当前位置：首页 > news >正文

邦策网站建设平台网站建设文化咨询

news 2025/10/21 7:36:15

邦策网站建设平台,网站建设文化咨询,简约的网站设计,中小企业网站建设与推广论文现在有这样的两张图片，我们怎样可以进行图片拼接，然后得到一张新图片下面我先讲下大致操作关键点A与找到的两个关键点 X、Y的欧氏距离分别 d1、d2，且d1<d2。欧氏距离(关键点A，关键点X)d1。欧氏距离(关键点A，关键点…

现在有这样的两张图片，我们怎样可以进行图片拼接，然后得到一张新图片

下面我先讲下大致操作

关键点A与找到的两个关键点 X、Y的欧氏距离分别 d1、d2，且d1<d2。欧氏距离(关键点A，关键点X)=d1。欧氏距离(关键点A，关键点Y)=d2。（1）d1<d2，比值较大:可能不是匹配点，通常是由噪声引起的。（2）d1<d2，比值较小:是匹配点。

还是根据上面一篇的sift特征检测来实现的，具体看代码

代码部分

import cv2
import numpy as np
import sysdef cv_show(name,img):cv2.imshow(name, img)cv2.waitKey(0)def detectAndDecribe(image):gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)sift=cv2.SIFT_create()kps, des = sift.detectAndCompute(gray, None)kps_float=np.float32([kp.pt for kp in kps])return (kps, kps_float, des)imageA=cv2.imread('img1.jpg')
imageB=cv2.imread('img2.jpg')
cv_show('imageA',imageA)
cv_show('imageB',imageB)(kpsA, kps_floatA, desA) = detectAndDecribe(imageA)
(kpsB, kps_floatB, desB) = detectAndDecribe(imageB)matcher = cv2.BFMatcher()
rawMatches = matcher.knnMatch(desB, desA, k=2)
good=[]
matches=[]
for m in rawMatches:if len(m)==2 and m[0].distance < 0.65*m[1].distance:good.append(m)matches.append((m[0].queryIdx,m[0].trainIdx))
print(len(good))
print(matches)vis=cv2.drawMatchesKnn(imageB, kpsB, imageA, kpsA, good, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv_show('vis',vis)if len(matches)>4:ptsB=np.float32([kps_floatB[i] for (i,_) in matches])ptsA=np.float32([kps_floatA[i] for (_,i) in matches])(H,mask)=cv2.findHomography(ptsB,ptsA,cv2.RANSAC,10)else:print('no matches')sys.exit()result= cv2.warpPerspective(imageB, H,(imageB.shape[1]+imageA.shape[1],imageB.shape[0]))
cv_show('result1',result)result[0:imageB.shape[0],0:imageB.shape[1]]=imageA
cv_show('result2',result)
cv2.imwrite('result.jpg',result)

代码详解3. 代码分步解析

1 图像显示辅助函数

def cv_show(name,img):cv2.imshow(name, img)cv2.waitKey(0)

功能：封装了OpenCV的图像显示逻辑
参数：窗口名称和图像矩阵
说明：waitKey(0)表示等待用户按键后关闭窗口

2 特征检测与描述函数

def detectAndDecribe(image):gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)sift = cv2.SIFT_create()kps, des = sift.detectAndCompute(gray, None)kps_float = np.float32([kp.pt for kp in kps])return (kps, kps_float, des)

灰度转换：将图像转为灰度图，减少计算量
SIFT特征检测：创建SIFT检测器，检测关键点并计算描述符
关键点坐标提取：将关键点位置转换为NumPy数组格式便于后续处理
返回值：关键点对象、关键点坐标和特征描述符

3 图像加载与特征提取

imageA = cv2.imread('img1.jpg')
imageB = cv2.imread('img2.jpg')
(kpsA, kps_floatA, desA) = detectAndDecribe(imageA)
(kpsB, kps_floatB, desB) = detectAndDecribe(imageB)

加载两张输入图像
分别提取它们的SIFT特征

4 特征匹配与筛选

matcher = cv2.BFMatcher()
rawMatches = matcher.knnMatch(desB, desA, k=2)
good = []
matches = []
for m in rawMatches:if len(m)==2 and m[0].distance < 0.65*m[1].distance:good.append(m)matches.append((m[0].queryIdx, m[0].trainIdx))

BFMatcher：使用暴力匹配器进行特征匹配
knnMatch：获取每个描述符的k个最佳匹配（此处k=2）
Lowe's Ratio Test：使用比例测试筛选优质匹配，保留距离比值小于0.65的匹配
匹配结果：good保存DMatch对象，matches保存匹配索引对

5 匹配可视化

vis = cv2.drawMatchesKnn(imageB, kpsB, imageA, kpsA, good, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv_show('vis', vis)

可视化匹配结果，显示两图像间的特征对应关系
DRAW_RICH_KEYPOINTS标志会绘制带有关键点大小和方向的可视化结果

6 单应性矩阵计算

if len(matches) > 4:ptsB = np.float32([kps_floatB[i] for (i,_) in matches])ptsA = np.float32([kps_floatA[i] for (_,i) in matches])(H, mask) = cv2.findHomography(ptsB, ptsA, cv2.RANSAC, 10)
else:print('no matches')sys.exit()

条件检查：至少需要4对匹配点才能计算单应性矩阵
点集提取：从匹配结果中提取对应的点坐标
findHomography：使用RANSAC算法计算单应性矩阵，鲁棒地估计图像间的变换关系
RANSAC参数：10表示RANSAC重投影阈值

7 图像变换与拼接

result = cv2.warpPerspective(imageB, H, (imageB.shape[1] + imageA.shape[1], imageB.shape[0]))
cv_show('result1', result)result[0:imageB.shape[0], 0:imageB.shape[1]] = imageA
cv_show('result2', result)
cv2.imwrite('result.jpg', result)