对于OCR技术在处理有角度有偏差的图像时是比较困难的，而水平的图像使用OCR识别准确度会高很多，因为文本通常是水平排列的，而OCR算法一般会假设文本是水平的。
针对上述情况，所以我们在处理有角度的图象时，需要将图像“摆正”，将使用到getPerspectiveTransform方法和warpPerspective方法。
getPerspectiveTransform：
参数：
src：源图像中的四个点坐标，以浮点数数组或列表的形式表示。这些点应按照逆时针方向指定。dst：目标图像中对应的四个点坐标，以浮点数数组或列表的形式表示。这些点应按照逆时针方向指定。
返回值：
M：一个3x3的透视变换矩阵，以浮点数NumPy数组的形式返回。可以使用此变换矩阵将源图像中的点映射到目标图像中对应的点。
warpPerspective：
参数：
src：输入图像，可以是8位无符号整数类型、32位浮点类型或16位有符号整数类型。M：3x3的变换矩阵，可以使用cv2.getPerspectiveTransform()函数计算得到。dsize：输出图像的大小，以(width, height)的形式指定。可以通过cv2.resize()函数调整大小，也可以直接提供目标大小。flags：插值方法的标志，可以是cv2.INTER_NEAREST、cv2.INTER_LINEAR、cv2.INTER_CUBIC或cv2.INTER_LANCZOS4之一。borderMode：用于处理超出边界的像素值的标志，可以是cv2.BORDER_CONSTANT、cv2.BORDER_REPLICATE、cv2.BORDER_REFLECT、cv2.BORDER_WRAP或cv2.BORDER_REFLECT_101之一。
返回值：
dst：输出图像，与dsize参数指定的大小相同。
Code：
1 height, width = numpy.int0(cv2.minAreaRect(goal_points)[1])
2 hw_rate = height / width
3 new_width = 400
4 new_height = int(new_width * hw_rate)
5 pts = numpy.float32([[0, 0], [new_width, 0], [new_width, new_height], [0, new_height]])
6
7 ll = [i for item in iter(goal_points) for i in item]
8 if ll[0][0] > ll[1][0]:
9 ll[0], ll[1] = ll[1], ll[0]
10 ll[2], ll[3] = ll[3], ll[2]
11
12 matrix = cv2.getPerspectiveTransform(numpy.float32(ll), pts)
13 iout = cv2.warpPerspective(image, matrix, (new_width, new_height))
结果：
思路：
1、首先我们将approxPolyDP逼近轮廓（goal_points）所返回的四个坐标点传入minAreaRect来获得逼近轮廓的宽高。
2、然后我们求取宽高比，为后续新的图片大小做准备。
3、我们设置一个新的宽（new_width）的值，并根据上一步求得的宽高比得到新的高（new_height）的值。
4、以顺时针坐标顺序，定义新图片的四个坐标点（pts）。
5、将goal_points（此时是三维数组）拆分成二维。
6、通过上一篇博客我们知道了approxPolyDP返回的坐标点是逆时针的，且第一个坐标是变化的，所以我们通过比较第一个坐标的x和第二个坐标的x来确定谁在左上角，并且因为我们定义的新窗口的四个坐标是顺时针，所以需要将第三第四个坐标对调一下，从而符合顺时针的要求。
7、调用getPerspectiveTransform方法和warpPerspective方法，最终得到我们透视变换后的水平图片。
注：关于warpPerspective的dsize参数，我们可以随意定义宽高，比如上述代码中可以直接将（new_width, new_height）替换成（300， 300）对应的pts中的new_width, new_height也需要进行替换，但是我们得到的图片是正方形的，和原图中的感兴趣区域的长方形并不相符，所以最终得到的透视变换图也就不理想的。