如何基于坐标系合并多numpy数组，重构多探测器面板原始图像

核心思路：基于坐标变换的像素重映射 #

放弃硬套大网格的思路，通过透视/仿射变换将每个面板的像素直接映射到全局坐标系的目标画布，从根源解决倾斜面板的适配问题。

步骤1：确定全局画布的边界范围 #

• 收集所有面板的四个角落全局坐标，计算出全局坐标系的最小/最大X、Y值，以此确定目标画布的尺寸：

  all_corners = np.concatenate([corners for _, corners in panels])
  min_x, min_y = all_corners.min(axis=0)
  max_x, max_y = all_corners.max(axis=0)
  canvas_w = int(np.ceil(max_x - min_x))
  canvas_h = int(np.ceil(max_y - min_y))
  

• 用偏移量将全局坐标转换为画布内的像素坐标，避免出现负坐标：offset = np.array([min_x, min_y])

步骤2：计算面板到全局画布的变换矩阵 #

利用面板自身像素角落与对应全局坐标的点对，计算透视变换矩阵（面板为平行四边形时可改用仿射变换，计算更快）：

• 用OpenCV的cv2.getPerspectiveTransform()直接生成变换矩阵：

  h, w = panel.shape[:2]
  # 面板自身的四个像素角落坐标
  panel_corners = np.array([[0,0], [w-1,0], [w-1,h-1], [0,h-1]], dtype=np.float32)
  # 转换为画布内的目标坐标
  target_corners = (corners - offset).astype(np.float32)
  # 生成变换矩阵
  M = cv2.getPerspectiveTransform(panel_corners, target_corners)
  

• 若不用OpenCV，可通过numpy手动求解透视变换的线性方程组，但OpenCV的实现更高效稳定。

步骤3：将面板像素重映射到全局画布 #

• 初始化空画布和权重图（用于处理面板重叠区域的像素融合）：

  canvas = np.zeros((canvas_h, canvas_w), dtype=panels[0][0].dtype)
  weight_map = np.zeros((canvas_h, canvas_w), dtype=np.float32)
  

• 对每个面板执行变换并叠加到画布：

  warped_panel = cv2.warpPerspective(panel, M, (canvas_w, canvas_h))
  # 仅叠加非零有效像素，同时累计权重
  mask = warped_panel != 0
  canvas[mask] = warped_panel[mask]
  weight_map[mask] += 1
  

• 重叠区域处理：对权重大于1的区域取像素平均值，避免亮度异常：

  overlap_mask = weight_map > 1
  canvas[overlap_mask] = canvas[overlap_mask] / weight_map[overlap_mask]
  

关键注意事项 #

• 坐标顺序必须严格对应：面板的四个角落要和全局坐标的四个角落一一匹配，否则变换会出现错位。
• 单位向量可用于校验：利用已知的面板单位向量，验证变换后端板的轴向是否与全局坐标系的预期一致，排查变换错误。
• 保持数据类型一致：面板与画布的dtype尽量相同，避免精度损失或类型不兼容问题。

内容的提问来源于stack exchange，提问作者Hans Peter Seidel