ओपनसीव्ही वापरून प्रतिमा स्टिचिंगमध्ये Python पॅनोरामिक किंवा विस्तृत-फील्ड दृश्य तयार करण्यासाठी एकाधिक प्रतिमा एकत्र करणे समाविष्ट आहे. आच्छादित प्रतिमा विलीन करण्यासाठी आणि अखंड पॅनोरामा तयार करण्यासाठी ही प्रक्रिया सामान्यतः फोटोग्राफीमध्ये वापरली जाते. OpenCV वापरून प्रतिमा कशा स्टिच करायच्या याची मूलभूत रूपरेषा येथे आहे:
प्रतिमा पूर्वप्रक्रिया करत आहे
OpenCV चे फंक्शन वापरून तुम्हाला स्टिच करायच्या असलेल्या प्रतिमा लोड करा cv2.imread().
आवश्यक असल्यास प्रतिमा ग्रेस्केलमध्ये रूपांतरित करा cv2.cvtColor().
SIFT, ORB किंवा AKAZE सारख्या वैशिष्ट्य शोध अल्गोरिदम वापरून प्रतिमांमधील प्रमुख वैशिष्ट्ये शोधा.
वैशिष्ट्य जुळणारे
प्रतिमांमधील संबंधित बिंदू शोधण्यासाठी वैशिष्ट्य जुळणारे तंत्र वापरा.
cv2.BFMatcher() OpenCV फीचर मॅचिंग सारखी किंवा फंक्शन्स पुरवते cv2.FlannBasedMatcher().
होमोग्राफी अंदाज
मागील चरणात सापडलेल्या संबंधित बिंदूंचा वापर करून होमोग्राफी मॅट्रिक्सची गणना करा.
होमोग्राफी मॅट्रिक्स दोन प्रतिमांमधील परिवर्तनाचे वर्णन करते.
वार्पिंग आणि स्टिचिंग
एक प्रतिमा दुसऱ्याशी संरेखित करण्यासाठी होमोग्राफी मॅट्रिक्स वापरा.
cv2.warpPerspective() या उद्देशासाठी फंक्शन वापरले जाऊ शकते .
स्टिच केलेला पॅनोरामा तयार करण्यासाठी विकृत प्रतिमा इतर प्रतिमेसह एकत्र करा.
मिश्रण(पर्यायी)
स्टिच केलेल्या प्रतिमा अखंडपणे विलीन करण्यासाठी प्रतिमा मिश्रण तंत्र लागू करा.
लिनियर ब्लेंडिंग किंवा मल्टी-बँड ब्लेंडिंग सारखे तंत्र वापरले जाऊ शकते.
प्रदर्शित करा किंवा जतन करा
वापरून स्टिच केलेला पॅनोरामा प्रदर्शित करा cv2.imshow() किंवा वापरून सेव्ह करा cv2.imwrite().
OpenCV वापरून इमेज स्टिचिंग प्रक्रिया प्रदर्शित करणारे एक सरलीकृत कोड उदाहरण येथे आहे:
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 लक्षात घ्या की हे उदाहरण एक सरलीकृत प्रात्यक्षिक आहे. व्यवहारात, तुम्हाला उच्च-गुणवत्तेच्या पॅनोरामिक प्रतिमा प्राप्त करण्यासाठी प्रतिमा संरेखन, मिश्रण आणि विकृती सुधारणे यासारख्या समस्या हाताळण्याची आवश्यकता असू शकते.