太原公司网站建立,邙山网站建设,宁波建设集团股份有限公司官网,许昌公司做网站目录
一、实验内容
二、实验过程及结果
2.1 单应性变换 2.2 RANSAC算法
三、实验小结 一、实验内容
理解单应性变换中各种变换的原理#xff08;自由度#xff09;#xff0c;并实现图像平移、旋转、仿射变换等操作#xff0c;输出对应的单应性矩阵。利用RANSAC算法优…目录
一、实验内容
二、实验过程及结果
2.1 单应性变换 2.2 RANSAC算法
三、实验小结 一、实验内容
理解单应性变换中各种变换的原理自由度并实现图像平移、旋转、仿射变换等操作输出对应的单应性矩阵。利用RANSAC算法优化关键点匹配比较优化前后图像拼接和所生成全景图的差别输出RANSAC前后匹配点数量、单应性矩阵。
二、实验过程及结果
2.1 单应性变换
1实验代码
import cv2
from networkx import center
import numpy as np
from scipy.fft import dst
import matplotlib.pyplot as plt
imgcv2.imread(D:/Computer vision/test1 picture/picture3.png)x100
y50
M0np.float32([[1,0,x],[0,1,y]])
translatedcv2.warpAffine(img,M0,(img.shape[1],img.shape[0]))
print(平移变换单应性矩阵\n,M0)img_center(img.shape[1]/2,img.shape[0]/2)
M1cv2.getRotationMatrix2D(img_center,45,1)
rotatedcv2.warpAffine(img,M1,(img.shape[1],img.shape[0]))
print(旋转变换单应性矩阵\n,M1)M2cv2.getRotationMatrix2D(img_center,0,0.5)
scaledcv2.warpAffine(img,M2,(img.shape[1],img.shape[0]))
print(缩放变换单应性矩阵\n,M2)rows,cols,chimg.shape
src_pointsnp.float32([[0,0],[cols-1,0],[0,rows-1]])
dst_pointsnp.float32([[0,rows*0.33],[cols*0.85,rows*0.25],[cols*0.15,rows*0.7]])
M3cv2.getAffineTransform(src_points,dst_points)
warpedcv2.warpAffine(img,M3,(cols,rows))
print(扭曲变换单应性矩阵\n,M3)rows,colsimg.shape[:2]
pts1np.float32([[150,50],[400,50],[60,450],[310,450]])
pts2np.float32([[50,50],[rows-50,50],[50,cols-50],[rows-50,cols-50]])
M4cv2.getPerspectiveTransform(pts1,pts2)
img_dstcv2.warpPerspective(img,M4,(cols,rows))
print(透视变换单应性矩阵\n,M4)plt.figure(Processed Images)
plt.subplot(2,3,1)
plt.imshow(img)
plt.title(Original Image)
plt.subplot(2,3,2)
plt.imshow(translated)
plt.title(Translated Image)
plt.subplot(2,3,3)
plt.imshow(rotated)
plt.title(Rotated Image)
plt.subplot(2,3,4)
plt.imshow(scaled)
plt.title(Scaled Image)
plt.subplot(2,3,5)
plt.imshow(warped)
plt.title(Warped Image)
plt.subplot(2,3,6)
plt.imshow(img_dst)
plt.title(Dst Image)
plt.show()
plt.savefig(D:/Computer vision/ransac_picture/processed_images.png)
plt.show()
2实验结果截图
图1为输出的单应性矩阵结果截图
平移变换两个自由度两个平移参数单应性矩阵为2*3的矩阵
旋转变换一个自由度一个旋转角度参数单应性矩阵为2*3的矩阵
缩放变换一个自由度一个缩放因子单应性矩阵为2*3的矩阵
扭曲变换有六个自由度两个旋转参数 一个缩放因子单应性矩阵为2*3的矩阵
透视变换有八个自由度5个是仿射变换参数3个是透视变换参数单应性矩阵为3*3的矩阵 图1 图2为输出的单应性变换的结果图
可以看到平移变换的图像在x方向上平移100个像素,在y方向上平移50个像素。旋转变换的图像绕图像中心旋转45度。缩放变换的图像在x方向上缩小到原来的一半在y方向上缩小到原来的一半。扭曲变换的图像进行仿射变换包括旋转、缩放、平移和剪切。透视变换的图像进行了透视变换包括旋转、缩放、平移和透视变形。 图2 2.2 RANSAC算法
1实验代码
import cv2
import numpy as npdef detectAndCompute(image):gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)sift cv2.SIFT_create()keypoints, descriptors sift.detectAndCompute(gray, None)return keypoints, descriptorsdef matchKeyPoints(kpsA, kpsB, featuresA, featuresB, ratio0.75, reprojThresh4.0):matcher cv2.BFMatcher()rawMatches matcher.knnMatch(featuresA, featuresB, 2)matches []for m in rawMatches:if len(m) 2 and m[0].distance ratio * m[1].distance:matches.append((m[0].queryIdx, m[0].trainIdx))ptsA np.float32([kpsA[i].pt for (i, _) in matches])ptsB np.float32([kpsB[i].pt for (_, i) in matches])(M, status) cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)return (M, matches, status)def drawMatches(imgA, imgB, kpsA, kpsB, matches, status):(hA, wA) imgA.shape[:2](hB, wB) imgB.shape[:2]result np.zeros((max(hA, hB), wA wB, 3), dtypeuint8)result[0:hA, 0:wA] imgAresult[0:hB, wA:] imgBfor ((trainIdx, queryIdx), s) in zip(matches, status):if s 1:ptA (int(kpsA[queryIdx].pt[0]), int(kpsA[queryIdx].pt[1]))ptB (int(kpsB[trainIdx].pt[0]) wA, int(kpsB[trainIdx].pt[1]))cv2.line(result, ptA, ptB, (0, 255, 0), 1)return resultdef stitchImages(imageA, imageB, M):(hA, wA) imageA.shape[:2](hB, wB) imageB.shape[:2]result cv2.warpPerspective(imageA, M, (wA wB, hA))result[0:hB, 0:wB] imageBreturn resultif __name__ __main__:imageA cv2.imread(D:\Computer vision/ransac_picture/ransac1.jpg)imageB cv2.imread(D:/Computer vision/ransac_picture/ransac2.jpg)kpsA, featuresA detectAndCompute(imageA)kpsB, featuresB detectAndCompute(imageB)M, matches, status matchKeyPoints(kpsA, kpsB, featuresA, featuresB)initial_matches sum(status)final_matches len(matches)print(fRANSAC前匹配点数量: {initial_matches})print(fRANSAC后匹配点数量: {final_matches})print(单应性矩阵为:\n, M)drawImgBeforeRANSAC drawMatches(imageA, imageB, kpsA, kpsB, matches, status)cv2.imshow(drawMatches Before RANSAC, drawImgBeforeRANSAC)cv2.waitKey()cv2.destroyAllWindows()stitchedImage stitchImages(imageA, imageB, M)cv2.imshow(Stitched Image, stitchedImage)cv2.waitKey()cv2.destroyAllWindows()cv2.imwrite(D:/Computer vision/ransac_picture/stitched_image.jpg, stitchedImage)
cv2.imwrite(D:/Computer vision/ransac_picture/drawMatchesBeforeRANSAC.jpg, drawImgBeforeRANSAC)
2数据集(待拼接) 3实验结果截图 图3为输出的单应性矩阵结果截图
如图所示在运行SIFT特征检测和描述符提取后通过BFMatcher进行特征匹配初始匹配点的数量是198对。经过RANSAC算法去除错误匹配后剩余的匹配点数量为1074对。这表明RANSAC算法有效地保留了正确的匹配点并去除了错误的匹配点。 图3 图4为在应用RANSAC算法之前绘制的匹配结果图像
如图所示绘制两幅图像的匹配结果并显示特征点之间的匹配关系。通过可视化匹配结果可以直观地看到哪些特征点被成功匹配。 图4 图5为最终拼接后的图像 图5 三、实验小结
图像拼接是计算机视觉领域的一个重要研究方向通过将多张重叠的图像拼接在一起实现更大、更全面的图像展示。实验中通过使用opencv中的相关函数实现图像的单应性变换并使用BFMatcher和RANSAC算法进行了特征点匹配以及图像拼接。使用RANSAC算法后拼接效果良好没有出现明显的错位或重叠问题。
