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。