图像配准需是指对不同条件下得到的两幅或多幅图像进行匹配、叠加的过程。最简单的做法就是求得原图像到目标图像之间的透视变换矩阵，将原图像按照矩阵进行变换，就可以得到和目标图像相似的效果。透视变换是将成像投影到一个新的视平面，也称作投影映射。
透视变换实质上是将二维的图片变换到三维的坐标系中之后再变换到另一个二维坐标系，与仿射变换相比透视变换实现的效果要多一些。求解精确矩阵和透视变换可以很容易地在opencv-python中实现。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
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")
# 生成透视矩阵
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可以得到从点集src_points到点集den_points的透视变换矩阵
t = cv.getperspectivetransform(src_points, den_points)
# 进行透视变换
# 注意透视变换第三个参数为变换后图片大小，格式为（高度，宽度）
warp_imgae = cv.warpperspective(original_image, t, (target_image.shape[1], target_image.shape[0]))
plt.imshow(warp_imgae)
plt.show()
|
进行四点变换前后的结果为
opencv-python也可以计算超过四个点的两数组点之间的变换矩阵。对原图像选择7个点进行透视变换的结果为
|
1
2
3
4
5
6
7
8
9
10
|
# 设置原始和目标特征点
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)
# 调用库函数计算特征矩阵
# cv.findhomography第三个参数为计算单位矩阵所用的方法，0为常规算法，cv.ransac为基于ransac的鲁棒算法，cv.lmeds为最小中值
# 鲁棒算法,cv.rho基于prosac的鲁棒算法.第四个参数取值范围在1到10，绝一个点对的阈值。原图像的点经过变换后点与目标图像上对应
# 点的误差.返回值中h为变换矩阵.mask是掩模，在线的点.
h, status = cv.findhomography(src_more_point, den_more_point, cv.ransac, 5.0)
# 进行透视变换
warped_more_point_image = cv.warpperspective(original_image, h, (target_image.shape[1], target_image.shape[0]))
|
对4个点、7个点和opencv-python函数库自动匹配的效果对比如下
可以看出如果匹配点选择恰当，三种方法的效果并没有太大区别。
调用库函数的图像自动匹配代码如下
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
# 用akaze库函数进行自动特征检测，akaze与sift等属于相似的 特征检测，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])
# 画出符合条件的匹配点的连线
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)
# 调用库函数计算特征矩阵
h, status = cv.findhomography(src_more_point, den_more_point, cv.ransac, 5.0)
# 进行透视变换
warped_automatic_image = cv.warpperspective(original_image, h, (target_image.shape[1], target_image.shape[0]))
# 绘制图像
my_draw(warped_automatic_image, tip='automatic')
|
到此这篇关于opencv-python图像配准的实现的文章就介绍到这了,更多相关opencv-python图像配准内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://www.cnblogs.com/sunlightheart/p/12496265.html