这篇文章主要为大家详细介绍了大蟒实现图像拼接，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
本文实例为大家分享了大蟒实现图像拼接的具体代码，供大家参考，具体内容如下
1.待拼接的图像
2.基于撒特征点和兰萨克方法得到的图像特征点匹配结果
3.图像变换结果
4.代码及注意事项
导入cv2
将numpy作为铭牌导入
定义cv_show(名称，图像):
cv2.imshow(名称，图像)
cv2.waitKey(0)
cv2.destroyAllWindows()
极好的检测和计算（图像):
image=cv2.cvtColor(image，cv2 .COLOR_BGR2GRAY)
sift=cv2。xfeatures 2dsift _ create()
(kps，特色)=sift。检测和计算(图像，无)
KPS=NP。浮32([KP。KP中KP的pt])#得到的点需要进一步转换才能使用
回报(kps，功能)
定义匹配关键点(kpsA，kpsB，featuresA，featuresB，ratio=0.75，reprojThresh=4.0):
#比率是最近邻匹配的推荐阈值
# reprojThresh是随机取样一致性的推荐阈值
matcher=cv2 .BFMatcher()
原始匹配=匹配器。KNN火柴(特性a，特性b，2)
matches=[]
对于原始匹配中的男：
如果len(m)==2且米[0].距离比* m[1].距离：
matches.append((m[0]).queryIdx，m[0].trainIdx))
kpsA=NP。float 32([kpsA[m[0]]for m in matches])#使用np.float32转化列表
kpsB=NP。float 32([kpsB[m[1]]用于匹配中的m])
(M，状态)=cv2。发现单应性(kpsA，kpsB，cv2 .RANSAC，reprojThresh)
返回(M，匹配，状态)#并不是所有的点都有匹配解，它们的状态存在状态中
def stich(imgA，imgB，M):
结果=cv2。扭曲透视(imgA，M，(imgA.shape[1] imgB.shape[1]，imgA.shape[0])
结果[0:imageA.shape[0]，0:imageB.shape[1]]=imageB
cv_show('结果，结果)
定义抽签匹配(imgA、imgB、kpsA、kpsB)匹配、状态):
(hA，wA)=imgA.shape[0:2]
(hB，wB)=imgB.shape[0:2]
# 注意这里的3通道和uint8类型
drawImg=np.zeros((max(hA，hB)，wA wB，3)，' uint8 ')
绘图[0:hB，0:wB]=imageB
绘图[0:hA，wB:]=imageA
对于活力中的((queryIdx，trainIdx)，s)(匹配项，状态):
如果s==1:
# 注意将float32 - int
pt1=(int(kpsB[trainIdx][0])，int(kpsB[trainIdx][1])
pt2=(int(kpsA[trainIdx][0]) wB，int(kpsA[trainIdx][1]))
cv2.line(绘图，pt1，pt2，(0，0，255))
cv_show('绘图，绘图)
# 读取图像
imageA=cv2.imread(' ./right_01.png ')
cv_show('imageA '，imageA)
imageB=cv2.imread(./left_01.png ')
cv_show('imageB '，imageB)
# 计算撒特征点和特征向量
(kpsA，featuresA)=detectAndCompute(imageA)
(kpsB，featuresB)=detectAndCompute(imageB)
# 基于最近邻和随机取样一致性得到一个单应性矩阵
(M，匹配，状态)=匹配关键点(kpsA，kpsB，featuresA，featuresB)
# 绘制匹配结果
抽奖活动(图像答：图像kpsA，kpsB，匹配、状态)
# 拼接
stich(图像一，图像b，M)
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。
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。