Il-ħjata ta 'immaġini bl-użu ta' Python u OpenCV tinvolvi l-kombinazzjoni ta 'immaġini multipli biex tinħoloq veduta panoramika jew ta' kamp wiesa '. Dan il-proċess huwa komunement użat fil-fotografija biex jgħaqqad immaġini li jikkoinċidu u joħloq panorama bla xkiel. Hawnhekk hawn deskrizzjoni bażika ta' kif tgħaqqad l-immaġini bl-użu ta' OpenCV:
Ipproċessar minn qabel tal-Immaġini
Tagħbija l-immaġini li trid ħjata billi tuża cv2.imread() l-funzjoni ta’ OpenCV.
Ikkonverti immaġini għal skala griża billi tuża cv2.cvtColor() jekk meħtieġ.
Issib karatteristiċi ewlenin fl-immaġini billi tuża algoritmi ta' skoperta ta' karatteristiċi bħal SIFT, ORB, jew AKAZE.
Tqabbil tal-Karatteristiċi
Uża tekniki ta 'tqabbil tal-karatteristiċi biex issib punti korrispondenti bejn l-immaġini.
OpenCV jipprovdi funzjonijiet bħal cv2.BFMatcher() jew cv2.FlannBasedMatcher() għat-tqabbil tal-karatteristiċi.
Stima Omografika
Ikkalkula l-matriċi omografika billi tuża l-punti korrispondenti misjuba fil-pass preċedenti.
Il-matriċi tal-omografija tiddeskrivi t-trasformazzjoni bejn iż-żewġ immaġini.
Warping u Ħjata
Uża l-matriċi tal-omografija biex tgħawweġ waħda mill-immaġini biex tallinja mal-oħra.
Il- cv2.warpPerspective() funzjoni tista 'tintuża għal dan il-għan.
Għaqqad l-immaġni warped ma 'l-immaġni l-oħra biex toħloq il-panorama meħjuta.
Taħlit(Mhux obbligatorju)
Applika tekniki ta 'taħlit ta' immaġni biex tgħaqqad bla xkiel l-immaġini meħjuta.
Jistgħu jintużaw tekniki bħal taħlit lineari jew taħlit multi-band.
Uri jew Issejvja
Uri l-panorama meħjuta billi tuża cv2.imshow() jew issalvaha billi tuża cv2.imwrite().
Hawn eżempju ta 'kodiċi simplifikat li juri l-proċess tal-ħjata tal-immaġni bl-użu ta' OpenCV:
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()
Jekk jogħġbok innota li dan l-eżempju huwa turija simplifikata. Fil-prattika, jista 'jkollok bżonn tieħu ħsieb kwistjonijiet bħall-allinjament tal-immaġni, it-taħlit u l-korrezzjoni tad-distorsjoni biex tikseb immaġini panoramiċi ta' kwalità għolja.