学习记录——角点检测，特征匹配，图片拼接，图像插值

Shaine ·

更新时间:2024-11-13

· 833 次阅读

文章目录1. 角点检测Harris角点检测Shi-Tomasi角点检测2.特征匹配KNNORB3. 图片拼接4.图像插值 1. 角点检测 Harris角点检测

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('timg.jpg') #原图为彩色图，可将第二个参数变为0，为灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
 # 输入图像必须是float32， 最后一个参数[0.04,0.06]
gray = np.float32(gray)
dst = cv2.cornerHarris(gray,2,3,0.04) #输入图像的数据类型必须为float32，
dst = cv2.dilate(dst,None)    #放大标记角点，利于显示
img[dst>0.01*dst.max()]=[0,0,255]#最佳值的阈值选用0.01*dst.max()，可能会根据图像而有所不同。
cv2.imshow('dst',img)
if cv2.waitKey(0) & 0xff == 27:
    cv2.destroyAllWindows()
cv2.imwrite('test.png',img)

在这里插入图片描述

Shi-Tomasi角点检测

import numpy as np
import cv2
img = cv2.imread('timg.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
corners = cv2.goodFeaturesToTrack(gray,25,0.01,10)
corners = np.int0(corners)
for i in corners:
    x,y = i.ravel()
    cv2.circle(img,(x,y),3,255,-1)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('test.png',img)

// 常用如下参数：
void cv::goodFeaturesToTrack(image,corner,
                     		25,     // 最多检测到的角点数
                     		0.01,    // 阈值系数
                     		10);     // 角点间的最小距离

在这里插入图片描述

2.特征匹配 KNN

import cv2
from matplotlib import pyplot as plt
img1 = cv2.imread('1.png', 0)
img2 = cv2.imread('2.png', 0)
# 使用ORB特征检测器和描述符，计算关键点和描述符
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)
bf = cv2.BFMatcher(normType=cv2.NORM_HAMMING, crossCheck=True)
# knnMatch 函数参数k是返回符合匹配的个数，暴力匹配match只返回最佳匹配结果。
matches = bf.knnMatch(des1,des2,k=1)
# 使用plt将两个图像的第一个匹配结果显示出来
# 若使用knnMatch进行匹配，则需要使用drawMatchesKnn函数将结果显示
img3 = cv2.drawMatchesKnn(img1=img1,keypoints1=kp1,
                          img2=img2,keypoints2=kp2,
                          matches1to2=matches[:40],
                          outImg=img2, flags=2)
plt.imshow(img3)
plt.show()

在这里插入图片描述

ORB

import cv2
from matplotlib import pyplot as plt
def match_ORB():
	img1 = cv2.imread('1.png',0)
	img2 = cv2.imread('2.png',0)
	# 使用ORB特征检测器和描述符，计算关键点和描述符
	orb = cv2.ORB_create()
	kp1, des1 = orb.detectAndCompute(img1,None)
	kp2, des2 = orb.detectAndCompute(img2,None)
	bf = cv2.BFMatcher(normType=cv2.NORM_HAMMING, crossCheck=True)
	matches = bf.match(des1,des2)
	matches = sorted(matches, key = lambda x:x.distance)
	img3 = cv2.drawMatches(img1=img1,keypoints1=kp1,
						   img2=img2,keypoints2=kp2,
						   matches1to2=matches,
						   outImg=img2, flags=2)
	return img3
if __name__ == '__main__':
    img3 = match_ORB()
    plt.imshow(img3)
    plt.show()

在这里插入图片描述

3. 图片拼接

import numpy as np
import cv2
from cv2 import Stitcher
if __name__ == "__main__":
    img1 = cv2.imread('1.jpg')
    img2 = cv2.imread('2.jpg')
    stitcher = cv2.Stitcher.create(cv2.Stitcher_PANORAMA)
    (_result, pano) = stitcher.stitch((img1, img2))
    cv2.imshow('pano',pano)
    cv2.imwrite('test.jpg',pano)
    cv2.waitKey(0)

在这里插入图片描述

4.图像插值

相关代码：https://blog.csdn.net/u010096025/article/details/53780623?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
效果：

原图

双三次

双线性

最近邻
部分代码参考网络资源，侵删！