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

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

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

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

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

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

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

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

【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

【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

【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

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