房地产网站建设与优化分析,高端网站建设浩森宇特,用易语言做攻击网站软件下载,电商网站开发面试题2023.8.19
为了在暑假内实现深度学习的进阶学习#xff0c;特意学习一下传统算法#xff0c;分享学习心得#xff0c;记录学习日常 SIFT的百科#xff1a; SIFT Scale Invariant Feature Transform, 尺度不变特征转换 全网最详细SIFT算法原理实现_ssift算法_Tc.小浩的博客…2023.8.19
为了在暑假内实现深度学习的进阶学习特意学习一下传统算法分享学习心得记录学习日常 SIFT的百科 SIFT Scale Invariant Feature Transform, 尺度不变特征转换 全网最详细SIFT算法原理实现_ssift算法_Tc.小浩的博客-CSDN博客 在环境配置中要配置opencv pip install opencv-contrib-python SIFT算法的三个计算步骤 1在DOG尺度空间中获取特征点 2关键点的方向估计寻找主方向 3通过各关键点的特征向量关键点的描述子生成
进行两两比较找出相互匹配的若干对特征点建立两图间景物间的对应关系可以基于SIFT实现图像拼接
Code of SIFT and lena 注意你是否有lena.png图像
import cv2 as cvimg cv.imread(lena.png)
gray cv.cvtColor(img, cv.COLOR_BGR2GRAY)
sift cv.xfeatures2d.SIFT_create()
# sift cv.SIFT_create()
kp sift.detect(gray, None)
img cv.drawKeypoints(gray, kp, img)
cv.imshow(SIFT, img)
cv.imwrite(sift_keypoints.jpg, img)
cv.waitKey(0)
cv.destroyAllWindows()
Result is shown in these figrues : SIFT 提取了lena的特征点 基于SIFT的图片实现图片拼接 代码是Copy大神的注意有两个代码运行第二个喔。代码所用的图片也附上
import numpy as np
import cv2class Stitcher:# 拼接函数def stitch(self, images, ratio0.75, reprojThresh4.0, showMatchesFalse):# 获取输入图片(imageB, imageA) images# 检测A、B图片的SIFT关键特征点并计算特征描述子(kpsA, featuresA) self.detectAndDescribe(imageA)(kpsB, featuresB) self.detectAndDescribe(imageB)# 匹配两张图片的所有特征点返回匹配结果M self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)# 如果返回结果为空没有匹配成功的特征点退出算法if M is None:return None# 否则提取匹配结果# H是3x3视角变换矩阵(matches, H, status) M# 将图片A进行视角变换result是变换后图片result cv2.warpPerspective(imageA, H, (imageA.shape[1] imageB.shape[1], imageA.shape[0]))# 将图片B传入result图片最左端result[0:imageB.shape[0], 0:imageB.shape[1]] imageB# 检测是否需要显示图片匹配if showMatches:# 生成匹配图片vis self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)# 返回结果return (result, vis)# 返回匹配结果return resultdef detectAndDescribe(self, image):# 将彩色图片转换成灰度图gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 建立SIFT生成器descriptor cv2.xfeatures2d.SIFT_create()# 检测SIFT特征点并计算描述子(kps, features) descriptor.detectAndCompute(image, None)# 将结果转换成NumPy数组kps np.float32([kp.pt for kp in kps])print(kps)# 返回特征点集及对应的描述特征return (kps, features)def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):# 建立暴力匹配器matcher cv2.DescriptorMatcher_create(BruteForce)# 使用KNN检测来自A、B图的SIFT特征匹配对K2rawMatches matcher.knnMatch(featuresA, featuresB, 2)matches []for m in rawMatches:# 当最近距离跟次近距离的比值小于ratio值时保留此匹配对if len(m) 2 and m[0].distance m[1].distance * ratio:# 存储两个点在featuresA, featuresB中的索引值matches.append((m[0].trainIdx, m[0].queryIdx))# 当筛选后的匹配对大于4时计算视角变换矩阵if len(matches) 4:# 获取匹配对的点坐标ptsA np.float32([kpsA[i] for (_, i) in matches])ptsB np.float32([kpsB[i] for (i, _) in matches])# 计算视角变换矩阵(H, status) cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)# 返回结果return (matches, H, status)# 如果匹配对小于4时返回Nonereturn Nonedef drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status):# 初始化可视化图片将A、B图左右连接到一起(hA, wA) imageA.shape[:2](hB, wB) imageB.shape[:2]vis np.zeros((max(hA, hB), wA wB, 3), dtypeuint8)vis[0:hA, 0:wA] imageAvis[0:hB, wA:] imageB# 联合遍历画出匹配对for ((trainIdx, queryIdx), s) in zip(matches, status):# 当点对匹配成功时画到可视化图上if s 1:# 画出匹配对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)# 返回可视化结果return visfrom Stitcher import Stitcher
import cv2# 读取拼接图片
imageA cv2.imread(image/left_01.png)
imageB cv2.imread(image/right_01.png)# 把图片拼接成全景图
stitcher Stitcher()
(result, vis) stitcher.stitch([imageA, imageB], showMatchesTrue)# 显示所有图片
cv2.imshow(Image A, imageA)
cv2.imshow(Image B, imageB)
cv2.imshow(Keypoint Matches, vis)
cv2.imshow(Result, result)
cv2.waitKey(0)
cv2.destroyAllWindows() 代码使用的图片 效果是这样
