python opencv 圖像拼接的實現(xiàn)方法
初級的圖像拼接為將兩幅圖像簡單的粘貼在一起,僅僅是圖像幾何空間的轉移與合成,與圖像內(nèi)容無關。高級圖像拼接也叫作基于特征匹配的圖像拼接,拼接時消去兩幅圖像相同的部分,實現(xiàn)拼接合成全景圖。
具有相同尺寸的圖A和圖B含有相同的部分與不同的部分,如圖所示:
用基于特征的圖像拼接實現(xiàn)后:
設圖像高為h,相同部分的寬度為wx
拼接后圖像的寬w=wA+wB-wx
因此,可以先構建一個高為h,寬為W*2的空白圖像,將左圖像向右平移wx,右圖像粘貼在右側。則右圖像剛好覆蓋左圖像中的相同部分。最終拼接圖像完成,完成后的圖像左側有寬度為wx的空白即為所檢測出的兩幅圖像的相同部分,可根據(jù)需要選擇是否去除。示例圖如下。
實現(xiàn)上述效果的步驟如下:
1. 采用surft特征檢測算法檢測兩幅圖像的關鍵特征點;
2. 建立FLANN匹配器,采用目前最快的特征匹配(最近鄰搜索)算法FlannBasedMatcher匹配關鍵點
3.從所匹配的全部關鍵點中篩選出優(yōu)秀的特征點(基于距離篩選)
4. 根據(jù)查詢圖像和模板圖像的特征描述子索引得出仿射變換矩陣
5. 獲取左邊圖像到右邊圖像的投影映射關系
6. 透視變換將左圖像放在相應的位置
7. 將有圖像拷貝到特定位置完成拼接
先放python下利用opencv 進行圖像拼接的代碼,環(huán)境為python2.7+opencv2:
#coding: utf-8 import numpy as np import cv2 leftgray = cv2.imread('1.jpg') rightgray = cv2.imread('2.jpg') hessian=400 surf=cv2.SURF(hessian) #將Hessian Threshold設置為400,閾值越大能檢測的特征就越少 kp1,des1=surf.detectAndCompute(leftgray,None) #查找關鍵點和描述符 kp2,des2=surf.detectAndCompute(rightgray,None) FLANN_INDEX_KDTREE=0 #建立FLANN匹配器的參數(shù) indexParams=dict(algorithm=FLANN_INDEX_KDTREE,trees=5) #配置索引,密度樹的數(shù)量為5 searchParams=dict(checks=50) #指定遞歸次數(shù) #FlannBasedMatcher:是目前最快的特征匹配算法(最近鄰搜索) flann=cv2.FlannBasedMatcher(indexParams,searchParams) #建立匹配器 matches=flann.knnMatch(des1,des2,k=2) #得出匹配的關鍵點 good=[] #提取優(yōu)秀的特征點 for m,n in matches: if m.distance < 0.7*n.distance: #如果第一個鄰近距離比第二個鄰近距離的0.7倍小,則保留 good.append(m) src_pts = np.array([ kp1[m.queryIdx].pt for m in good]) #查詢圖像的特征描述子索引 dst_pts = np.array([ kp2[m.trainIdx].pt for m in good]) #訓練(模板)圖像的特征描述子索引 H=cv2.findHomography(src_pts,dst_pts) #生成變換矩陣 h,w=leftgray.shape[:2] h1,w1=rightgray.shape[:2] shft=np.array([[1.0,0,w],[0,1.0,0],[0,0,1.0]]) M=np.dot(shft,H[0]) #獲取左邊圖像到右邊圖像的投影映射關系 dst_corners=cv2.warpPerspective(leftgray,M,(w*2,h))#透視變換,新圖像可容納完整的兩幅圖 cv2.imshow('tiledImg1',dst_corners) #顯示,第一幅圖已在標準位置 dst_corners[0:h,w:w*2]=rightgray #將第二幅圖放在右側 #cv2.imwrite('tiled.jpg',dst_corners) cv2.imshow('tiledImg',dst_corners) cv2.imshow('leftgray',leftgray) cv2.imshow('rightgray',rightgray) cv2.waitKey() cv2.destroyAllWindows()
所用圖像為:
拼接完成后的圖像為:
測試一下抗干擾能力,所用圖像:
拼接結果:
可見,抗干擾能力還是不錯的,在測試中若拼接不成功,則注意以下兩點:
1. 所用兩幅圖像尺寸是否相同,是否有相同的部分。
2. 適當調(diào)整hessian的值。
總結
以上所述是小編給大家介紹的python opencv 圖像拼接的實現(xiàn)方法,希望對大家有所幫助,如果大家有任何疑問歡迎給我留言,小編會及時回復大家的!
相關文章
Python使用Tkinter實現(xiàn)轉盤抽獎器的步驟詳解
這篇文章主要介紹了Python使用Tkinter實現(xiàn)轉盤抽獎器,,本文分場景通過實例代碼給大家介紹的非常詳細,具有一定的參考借鑒價值,需要的朋友可以參考下2020-01-01一個非常簡單好用的Python圖形界面庫(PysimpleGUI)
這篇文章主要介紹了一個非常簡單好用的Python圖形界面庫,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2020-12-12python 計算兩個列表的相關系數(shù)的實現(xiàn)
這篇文章主要介紹了python 計算兩個列表的相關系數(shù)的實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2019-08-08python 處理微信對賬單數(shù)據(jù)的實例代碼
本文通過實例代碼給大家介紹了python 處理微信對賬單數(shù)據(jù),代碼簡單易懂,非常不錯,具有一定的參考借鑒價值,需要的朋友可以參考下2019-07-07Python中在for循環(huán)中嵌套使用if和else語句的技巧
Python的語法糖非常強大,比如Python中在for循環(huán)中嵌套使用if和else語句的技巧便十分給力,下面我們就舉幾個例子來看詳細的用法:2016-06-06