ओपनसीवी का उपयोग करके छवियों को सिलाई करने में Python पैनोरमिक या वाइड-फील्ड दृश्य बनाने के लिए कई छवियों को संयोजित करना शामिल है। इस प्रक्रिया का उपयोग आमतौर पर फोटोग्राफी में ओवरलैपिंग छवियों को मर्ज करने और एक निर्बाध पैनोरमा बनाने के लिए किया जाता है। यहां OpenCV का उपयोग करके छवियों को सिलाई करने की बुनियादी रूपरेखा दी गई है:
छवि प्रीप्रोसेसिंग
उन छवियों को लोड करें जिन्हें आप OpenCV के cv2.imread() फ़ंक्शन का उपयोग करके सिलाई करना चाहते हैं।
cv2.cvtColor() यदि आवश्यक हो तो छवियों को ग्रेस्केल में परिवर्तित करें ।
SIFT, ORB, या AKAZE जैसे फ़ीचर डिटेक्शन एल्गोरिदम का उपयोग करके छवियों में मुख्य विशेषताओं का पता लगाएं।
फ़ीचर मिलान
छवियों के बीच संगत बिंदु खोजने के लिए फीचर मिलान तकनीकों का उपयोग करें।
ओपनसीवी फीचर मिलान जैसे cv2.BFMatcher() या उसके लिए कार्य प्रदान करता है । cv2.FlannBasedMatcher()
होमोग्राफी अनुमान
पिछले चरण में पाए गए संबंधित बिंदुओं का उपयोग करके होमोग्राफी मैट्रिक्स की गणना करें।
होमोग्राफी मैट्रिक्स दो छवियों के बीच परिवर्तन का वर्णन करता है।
ताना-बाना और सिलाई
एक छवि को दूसरे के साथ संरेखित करने के लिए होमोग्राफी मैट्रिक्स का उपयोग करें।
cv2.warpPerspective() इस उद्देश्य के लिए फ़ंक्शन का उपयोग किया जा सकता है .
सिला हुआ पैनोरमा बनाने के लिए विकृत छवि को दूसरी छवि के साथ मिलाएं।
सम्मिश्रण(वैकल्पिक)
सिले हुए चित्रों को निर्बाध रूप से मर्ज करने के लिए छवि सम्मिश्रण तकनीक लागू करें।
रैखिक सम्मिश्रण या मल्टी-बैंड सम्मिश्रण जैसी तकनीकों का उपयोग किया जा सकता है।
प्रदर्शित करें या सहेजें
सिले हुए पैनोरमा का उपयोग करके प्रदर्शित करें cv2.imshow() या इसका उपयोग करके सहेजें cv2.imwrite() ।
यहां OpenCV का उपयोग करके छवि सिलाई प्रक्रिया को प्रदर्शित करने वाला एक सरलीकृत कोड उदाहरण दिया गया है:
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()
कृपया ध्यान दें कि यह उदाहरण एक सरलीकृत प्रदर्शन है। व्यवहार में, आपको उच्च-गुणवत्ता वाली पैनोरमिक छवियां प्राप्त करने के लिए छवि संरेखण, सम्मिश्रण और विरूपण सुधार जैसे मुद्दों को संभालने की आवश्यकता हो सकती है।