仿射变换矩阵需手动构造3×3齐次矩阵并严格匹配图像坐标系（原点左上、y轴向下），平移用[[1,0,dx],[0,1,dy],[0,0,1]]，绕左上角旋转用[[cosθ,-sinθ,0],[sinθ,cosθ,0],[0,0,1]]，缩放用[[sx,0,0],[0,sy,0],[0,0,1]]；必须对像素坐标而非图像数组直接运算，且须用逆变换+双线性插值采样。
仿射变换矩阵怎么构造才不会翻车
直接用 cv2.warpAffine 或 skimage.transform.AffineTransform 生成的矩阵，常因坐标系差异导致图像错位或裁剪异常。NumPy 本身不提供封装好的仿射函数，必须手动构造 3×3 齐次变换矩阵，并确保原点在左上角、y 轴向下——这和数学惯用的 y 向上坐标系相反。
- 平移：用
[[1,0,dx],[0,1,dy],[0,0,1]]，注意dx、dy是像素单位，正数向右/下移动 - 旋转（绕左上角）：先算
cosθ和sinθ，再填入[[cosθ,-sinθ,0],[sinθ,cosθ,0],[0,0,1]]；若想绕中心旋转，得先平移中心到原点，再旋转，再平移回去 - 缩放：对角线填
sx、sy，即[[sx,0,0],[0,sy,0],[0,0,1]]，sx>1放大，但会超出原图尺寸，需后续截取或填充 - 千万别直接用
np.dot(img, T)—— 图像是 H×W×C，不是齐次坐标；必须先将像素坐标转成 (x,y,1) 形式再左乘T
如何用 NumPy 手动做双线性插值采样
调用 scipy.ndimage.affine_transform 虽方便，但依赖外部库且默认用最近邻；真要纯 NumPy 实现可控的仿射变换，核心是「坐标映射 + 插值」，而双线性插值是平衡速度与质量的常见选择。
- 对输出图像每个像素
(i,j)，用逆变换矩阵np.linalg.inv(T)算出它在原图中对应的浮点坐标(x,y) - 取
floor(x), floor(y)得到左上角整数坐标(x0,y0)，相邻四点为(x0,y0)、(x0+1,y0)、(x0,y0+1)、(x0+1,y0+1) - 权重按距离反比算：
w00 = (x0+1-x)*(y0+1-y)，其余类似；注意边界检查——若任一邻点超出原图范围（如x0+1 >= W），该点贡献为 0 - 灰度图可直接算；RGB 图需对每个通道
img[y,x,channel]单独插值，不能把整个img[y,x]当标量处理
为什么 reshape 后的矩阵乘法结果不对
有人试图把图像展平成二维矩阵（如 img.reshape(-1, 3)），再右乘一个 3×3 变换矩阵，期望实现颜色空间变换——这能工作，但和几何仿射完全无关。混淆这两类操作是常见误区。
- 几何变换操作对象是「像素位置」，不是像素值；改变的是 (x,y) 坐标映射关系，不是 RGB 数值本身
-
img @ T.T这类写法只适用于「每个像素向量独立变换」场景（如白平衡、色彩校正），此时img必须是 N×3 形状，T是 3×3，且变换后需.reshape回原尺寸 - 若误把 H×W×3 的图像直接
@3×3 矩阵，会触发广播错误或得到形状错乱的数组；正确做法是先reshape(-1, 3)，再@，再reshape(H,W,3) - 注意 dtype：输入若是
uint8，矩阵乘可能溢出；建议先转float64，插值或变换完再np.clip(0,255).astype(np.uint8)
内存和性能陷阱：什么时候该换 scipy 或 OpenCV
纯 NumPy 实现仿射变换，在小图（如 256×256）上尚可接受；但一旦图像超 1000×1000 或需实时处理，Python 循环 + 插值就会明显卡顿——这不是算法问题，而是 NumPy 无法避免的 Python 层开销。
立即学习“Python免费学习笔记（深入）”；
- 用
np.meshgrid一次性生成所有目标坐标，再用scipy.ndimage.map_coordinates（支持双线性/三次插值）可提速 5–10 倍，且代码更简短 -
cv2.warpAffine底层是优化过的 C++，对 4K 图也能毫秒级完成，还内置了borderMode处理边缘（如cv2.BORDER_REFLECT），NumPy 手写很难覆盖全 - 如果只是做批量预处理（如数据增强），推荐用
torchvision.transforms或albumentations，它们内部已绑定高效后端，且支持 GPU 加速 - 真正需要 NumPy 原生实现的场景，通常是调试插值逻辑、嵌入轻量级设备（无 OpenCV）、或与特定数值计算流程耦合（如梯度反传要求全 NumPy）
坐标系、逆变换、边界处理、dtype 溢出——这些细节没显式报错，但会让结果偏移几个像素或整体发灰，调的时候容易怀疑数据源有问题，其实只是矩阵乘顺序或插值权重符号搞反了。
