Python OpenCV দিয়ে অত্যাশ্চর্য প্যানোরামিক ফটো তৈরি করা

ওপেনসিভি ব্যবহার করে ছবি স্টিচ করার জন্য Python একটি প্যানোরামিক বা ওয়াইড-ফিল্ড ভিউ তৈরি করতে একাধিক ছবি একত্রিত করা জড়িত। এই প্রক্রিয়াটি সাধারণত ফটোগ্রাফিতে ওভারল্যাপিং চিত্রগুলিকে একত্রিত করতে এবং একটি বিরামবিহীন প্যানোরামা তৈরি করতে ব্যবহৃত হয়। OpenCV ব্যবহার করে ছবি সেলাই করার একটি প্রাথমিক রূপরেখা এখানে দেওয়া হল:

ছবি প্রিপ্রসেসিং

cv2.imread() OpenCV এর ফাংশন ব্যবহার করে আপনি যে ছবিগুলি সেলাই করতে চান তা লোড করুন ।

cv2.cvtColor() প্রয়োজনে ছবিগুলিকে গ্রেস্কেলে রূপান্তর করুন ।

SIFT, ORB বা AKAZE-এর মতো বৈশিষ্ট্য সনাক্তকরণ অ্যালগরিদম ব্যবহার করে চিত্রগুলির মূল বৈশিষ্ট্যগুলি সনাক্ত করুন৷

ফিচার ম্যাচিং

চিত্রগুলির মধ্যে সংশ্লিষ্ট পয়েন্টগুলি খুঁজে পেতে বৈশিষ্ট্য ম্যাচিং কৌশলগুলি ব্যবহার করুন৷

OpenCV ফিচার ম্যাচিং এর মত cv2.BFMatcher() বা জন্য ফাংশন প্রদান করে । cv2.FlannBasedMatcher()

হোমোগ্রাফি অনুমান

পূর্ববর্তী ধাপে পাওয়া সংশ্লিষ্ট পয়েন্ট ব্যবহার করে হোমোগ্রাফি ম্যাট্রিক্স গণনা করুন।

হোমোগ্রাফি ম্যাট্রিক্স দুটি চিত্রের মধ্যে রূপান্তর বর্ণনা করে।

Warping এবং সেলাই

একটি চিত্রকে অন্যটির সাথে সারিবদ্ধ করতে হোমোগ্রাফি ম্যাট্রিক্স ব্যবহার করুন।

ফাংশন cv2.warpPerspective() এই উদ্দেশ্যে ব্যবহার করা যেতে পারে.

সেলাই করা প্যানোরামা তৈরি করতে অন্য চিত্রের সাথে বিকৃত চিত্রটিকে একত্রিত করুন।

মিশ্রণ(ঐচ্ছিক)

সেলাই করা ছবিগুলোকে নির্বিঘ্নে একত্রিত করতে ইমেজ মিশ্রন কৌশল প্রয়োগ করুন।

লিনিয়ার ব্লেন্ডিং বা মাল্টি-ব্যান্ড ব্লেন্ডিং এর মত টেকনিক ব্যবহার করা যেতে পারে।

প্রদর্শন বা সংরক্ষণ করুন

ব্যবহার করে সেলাই করা প্যানোরামা প্রদর্শন করুন cv2.imshow() বা এটি ব্যবহার করে সংরক্ষণ করুন cv2.imwrite() ।

OpenCV ব্যবহার করে ইমেজ স্টিচিং প্রসেস প্রদর্শনের জন্য এখানে একটি সরলীকৃত কোড উদাহরণ রয়েছে:

import cv2  
  
# Load images  
image1 = cv2.imread('image1.jpg')  
image2 = cv2.imread('image2.jpg')  
  
# Convert images to grayscale  
gray1 = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)  
gray2 = cv2.cvtColor(image2, cv2.COLOR_BGR2GRAY)  
  
# Detect key features and descriptors  
orb = cv2.ORB_create()  
keypoints1, descriptors1 = orb.detectAndCompute(gray1, None)  
keypoints2, descriptors2 = orb.detectAndCompute(gray2, None)  
  
# Feature matching  
matcher = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)  
matches = matcher.match(descriptors1, descriptors2)  
  
# Apply ratio test to filter good matches  
matches = [match for match in matches if match.distance < 0.7 * max(len(matches), 1)]  
  
# Find corresponding points  
src_pts = [keypoints1[match.queryIdx].pt for match in matches]  
dst_pts = [keypoints2[match.trainIdx].pt for match in matches]  
  
# Calculate homography matrix  
homography, _ = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC)  
  
# Warp and stitch images  
stitched_image = cv2.warpPerspective(image1, homography,(image1.shape[1] + image2.shape[1], image1.shape[0]))  
stitched_image[0:image2.shape[0], 0:image2.shape[1]] = image2  
  
# Display or save the stitched image  
cv2.imshow('Stitched Image', stitched_image)  
cv2.waitKey(0)  
cv2.destroyAllWindows()  

দয়া করে মনে রাখবেন যে এই উদাহরণটি একটি সরলীকৃত প্রদর্শন। অনুশীলনে, উচ্চ-মানের প্যানোরামিক চিত্রগুলি অর্জনের জন্য আপনাকে চিত্র সারিবদ্ধকরণ, মিশ্রণ এবং বিকৃতি সংশোধনের মতো সমস্যাগুলি পরিচালনা করতে হতে পারে।