OpenCV开发笔记（八十）：基于特征点匹配实现全景图片拼接

2024-09-02 14:28
文章标签 实现 opencv 开发 笔记 图片 匹配 特征 拼接 全景 八十

本文主要是介绍OpenCV开发笔记（八十）：基于特征点匹配实现全景图片拼接，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

若该文为原创文章，转载请注明原文出处
本文章博客地址：https://hpzwl.blog.csdn.net/article/details/141790116

长沙红胖子Qt（长沙创微智科）博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中…

OpenCV开发专栏（点击传送门）

上一篇：《OpenCV开发笔记（七十九）：基于Stitcher类实现全景图片拼接》
下一篇：持续补充中…


前言

  一个摄像头视野不大的时候，我们希望进行两个视野合并，这样让正视的视野增大，从而可以看到更广阔的标准视野。拼接的方法分为两条路，第一条路是Sticher类，第二条思路是特征点匹配。
  本篇使用特征点匹配，进行两张图来视野合并拼接。


Demo

  100%的点匹配
  在这里插入图片描述

  换了一幅图：
  在这里插入图片描述

  所以，opencv传统的方式，对这些特征点是有一些要求的。（注意：这两张图使用sStitcher类实现全景图片拼接，是无法拼接成功的！！！）

两张图的拼接过程

步骤一：打开图片

  在这里插入图片描述

 cv::Mat leftImageMat = cv::imread("D:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/30.jpg");cv::Mat rightImageMat = cv::imread("D:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/31.jpg");

步骤二：提取特征点

  在这里插入图片描述

// 提取特征点
cv::Ptr<cv::xfeatures2d::SurfFeatureDetector> pSurfFeatureDetector = cv::xfeatures2d::SurfFeatureDetector::create();
std::vector<cv::KeyPoint> leftKeyPoints;
std::vector<cv::KeyPoint> rightKeyPoints;
cv::Mat leftMatch;
cv::Mat rightMatch;
std::vector<cv::DMatch> matches;
pSurfFeatureDetector->detectAndCompute(leftImageGrayMat, cv::Mat(), leftKeyPoints, leftMatch);
pSurfFeatureDetector->detectAndCompute(rightImageGrayMat, cv::Mat(), rightKeyPoints, rightMatch);

步骤三：暴力匹配

  在这里插入图片描述

// 暴力匹配
cv::Ptr<cv::FlannBasedMatcher> pFlannBasedMatcher = cv::FlannBasedMatcher::create();
pFlannBasedMatcher->match(leftMatch, rightMatch, matches);

步骤四：提取暴力匹配后比较好的点

  在这里插入图片描述

// 筛选匹配点, 根据match的距离从小到大排序
std::sort(matches.begin(), matches.end());
// 筛选匹配点，根据排序留下最好的匹配点
std::vector<cv::DMatch> goodMatchs;
// 阈值最小个数点
int count = 40;
// 阈值点个数 小于 总量的10% 则使用 总量的10%
int validPoints = (int)(matches.size() * 1.0f);
if(validPoints > count)
{count = validPoints;
}
// 所有匹配点小于阈值，那么就取所有点
if(matches.size() < count)
{count = matches.size();
}
// 将筛选出的点当作较好的点
for(int index = 0; index < count; index++)
{goodMatchs.push_back(matches.at(index));
}
// 匹配结果
cv::Mat matchedMat;
// 绘制结果, 注意顺序
cv::drawMatches(leftImageMat, leftKeyPoints, rightImageMat, rightKeyPoints, goodMatchs, matchedMat);
#if 1
cv::namedWindow("matchedMat", cv::WINDOW_NORMAL);
cv::resizeWindow("matchedMat", cv::Size(800, 300));
cv::imshow("matchedMat", matchedMat);
#endif

步骤五：计算变换矩阵

  在这里插入图片描述

// 准备匹配的点
std::vector<cv::Point2f> leftImagePoints;
std::vector<cv::Point2f> rightImagePoints;
for(int index = 0; index < goodMatchs.size(); index++)
{leftImagePoints.push_back(rightKeyPoints.at(goodMatchs.at(index).trainIdx).pt);rightImagePoints.push_back(leftKeyPoints.at(goodMatchs.at(index).queryIdx).pt);
}// 使用暴力匹配的点计算透视变换矩阵
cv::Mat m = cv::findHomography(leftImagePoints, rightImagePoints, CV_RANSAC);

步骤六：计算第二张图变换后的图像的大小

  在这里插入图片描述

// 计算第二张图的变换大小
cv::Point2f leftTopPoint2f;
cv::Point2f leftBottomPoint2f;
cv::Point2f rightTopPoint2f;
cv::Point2f rightBottomPoint2f;
cv::Mat H = m.clone();
cv::Mat src = leftImageMat.clone();
{cv::Mat V1;cv::Mat V2;// 左上角(0, 0, 1)double v2[3] = {0, 0, 1};// 变换后的坐标值double v1[3];//列向量V2 = cv::Mat(3, 1, CV_64FC1, v2);V1 = cv::Mat(3, 1, CV_64FC1, v1);V1 = H * V2;leftTopPoint2f.x = v1[0] / v1[2];leftTopPoint2f.y = v1[1] / v1[2];// 左下角(0, src.rows, 1)v2[0] = 0;v2[1] = src.rows;v2[2] = 1;V2 = cv::Mat(3, 1, CV_64FC1, v2);V1 = cv::Mat(3, 1, CV_64FC1, v1);V1 = H * V2;leftBottomPoint2f.x = v1[0] / v1[2];leftBottomPoint2f.y = v1[1] / v1[2];// 右上角(src.cols, 0, 1)v2[0] = src.cols;v2[1] = 0;v2[2] = 1;V2 = cv::Mat(3, 1, CV_64FC1, v2);V1 = cv::Mat(3, 1, CV_64FC1, v1);V1 = H * V2;rightTopPoint2f.x = v1[0] / v1[2];rightTopPoint2f.y = v1[1] / v1[2];// 右下角(src.cols,src.rows,1)v2[0] = src.cols;v2[1] = src.rows;v2[2] = 1;V2 = cv::Mat(3, 1, CV_64FC1, v2);V1 = cv::Mat(3, 1, CV_64FC1, v1);V1 = H * V2;rightBottomPoint2f.x = v1[0] / v1[2];rightBottomPoint2f.y = v1[1] / v1[2];
}

步骤七：对第二张图进行举证变化且变为目标大小

  在这里插入图片描述

// 图像变换
cv::Mat imageTransform1;
cv::warpPerspective(rightImageMat,                                          // 源图imageTransform1,                                        // 变换后的输出图m,                                                      // 变换矩阵cv::Size(MAX(rightTopPoint2f.x, rightBottomPoint2f.x),  // 输出图像宽度leftImageMat.rows));                           // 输出图像高度
cv::namedWindow("imageTransform1", cv::WINDOW_NORMAL);
cv::resizeWindow("imageTransform1", cv::Size(400, 300));
cv::imshow("imageTransform1", imageTransform1);

步骤八：进行融合

  在这里插入图片描述

  在这里插入图片描述

// 创建拼接后的图
int resultWidth = imageTransform1.cols;
int resultHeight = rightImageMat.rows;
if(imageTransform1.cols < leftImageMat.cols)
{resultWidth = leftImageMat.cols;
}
if(imageTransform1.rows < leftImageMat.rows)
{resultHeight = leftImageMat.rows;
}
cv::Mat resultMat(resultHeight, resultWidth, CV_8UC3);
resultMat.setTo(0);
···// 开始拷贝
LOG << imageTransform1.cols << imageTransform1.rows;
LOG << "copy to";
LOG << resultMat.cols << resultMat.rows;
imageTransform1.copyTo(resultMat(cv::Rect(0, 0, imageTransform1.cols, imageTransform1.rows)));
LOG << rightImageMat.cols << rightImageMat.rows;
LOG << "copy to";
LOG << resultMat.cols << resultMat.rows;
leftImageMat.copyTo(resultMat(cv::Rect(0, 0, leftImageMat.cols, leftImageMat.rows)));

步骤九：对重叠区域进行渐进色过度

  由于实际效果出现重影，查阅相关资料，这部分可以消除一部分，但是需要深入研究，而且消除一部分也只是达到较可以的水平，并不能完全消除。
  cpp有兴趣读者，可以深入研究沟通这块。
  比较明确的方法就是查看Stitcher的源码研究，将其投影矩阵部分重叠消除的代码抠出来。


匹配点数调参测试

强制40个点

  在这里插入图片描述

匹配探测到的10%的点

   在这里插入图片描述

匹配探测到的60%的点

  在这里插入图片描述

匹配探测到的100%的点

  在这里插入图片描述


函数原型

函数static Ptr create

static Ptr<SURF> create(double hessianThreshold=100,int nOctaves = 4,int nOctaveLayers = 3,bool extended = false,bool upright = false);
  • 参数一：double类型的hessianThreshold，默认值100，用于SURF的hessian关键点检测器的阈值；
  • 参数二：int类型的nOctaves，默认值4，关键点检测器将使用的金字塔倍频程数；
  • 参数三：int类型的nOctaveLayers，默认值3，每八度音阶的层数。3是D.Lowe纸张中使用的值。这个八度音阶数是根据图像分辨率自动计算出来的；
  • 参数四：bool类型的extended，扩展描述符标志（true-使用扩展的128个元素描述符；false-使用64个元素描述符），默认false；
  • 参数五：bool类型的upright，向上向右或旋转的特征标志（true-不计算特征的方向；faslse-计算方向），默认false；

函数xfeatures2d::SURT::detectAndCompute

// 该函数结合了detect和compute，参照detect和compute函数参数
void xfeatures2d::SURT::detectAndCompute( InputArray image,InputArray mask,std::vector<KeyPoint>& keypoints,OutputArray descriptors,bool useProvidedKeypoints=false );

  detectAndCompute函数是OpenCV库中用于特征检测与计算的函数，其原型根据不同的特征检测器（如SIFT、SURF、ORB等）可能略有不同，但大体上遵循相似的参数结构。

  • 参数一：InputArray类型的image，输入cv::Mat；
  • 参数二：InputArray类型的mask，输入cv::Mat，不需要时，直接可以cv::Mat()即可；
  • 参数三：std::Vector类型的keypoints，原图的关键点；
  • 参数四：OutputArray类型的descriptors，计算描述符；
  • 参数五：如果设置为true，则函数会假设keypoints向量中已经包含了一些关键点，函数将只计算这些点的描述子，而不是重新检测关键点。

函数cv::FlannBasedMatcher::create

static Ptr<BFMatcher> create()

  初始化暴力匹配实例。

函数cv::FlannBasedMatcher::match

void BFMatcher::match(InputArray queryDescriptors,InputArray trainDescriptors,std::vector<DMatch>& matches,InputArray mask=noArray() ) const;
  • 参数一：InputArray类型的queryDescriptors，查询描述符集，一般cv::Mat，某个特征提取的描述符。
  • 参数二：InputArray类型的trainDescriptors，训练描述符集，此处输入的应该是没有加入到类对象集合种的（该类有训练的数据集合），一般cv::Mat，某个特征提取的描述符。
  • 参数三：std::vector类型的matches。如果在掩码中屏蔽了查询描述符，则不会为此添加匹配项描述符。因此，匹配项的大小可能小于查询描述符计数。
  • 参数四：InputArray类型的mask，指定输入查询和训练矩阵之间允许的匹配的掩码描述符。

函数cv::drawMatches

void drawMatches( InputArray img1,const std::vector<KeyPoint>& keypoints1,InputArray img2,const std::vector<KeyPoint>& keypoints2,const std::vector<DMatch>& matches1to2,InputOutputArray outImg,const Scalar& matchColor=Scalar::all(-1),const Scalar& singlePointColor=Scalar::all(-1),const std::vector<char>& matchesMask=std::vector<char>(),int flags=DrawMatchesFlags::DEFAULT );
  • 参数一：InputArray类型的img1，图像1。
  • 参数二：std::vector类型的keypoints1，图像1的关键点。
  • 参数三：InputArray类型的img2，图像2。
  • 参数四：std::vector类型的keypoints2，图像2的关键点。
  • 参数五：std::vector类型的matchers1to2，从第一个图像匹配到第二个图像，这意味着keypoints1[i]在keypoints2中有一个对应的点[matches[i]]。
  • 参数六：InputOutputArray类型的outImg，为空时，默认并排绘制输出图像以及连接关键点；若不为空，则在图像上绘制关系点。
  • 参数七：Scalar类型的matcherColor，匹配颜色匹配（线和连接的关键点）的颜色。如果颜色为cv::Scalar::all(-1)，则为随机颜色。
  • 参数八：Scalar类型的singlePointColor，颜色单个关键点（圆）的颜色，这意味着关键点没有匹配到的则认是该颜色。
  • 参数九：std::vector类型的matchersMask，确定绘制的匹配项目，若是为空，则表示全部绘制。
  • 参数十：int类型的flags，查看枚举DrawMatchesFlags，如下：
      在这里插入图片描述

函数cv::findHomography

  cv::findHomography 是 OpenCV 库中的一个函数，用于在两组二维点之间寻找单应性矩阵（Homography Matrix）。单应性矩阵是一个 3x3 的矩阵，它将一个平面上的点映射到另一个平面（可能是同一个平面，但通常是在不同的视角或条件下）上的点。这在计算机视觉和图像处理中非常有用，比如图像拼接、增强现实、相机姿态估计等领域。

cv::Mat cv::findHomography(InputArray srcPoints,  InputArray dstPoints,  int method = 0,  double ransacReprojThresh = 3,  OutputArray mask = noArray(),  const int maxIters = 2000,  const double confidence = 0.995);
  • 参数一：srcPoints，源图像中的点集，通常是 std::vectorcv::Point2f 或 cv::Mat 类型，其中每行代表一个点的 x 和 y 坐标。
  • 参数二：dstPoints：目标图像中对应的点集，与 srcPoints 格式相同。
  • 参数三：method：单应性矩阵的计算方法。常见的值有 0（使用所有点，默认方法）、cv::RANSAC（RANdom SAmple Consensus，基于随机样本一致性的鲁棒方法）、cv::LMEDS（Least-Median of Squares，基于最小中值平方的方法，对噪声和异常值有较好的鲁棒性）等。
  • 参数四：ransacReprojThresh，当 method 设置为 cv::RANSAC 或 cv::RANSAC_FIXED_POINT 时，此参数指定了重投影误差的最大阈值，用于判断点是否为内点。
  • 参数五：mask，输出参数，一个与输入点集同样大小的掩码，用于指示哪些点被认为是内点（即，在计算单应性矩阵时使用的点）。
  • 参数六：maxIters，当 method 为 cv::RANSAC 或 cv::LMEDS 时，此参数指定了算法的最大迭代次数。
  • 参数七：confidence，当 method 为 cv::RANSAC 时，此参数指定了算法计算出的单应性矩阵的置信度（即在估计的模型是正确模型的概率）。

函数cv::warpPerspective

void cv::warpPerspective(InputArray src,  OutputArray dst,  InputArray M,  Size dsize,  int flags = INTER_LINEAR,  int borderMode = BORDER_CONSTANT,  const Scalar& borderValue = Scalar());
  • 参数一：src，输入图像，即要进行透视变换的原始图像。
  • 参数二：dst，输出图像，即透视变换后的图像。这个图像将与 dsize 指定的尺寸相同。
  • 参数三：M，3x3 的透视变换矩阵。这个矩阵定义了如何将 src 中的点映射到 dst 中的新位置。
  • 参数四：dsize，输出图像的尺寸。这个参数是必需的，因为透视变换可能会改变图像的大小。
  • 参数五：flags，插值方法。默认为 INTER_LINEAR，表示双线性插值。其他选项包括 INTER_NEAREST（最近邻插值）、INTER_CUBIC（双三次插值）等。
  • 参数六：borderMode，边界像素的外推方法。默认为 BORDER_CONSTANT，表示用恒定的值（borderValue）填充边界外的像素。其他选项包括 BORDER_REPLICATE（复制边缘像素）、BORDER_REFLECT（反射边缘像素）等。
  • 参数七：borderValue，当 borderMode 为 BORDER_CONSTANT 时，用于填充边界像素的值。默认为 Scalar()，即黑色。

函数cv::Mat::copyTo

void cv::Mat::copyTo(OutputArray m, InputArray mask=noArray()) const;

  cv::Mat::copyTo 是 OpenCV 库中 cv::Mat 类的一个成员函数，用于将一个矩阵（图像、数组等）的内容复制到另一个矩阵中。这个函数非常有用，因为它允许你复制矩阵的全部或部分数据，同时可以选择性地更新目标矩阵的大小和类型。

  • 参数一：输出矩阵m，即复制内容的目标矩阵。如果 m 的大小和类型与源矩阵（调用 copyTo 的矩阵）不同，m 会被重新分配以匹配源矩阵的大小和类型。
  • 参数二（可选）：mask：一个与源矩阵同样大小的8位单通道矩阵，用于指定哪些元素应该被复制到目标矩阵中。如果 mask 的某个位置的值非零，则源矩阵对应位置的元素会被复制到目标矩阵；如果为零，则目标矩阵对应位置的元素不会被修改（保持原样或初始化为零，取决于目标矩阵的初始状态）。

Demo源码

void OpenCVManager::testSplicingImages()
{cv::Mat leftImageMat = cv::imread("D:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/30.jpg");cv::Mat rightImageMat = cv::imread("D:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/31.jpg");#if 0// 对图片进行缩放，测试其拼接耗时cv::resize(mat1, mat1, cv::Size(1920, 1080));cv::resize(mat2, mat2, cv::Size(1920, 1080));
#endif//灰度图转换cv::Mat leftImageGrayMat;cv::Mat rightImageGrayMat;cv::cvtColor(leftImageMat, leftImageGrayMat, CV_RGB2GRAY);cv::cvtColor(rightImageMat, rightImageGrayMat, CV_RGB2GRAY);// 提取特征点cv::Ptr<cv::xfeatures2d::SurfFeatureDetector> pSurfFeatureDetector = cv::xfeatures2d::SurfFeatureDetector::create();std::vector<cv::KeyPoint> leftKeyPoints;std::vector<cv::KeyPoint> rightKeyPoints;cv::Mat leftMatch;cv::Mat rightMatch;std::vector<cv::DMatch> matches;pSurfFeatureDetector->detectAndCompute(leftImageGrayMat, cv::Mat(), leftKeyPoints, leftMatch);pSurfFeatureDetector->detectAndCompute(rightImageGrayMat, cv::Mat(), rightKeyPoints, rightMatch);// 暴力匹配cv::Ptr<cv::FlannBasedMatcher> pFlannBasedMatcher = cv::FlannBasedMatcher::create();pFlannBasedMatcher->match(leftMatch, rightMatch, matches);// 筛选匹配点, 根据match的距离从小到大排序std::sort(matches.begin(), matches.end());// 筛选匹配点，根据排序留下最好的匹配点std::vector<cv::DMatch> goodMatchs;// 阈值最小个数点int count = 40;// 阈值点个数 小于 总量的10% 则使用 总量的10%int validPoints = (int)(matches.size() * 1.0f);if(validPoints > count){count = validPoints;}// 所有匹配点小于阈值，那么就取所有点if(matches.size() < count){count = matches.size();}// 将筛选出的点当作较好的点for(int index = 0; index < count; index++){goodMatchs.push_back(matches.at(index));}// 匹配结果cv::Mat matchedMat;// 绘制结果, 注意顺序cv::drawMatches(leftImageMat, leftKeyPoints, rightImageMat, rightKeyPoints, goodMatchs, matchedMat);
#if 1cv::namedWindow("matchedMat", cv::WINDOW_NORMAL);cv::resizeWindow("matchedMat", cv::Size(800, 300));cv::imshow("matchedMat", matchedMat);
#endif// 准备匹配的点std::vector<cv::Point2f> leftImagePoints;std::vector<cv::Point2f> rightImagePoints;for(int index = 0; index < goodMatchs.size(); index++){leftImagePoints.push_back(rightKeyPoints.at(goodMatchs.at(index).trainIdx).pt);rightImagePoints.push_back(leftKeyPoints.at(goodMatchs.at(index).queryIdx).pt);}// 使用暴力匹配的点计算透视变换矩阵cv::Mat m = cv::findHomography(leftImagePoints, rightImagePoints, CV_RANSAC);// 计算第二张图的变换大小cv::Point2f leftTopPoint2f;cv::Point2f leftBottomPoint2f;cv::Point2f rightTopPoint2f;cv::Point2f rightBottomPoint2f;cv::Mat H = m.clone();cv::Mat src = leftImageMat.clone();{cv::Mat V1;cv::Mat V2;// 左上角(0, 0, 1)double v2[3] = {0, 0, 1};// 变换后的坐标值double v1[3];//列向量V2 = cv::Mat(3, 1, CV_64FC1, v2);V1 = cv::Mat(3, 1, CV_64FC1, v1);V1 = H * V2;leftTopPoint2f.x = v1[0] / v1[2];leftTopPoint2f.y = v1[1] / v1[2];// 左下角(0, src.rows, 1)v2[0] = 0;v2[1] = src.rows;v2[2] = 1;V2 = cv::Mat(3, 1, CV_64FC1, v2);V1 = cv::Mat(3, 1, CV_64FC1, v1);V1 = H * V2;leftBottomPoint2f.x = v1[0] / v1[2];leftBottomPoint2f.y = v1[1] / v1[2];// 右上角(src.cols, 0, 1)v2[0] = src.cols;v2[1] = 0;v2[2] = 1;V2 = cv::Mat(3, 1, CV_64FC1, v2);V1 = cv::Mat(3, 1, CV_64FC1, v1);V1 = H * V2;rightTopPoint2f.x = v1[0] / v1[2];rightTopPoint2f.y = v1[1] / v1[2];// 右下角(src.cols,src.rows,1)v2[0] = src.cols;v2[1] = src.rows;v2[2] = 1;V2 = cv::Mat(3, 1, CV_64FC1, v2);V1 = cv::Mat(3, 1, CV_64FC1, v1);V1 = H * V2;rightBottomPoint2f.x = v1[0] / v1[2];rightBottomPoint2f.y = v1[1] / v1[2];}// 图像变换cv::Mat imageTransform1;cv::warpPerspective(rightImageMat,                                          // 源图imageTransform1,                                        // 变换后的输出图m,                                                      // 变换矩阵cv::Size(MAX(rightTopPoint2f.x, rightBottomPoint2f.x),  // 输出图像宽度leftImageMat.rows));                           // 输出图像高度cv::namedWindow("imageTransform1", cv::WINDOW_NORMAL);cv::resizeWindow("imageTransform1", cv::Size(400, 300));cv::imshow("imageTransform1", imageTransform1);// 创建拼接后的图int resultWidth = imageTransform1.cols;int resultHeight = rightImageMat.rows;if(imageTransform1.cols < leftImageMat.cols){resultWidth = leftImageMat.cols;}if(imageTransform1.rows < leftImageMat.rows){resultHeight = leftImageMat.rows;}cv::Mat resultMat(resultHeight, resultWidth, CV_8UC3);resultMat.setTo(0);// 开始拷贝LOG << imageTransform1.cols << imageTransform1.rows;LOG << "copy to";LOG << resultMat.cols << resultMat.rows;imageTransform1.copyTo(resultMat(cv::Rect(0, 0, imageTransform1.cols, imageTransform1.rows)));LOG << rightImageMat.cols << rightImageMat.rows;LOG << "copy to";LOG << resultMat.cols << resultMat.rows;leftImageMat.copyTo(resultMat(cv::Rect(0, 0, leftImageMat.cols, leftImageMat.rows)));cv::namedWindow("rightImageMat", cv::WINDOW_NORMAL);cv::resizeWindow("rightImageMat", cv::Size(400, 300));cv::imshow("rightImageMat", rightImageMat);cv::namedWindow("leftImageMat", cv::WINDOW_NORMAL);cv::resizeWindow("leftImageMat", cv::Size(400, 300));cv::imshow("leftImageMat", leftImageMat);cv::namedWindow("resultMat", cv::WINDOW_NORMAL);cv::resizeWindow("resultMat", cv::Size(400, 300));cv::imshow("resultMat", resultMat);cv::waitKey(0);
}

入坑

入坑一：cv::Mat.copyTo函数崩溃

问题

  cv::Mat的copyTo函数崩溃

原因

  被复制的源文件mat和函数里面的目标mat都需要宽高，类型相等。

解决

  是因为计算最终的图像错误导致的，纠正逻辑代码。
  在这里插入图片描述


上一篇：《OpenCV开发笔记（七十九）：基于Stitcher类实现全景图片拼接》
下一篇：持续补充中…


本文章博客地址：https://hpzwl.blog.csdn.net/article/details/141790116

这篇关于OpenCV开发笔记（八十）：基于特征点匹配实现全景图片拼接的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1130208。

相关文章

这15个Vue指令，让你的项目开发爽到爆

这15个Vue指令，让你的项目开发爽到爆

1. V-Hotkey 仓库地址: github.com/Dafrok/v-ho… Demo: 戳这里 https://dafrok.github.io/v-hotkey 安装: npm install --save v-hotkey 这个指令可以给组件绑定一个或多个快捷键。你想要通过按下 Escape 键后隐藏某个组件，按住 Control 和回车键再显示它吗？小菜一碟： <template
阅读更多...
Hadoop企业开发案例调优场景

Hadoop企业开发案例调优场景

需求 （1）需求：从1G数据中，统计每个单词出现次数。服务器3台，每台配置4G内存，4核CPU，4线程。 （2）需求分析： 1G / 128m = 8个MapTask；1个ReduceTask；1个mrAppMaster 平均每个节点运行10个 / 3台 ≈ 3个任务（4    3    3） HDFS参数调优 （1）修改：hadoop-env.sh export HDFS_NAMENOD
阅读更多...
hdu1043（八数码问题，广搜 + hash（实现状态压缩） ）

hdu1043（八数码问题，广搜 + hash（实现状态压缩） ）

利用康拓展开将一个排列映射成一个自然数，然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu
阅读更多...
使用opencv优化图片（画面变清晰）

使用opencv优化图片（画面变清晰）

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化，使其看起来更清晰，同时保持尺寸不变，通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多，主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器：相机传
阅读更多...
嵌入式QT开发：构建高效智能的嵌入式系统

嵌入式QT开发：构建高效智能的嵌入式系统

摘要： 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发，详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程，包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发，涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用，以及嵌入式 QT 与硬件设备的交互，包括输入输出设
阅读更多...
OpenHarmony鸿蒙开发（ Beta5.0）无感配网详解

OpenHarmony鸿蒙开发（ Beta5.0）无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息，即可快速实现设备配网，是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递，利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力，实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后，即可发送相关配网数据。同时还支持与常规Sof
阅读更多...
【专题】2024飞行汽车技术全景报告合集PDF分享（附原数据表）

【专题】2024飞行汽车技术全景报告合集PDF分享（附原数据表）

原文链接： https://tecdat.cn/?p=37628 6月16日，小鹏汇天旅航者X2在北京大兴国际机场临空经济区完成首飞，这也是小鹏汇天的产品在京津冀地区进行的首次飞行。小鹏汇天方面还表示，公司准备量产，并计划今年四季度开启预售小鹏汇天分体式飞行汽车，探索分体式飞行汽车城际通勤。阅读原文，获取专题报告合集全文，解锁文末271份飞行汽车相关行业研究报告。 据悉，业内人士对飞行汽车行业
阅读更多...
【C++】_list常用方法解析及模拟实现

【C++】_list常用方法解析及模拟实现

相信自己的力量，只要对自己始终保持信心，尽自己最大努力去完成任何事，就算事情最终结果是失败了，努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一：什么是list？ •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二：list常用接口 •🌰1.默认成员函数 🔥构造函数（⭐） 🔥析构函数 •🌰2.list对象
阅读更多...
【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯，先赞后看哦~🎈🎈 🏆 作者简介：景天科技苑 🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。 🏆《博客》：Python全栈，前后端开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi
阅读更多...
活用c4d官方开发文档查询代码

活用c4d官方开发文档查询代码

当你问AI助手比如豆包，如何用python禁止掉xpresso标签时候，它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2