OpenCV是應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。

這里有一些互聯網上的教程來闡述怎么在OpenCV中使用仿射變換（affine transform）旋轉圖片--他們并沒有處理旋轉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，在旋轉中的仿射變換必須結合 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，飯后旋轉它，這樣，在應用Ip + m 后我們旋轉Rp + r，產生Rp + Rm + r，這解釋了為什么我們不得不只增加兩個系數。

附言：悲哀地說，如果numpy把輸入的數據看作是矢量的矢量，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?？s得非常小不利；考慮到應用方面，我們應該改編這個插值。

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。