目录
1.简介
图像的融合拼接通常是指将多个图像无缝或尽可能自然地拼接在一起,形成一个更大的图像。本代码将使用特征点匹配和透视变换实现两张图片的拼接融合。
2.实现效果
原图
处理后
3.代码实现
1)函数定义
import cv2
import numpy as np
import sys
def cv_show(name,img):
# 定义一个函数来显示图像
cv2.imshow(name, img)
cv2.waitKey(0)
def detectAndDescribe (image):
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
descriptor = cv2.xfeatures2d.SIFT_create()
# 检测SIFT特征点,并计算描述符
(kps,des) = descriptor.detectAndCompute(image, None)
kps_float = np.float32([kp.pt for kp in kps])
return (kps, kps_float, des) # 返回特征点集,及对应的描述特征
2)读取拼接图片
imageA = cv2.imread("02.jpg")
imageA = cv2.resize(imageA,(400,400))
cv_show('imageA' ,imageA)
imageB = cv2.imread("01.jpg")
imageB = cv2.resize(imageB,(400,400))
cv_show('imageB',imageB)
3)计算图片特征点及描述符
(kpsA,kps_floatA, desA) = detectAndDescribe(imageA)
(kpsB,kps_floatB, desB) = detectAndDescribe(imageB)
# 对两幅图像分别调用detectAndDescribe函数,检测SIFT特征点并计算它们的描述符
# kpsA和kpsB是两幅图像的特征点集合
# kps_floatA和kps_floatB是特征点的坐标
# desA和desB是对应的特征描述符
4)建立暴力匹配器BFMatcher
matcher = cv2.BFMatcher()
rawMatches = matcher.knnMatch(desB, desA, 2)
# 使用knnMatch方法找到每个特征点的两个最近邻
5)过滤匹配点
good = []
matches = []
for m in rawMatches:
if len(m) == 2 and m[0].distance < 0.5 * m[1].distance:
good.append(m)
matches.append((m[0].trainIdx, m[0].queryIdx))
# 过滤匹配点,只保留最佳匹配(最近距离与次近距离之比小于0.5的匹配)
# good列表存储过滤后的匹配对
# matches列表存储匹配对的索引
6)绘制过滤后的匹配特征点
vis = cv2.drawMatchesKnn(imageB, kpsB, imageA, kpsA, good, None)
cv_show("Keypoint Matches", vis)
7)透视变换
if len(matches) > 4:
ptsA = np.float32([kps_floatA[i] for (i, _) in matches])
ptsB = np.float32([kps_floatB[i] for (_, i) in matches])
(H, mask) = cv2.findHomography(ptsB, ptsA, cv2.RANSAC, 10)
else:
print('图片未找到4个以上的匹配点')
sys.exit()
# 计算一个变换矩阵H
result = cv2.warpPerspective(imageB, H,(imageB.shape[1] + imageA.shape[1], imageB.shape[0]))
cv_show('resultB', result)
# 使用透视变换warpPerspective将imageB变换到与imageA相同的视角
8)拼接显示
result[0:imageA.shape[0], 0:imageA.shape[1]] = imageA
cv_show('result', result)