opencv_python Stitcher拼接图像实例（SIFT/SURF检测特征点，BF/FLANN匹配特征点）

SIFI/SURF检测特征点，BF/FLANN匹配特征点，stitch缝接图片，并进行视角变换。
先创建一个Stitcher类：

import numpy as np
import cv2class Stitcher:# 拼接函数def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False):# 获取输入图片(imageB, imageA) = images# 检测A、B图片的SIFT关键特征点，并计算特征描述子(kpsA, featuresA) = self.detectAndDescribe(imageA)(kpsB, featuresB) = self.detectAndDescribe(imageB)# 匹配两张图片的所有特征点，返回匹配结果M = self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)# 如果返回结果为空，没有匹配成功的特征点，退出算法if M is None:return None# 否则，提取匹配结果# H是3x3视角变换矩阵(matches, H, status) = M# 将图片A进行视角变换，result是变换后图片result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))self.cv_show('result', result)# 将图片B传入result图片最左端result[0:imageB.shape[0], 0:imageB.shape[1]] = imageBself.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 resultdef cv_show(self, name, img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()def detectAndDescribe(self, image):# 将彩色图片转换成灰度图gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# SURF生成器descriptor = cv2.xfeatures2d.SURF_create()kps, features = descriptor.detectAndCompute(image, None)# # 建立SIFT生成器# descriptor = cv2.xfeatures2d.SIFT_create()# # 检测SIFT特征点，并计算描述子# (kps, features) = descriptor.detectAndCompute(image, None)# 将结果转换成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.BFMatcher()##     # 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 Nonedef matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):# FLANN匹配参数,定义FLANN匹配器，使用KNN算法实现匹配# 这里使用FLANN_INDEX_KDTREE，5kd-trees和50 checks迭代FLANN_INDEX_KDTREE = 1indexParams = dict(algorithm=1, trees=5)searchParams = dict(check=100)flann = cv2.FlannBasedMatcher(indexParams, searchParams)rawMatches = flann.knnMatch(featuresA, featuresB, k=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Nonereturn Nonedef 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] = imageAvis[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

测试：

import cv2
from Stitcher import Stitcher
from matplotlib import pyplot as pltimageA = cv2.imread("img/left_01.png")
imageB = cv2.imread("img/right_01.png")# 把图像拼接成全景图
stitcher = Stitcher()
(result, vis) = stitcher.stitch([imageA, imageB], showMatches=True)# 显示所有图片
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

参考视频：

https://www.bilibili.com/video/av61678672/?p=13

opencv_python Stitcher拼接图像实例（SIFT/SURF检测特征点，BF/FLANN匹配特征点）相关推荐

OpenCV之feature2d 模块. 2D特征框架（2）特征描述使用FLANN进行特征点匹配使用二维特征点(Features2D)和单映射(Homography)寻找已知物体平面物体检测
特征描述目标在本教程中,我们将涉及: 使用 DescriptorExtractor 接口来寻找关键点对应的特征向量. 特别地: 使用 SurfDescriptorExtractor 以及它的函数 ...
OpenCV SURF检测的实例(附完整代码)
OpenCV SURF检测的实例 OpenCV SURF检测的实例 OpenCV SURF检测的实例 #include <iostream> #include "opencv2/ ...
图像配准，特征点提取与匹配
图像配准本文为原创文章,转载请注明出处** 目录一.图像配准概述二.图像匹配算法 SIFT SURF ORB 暴力匹配 FLANN 深度学习(superpoint) 三.各算法对比四.图像配准 ...
图像局部特征（八）--斑点检测子SIFT/SURF区别总结
原文: http://blog.csdn.net/cy513/article/details/4414352 http://blog.csdn.net/jwh_bupt/article/details ...
详解计算机视觉中的特征点检测：Harris / SIFT / SURF / ORB
作者丨Encoder@知乎来源丨https://zhuanlan.zhihu.com/p/36382429 编辑丨极市平台本文仅用于学术分享,若侵权,联系后台作删文处理.极市导读 Harris角点 ...
图像特征检测描述(一):SIFT、SURF、ORB、HOG、LBP特征的原理概述及OpenCV代码实现
图像处理开发需求.图像处理接私活挣零花钱,请加微信/QQ 2487872782 图像处理开发资料.图像处理技术交流请加QQ群,群号 271891601 什么叫特征检测?就是检测图像中目标的特征呗,所谓 ...
OpenCV-Python Feature2D 特征点检测(含SIFT/SURF/ORB/KAZE/FAST/BRISK/AKAZE)
对于OpenCV-Python,OpenCV2.x和OpenCV3.x的函数使用方式有很大不同.网上很多教程都还是基于OpenCV2.x,此版本已经逐渐被弃用. 本教程针对特征点检测,分析OpenCV ...
超全总结！详解计算机视觉中的特征点检测：Harris / SIFT / SURF / ORB
本文转自计算机视觉联盟,文章仅用于学术交流. Harris角点检测 Def. [角点(corner point)] 在邻域内的各个方向上灰度变化值足够高的点,是图像边缘曲线上曲率极大值的点. [基于灰 ...
【OpenCV】SURF图像拼接和Stitcher拼接
介绍两种图像拼接的方法,一种是SURF算法的图像拼接,另一种是Stitcher硬拼接首先先从简单的讲起一.Stitcher直接拼接可以实现多张图片一起拼接,只要两行代码就可以实现拼接: 1.首先 ...
【Python+OpenCV】主流特征点检测器和描述子总结与实现附拼接结果(SIFT,SURF,ORB,AKAZE,FAST,BRIEF,CenSurE,BEBLID,SuperPoint)
文章目录准备工作 SIFT SURF ORB AKAZE FAST与BRIEF CenSurE BEBLID 匹配点后的图像拼接 SuperPoint 总结准备工作先准备两张待处理的图像,要求有 ...

opencv_python Stitcher拼接图像实例（SIFT/SURF检测特征点，BF/FLANN匹配特征点）

opencv_python Stitcher拼接图像实例（SIFT/SURF检测特征点，BF/FLANN匹配特征点）

参考视频：

opencv_python Stitcher拼接图像实例（SIFT/SURF检测特征点，BF/FLANN匹配特征点）相关推荐

最新文章

热门文章