如何手动创建OpenCV映射表避免cv2.remap变换效果反转

• cv2.remap的映射表规则和你理解的完全相反：map_x[y][x]、map_y[y][x]存储的不是「原图(x,y)位置的像素要移动到目标图的哪个坐标」，而是**「目标图(x,y)位置的像素，需要从原图的哪个坐标取值」**，属于反向映射逻辑。
• 你当前实现的get_x_prime是正向映射函数：输入原图x坐标，输出该像素拉伸后所在的x'坐标。直接把正向映射结果填入反向映射要求的map_x，逻辑完全倒置，自然会出现拉伸变压缩的反效果。
• 从你给出的测试值也能验证问题：原图x=0对应x'=-464、x=1900对应x'=2263，按你当前的map_x填充逻辑，目标图x=0的位置会去原图x=-464取像素（超出左边界）、目标图x=1900的位置会去原图x=2263取像素（超出右边界），相当于把原图2700+宽度的内容硬塞进1920宽度的画布，必然出现压缩。

核心是生成符合cv2.remap要求的反向x映射表，不需要修改你已经验证正确的正向get_x_prime函数，通过插值生成逆映射即可，步骤如下：

1. 先通过正向函数生成所有原图x坐标对应的拉伸后位置，得到一一对应的点对
2. 基于点对插值生成逆映射函数：输入拉伸后的x'坐标，返回对应的原图x坐标
3. 根据你需要的输出画布尺寸（保留原1920宽度/输出完整拉伸无裁切图像），填充map_x、map_y后调用remap即可

参考实现代码 #

import numpy as np
import cv2
from scipy.interpolate import interp1d

# 读取原图
img = cv2.imread("your_input.jpg")
h, w = img.shape[:2]

# 1. 生成正映射点对：原图x -> 拉伸后x'
src_x_list = np.arange(0, w, 1)
dst_x_pos_list = np.array([get_x_prime(x) for x in src_x_list])

# 2. 构造逆映射插值函数：拉伸后x' -> 原图x
inv_x_interp = interp1d(dst_x_pos_list, src_x_list, kind="linear", fill_value="extrapolate")

# --------------------------
# 选项A：输出完整拉伸图像，无裁切
# --------------------------
x_min = dst_x_pos_list.min()
x_max = dst_x_pos_list.max()
new_w = int(np.ceil(x_max - x_min))
new_h = h

map_x = np.zeros((new_h, new_w), dtype=np.float32)
map_y = np.zeros((new_h, new_w), dtype=np.float32)

# y方向无形变，直接填充对应坐标
map_y[:, :] = np.arange(0, new_h, 1).reshape(-1, 1)
# 填充x方向逆映射
target_x = np.arange(x_min, x_max, 1)[:new_w]
map_x[:, :] = inv_x_interp(target_x)

# --------------------------
# 选项B：保留原1920宽度，居中显示拉伸效果，两侧超出部分自动裁切
# 把上面选项A的map初始化部分替换成下面这段即可
# new_w = w
# new_h = h
# map_x = np.zeros((new_h, new_w), dtype=np.float32)
# map_y = np.zeros((new_h, new_w), dtype=np.float32)
# map_y[:, :] = np.arange(0, new_h, 1).reshape(-1, 1)
# target_x = np.arange(0, new_w, 1)
# map_x[:, :] = inv_x_interp(target_x)
# --------------------------

# 执行重映射
dst = cv2.remap(
    img,
    map_x,
    map_y,
    interpolation=cv2.INTER_LINEAR,
    borderMode=cv2.BORDER_CONSTANT,
    borderValue=(0, 0, 0)  # 空白区域填充黑色，可按需修改
)

cv2.imwrite("correct_stretch_result.jpg", dst)

• 如果你的get_x_prime是简单的代数函数（比如基于中心960的多项式拉伸），也可以直接推导解析形式的逆函数替换插值逻辑，运行效率会更高；插值版本胜在不需要修改你已验证正确的正向逻辑，适配任意形式的get_x_prime。
• 如果不想引入scipy依赖，也可以用numpy的np.interp实现线性插值，外推部分需要自行处理边界值。

内容的提问来源于stack exchange，提问作者monopoly_lover