如何實(shí)現(xiàn)opencv-python圖像配準(zhǔn)

這篇文章主要介紹了如何實(shí)現(xiàn)opencv-python圖像配準(zhǔn)，具有一定借鑒價(jià)值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

圖像配準(zhǔn)需是指對(duì)不同條件下得到的兩幅或多幅圖像進(jìn)行匹配、疊加的過(guò)程。最簡(jiǎn)單的做法就是求得原圖像到目標(biāo)圖像之間的透視變換矩陣，將原圖像按照矩陣進(jìn)行變換，就可以得到和目標(biāo)圖像相似的效果。透視變換是將成像投影到一個(gè)新的視平面，也稱(chēng)作投影映射。

透視變換實(shí)質(zhì)上是將二維的圖片變換到三維的坐標(biāo)系中之后再變換到另一個(gè)二維坐標(biāo)系，與仿射變換相比透視變換實(shí)現(xiàn)的效果要多一些。求解精確矩陣和透視變換可以很容易地在opencv-python中實(shí)現(xiàn)。

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
original_image = cv.imread("Image A.jpg")
target_image = cv.imread("Image B.jpg")
# 生成透視矩陣
src_points = np.array([[957, 1655], [2177, 1170], [2676, 24], [2487, 1931]], dtype=np.float32)
den_points = np.array([[687, 1150], [2000, 996], [2757, 18], [2098, 1819]], dtype=np.float32)
# getPerspectiveTransform可以得到從點(diǎn)集src_points到點(diǎn)集den_points的透視變換矩陣
T = cv.getPerspectiveTransform(src_points, den_points)
# 進(jìn)行透視變換
# 注意透視變換第三個(gè)參數(shù)為變換后圖片大小，格式為（高度，寬度）
warp_imgae = cv.warpPerspective(original_image, T, (target_image.shape[1], target_image.shape[0]))
plt.imshow(warp_imgae)
plt.show()

進(jìn)行四點(diǎn)變換前后的結(jié)果為

opencv-python也可以計(jì)算超過(guò)四個(gè)點(diǎn)的兩數(shù)組點(diǎn)之間的變換矩陣。對(duì)原圖像選擇7個(gè)點(diǎn)進(jìn)行透視變換的結(jié)果為

# 設(shè)置原始和目標(biāo)特征點(diǎn)
src_more_point = np.float32([[957, 1655], [2177, 1170], [620, 2586], [1280, 2316], [2487, 1931], [937, 758], [2676, 24]]).reshape(-1, 1, 2)
den_more_point = np.float32([[687, 1150], [2000, 996], [121, 1974], [927, 1886], [2098, 1819], [899, 280], [2757, 18]]).reshape(-1, 1, 2)
# 調(diào)用庫(kù)函數(shù)計(jì)算特征矩陣
# cv.findHomography第三個(gè)參數(shù)為計(jì)算單位矩陣所用的方法，0為常規(guī)算法，cv.RANSAC為基于RANSAC的魯棒算法，cv.LMEDS為最小中值
# 魯棒算法,cv.RHO基于PROSAC的魯棒算法.第四個(gè)參數(shù)取值范圍在1到10，絕一個(gè)點(diǎn)對(duì)的閾值。原圖像的點(diǎn)經(jīng)過(guò)變換后點(diǎn)與目標(biāo)圖像上對(duì)應(yīng)
# 點(diǎn)的誤差.返回值中H為變換矩陣.mask是掩模，在線的點(diǎn).
H, status = cv.findHomography(src_more_point, den_more_point, cv.RANSAC, 5.0)
# 進(jìn)行透視變換
warped_more_point_image = cv.warpPerspective(original_image, H, (target_image.shape[1], target_image.shape[0]))

對(duì)4個(gè)點(diǎn)、7個(gè)點(diǎn)和opencv-python函數(shù)庫(kù)自動(dòng)匹配的效果對(duì)比如下

可以看出如果匹配點(diǎn)選擇恰當(dāng)，三種方法的效果并沒(méi)有太大區(qū)別。

調(diào)用庫(kù)函數(shù)的圖像自動(dòng)匹配代碼如下

# 用AKAZE庫(kù)函數(shù)進(jìn)行自動(dòng)特征檢測(cè)，AKAZE與SIFT等屬于相似的 特征檢測(cè)，但是有一些不同
akaze = cv.AKAZE_create()
# Find the keypoints and descriptors with SIFT
kp1, des1 = akaze.detectAndCompute(original_image_gray, None)
kp2, des2 = akaze.detectAndCompute(target_image_gray, None)

bf = cv.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)
good_matches = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good_matches.append([m])

# 畫(huà)出符合條件的匹配點(diǎn)的連線
img3 = cv.drawMatchesKnn(original_image_gray, kp1, target_image_gray, kp2, good_matches, None, flags=cv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
cv.imwrite('matches.jpg', img3)


src_automatic_points = np.float32([kp1[m[0].queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
den_automatic_points = np.float32([kp2[m[0].trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)

# 調(diào)用庫(kù)函數(shù)計(jì)算特征矩陣
H, status = cv.findHomography(src_more_point, den_more_point, cv.RANSAC, 5.0)
# 進(jìn)行透視變換
warped_automatic_image = cv.warpPerspective(original_image, H, (target_image.shape[1], target_image.shape[0]))

# 繪制圖像
my_draw(warped_automatic_image, tip='automatic')

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“如何實(shí)現(xiàn)opencv-python圖像配準(zhǔn)”這篇文章對(duì)大家有幫助，同時(shí)也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識(shí)等著你來(lái)學(xué)習(xí)!