图像拼接——python

这篇具有很好参考价值的文章主要介绍了图像拼接——python。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

SIFT特征点检测以及图像拼接

结合SIFT、单应性变换、RANSAC和SVD分解等算法实现指定几幅图像之间的拼接

1. SIFT特征点检测,得到特征点以及特征向量

如果要实现图像之间的特征点匹配,要通过特征描述子集之间比对完成。常见的匹配器有暴力匹配器快速近似最邻近算法匹配器。暴力匹配器就是将两幅图像中的特征描述子全都匹配一遍,得到最优的结果,它的优点是精度高,但是缺点也是显而易见的,在大量的匹配时,匹配时间会很长。快速近似最邻近算法匹配器,故名思意,它只搜索邻近的点,找到邻近的最优匹配,它的匹配准确度会比暴力匹配器低,但是它的匹配时间大大的缩减了。

cv2.xfeatures2d.SIFT_create(nfeatures=None, nOctaveLayers=None, contrastThreshold=None, edgeThreshold=None, sigma=None)-->descriptor

函数用于创建一个用于提取SIFT特征的描述符
* nfeatures,保留的最佳特性的数量。特征按其得分进行排序(以SIFT算法作为局部对比度进行测量)* nOctavelLayers,高斯金字塔最小层级数,由图像自动计算出;
* constrastThreshold,对比度阈值用于过滤区域中的弱特征。阈值越大,检测器产生的特征越少;
* edgeThreshold ,用于过滤掉类似边缘特征的阈值。 请注意,其含义与contrastThreshold不同,即edgeThreshold越大,滤出的特征越少
* sigma,高斯输入层级, 如果图像分辨率较低,则可能需要减少数值
def detectAndDescribe(self, image):
        # 转换为灰度图
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

        # 建立SIFT生成器
        descriptor = cv2.xfeatures2d.SIFT_create()
        # 检测特征点并计算描述子
        kps, features = descriptor.detectAndCompute(gray, None)

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

        return kps, features

通过SIFT_create()实例化SIFT对象,调用detectAndCompute方法得到特征点和特征向量

2. 使用KNN得到和图像A中一个点最接近的前K的点在B中的位置

这里使用RANSAC方法,找到和一个点在另一张图片上最相似的两个点,如果第一个点的近似程度远远大于第二个点,那么才认为第一个点是可靠的匹配点。

rawMatches = matcher.knnMatch(featuresA, featuresB, 2)
参数:
* featureA和featureB 表示两个特征向量集;
* K 表示按knn匹配规则输出的最优的K个结果
在该算法中,输出的结果是:featureA(检测图像)中每个点与被匹配对象featureB(样本图像)中特征向量进行运算的匹配结果。
则,rawMatches中共有featureA条记录,每一条有最优K个匹配结果。
每个结果中包含三个非常重要的数据分别是queryIdx,trainIdx,distance

- queryIdx:特征向量的特征点描述符的下标(第几个特征点描述符),同时也是描述符对应特征点的下标
- trainIdx:样本特征向量的特征点描述符下标,同时也是描述符对应特征点的下标
- distance:代表匹配的特征点描述符的欧式距离,数值越小也就说明俩个特征点越相近
def matchKeypoints(self, kpsA, kpsB, featureA, featureB, ratio, reprojThresh):
        # 建立暴力匹配器
        matcher = cv2.BFMatcher()

        # 使用KNN检测来自AB图的SIFT特征匹配
        rawMatches = matcher.knnMatch(featureA, featureB, 2)

        # 过滤
        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))

        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])

3. 通过点对计算H矩阵

cv2.findHomography(srcPoints, dstPoints, method=None, ransacReprojThreshold=None, mask=None, maxIters=None, confidence=None) --> (H, status)
计算多个二维点对之间的最优单映射变换矩阵H(3*3),status为可选的输出掩码,0/1 表示在变换映射中无效/有效
* method(0, RANSAC, LMEDS, RHO)
* ransacReprojThreshold 最大允许冲投影错误阈值(限方法RANSAC和RHO)
* mask可选输出掩码矩阵,通常由鲁棒算法(RANSAC或LMEDS)设置,是不需要设置的
* maxIters为RANSAC算法的最大迭代次数,默认值为2000
* confidence可信度值,取值范围为01.
# 计算H矩阵
            H, status = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)

4. 利用单应矩阵对图片进行变换拼接

cv.warpPerspective(src, M, dsize, dst=None, flags=None, borderMode=None, borderValue=None) --> result
将图像按照变换映射M执行后返回变换后的图像result。
# 将图片A进行视角变换 中间结果
        result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
        # 将图片B传入]
        result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
        self.cv_show('result', result)

tip:两张图片分左右

源图片:

图像拼接——python
图像拼接——python

目标图像:

图像拼接——python

源代码:

main文件:

from Stitcher import Stitcher
import cv2

# 读取图片
img1 = cv2.imread('img1.jpg')
img2 = cv2.imread('img2.jpg')

# 图片拼接
stitcher = Stitcher()
result, vis = stitcher.stitch([img1, img2], showMatches=True)

cv2.imshow('img1', img1)
cv2.imshow('img2', img2)
cv2.imshow('keypoints matches', vis)
cv2.imshow('result', result)
cv2.waitKey(0)
cv2.destroyWindow()

Stitcher文件:文章来源地址https://www.toymoban.com/news/detail-404959.html

import  numpy as np
import cv2

class Stitcher:

    # 拼接函数
    def stitch(self, images, ratio = 0.75, reprojThresh = 4.0, showMatches = False):
        # 读取图像
        imageB, imageA = images
        # 计算特征点和特征向量
        kpsA, featureA = self.detectAndDescribe(imageA)
        kpsB, featureB = self.detectAndDescribe(imageB)

        # 匹配两张图片的特征点
        M = self.matchKeypoints(kpsA, kpsB, featureA, featureB, ratio, reprojThresh)

        # 没有匹配点,退出
        if not M:
            return None

        matches, H, status = M
        # 将图片A进行视角变换 中间结果
        result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
        # 将图片B传入]
        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


    def detectAndDescribe(self, image):
        # 转换为灰度图
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

        # 建立SIFT生成器
        descriptor = cv2.xfeatures2d.SIFT_create()
        # 检测特征点并计算描述子
        kps, features = descriptor.detectAndCompute(gray, None)

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

        return kps, features

    def matchKeypoints(self, kpsA, kpsB, featureA, featureB, ratio, reprojThresh):
        # 建立暴力匹配器
        matcher = cv2.BFMatcher()

        # 使用KNN检测来自AB图的SIFT特征匹配
        rawMatches = matcher.knnMatch(featureA, featureB, 2)

        # 过滤
        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))

        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H矩阵
            H, status = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)

            return matches, H, status

    # 展示图像
    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
        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

到了这里,关于图像拼接——python的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

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: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • OpenCV图像特征提取学习五,HOG特征检测算法

    一、HOG向梯度直方图概述   向梯度直方图(Histogram of Oriented Gradient, HOG)特征是基于对稠密网格中归一化的局部方向梯度直方图的计算。此方法的基本观点是:局部目标的外表和形状可以被局部梯度或边缘方向的分布很好的描述,即使我们不知道对应的梯度和边缘的位置。在

    2024年02月04日
    浏览(45)
  • openCV 图像特征点检测与匹配

            1.图像搜索,以图搜图。         2.拼图游戏。         3.图像拼接,将两张有关联的图拼接在一起。         图像特征就是指有意义的图像区域,具有独特性、易于识别性,比如角点、斑点以及高密度区。          从上图我们可以发现:         A、

    2024年02月09日
    浏览(85)
  • 图像翻拍检测——反射分量分离的特征融合

    随着计算机技术的迅速发展,需要建立人与信息一一对应的安保认证技术,通过建立完整的映射网络体系,从而确保每个人的人身、财产、隐私等的安全.与指纹、基因等人体生物特征识别系统相比,人脸识别系统更加友好,不需要人的参与配合,能在不打扰正常生活情况下解

    2024年02月10日
    浏览(32)
  • 图像拼接——python

    结合SIFT、单应性变换、RANSAC和SVD分解等算法实现指定几幅图像之间的拼接 1. SIFT特征点检测,得到特征点以及特征向量 如果要实现图像之间的特征点匹配,要通过特征描述子集之间比对完成。常见的匹配器有 暴力匹配器 和 快速近似最邻近算法匹配器 。暴力匹配器就是将两

    2023年04月08日
    浏览(30)
  • 利用Python实现图像拼接

    利用python语言实现多张图像拼接_小饼干cookie的博客-CSDN博客_python拼接图像 主要参考上述博文,只是对于复现过程遇到的小问题的解决做一些补充。 拼接程序: 先了解下拼接的相关理论,将代码复制到Python中复现,对遇到的问题逐一解决 1、需要安装PCV包 参考手把手解决解决

    2024年02月10日
    浏览(31)
  • python opencv图像拼接

    OpenCV 是一个开源的计算机视觉库,可以用来进行图像处理和计算机视觉方面的开发。它提供了一系列的函数和类来实现图像拼接。 在 Python 中使用 OpenCV 进行图像拼接时,需要用到 cv2 库。首先,需要将需要拼接的图片读入,然后使用 cv2.createStitcher() 函数来创建一个图像拼接

    2024年02月16日
    浏览(54)
  • Python-图像拼接神器-stitching

    采用这个包,图像拼接结果很好~ 代码只需要三四行 图片1 图片2 图片3 图像拼接的效果图: 比如:你想将这三张图片拼接在一起,但是在这里面有混入了一张无关的照片,他还是会拼接的很好; 什么意思呢 具体来说: 我把这四张图片放在一起进行拼接 图片1 图片2 图片3 图

    2024年02月10日
    浏览(40)
  • “ORB技术解析:快速检测和描述图像特征点的算法“

    ORB(Oriented FAST and Rotated BRIEF)是一种计算机视觉算法,用于检测和描述图像中的特征点。它结合了FAST算法和BRIEF算法,使其具有快速的计算速度和对不同光照条件和视角变化的鲁棒性。 ORB算法的主要原理是使用FAST算法快速检测图像中的关键点,然后使用BRIEF算法描述这些关

    2024年02月09日
    浏览(36)
  • 【课程介绍】OpenCV 基础入门教程:图像读取、显示、保存,图像处理和增强(如滤波、边缘检测、图像变换),特征提取和匹配,目标检测和跟踪

    [ 专栏推荐 ] 😃 《视觉探索: OpenCV 基础入门教程》 😄 ❤️【简介】: Opencv 入门课程适合初学者,旨在介绍 Opencv 库的基础知识和核心功能。课程包括图像读取、显示、保存,图像处理和增强(如滤波、边缘检测、图像变换),特征提取和匹配,目标检测和跟踪等内容。学

    2024年02月16日
    浏览(318)
  • 目标检测YOLO实战应用案例100讲-基于特征融合和预测细化的遥感图像目标检测(中)

    目录 2.1.3 全连接层  2.1.4 激活函数   2.1.4.1 Sigmoid函数  2.1.4.2 Tanh函数  2.1.4.3 Re LU函数 

    2024年04月17日
    浏览(54)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包