OpenCV實戰之圖像拼接的示例代碼
背景
圖像拼接可以應用到手機中的全景拍攝,也就是將多張圖片根據關聯信息拼成一張圖片;
實現步驟
1、讀文件並縮放圖片大小;
2、根據特征點和計算描述子,得到單應性矩陣;
3、根據單應性矩陣對圖像進行變換,然後平移;
4、圖像拼接並輸出拼接後結果圖;
一、讀取文件
第一步實現讀取兩張圖片並縮放到相同尺寸;
代碼如下:
img1 = cv2.imread('map1.png') img2 = cv2.imread('map2.png') img1 = cv2.resize(img1, (640, 480)) img2 = cv2.resize(img2, (640, 480)) input = np.hstack((img1, img2)) cv2.imshow('input', input) cv2.waitKey(0)
上圖為我們需要拼接的兩張圖的展示,可以看出其還具有一定的旋轉變換,之後的圖像轉換必定包含旋轉的操作;
二、單應性矩陣計算
主要分為以下幾個步驟:
1、創建特征轉換對象;
2、通過特征轉換對象獲得特征點和描述子;
3、創建特征匹配器;
4、進行特征匹配;
5、過濾特征,找出有效的特征匹配點;
6、單應性矩陣計算
實現代碼:
def get_homo(img1, img2): # 1實現 sift = cv2.xfeatures2d.SIFT_create() # 2實現 k1, p1 = sift.detectAndCompute(img1, None) k2, p2 = sift.detectAndCompute(img2, None) # 3實現 bf = cv2.BFMatcher() # 4實現 matches = bf.knnMatch(p1, p2, k=2) # 5實現 good = [] for m1, m2 in matches: if m1.distance < 0.8 * m2.distance: good.append(m1) # 6實現 if len(good) > 8: img1_pts = [] img2_pts = [] for m in good: img1_pts.append(k1[m.queryIdx].pt) img2_pts.append(k2[m.trainIdx].pt) img1_pts = np.float32(img1_pts).reshape(-1, 1, 2) img2_pts = np.float32(img2_pts).reshape(-1, 1, 2) H, mask = cv2.findHomography(img1_pts, img2_pts, cv2.RANSAC, 5.0) return H else: print('piints is not enough 8!') exit()
三、圖像拼接
實現步驟:
1、獲得圖像的四個角點;
2、根據單應性矩陣變換圖片;
3、創建一張大圖,拼接圖像;
4、輸出結果
實現代碼:
def stitch_img(img1, img2, H): # 1實現 h1, w1 = img1.shape[:2] h2, w2 = img2.shape[:2] img1_point = np.float32([[0,0], [0,h1], [w1,h1], [w1,0]]).reshape(-1, 1, 2) img2_point = np.float32([[0,0], [0,h2], [w2,h2], [w2,0]]).reshape(-1, 1, 2) # 2實現 img1_trans = cv2.perspectiveTransform(img1_point, H) # 將img1變換後的角點與img2原來的角點做拼接 result_point = np.concatenate((img2_point, img1_trans), axis=0) # 獲得拼接後圖像x,y的最小值 [x_min, y_min] = np.int32(result_point.min(axis=0).ravel()-0.5) # 獲得拼接後圖像x,y的最大值 [x_max, y_max] = np.int32(result_point.max(axis=0).ravel()+0.5) # 平移距離 trans_dist = [-x_min, -y_min] # 構建一個齊次平移矩陣 trans_array = np.array([[1, 0, trans_dist[0]], [0, 1, trans_dist[1]], [0, 0, 1]]) # 平移和單應性變換 res_img = cv2.warpPerspective(img1, trans_array.dot(H), (x_max-x_min, y_max-y_min)) # 3實現 res_img[trans_dist[1]:trans_dist[1]+h2, trans_dist[0]:trans_dist[0]+w2] = img2 return res_img H = get_homo(img1, img2) res_img = stitch_img(img1, img2, H) # 4實現 cv2.imshow('result', res_img) cv2.waitKey(0)
最終結果圖如上圖所示,還有待優化點如下:
- 邊緣部分有色差,可以根據取平均值消除;
- 黑色區域可進行裁剪並用對應顏色填充;
優化部分難度不大,有興趣的可以實現一下;
總結
圖像拼接作為一個實用性技術經常出現在我們的生活中,特別是全景拍攝以及圖像內容拼接;當然,基於傳統算法的圖像拼接還是會有一些缺陷(速度和效果上),感興趣的可以瞭解下基於深度學習的圖像拼接算法,期待和大傢溝通!
到此這篇關於OpenCV實戰之圖像拼接的示例代碼的文章就介紹到這瞭,更多相關OpenCV圖像拼接內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- Python OpenCV學習之特征點檢測與匹配詳解
- 基於Python和openCV實現圖像的全景拼接詳細步驟
- OpenCV-Python 實現兩張圖片自動拼接成全景圖
- OpenCV全景圖像拼接的實現示例
- python opencv實現圖像配準與比較