当前位置: 首页 > article >正文

opencv 项目--图像匹配

本文按照如下设计

ImageStitching_ExcessThree.py

from Stitcher import Stitcher
import cv2
import my_utils
# 只拼接两张图片

# 读取需要拼接的图片
# imageA_original = cv2.imread("left_01.png")
# imageB_original = cv2.imread("right_01.png")
imageA_original = cv2.imread("left_01.jpg")
imageB_original = cv2.imread("right_01.jpg")
imageC_original = cv2.imread("right_02.jpg")

# 图像预处理-改变图像大小
imageA = my_utils.resize(imageA_original,width=500)
imageB = my_utils.resize(imageB_original,width=500)
imageC = my_utils.resize(imageC_original,width=500)

# 把图片拼接成全景图
stitcher = Stitcher()
(result, vis) = stitcher.stitch([imageA, imageB], showMatches=True)
(result, vis) = stitcher.stitch([result, imageC], showMatches=True)

# 显示所有图片
stitcher.cv_show("Image A", imageA)
stitcher.cv_show("Image B", imageB)
stitcher.cv_show("Image C", imageC)
stitcher.cv_show("Keypoint Matches", vis)
stitcher.cv_show("Result", result)

ImageStitching_JustTwo.py

from Stitcher import Stitcher
import cv2
import my_utils
# 只拼接两张图片

# 读取需要拼接的图片
# imageA_original = cv2.imread("left_01.png")
# imageB_original = cv2.imread("right_01.png")
imageA_original = cv2.imread("left_01.jpg")
imageB_original = cv2.imread("right_01.jpg")

# 图像预处理-改变图像大小
imageA = my_utils.resize(imageA_original,width=500)
imageB = my_utils.resize(imageB_original,width=500)


# 把图片拼接成全景图
stitcher = Stitcher()
(result, vis) = stitcher.stitch([imageA, imageB], showMatches=True)
print(vis)
# 显示所有图片
stitcher.cv_show("Image A", imageA)
stitcher.cv_show("Image B", imageB)
stitcher.cv_show("Keypoint Matches", vis)
stitcher.cv_show("Result", result)


my_utils.py

import cv2

def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    dim = None
    (h, w) = image.shape[:2]
    if width is None and height is None:
        return image
    if width is None:
        r = height / float(h)
        dim = (int(w * r), height)
        print('width is None', dim)

    else:
        r = width / float(w)
        dim = (width, int(h * r))
        print('height is None', dim)
    resized = cv2.resize(image, dim, interpolation=inter)
    return resized

Stitcher.py

import numpy as np
import cv2


class Stitcher:

    # 拼接函数
    def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False):
        # 获取图片
        (imageB, imageA) = images

        # 检测A,B图片的SIFT关键特征点,并且计算其特征描述子(特征向量)
        (kpsA, featureA) = self.detectAndDescribe(imageA)
        (kpsB, featureB) = self.detectAndDescribe(imageB)

        # 匹配两张图片的所有特征点,返回匹配结果
        M = self.matchKeypoints(kpsA, kpsB, featureA, featureB, ratio, reprojThresh)
        # 如果返回结果为空,没有匹配成功的特征点,退出算法
        if M is None:
            return None

        # 否则,提取匹配结果
        # H是3x3视角变换矩阵
        (matches, H, status) = M
        # 将图片A进行视角变换,result是变换后图片
        result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
        # self.cv_show('result', result)
        # 将图片B传入result图片最左端
        result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
        # self.cv_show('result', result)

        # 检测是否需要显示图片匹配
        if showMatches:
            # 生成匹配图片
            vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
            # 返回结果
            return (result, vis)

        # 返回匹配结果
        return result

    # 获取图片关键点和特征描述子
    def detectAndDescribe(self, img):
        # 转灰度图
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

        # 建立SIFT实例对象
        descriptor = cv2.xfeatures2d.SIFT_create()
        # 检测SIFT特征点并且计算描述子
        (kps, feature) = descriptor.detectAndCompute(img, None)

        # 并且将结果转换为Numpy数组
        kps = np.float32([kp.pt for kp in kps])

        # 返回特征点集合描述子
        return (kps, feature)

    # 匹配两张图片的特征点
    def matchKeypoints(self, kpsA, kpsB, featureA, featureB, ratio, reprojThresh):
        # 使用BF匹配
        matcher = cv2.BFMatcher()

        # 使用KNN来对A,B图的SIFT特征进行匹配
        rawMatches = matcher.knnMatch(featureA, featureB, k=2)

        # 获得较好的相匹配的特征(筛选特征点)
        matches = []
        for m in rawMatches:
            # 当最近距离跟次近距离的比值小于ratio值时,保留此匹配对
            if len(m) == 2 and m[0].distance < m[1].distance * ratio:
                # 存储两个点在featuresA, featuresB中的索引值
                # DMatch.trainIdx - Index of the descriptor in train descriptors
                # DMatch.queryIdx - Index of the descriptor in query descriptors
                matches.append((m[0].trainIdx, m[0].queryIdx))

        # 当筛选后的匹配对大于4时,计算视角变换矩阵
        if len(matches) > 4:
            # 获取匹配对的点的坐标
            ptsA = np.float32([kpsA[i] for (_, i) in matches])
            ptsB = np.float32([kpsB[i] for (i, _) in matches])

            # 计算视角变换矩阵
            (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)

            # 返回匹配结果和单应性矩阵和status
            return (matches, H, status)

        # 如果匹配对小于4时,返回None
        return None

    # 展示图片
    def cv_show(self, name, img):
        cv2.imshow(name, img)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

    def drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status):
        # 初始化可视化图片,将A、B图左右连接到一起
        print("Start draw Matching...")
        (hA, wA) = imageA.shape[:2]
        (hB, wB) = imageB.shape[:2]
        vis = np.zeros((max(hA, hB), wA + wB, 3), dtype="uint8")
        vis[0:hA, 0:wA] = imageA
        vis[0:hB, wA:] = imageB

        # 联合遍历,画出匹配对
        for ((trainIdx, queryIdx), s) in zip(matches, status):
            # 当点对匹配成功时,画到可视化图上
            if s == 1:
                # 画出匹配对
                ptA = (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))
                ptB = (int(kpsB[trainIdx][0]) + wA, int(kpsB[trainIdx][1]))
                cv2.line(vis, ptA, ptB, (0, 255, 0), 1)

        # 返回可视化结果
        return vis

原文地址:https://blog.csdn.net/E___V___E/article/details/144577674
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.kler.cn/a/448323.html

相关文章:

  • 细说STM32F407单片机以DMA方式读写外部SRAM的方法
  • 浅谈云计算05 | 云存储等级及其接口工作原理
  • C#格式化输出
  • 线形回归与小批量梯度下降实例
  • 《机器学习》——TF-IDF(关键词提取)
  • 忘记了PDF文件的密码,怎么办?
  • (13)CT137A- 简易音乐盒设计
  • sentinel学习笔记4-SPI 在 Sentinel 中的应用
  • 本地电脑生成SSH公钥私钥对,用于SSH远程连接服务器
  • 【从零开始入门unity游戏开发之——C#篇25】C#面向对象动态多态——virtual、override 和 base 关键字、抽象类和抽象方法
  • 泛型(2)
  • 开源!自制一个桌面宠物(STM32CUBEMX HAL库 PWM波 小项目)
  • 在 CUDA C/C++ 中使用共享內存
  • 路径规划之启发式算法之二十一:禁忌搜索算法(Tabu Search,TS)
  • Linux 端口操作
  • 【游戏设计原理】21 - 解谜游戏的设计
  • 【Mac】安装 PaddleOCR
  • springboot java ffmpeg 视频压缩、提取视频帧图片、获取视频分辨率
  • IntelliJ IDEA Docker集成
  • 适用于.net的操作excel的库
  • vsCode怎么使用vue指令快捷生成代码
  • stm32实现出厂设置和恢复出厂设置
  • python --机器学习(KNN相关)
  • 算法之物品移动
  • 鸿蒙元服务从0到上架【第二篇】
  • HarmonyOS NEXT 技术实践-实现音乐服务卡片