六安做网站公司,做网站需要哪些技能,wordpress注册页插件,萍乡商城网站建设Hi#xff0c;大家好#xff0c;我是半亩花海。本项目实现了基于 ORB 特征检测器和描述符的全景图像拼接算法#xff0c;能够将两张部分重叠的图像拼接成一张无缝连接的全景图像。 文章目录 一、随机抽样一致算法二、功能实现三、代码解析四、效果展示五、完整代码 一、随机… Hi大家好我是半亩花海。本项目实现了基于 ORB 特征检测器和描述符的全景图像拼接算法能够将两张部分重叠的图像拼接成一张无缝连接的全景图像。 文章目录 一、随机抽样一致算法二、功能实现三、代码解析四、效果展示五、完整代码 一、随机抽样一致算法
我们可以通过求取上一张中的特征点匹配的方法将多个图片拼接在一起。简单来说就是将这张图片做一个变换到另外一个图片上面去中间就是一个变换矩阵。
随机抽样一致算法Random sample consensusRANSAC 由于局外点、异常点的干扰最小二乘拟合的效果容易走偏而随机抽样一致算法中的数据点更不容易走偏拟合的效果更好。
选择初始样本点进行拟合给定一个容忍范围不断进行迭代。 随机算两个点看落在区间内的点有多少个越多越好。
每一次拟合后容差范围内都有对应的数据点数找出数据点个数最多的情况就是最终的拟合结果 单应性矩阵 二、功能实现 全景图像拼接流程 提取图像特征对两张图片提取的特征点求变换矩阵变换 图像拼接功能 支持将两张部分重叠的图像拼接成一张全景图像。 特征检测与匹配 使用 ORB 特征检测器和描述符进行关键点检测和特征提取。使用 BFMatcher 进行关键点匹配。 参数调整 可调整拼接参数如匹配比例和重投影误差阈值。 可视化 可选择是否显示关键点匹配可视化结果。
三、代码解析 Stitcher类 stitch方法: 用于执行图像拼接。detectAndDescribe方法: 用于特征检测和描述。matchKeypoints方法: 用于关键点匹配和透视变换计算。drawMatches方法: 用于绘制关键点匹配可视化结果。 使用方法 准备两张待拼接的部分重叠图像。调用 Stitcher 类的 stitch 方法传入待拼接图像。根据需要选择是否显示关键点匹配可视化结果。获取拼接后的全景图像。
四、效果展示
两张原图 关键点匹配 拼接结果 五、完整代码
#!/usr/bin/env python
# -*- coding:utf-8 -*-Project : Stitcher-全景图像拼接-ORB特征检测器和描述符
File : Stitcher.py
IDE : PyCharm
Author : 半亩花海
Date : 2024/04/10 11:29import numpy as np
import cv2class Stitcher:def stitch(self, images, ratio0.75, reprojThresh4.0, showMatchesFalse): # 拼接函数# 解包输入图片(imageB, imageA) images# 将图片转换为灰度图grayA cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)grayB cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY)# 使用ORB特征检测器和描述符(kpsA, featuresA) self.detectAndDescribe(grayA)(kpsB, featuresB) self.detectAndDescribe(grayB)# 匹配特征点M self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)# 如果匹配结果为空则返回Noneif M is None:print(Failed to stitch images. Not enough matches.)return None# 解包匹配结果(matches, H, status) M# 进行透视变换拼接图像result cv2.warpPerspective(imageA, H, (imageA.shape[1] imageB.shape[1], imageA.shape[0]))result[0:imageB.shape[0], 0:imageB.shape[1]] imageB# 如果需要显示匹配结果则返回拼接图和匹配可视化图if showMatches:vis self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)return (result, vis)# 否则只返回拼接图return resultstaticmethoddef cv_show(name, img):# 显示图像cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()staticmethoddef detectAndDescribe(image):# 创建ORB特征检测器orb cv2.ORB_create()# 检测特征点并计算描述符(kps, features) orb.detectAndCompute(image, None)kps np.float32([kp.pt for kp in kps])return (kps, features)staticmethoddef matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):# 创建BFMatcher对象matcher cv2.BFMatcher()# 使用KNN匹配rawMatches matcher.knnMatch(featuresA, featuresB, 2)# 进行筛选获取匹配点对matches []for m in rawMatches:if len(m) 2 and m[0].distance m[1].distance * ratio:matches.append((m[0].trainIdx, m[0].queryIdx))# 如果匹配点对数量大于4则计算透视变换矩阵if len(matches) 4:ptsA np.float32([kpsA[i] for (_, i) in matches])ptsB np.float32([kpsB[i] for (i, _) in matches])(H, status) cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)return (matches, H, status)# 否则返回Nonereturn Nonestaticmethoddef drawMatches(imageA, imageB, kpsA, kpsB, matches, status):(hA, wA) imageA.shape[:2](hB, wB) imageB.shape[:2]vis np.zeros((max(hA, hB), wA wB, 3), dtypeuint8)vis[0:hA, 0:wA] imageAvis[0:hB, wA:] imageBfor ((trainIdx, queryIdx), s) in zip(matches, status):if s 1: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)return visif __name__ __main__:# 读取拼接图片imageA cv2.imread(left_01.png)imageB cv2.imread(right_01.png)# 把图片拼接成全景图stitcher Stitcher()result stitcher.stitch([imageA, imageB], showMatchesTrue)if result is not None:# 解包拼接结果(panorama, matchesVis) result# 显示拼接前的两幅图像匹配的关键点和拼接后的图像cv2.imshow(Image A, imageA)cv2.imshow(Image B, imageB)cv2.imshow(Keypoint Matches, matchesVis)cv2.imshow(Result, panorama)cv2.waitKey(0)cv2.destroyAllWindows()
