术要点

• 掩码参数：必须为8位无符号整型(dtype=np.uint8)，否则按位运算会报错。
• 均衡化计算：需先归一化灰度频率为概率分布，映射后四舍五入取整。
• 通道处理：彩色图像通常转换到HSV空间后仅对V通道均衡化，避免颜色失真。

代码中需特别检查矩阵类型，错误使用浮点型会导### 直方图均衡化技术详解

全局直方图均衡化实现

使用OpenCV的cv2.equalizeHist()函数处理单通道灰度图像，该函数会自动完成像素值重新分布。典型代码示例：

import cv2
gray_img = cv2.imread('input.jpg', 0)
equalized_img = cv2.equalizeHist(gray_img)

处理后的直方图分布会从原始尖峰形态转变为相对平坦的分布，特别是原本占比少的灰度值区域会得到显著扩展。

视觉对比效果

通过np.hstack()水平拼接原图与均衡化结果可直观比较：

• 原始图像常表现为整体灰暗、细节模糊
• 均衡化图像呈现更高对比度，暗部细节更明显
• 可能伴随高光区域过曝（如面部反光区域亮度溢出）

数学原理

灰度映射公式为：
s_k = (L-1) \sum_{j=0}^k p_r(r_j)
其中L为灰度级数（通常256），p_r为灰度值概率分布。该计算过程会将累积分布函数线性拉伸到整个灰度范围。

自适应直方图均衡化(CLAHE)

改进方法采用局部区域处理，关键参数：

• clipLimit=2.0：控制对比度增强幅度
• tileGridSize=(8,8)：定义局部处理块大小

实现代码：

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
adaptive_img = clahe.apply(gray_img)

技术对比分析

维度	全局均衡化	CLAHE
处理速度	快（单次计算）	慢（分块计算+插值）
细节保留	局部特征可能丢失	保持纹理结构
适用场景	整体低对比度图像	局部亮度差异大的图像
参数复杂度	无需调参	需调整clipLimit和网格尺寸

应用选择建议

• 医学影像处理优先考虑CLAHE，可增强病灶区域同时保留正常组织细节
• 监控视频增强适合全局均衡化，满足实时性要求
• 人脸识别预处理推荐结合两种方法，在ROI区域使用自适应处理

注意事项

1. 彩色图像需转换到YUV/YCrCb空间仅处理亮度通道
2. 高噪声图像需先降噪再均衡化
3. 文档类图像可能因过度增强导致文字笔画粘连
4. 分块尺寸不宜过小（建议不小于32x32）避免网格伪影

扩展应用技巧

• 结合伽马校正调节中间调对比度
• 对特定灰度区间进行分段均衡化
• 使用直方图规定化匹配特定分布模板

效果评估指标

1. 信息熵：均衡化后图像熵值应增大
2. 边缘梯度：有效增强时平均梯度提升20%-50%
3. 局部对比度：通过SSIM指数评估细节保持度致掩码失效。

时域与频域对比

时域分析以时间为参照，描述事件随时间变化的动态过程，例如具体时间点的行为记录。频域分析从周期性角度出发，关注事件的重复规律，例如行为的周期性模式。时域呈现动态过程，频域则抽象为静态的频率成分。

频域定义与数学本质

频域通过“上帝视角”忽略具体时间点，仅提取周期性特征。数学上，任何周期信号均可分解为不同频率正弦波的叠加。例如，矩形波可通过无限多个正弦波逼近，其公式表示为：
f(t) = \sum_{k=1}^{\infty} \frac{4}{(2k-1)\pi} \sin((2k-1)\omega t)

频域图像与叠加原理

频域图像横轴为频率，纵轴为振幅。低频成分对应平缓变化且振幅较大，高频成分对应快速变化且振幅较小。例如：

• 单一正弦波：\cos(x)
• 叠加两个正弦波：\cos(x) + a\cos(3x)
• 叠加更多正弦波可逼近复杂波形（如矩形波）。

傅里叶变换在图像处理中的应用

高频分量对应图像边缘和细节，低频分量对应平滑区域。滤波操作通过频域处理实现：

• 低通滤波：保留低频，用于图像去噪。
• 高通滤波：保留高频，用于边缘增强。

OpenCV实现关键步骤：

1. 输入图像转换为np.float32格式
2. 调用cv2.dft()进行正变换，结果需用np.fft.fftshift()将零频移至中心
3. 逆变换通过cv2.idft()还原图像

核心公式

离散傅里叶变换（DFT）公式：
F(k) = \sum_{n=0}^{N-1} f(n) e^{-j 2\pi kn/N}
逆变换（IDFT）公式：
f(n) = \frac{1}{N} \sum_{k=0}^{N-1} F(k) e^{j 2\pi kn/N}

易混淆点

• 时域信号强调时间顺序，频域信号强调频率分布。
• 高频分量振幅小但影响快速变化部分，低频分量振幅大但影响整体轮廓。
  

傅里叶变换的作用

傅里叶变换将图像从空间域转换到频域，便于分析不同频率成分的特性及处理。高频和低频分量分别对应图像的不同特征，通过滤波操作可实现图像增强或降噪。

---

高频与低频的定义

高频分量

• 对应图像中变化剧烈的灰度分量，如边缘、纹理或噪声。
• 在频域中表现为远离中心的外围区域。
• 示例：物体边界（船与水的交界处）或快速变化的像素值。

低频分量

• 对应图像中变化平缓的灰度分量，如整体背景或平滑区域。
• 在频域中集中在中心区域。
• 示例：均匀的大海或缓慢过渡的阴影。

---

滤波器的类型与作用

低通滤波器

• 保留低频分量，抑制高频。
• 效果：图像模糊化，边缘细节减弱。
• 实现方式：在频域中屏蔽外围区域（如设置中心区域为1，其余为0）。

高通滤波器

• 保留高频分量，抑制低频。
• 效果：边缘锐化，平滑区域减弱。
• 实现方式：在频域中屏蔽中心区域（如设置外围区域为1，中心为0）。

---

OpenCV中的傅里叶变换实现

核心函数

• cv2.dft()：执行傅里叶变换，输入需为np.float32格式。
• cv2.idft()：执行逆傅里叶变换还原图像。

处理流程

1. 转换图像格式为浮点型：

   img_float32 = np.float32(img)
   

2. 执行傅里叶变换并中心化：

   dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
   dft_shift = np.fft.fftshift(dft)
   

3. 计算幅度谱并可视化：

   magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:,:,0], dft_shift[:,:,1]))
   

---

频域分析结果解读

• 中心区域：亮度高，代表低频分量（图像整体结构）。
• 外围区域：亮度低，代表高频分量（细节或噪声）。
• 物理意义：距离中心越远，频率越高，对应图像中更细微的变化。

---

应用场景示例

低通滤波实现模糊效果

1. 创建掩膜保留中心低频区域：

   mask = np.zeros((rows, cols, 2), np.uint8)
   mask[crow-30:crow+30, ccol-30:ccol+30] = 1
   

2. 逆变换还原图像：

   idft_shift = dft_shift * mask
   img_back = cv2.idft(np.fft.ifftshift(idft_shift))
   

高通滤波实现边缘增强

1. 创建掩膜保留外围高频区域：

   mask = np.ones((rows, cols, 2), np.uint8)
   mask[crow-30:crow+30, ccol-30:ccol+30] = 0
   

---

技术要点

• 频谱中心化：使用np.fft.fftshift将低频移至中心，逆变换前需ifftshift还原。
• 双通道处理：傅里叶变换结果为复数（实部+虚部），需通过cv2.magnitude转换为幅值。
• 可视化增强：对数变换（20*np.log）可提升幅度谱的显示效果。

通过频域处理，可高效实现图像去噪、边缘检测等操作，优于空间域卷积的复杂度。

银行卡卡号识别项目实战指南

项目目标与输出要求

输入银行卡图像后，识别并输出卡号数字序列及其对应位置，类似车牌识别系统。输出要求包括分组输出数字序列（如4000 1234 5678 9010），每组数字需用矩形框标注在原图上。

技术基础要求

掌握OpenCV基本操作、形态学处理技术、模板匹配方法、图像预处理技术。

模板准备与轮廓检测

使用与目标字体风格一致的模板（如银行卡专用字体），包含完整数字集0-9，每个数字需单独提取保存。对模板图像进行轮廓检测，优先选择外轮廓（数字的外边界），获取每个数字的外接矩形。

匹配原理

将待识别区域与所有模板数字进行相似度计算，采用平方差等匹配方法，相似度最高的模板数字即为识别结果。

预处理流程

图像灰度化、二值化处理、轮廓检测、外接矩形获取。根据长宽比过滤非数字轮廓（如文字logo），银行卡数字具有特定长宽比例特征，保留符合数字特征的轮廓。将检测区域resize到与模板相同尺寸，保证匹配时的尺度一致性。

核心方法与关键技术点

基于模板匹配的数字识别，结合轮廓检测的精确定位。关键技术点包括模板的准确性和适配性、轮廓检测的准确性、预处理的质量控制。

实现步骤

准备专用数字模板库、输入图像预处理、粗定位数字区域、精确定位单个数字、模板匹配识别、结果输出与可视化。

知识点小结

• 模板匹配原理：通过对比目标区域与预存模板的相似度（如平方差计算）识别数字，需区分模板匹配与特征匹配的适用场景。
• 轮廓检测应用：提取数字外轮廓后生成外接矩形，用于标准化匹配区域，注意过滤非数字轮廓（如文字/logo）的长宽比筛选。
• 预处理流程：灰度转换→二值化→形态学操作（开运算/闭运算）优化轮廓质量，形态学操作顺序对结果影响显著。
• 银行卡数字识别步骤：模板数字分离、输入图像区域检测、轮廓匹配与Resize、分组输出，四分组逻辑需与卡号标准格式对齐。
• 项目实战难点：字体特异性（如银行卡专用字体需定制模板），模板字体一致性决定匹配准确率。
  
  

参数设置与代码实现

• 核心参数
  使用命令行参数传递输入图像（-i）和模板图像（-t）路径，例如：

  python script.py -i images/credit_card_03.png -t images/ocr_a_reference.png
  

• 参数作用

  • -i：指定信用卡等输入图像的路径。
  • -t：指定包含数字0-9的模板图像路径。

• 信用卡类型映射
  通过字典映射卡号首数字识别类型，例如：

  card_type = {
      "3": "American Express",
      "4": "Visa",
      "5": "MasterCard"
  }
  

环境配置与工具选择

• 开发工具推荐

  • Eclipse：支持多语言（Python/Java/C），适合大型项目调试。
  • PyCharm：专为Python设计，集成调试工具。
  • Jupyter Notebook：适合分步验证代码片段。

• 运行环境配置

  • 在IDE中配置运行参数：
    1. 右键点击.py文件选择 Run As → Run Configurations。
    2. 在 Program arguments 输入参数，例如 -i images/credit_card_03.png -t images/ocr_a_reference.png。
  • 路径规范：使用相对路径，确保项目结构一致。

图像处理流程

灰度与二值化处理

• 灰度转换
  使用 cv2.cvtColor() 将模板图像转为灰度图：

  gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
  

• 二值化
  反二值化处理（背景黑/数字白），便于轮廓检测：

  _, binary = cv2.threshold(gray, 10, 255, cv2.THRESH_BINARY_INV)
  

轮廓检测与排序

• 轮廓检测
  使用 cv2.findContours() 检测外轮廓并简化坐标：

  contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  

• 轮廓排序
  按从左到右排序轮廓（自定义函数 sort_contours）：

  contours_sorted = sort_contours(contours, method="left-to-right")
  

模板匹配

• 匹配过程
  对信用卡图像中的数字区域与模板逐一匹配，计算相似度（如相关系数）。
• 结果验证
  输出卡类型（如MasterCard）和卡号（如5412751234567890）。

关键步骤详解

1. 读取模板图像

   template = cv2.imread(args["t"])
   

2. 灰度转换
   减少计算量，保留明暗关系：

   gray_template = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
   

3. 二值化处理
   确保轮廓检测输入为二值图像：

   _, binary_template = cv2.threshold(gray_template, 10, 255, cv2.THRESH_BINARY_INV)
   

常见问题与调试建议

• 路径错误：检查相对路径是否与项目结构一致。
• 轮廓检测失败：确认二值化参数（如阈值）是否适配图像。
• 匹配精度低：调整模板与输入图像的缩放比例或使用多尺度匹配。

应用场景扩展

• 车牌识别：类似流程可用于车牌字符分割与识别。
• 文档OCR：调整预处理步骤（如去噪、倾斜校正）适配不同场景。

代码块严格遵循Markdown格式，无步骤词汇，内容模块化分点呈现。

信用卡数字识别流程详解

轮廓检测

图像预处理后调用cv2.findContours()函数，传入图像副本.copy()而非原始图像。选择cv2.RETR_EXTERNAL轮廓检测模式仅获取外轮廓，忽略内轮廓干扰。轮廓近似方法采用cv2.CHAIN_APPROX_SIMPLE压缩冗余坐标点。

轮廓绘制使用cv2.drawContours()，参数-1表示绘制全部轮廓，设定颜色为(0,0,255)的红色线条，线宽3像素。验证阶段通过np.array(refCnts).shape检查轮廓数量，信用卡数字区域应精确检测到10个独立轮廓。

轮廓排序

轮廓检测结果无序，需按数字实际排列顺序排序。计算每个轮廓的外接矩形cv2.boundingRect()，获取矩形左上角坐标(x,y)作为排序依据。自定义排序函数myutils.sort_contours()按x坐标升序排列，确保轮廓索引与数字值对应（索引0对应数字0）。

外接矩形返回值为(x,y,w,h)四元组，排序后需验证轮廓顺序与数字显示顺序完全一致。典型错误包括未处理坐标相同的轮廓或排序方向错误。

模板匹配

从排序后的轮廓中提取ROI区域，使用外接矩形坐标截取ref[y:y+h, x:x+w]图像块。所有数字模板统一resize至(57,88)标准尺寸，消除尺寸差异影响。构建digits字典存储模板，键为数字0-9，值为对应ROI图像。

关键注意事项包括必须使用.copy()保留原始图像数据，每个模板尺寸严格一致。建议每步处理后通过cv2.imshow()显示中间结果，例如：

for (i, (x, y, w, h)) in enumerate(refCnts):
    roi = ref[y:y+h, x:x+w]
    roi = cv2.resize(roi, (57, 88))
    digits[i] = roi

调试验证

实时显示轮廓检测结果，打印len(contours)验证轮廓数量。外接矩形计算阶段检查坐标值是否在合理范围内。模板匹配阶段核对字典键值对应关系，确保数字0的模板存储在digits[0]中。常见错误包括ROI截取越界或resize比例失调。

数学公式验证示例：
轮廓面积计算
[ S = \sum_{i=1}^{n} (x_i y_{i+1} - x_{i+1} y_i) ]
其中(x_{n+1}=x_1, y_{n+1}=y_1)

图像预处理流程

形态学操作
核大小根据任务需求设定，用于去除背景干扰。预处理步骤包含读取图像、调整尺寸、转换为灰度图，为后续操作奠定基础。

顶帽操作
通过指定与字体区域匹配的核大小，突出图像中的明亮区域（如文字）。该操作有效分离前景与背景，增强目标区域的对比度。

---

边缘检测与二值化

索贝尔算子
仅采用x方向梯度计算边缘，实验表明比xy双向结合效果更优。通过梯度幅度强化数字边缘特征。

膨胀与腐蚀（B操作）
膨胀操作连接断裂轮廓，腐蚀操作消除细小噪声。两者结合形成连续块状区域，便于后续轮廓提取。

自适应阈值
针对双峰分布的灰度直方图，自动选择最佳阈值完成二值化。避免手动调参，适应光照不均的场景。

---

轮廓处理与匹配

轮廓筛选
基于边界矩形长宽比等几何特征过滤无效轮廓，保留潜在数字区域。剔除过小或比例不符的干扰项。

模板匹配
对筛选后的大轮廓内部进行逐数字匹配。通过外接矩形定位目标，调整尺寸后与模板库比对，确定具体数值。

---

关键参数调整建议

• 形态学核大小需匹配字体物理尺寸。
• 索贝尔算子方向选择依赖数字排列方向。
• 自适应阈值方法适用于光照变化场景。
• 长宽比过滤阈值应根据实际数字比例设定。

通过流程化组合这些操作，可有效提升复杂背景下数字识别的鲁棒性。各步骤参数需通过测试集迭代优化。

文档轮廓提取与扫描的实现方法

图像预处理

将输入图像转换为灰度图，减少计算复杂度。应用高斯滤波消除噪声，避免后续边缘检测受到干扰。高斯滤波核大小通常为奇数，如(5,5)，标准差根据图像噪声程度调整。

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)

边缘检测

使用Canny算法进行边缘检测，阈值设置影响边缘提取效果。低阈值和高阈值的比例建议为1:2或1:3，例如50和150。

edged = cv2.Canny(blurred, 50, 150)

轮廓检测与筛选

查找所有轮廓并保留最外层轮廓。按面积或周长排序，选择最大的轮廓作为文档边界。轮廓近似使用Douglas-Peucker算法，epsilon参数控制近似精度。

contours, _ = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours = sorted(contours, key=cv2.contourArea, reverse=True)[:5]
peri = cv2.arcLength(contours[0], True)
approx = cv2.approxPolyDP(contours[0], 0.02 * peri, True)

透视变换

获取轮廓四个角点后，计算目标矩形尺寸。使用透视变换矩阵将倾斜文档校正为正面视图。目标点顺序需与原始点顺序一致，避免图像旋转。

def order_points(pts):
    rect = np.zeros((4, 2), dtype="float32")
    s = pts.sum(axis=1)
    rect[0] = pts[np.argmin(s)]
    rect[2] = pts[np.argmax(s)]
    diff = np.diff(pts, axis=1)
    rect[1] = pts[np.argmin(diff)]
    rect[3] = pts[np.argmax(diff)]
    return rect

def four_point_transform(image, pts):
    rect = order_points(pts)
    (tl, tr, br, bl) = rect
    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
    maxWidth = max(int(widthA), int(widthB))
    heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
    heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
    maxHeight = max(int(heightA), int(heightB))
    dst = np.array([
        [0, 0],
        [maxWidth - 1, 0],
        [maxWidth - 1, maxHeight - 1],
        [0, maxHeight - 1]], dtype="float32")
    M = cv2.getPerspectiveTransform(rect, dst)
    warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))
    return warped

OCR预处理

对校正后的图像进行二值化处理，增强文字对比度。自适应阈值或大津法适用于不同光照条件下的文档。

warped_gray = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(warped_gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)

关键参数调整建议

• Canny阈值：噪声较多时提高低阈值
• 轮廓近似精度：0.01-0.05倍周长平衡精度与效率
• 透视变换尺寸：根据原始文档长宽比保持比例
• 二值化方法：光照不均时采用自适应阈值

常见问题处理

• 轮廓检测失败：检查边缘检测结果是否闭合
• 透视扭曲：确保角点顺序正确对应
• 文字模糊：透视变换后使用锐化滤波器增强细节
  

透视变换的核心原理

透视变换通过3×3变换矩阵将二维图像坐标映射到三维齐次坐标系，最终投影回二维平面。关键步骤包括：

• 坐标点匹配：需提供四组对应的原始点与目标点（每组含x、y值），构成8个方程以求解矩阵的8个自由度。
• 齐次坐标转换：将二维点$(x,y)$扩展为齐次坐标$(x,y,1)$，通过矩阵乘法实现平移、旋转等变换。
• 矩阵求解：OpenCV的getPerspectiveTransform()函数自动计算变换矩阵$M$，形式如下：
  $$M=\left[\begin{array}{ccc}{m}_{11}& m_{12}& m_{13}\\ m_{21}& m_{22}& m_{23}\\ m_{31}& m_{32}& m_{33}\end{array}\right]$$

实现步骤与代码示例

1. 坐标点提取与排序
使用轮廓检测（如cv2.findContours）获取图像边缘，筛选出四个顶点并按固定顺序排列（如左上、右上、右下、左下）。

2. 计算目标尺寸
根据原始区域宽度$w$和高度$h$定义目标矩形坐标：

max_width = max(int(np.sqrt((tr[0] - tl[0])**2 + (tr[1] - tl[1])**2)), 
                int(np.sqrt((br[0] - bl[0])**2 + (br[1] - bl[1])**2)))
max_height = max(int(np.sqrt((bl[0] - tl[0])**2 + (bl[1] - tl[1])**2)), 
                 int(np.sqrt((br[0] - tr[0])**2 + (br[1] - tr[1])**2)))
dst_points = np.array([[0, 0], [max_width-1, 0], 
                       [max_width-1, max_height-1], [0, max_height-1]], dtype="float32")

3. 执行变换
调用OpenCV函数计算并应用变换矩阵：

M = cv2.getPerspectiveTransform(src_points, dst_points)
warped = cv2.warpPerspective(image, M, (max_width, max_height))

应用场景与注意事项

• 文档校正：将倾斜的文档图像转换为正视图，便于OCR处理。
• 视角修正：在自动驾驶中校正车载摄像头视角。
• 精度依赖：输入点坐标需精确，否则会导致形变失真。建议结合边缘检测与人工校验。