图像拼接 python,全景图像拼接算法

  图像拼接 python,全景图像拼接算法

  本文主要介绍python计算机视觉实现全景图像拼接的详细说明。有需要的朋友可以借鉴一下,希望能有所帮助。祝大家进步很大,早日升职加薪。

  首先对图片进行预处理,使图片的分布率在一个合适的范围内,避免图片过大而占据整个电脑屏幕。

  从PIL进口图片

  def produceImage(文件输入,宽度,高度,文件输出):

  image=Image.open(file_in)

  resized_image=image.resize((高度,宽度),image。抗锯齿)

  resized_image.save(file_out)

  if __name__==__main__:

  File_in=right2.png#输入文件的文件名

  宽度=500#文件大小

  高度=500

  File_out=right11.png#生成文件的文件名

  produceImage(文件输入,宽度,高度,文件输出)

  图像输出后,可以将两幅图像进行拼接。

  如果两幅图像可以拼接成一幅图像,那么这两幅图像中必然存在重叠的部分。通过这些重叠部分,利用sift特征点匹配算法找到重叠部分的特征点。

  需要注意的是,虽然sift算法比Harris角点好,但是会有误差,不是一个完美的匹配方法。

  在下面的代码中,MyStitcher类的内容是图像拼接的主要过程。

  导入cv2

  将numpy作为np导入

  阶级神秘者:

  #拼接功能

  def stitch(self,images,ratio=0.75,reprojThresh=4.0,showMatches=False):

  #获取输入图片

  (imageB,imageA)=图像

  #检测A、B图片的SIFT关键特征点,计算特征描述符。

  (kpsA,featuresA)=self . detectanddescription(imageA)

  (kpsB,featuresB)=self . detectanddescription(imageB)

  #匹配两幅图片的所有特征点并返回匹配结果。

  m=self . match关键点(kpsA,kpsB,featuresA,featuresB,ratio,reprojThresh)

  #如果返回的结果为空,并且没有匹配成功的特征点,则退出算法。

  如果M是None:

  不返回

  #否则,提取匹配结果。

  # H是33视角变换矩阵。

  (匹配,H,状态)=M

  #改变图片A的视角,结果就是改变后的图片。

  result=cv2 . warp perspective(imageA,H,(imageA.shape[1] imageB.shape[1],imageA.shape[0]))

  #将图片B发送到结果图片的最左端

  result[0:imageB.shape[0],0:imageB.shape[1]]=imageB

  #检查图片匹配是否需要显示。

  如果显示匹配:

  #生成匹配的图片

  vis=self.drawMatches(图像a、图像b、kpsA、kpsB、匹配、状态)

  #返回结果

  返回(结果,可视化)

  #返回匹配结果

  回送结果

  def检测和描述(自身、图像):

  #将彩色图片转换为灰度图像

  gray=cv2.cvtColor(image,cv2。COLOR_BGR2GRAY)

  #构建SIFT生成器

  descriptor=cv2 . xfeatures 2d . sift _ create()

  #检测SIFT特征点并计算描述符

  (kps,features)=descriptor . detectandcompute(image,None)

  #将结果转换为NumPy数组

   kps = np.float32([kp.pt for kp in kps])

   # 返回特征点集,及对应的描述特征

   return (kps, features)

   def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):

   # 建立暴力匹配器

   matcher = cv2.DescriptorMatcher_create("BruteForce")

   # 使用KNN检测来自A、B图的SIFT特征匹配对,K=2

   rawMatches = matcher.knnMatch(featuresA, featuresB, 2)

   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

   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)

   # 返回结果

   return (matches, H, status)

   # 如果匹配对小于4时,返回None

   return None

   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

   (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

  # 读取拼接图片

  imageA = cv2.imread("left11.png")

  imageB = cv2.imread("right11.png")

  # 把图片拼接成全景图

  mystitcher = MyStitcher()

  (result, vis) = mystitcher.stitch([imageA, imageB], showMatches=True)

  # 显示所有图片

  cv2.imshow("Image A", imageA)

  cv2.imshow("Image B", imageB)

  cv2.imshow("Keypoint Matches", vis)

  cv2.imshow("Result", result)

  cv2.waitKey(0)

  cv2.destroyAllWindows()

  

  以上就是python计算机视觉实现全景图像拼接示例的详细内容,更多关于python计算机视觉全景拼接的资料请关注盛行IT软件开发工作室其它相关文章!

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: