Python ओपनसीभी प्रयोग गरेर छविहरू स्टिचिङमा एक पानोरामिक वा फराकिलो-फिल्ड दृश्य सिर्जना गर्न धेरै छविहरू संयोजन समावेश गर्दछ। यो प्रक्रिया सामान्यतया फोटोग्राफीमा ओभरल्यापिंग छविहरू मर्ज गर्न र एक सिमलेस परिदृश्य सिर्जना गर्न प्रयोग गरिन्छ। यहाँ OpenCV प्रयोग गरेर छविहरू कसरी सिलाई गर्ने भन्ने आधारभूत रूपरेखा छ:
छवि पूर्व प्रशोधन
cv2.imread() तपाईंले OpenCV को प्रकार्य प्रयोग गरेर स्टिच गर्न चाहनुभएको छविहरू लोड गर्नुहोस् ।
cv2.cvtColor() आवश्यक भएमा छविहरूलाई ग्रेस्केलमा रूपान्तरण गर्नुहोस् ।
SIFT, ORB, वा AKAZE जस्ता विशेषता पत्ता लगाउने एल्गोरिदमहरू प्रयोग गरेर छविहरूमा मुख्य विशेषताहरू पत्ता लगाउनुहोस्।
फीचर मिलान
छविहरू बीच सम्बन्धित बिन्दुहरू फेला पार्न सुविधा मिल्ने प्रविधिहरू प्रयोग गर्नुहोस्।
OpenCV ले प्रकार्यहरू प्रदान गर्दछ जस्तै cv2.BFMatcher() वा cv2.FlannBasedMatcher() सुविधा मिलानको लागि।
होमोग्राफी अनुमान
अघिल्लो चरणमा फेला परेका सम्बन्धित बिन्दुहरू प्रयोग गरेर होमोग्राफी म्याट्रिक्स गणना गर्नुहोस्।
होमोग्राफी म्याट्रिक्सले दुई छविहरू बीचको परिवर्तनलाई वर्णन गर्दछ।
वार्पिङ र सिलाई
एउटा छविलाई अर्कोसँग पङ्क्तिबद्ध गर्नको लागि होमोग्राफी म्याट्रिक्स प्रयोग गर्नुहोस्।
यस उद्देश्यका लागि प्रकार्य cv2.warpPerspective() प्रयोग गर्न सकिन्छ।
स्टिच गरिएको परिदृश्य सिर्जना गर्न अन्य छविसँग विकृत छवि मिलाउनुहोस्।
मिश्रण(वैकल्पिक)
स्टिच गरिएका तस्बिरहरूलाई निर्बाध रूपमा मर्ज गर्न छवि मिश्रण प्रविधिहरू लागू गर्नुहोस्।
रैखिक मिश्रण वा बहु-ब्यान्ड मिश्रण जस्ता प्रविधिहरू प्रयोग गर्न सकिन्छ।
प्रदर्शन वा बचत गर्नुहोस्
प्रयोग गरेर स्टिच गरिएको दृश्य देखाउनुहोस् cv2.imshow() वा यसलाई प्रयोग गरेर बचत गर्नुहोस् cv2.imwrite() ।
यहाँ OpenCV प्रयोग गरेर छवि सिलाई प्रक्रिया प्रदर्शन गर्ने एक सरल कोड उदाहरण छ:
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 दिनुहोस् कि यो उदाहरण सरलीकृत प्रदर्शन हो। अभ्यासमा, तपाईंले उच्च गुणस्तरको पानोरामिक छविहरू प्राप्त गर्न छवि पङ्क्तिबद्धता, मिश्रण, र विरूपण सुधार जस्ता समस्याहरू ह्यान्डल गर्न आवश्यक पर्दछ।