Python OpenCV સાથે અદભૂત પેનોરેમિક ફોટા બનાવવું

અને OpenCV નો ઉપયોગ કરીને છબીઓને સ્ટીચિંગમાં Python પેનોરેમિક અથવા વાઈડ-ફીલ્ડ વ્યૂ બનાવવા માટે બહુવિધ ઈમેજોનું સંયોજન સામેલ છે. આ પ્રક્રિયાનો ઉપયોગ સામાન્ય રીતે ફોટોગ્રાફીમાં ઓવરલેપિંગ ઈમેજોને મર્જ કરવા અને સીમલેસ પેનોરમા બનાવવા માટે થાય છે. OpenCV નો ઉપયોગ કરીને છબીઓને કેવી રીતે સ્ટીચ કરવી તેની મૂળભૂત રૂપરેખા અહીં છે:

છબી પૂર્વ પ્રક્રિયા

cv2.imread() OpenCV ના ફંક્શનનો ઉપયોગ કરીને તમે સ્ટીચ કરવા માંગો છો તે છબીઓ લોડ કરો .

જો જરૂરી હોય તો તેનો ઉપયોગ કરીને છબીઓને ગ્રેસ્કેલમાં કન્વર્ટ કરો cv2.cvtColor().

SIFT, ORB અથવા AKAZE જેવા ફીચર ડિટેક્શન અલ્ગોરિધમનો ઉપયોગ કરીને ઈમેજીસમાં મુખ્ય ફીચર્સ શોધો.

ફીચર મેચિંગ

છબીઓ વચ્ચે અનુરૂપ બિંદુઓ શોધવા માટે ફીચર મેચિંગ તકનીકોનો ઉપયોગ કરો.

OpenCV ફીચર મેચિંગ જેવા cv2.BFMatcher() અથવા જેવા કાર્યો પૂરા પાડે છે. cv2.FlannBasedMatcher()

હોમોગ્રાફી અંદાજ

અગાઉના પગલામાં મળેલા અનુરૂપ બિંદુઓનો ઉપયોગ કરીને હોમોગ્રાફી મેટ્રિક્સની ગણતરી કરો.

હોમોગ્રાફી મેટ્રિક્સ બે છબીઓ વચ્ચેના પરિવર્તનનું વર્ણન કરે છે.

વાર્પિંગ અને સ્ટીચિંગ

એક છબીને બીજી સાથે ગોઠવવા માટે હોમોગ્રાફી મેટ્રિક્સનો ઉપયોગ કરો.

cv2.warpPerspective() આ હેતુ માટે ફંક્શનનો ઉપયોગ કરી શકાય છે .

ટાંકાવાળા પેનોરમા બનાવવા માટે વિકૃત છબીને અન્ય છબી સાથે જોડો.

મિશ્રણ(વૈકલ્પિક)

ટાંકાવાળી છબીઓને એકીકૃત રીતે મર્જ કરવા માટે છબી સંમિશ્રણ તકનીકો લાગુ કરો.

રેખીય સંમિશ્રણ અથવા મલ્ટી-બેન્ડ મિશ્રણ જેવી તકનીકોનો ઉપયોગ કરી શકાય છે.

દર્શાવો અથવા સાચવો

ટાંકેલા પેનોરામાનો ઉપયોગ કરીને પ્રદર્શિત કરો cv2.imshow() અથવા તેનો ઉપયોગ કરીને સાચવો cv2.imwrite().

OpenCV નો ઉપયોગ કરીને ઇમેજ સ્ટીચિંગ પ્રક્રિયાનું નિદર્શન કરતું એક સરળ કોડ ઉદાહરણ અહીં છે:

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()  

મહેરબાની કરીને નોંધ કરો કે આ ઉદાહરણ એક સરળ પ્રદર્શન છે. વ્યવહારમાં, તમારે ઉચ્ચ-ગુણવત્તાવાળી પેનોરેમિક છબીઓ પ્રાપ્ત કરવા માટે છબી સંરેખણ, મિશ્રણ અને વિકૃતિ સુધારણા જેવી સમસ્યાઓને હેન્ડલ કરવાની જરૂર પડી શકે છે.