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

SpringBoot3实现Gzip压缩优化的技术指南

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N
阅读更多...
SpringBoot实现数据库读写分离的3种方法小结

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一：基于AbstractRoutingDataSource实现动态
阅读更多...
Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整
阅读更多...
Java枚举类实现Key-Value映射的多种实现方式

Java枚举类实现Key-Value映射的多种实现方式

《Java枚举类实现Key-Value映射的多种实现方式》在Java开发中,枚举(Enum)是一种特殊的类,本文将详细介绍Java枚举类实现key-value映射的多种方式,有需要的小伙伴可以根据需要... 目录前言一、基础实现方式1.1 为枚举添加属性和构造方法二、http://www.cppcns.co
阅读更多...
使用Python实现快速搭建本地HTTP服务器

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》：本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.
阅读更多...
使用C#代码在PDF文档中添加、删除和替换图片

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当
阅读更多...
详解C#如何提取PDF文档中的图片

详解C#如何提取PDF文档中的图片

《详解C#如何提取PDF文档中的图片》提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使用,下面我们就来看看如何使用C#通过代码从PDF文档中提取图片吧... 当 PDF 文件中包含有价值的图片，如艺术画作、设计素材、报告图表等，提取图片可以将这些图像资源进行单独保存，方便后续在不同的项目中使
阅读更多...
MySQL双主搭建+keepalived高可用的实现

MySQL双主搭建+keepalived高可用的实现

《MySQL双主搭建+keepalived高可用的实现》本文主要介绍了MySQL双主搭建+keepalived高可用的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,... 目录一、测试环境准备二、主从搭建1.创建复制用户2.创建复制关系3.开启复制，确认复制是否成功4.同
阅读更多...
Java实现文件图片的预览和下载功能

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... Java实现文件（图片）的预览和下载 @ApiOperation("访问文件") @GetMapping("
阅读更多...
Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战：从入门到进阶优化1. MyBatis
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2