python+opencv图像拼接-python opencv 图像拼接的实现方法

初级的图像拼接为将两幅图像简单的粘贴在一起，仅仅是图像几何空间的转移与合成，与图像内容无关。高级图像拼接也叫作基于特征匹配的图像拼接，拼接时消去两幅图像相同的部分，实现拼接合成全景图。

具有相同尺寸的图A和图B含有相同的部分与不同的部分，如图所示：

用基于特征的图像拼接实现后：

设图像高为h，相同部分的宽度为wx

拼接后图像的宽w=wA+wB-wx

因此，可以先构建一个高为h，宽为W*2的空白图像，将左图像向右平移wx，右图像粘贴在右侧。则右图像刚好覆盖左图像中的相同部分。最终拼接图像完成，完成后的图像左侧有宽度为wx的空白即为所检测出的两幅图像的相同部分，可根据需要选择是否去除。示例图如下。

实现上述效果的步骤如下：

1. 采用surft特征检测算法检测两幅图像的关键特征点；

2. 建立FLANN匹配器，采用目前最快的特征匹配（最近邻搜索）算法FlannBasedMatcher匹配关键点

3.从所匹配的全部关键点中筛选出优秀的特征点（基于距离筛选）

4. 根据查询图像和模板图像的特征描述子索引得出仿射变换矩阵

5. 获取左边图像到右边图像的投影映射关系

6. 透视变换将左图像放在相应的位置

7. 将有图像拷贝到特定位置完成拼接

先放python下利用opencv 进行图像拼接的代码，环境为python2.7+opencv2:

#coding: utf-8

import numpy as np

import cv2

leftgray = cv2.imread("1.jpg")

rightgray = cv2.imread("2.jpg")

hessian=400

surf=cv2.SURF(hessian) #将Hessian Threshold设置为400,阈值越大能检测的特征就越少

kp1,des1=surf.detectAndCompute(leftgray,None) #查找关键点和描述符

kp2,des2=surf.detectAndCompute(rightgray,None)

FLANN_INDEX_KDTREE=0 #建立FLANN匹配器的参数

indexParams=dict(algorithm=FLANN_INDEX_KDTREE,trees=5) #配置索引，密度树的数量为5

searchParams=dict(checks=50) #指定递归次数

#FlannBasedMatcher：是目前最快的特征匹配算法（最近邻搜索）

flann=cv2.FlannBasedMatcher(indexParams,searchParams) #建立匹配器

matches=flann.knnMatch(des1,des2,k=2) #得出匹配的关键点

good=[]

#提取优秀的特征点

for m,n in matches:

if m.distance < 0.7*n.distance: #如果第一个邻近距离比第二个邻近距离的0.7倍小，则保留

good.append(m)

src_pts = np.array([ kp1[m.queryIdx].pt for m in good]) #查询图像的特征描述子索引

dst_pts = np.array([ kp2[m.trainIdx].pt for m in good]) #训练(模板)图像的特征描述子索引

H=cv2.findHomography(src_pts,dst_pts) #生成变换矩阵

h,w=leftgray.shape[:2]

h1,w1=rightgray.shape[:2]

shft=np.array([[1.0,0,w],[0,1.0,0],[0,0,1.0]])

M=np.dot(shft,H[0]) #获取左边图像到右边图像的投影映射关系

dst_corners=cv2.warpPerspective(leftgray,M,(w*2,h))#透视变换，新图像可容纳完整的两幅图

cv2.imshow("tiledImg1",dst_corners) #显示，第一幅图已在标准位置

dst_corners[0:h,w:w*2]=rightgray #将第二幅图放在右侧

#cv2.imwrite("tiled.jpg",dst_corners)

cv2.imshow("tiledImg",dst_corners)

cv2.imshow("leftgray",leftgray)

cv2.imshow("rightgray",rightgray)

cv2.waitKey()

cv2.destroyAllWindows()

所用图像为：

拼接完成后的图像为：

测试一下抗干扰能力，所用图像：

拼接结果：

可见，抗干扰能力还是不错的，在测试中若拼接不成功，则注意以下两点：

1. 所用两幅图像尺寸是否相同，是否有相同的部分。

2. 适当调整hessian的值。

总结

以上所述是小编给大家介绍的python opencv 图像拼接的实现方法，希望对大家有所帮助，如果大家有任何疑问欢迎给我留言，小编会及时回复大家的！

python+opencv图像拼接-python opencv 图像拼接的实现方法相关推荐

超详细OpenCV之python操作
简介 OpenCV是一款由Intel公司俄罗斯团队发起并参与和维护的一个计算机视觉处理开源软件库,支持与计算机视觉和机器学习相关的众多算法,并且正在日益扩展. OpenCV-Python OpenCV ...
关于OpenCV for Python入门-图片和摄像头显示
OpenCV和Python结合的学习资料不多,网上的资料更是鱼目混杂,推荐大家OpenCV官方教程中文版 for Python,建议自行下载. 其实也算不上原创,多方摘取学习,是opencv学习的开始 ...
使用OpenCV，Python和dlib进行眨眼检测及计数
前三篇博客学习了 windows10+Python3.7安装dlib库进行面部标志识别 python dlib实现面部标志识别使用python,dlib,OpenCV提取眼睛,鼻子,嘴唇及下颌这篇 ...
使用OpenCV和Python计算图像的“彩色度”
使用OpenCV和Python计算图像"彩色度" 1. 效果图 2. 炫彩度量方法是什么? 3. 源代码参考你是否尝试过计算每个图像的炫彩值,并根据炫彩值对自己的图像数据集进行 ...
使用OpenCV和Python生成视频条形码
使用OpenCV和Python生成视频条形码 1. 效果图 2. 原理 2.1 步骤 2.2 项目结构 3. 源码参考这篇博客将演示如何使用Python + OpenCV生成视频条形码. 生成视频 ...
使用OpenCV和Python高效计算视频的总帧数
使用OpenCV和Python高效计算视频的总帧数 1. 效果图 2. 源码参考这篇博客将介绍两种使用OpenCV和Python计算视频文件中帧数的方法. 超级快,它依靠OpenCV的视频属性功能 ...
OpenCV和Python动手操作计算机视觉学习教程
使用OpenCV和Python进行实际操作面向初学者的OpenCV Python动手操作计算机视觉你会学到: NumPy基础知识基于OpenCV的人脸检测使用OpenCV在图像和视频上绘制形状 ...
python如何实现找图_利用OpenCV和Python实现查找图片差异
使用OpenCV和Python查找图片差异 flyfish 方法1 均方误差的算法(Mean Squared Error , MSE) 下面的一些表达与<TensorFlow - 协方差矩阵&g ...
利用OpenCV、Python和Ubidots构建行人计数器程序（附完整代码）
作者 | Jose Garcia 译者 | 吴振东校对 | 张一豪.林亦霖,编辑 | 于腾凯来源 | 数据派(ID:datapi) 导读:本文将利用OpenCV,Python和Ubidots来编写 ...
如何用 OpenCV、Python 和深度学习实现面部识别？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自|新机器视觉 Face ID 的兴起带动了一波面部识别技术热 ...

python+opencv图像拼接-python opencv 图像拼接的实现方法

python+opencv图像拼接-python opencv 图像拼接的实现方法相关推荐

最新文章

热门文章