圖片拼接算法
SIFT： 特徵點處理：位置插值，去除低對比度點，去除邊緣點數組
方向估計app
描述子提取函數
下面的程序中使用：ui
第一步： 使用SIFT生成器提取描述子和特徵spa
第二步： 使用KNN檢測來自A，B圖的SIFT特徵匹配對， 造成視覺變化矩陣Hcode
第三步： 將圖片A進行視覺變化，將B圖片放在變換圖片的左邊，構成最終圖片blog
imageStiching.py, 進行函數調用，返回並顯示結果索引
from Stitcher import Stitcher import cv2 as cv imageA = cv.imread('image/left_01.png') imageB = cv.imread('image/right_01.png') sticher = Stitcher() (result, vis) = sticher.stitch([imageA, imageB], showMatches=True) cv.imshow('imageA', imageA) cv.imshow('imageB', imageB) cv.imshow('vis', vis) cv.imshow('result', result) cv.waitKey(0) cv.destroyAllWindows()
Stitcher.py 生成主要函數圖片
import numpy as np import cv2 class Stitcher: # 拼接函數 def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False): #獲取輸入圖片 imageB, imageA = images #檢測A，B圖片的SIFT關鍵特徵點， 並計算特徵描述子 (kpsA, featuresA) = self.detectAndDescribe(imageA) (kpsB, featuresB) = self.detectAndDescribe(imageB) # 匹配兩種圖片的全部特徵點，並返回結果 M = self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh) # 若是返回結果爲空， 沒有匹配成功的特徵點，退出算法 if M is None: return None # 不然，提取匹配結果 # H是3*3視角變換矩陣 (matches, H, status) = M # 將圖片A進行視角變換， result是變化後圖片 result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0])) # 將B圖片傳入result圖片最左端 result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB # 檢驗是否須要顯示圖片匹配 if showMatches: # 生成匹配圖片 vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status) # 返回結果 return (result, vis) def detectAndDescribe(self, image): # 將彩色圖片轉換爲灰度圖 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 創建SIFT生成器 descriptor = cv2.xfeatures2d.SIFT_create() # 檢測SIFT特徵點，並計算描述子 (kps, features) = descriptor.detectAndCompute(image, None) # 將結果轉換爲Numpy數組 kps = np.float32([kp.pt for kp in kps]) # 返回特徵點集， 及對應的描述特徵 return(kps, features) def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh): # 創建暴力匹配器 matcher = cv2.DescriptorMatcher_create('BruteForce') # 使用KNN檢測來自A，B圖的SIFT特徵匹配對， K=2 rawMatches = matcher.knnMatch(featuresA, featuresB, 2) matches = [] for m in rawMatches: # 當最近距離跟次近距離的比值小於ratio值時，保留此匹配對 if len(m) == 2 and m[0].distance < m[1].distance * ratio: # 儲存兩個點在featuresA， featuresB中的索引值 matches.append((m[0].trainIdx, m[0].queryIdx)) # 當篩選後的匹配對大於4時， 計算視角變化矩陣 if len(matches) > 4: # 獲取匹配對的點座標 ptsA = np.float32([kpsA[i] for (_, i) in matches]) ptsB = np.float32([kpsB[i] for (i, _) in matches]) # 計算視角變化矩陣 (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh) # 返回結果 return (matches, H, status) return None def drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status): # 初始化可視化圖片， 將A，B圖左右鏈接 (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] = imageA vis[0:hB, wA:] = imageB # 聯合遍歷， 畫出匹配對 for ((trainIdx, queryIdx), s) in zip(matches, status): # 當點對匹配成功時，畫到可視化圖上 if s==1: # 畫出匹配對 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) # 返回可視化結果 return vis