【深度学习】OpenCV 图像拼接——SIFT特征匹配与透视变换实战-北京尧图网络

OpenCV 图像拼接——SIFT特征匹配与透视变换实战一、图像拼接概述1. 案例效果预览2. 什么是图像拼接3. 图像拼接完整流程二、案例实现1. 定义特征检测函数2. 定义图像显示函数3. 提取图像特征点4. 特征点匹配暴力匹配 K近邻BFMatcher 暴力匹配器K近邻匹配参数说明返回值说明5. 绘制匹配结果6. 计算透视变换矩阵7. 透视变换与图像拼接8. 完整代码汇总一、图像拼接概述1. 案例效果预览左图为待拼接图像1右图为待拼接图像2经过图像拼接处理后得到全景拼接结果2. 什么是图像拼接图像拼接Image Stitching是指将多张具有重叠区域的图像合成为一张大图的技术。该技术在计算机视觉和图像处理领域应用广泛主要包括全景图像创建如手机全景模式大幅面照片合成无人机航拍图像拼接医学影像拼接3. 图像拼接完整流程图像拼接通常包含以下七个步骤步骤1加载图像—— 使用cv2.imread()加载待拼接的图像步骤2特征点检测与描述—— 使用 SIFT、ORB 等算法提取图像中的特征点及其描述符步骤3特征点匹配—— 使用 KNN 匹配等算法找到两幅图像间的对应关系步骤4图像配准—— 使用 RANSAC 等算法估计两幅图像间的变换矩阵仿射变换或透视变换步骤5图像变换与拼接—— 利用估计的变换矩阵对图像进行变换并拼接步骤6图像调整—— 对拼接结果进行融合平滑处理消除拼接缝二、案例实现1. 定义特征检测函数importcv2importnumpyasnpimportsysdefdetectAndDescribe(image): 检测图像中的SIFT关键点并计算描述符参数 image: 输入图像BGR格式返回 kps: 关键点对象列表 kps_float: 关键点坐标数组浮点数 des: 关键点描述符矩阵 graycv2.cvtColor(image,cv2.COLOR_BGR2GRAY)descriptorcv2.SIFT_create()(kps,des)descriptor.detectAndCompute(gray,None)# 将关键点坐标转换为浮点数数组kps_floatnp.float32([kp.ptforkpinkps])return(kps,kps_float,des)2. 定义图像显示函数defcv_show(name,img):显示图像的辅助函数cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()3. 提取图像特征点# 读取待拼接的两张图像imageAcv2.imread(1.jpg)cv_show(imageA,imageA)imageBcv2.imread(2.jpg)cv_show(imageB,imageB)# 计算两张图像的特征点及描述符(kpsA,kps_floatA,desA)detectAndDescribe(imageA)(kpsB,kps_floatB,desB)detectAndDescribe(imageB)调试模式下查看返回数据kps关键点对象列表包含坐标、尺度、方向等信息des描述符矩阵每行对应一个关键点的 128 维特征向量4. 特征点匹配暴力匹配 K近邻BFMatcher 暴力匹配器在图像处理中特征点匹配是指在不同图像中找到对应的特征点。BFMatcherBrute-Force Matcher通过计算两个特征向量集合中所有特征点之间的距离如欧氏距离、汉明距离等选择距离最近的作为匹配点。K近邻匹配# 创建暴力匹配器matchercv2.BFMatcher()# 使用 KNN 匹配K2对 desB 中的每个描述符在 desA 中查找两个最近邻rawMatchesmatcher.knnMatch(desB,desA,2)good[]# 存放匹配成功的特征点对matches[]# 存放匹配成功的两个点的索引forminrawMatches:# 当最近距离与次近距离的比值小于 0.65 时保留此匹配对iflen(m)2andm[0].distance0.65*m[1].distance:good.append(m)matches.append((m[0].trainIdx,m[0].queryIdx))print(f匹配成功的特征点个数:{len(good)})print(f匹配点索引:{matches})参数说明参数说明queryDescriptors匹配图像A的描述符trainDescriptors匹配图像B的描述符K最佳匹配的描述符个数一般取 K2mask可选掩码用于过滤不需要匹配的特征点返回值说明distance匹配特征点描述符的欧氏距离数值越小表示特征越相近queryIdx测试图像特征点描述符的下标trainIdx样本图像特征点描述符的下标5. 绘制匹配结果# 绘制两组关键点的匹配结果viscv2.drawMatchesKnn(imageB,kpsB,imageA,kpsA,good,None,flagscv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)cv_show(keypoint matches,vis)6. 计算透视变换矩阵# 透视变换要求至少 4 个匹配点iflen(matches)4:# 分别获取匹配成功的 A 图和 B 图中点的坐标ptsAnp.float32([kps_floatA[i]for(i,_)inmatches])ptsBnp.float32([kps_floatB[i]for(_,i)inmatches])# 使用 RANSAC 算法估计透视变换矩阵(H,mask)cv2.findHomography(ptsB,ptsA,cv2.RANSAC,10)else:print(未找到 4 个以上的匹配点)sys.exit()7. 透视变换与图像拼接# 根据透视变换矩阵 H 将图像 B 进行变换# 输出图像宽度为两张图像宽度之和高度取图像 B 的高度resultcv2.warpPerspective(imageB,H,(imageB.shape[1]imageA.shape[1],imageB.shape[0]))cv_show(resultB,result)# 将图像 A 填充到结果图像的左侧result[0:imageA.shape[0],0:imageA.shape[1]]imageA cv_show(result,result)8. 完整代码汇总importcv2importnumpyasnpimportsysdefcv_show(name,img):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()defdetectAndDescribe(image):graycv2.cvtColor(image,cv2.COLOR_BGR2GRAY)descriptorcv2.SIFT_create()(kps,des)descriptor.detectAndCompute(gray,None)kps_floatnp.float32([kp.ptforkpinkps])return(kps,kps_float,des)# 读取图像imageAcv2.imread(1.jpg)cv_show(imageA,imageA)imageBcv2.imread(2.jpg)cv_show(imageB,imageB)# 提取特征(kpsA,kps_floatA,desA)detectAndDescribe(imageA)(kpsB,kps_floatB,desB)detectAndDescribe(imageB)# 特征匹配matchercv2.BFMatcher()rawMatchesmatcher.knnMatch(desB,desA,2)good[]matches[]forminrawMatches:iflen(m)2andm[0].distance0.65*m[1].distance:good.append(m)matches.append((m[0].trainIdx,m[0].queryIdx))print(f匹配成功的特征点个数:{len(good)})# 绘制匹配结果viscv2.drawMatchesKnn(imageB,kpsB,imageA,kpsA,good,None,flagscv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)cv_show(keypoint matches,vis)# 计算透视变换矩阵iflen(matches)4:ptsAnp.float32([kps_floatA[i]for(i,_)inmatches])ptsBnp.float32([kps_floatB[i]for(_,i)inmatches])(H,mask)cv2.findHomography(ptsB,ptsA,cv2.RANSAC,10)else:print(未找到 4 个以上的匹配点)sys.exit()# 透视变换与拼接resultcv2.warpPerspective(imageB,H,(imageB.shape[1]imageA.shape[1],imageB.shape[0]))result[0:imageA.shape[0],0:imageA.shape[1]]imageA cv_show(result,result)

【深度学习】OpenCV 图像拼接——SIFT特征匹配与透视变换实战

相关推荐

【深度学习】OpenCV 角点检测与 SIFT 特征提取详解

3步搞定黑苹果：小白也能轻松上手的Hackintool配置工具

AI时代的核心竞争力：分辨什么该自动化，什么必须保留摩擦

更多资讯

ArduPilot 硬件移植实战：PixPilot-C3 飞控板完整配置指南（STM32F427 双 IMU 架构）

LCD1602显示进阶：DDRAM地址映射、光标定位与局部滚屏实战

JSP+Servlet+JDBC学生管理系统：从登录到增删改查的JavaWeb实战解析

Effect 平台在 Deno 上启用 HTTP 客户端：DenoHttpClient 与 fetch 架构解析

NS2网络仿真环境搭建与trace文件解析实战指南

RubyGems遭遇AI智能体集群投毒：供应链攻击取证与防御复盘

今日更新

基于高阶循环谱的MPSK载波频率估计与MATLAB实现

MiniPdf方：.NET开源Office转PDF的高效解决方案

Solon AI v3.10：Java全栈智能体开发框架解析

本周精选

AI驱动的自动化专利分析平台技术解析

LeetCode-Go 题解：1252. Cells with Odd Values in a Matrix（奇数值单元格计数）双解法剖析

在线答疑系统Java毕设实战：Spring Boot前后端分离与状态流转

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？