3. 根据关键点特征和描述符, 对两张图像进行匹配, 得到若干匹配点对, 并移除错误匹配
4. 使用Ransac算法和匹配的特征来估计单应矩阵(homography matrix)
5. 通过单应矩阵来对图像进行仿射变换
6. 两图像拼接,重叠部分融合
7. 裁剪以获得美观的最终图像
本次实验通过拍摄多组不同的图片来实现图像的拼接.
# 参考自https://cloud.tencent.com/developer/article/2214756 并作修改
import numpy as np
import cv2
import imutils
from imutils import paths
images = 'image' # 输入图像路径
output = 'res/mix.png' # 输出图像
crop = True
# 使用imutils.path.list_images获取输入图像路径中所有图像的路径并排序
imagePaths = sorted(list(paths.list_images(images)))
images = []
# 读取图像
for imagePath in imagePaths:
image = cv2.imread(imagePath)
images.append(image)
# 创建图像缝合器
stitcher = cv2.Stitcher_create()
(status, stitched) = stitcher.stitch(images)
# status 代表拼接状态,成功时status为0
if status == 0:
# 进入裁剪图像
if crop:
# 在拼图周围添加2像素
stitched = cv2.copyMakeBorder(stitched, 2, 2, 2, 2,
cv2.BORDER_CONSTANT, (0, 0, 0))
# 图像灰度化处理
gray = cv2.cvtColor(stitched, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY)[1]
# 查找阈值图像的轮廓
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
c = max(cnts, key=cv2.contourArea)
# 绘制该轮廓下最大的矩形
mask = np.zeros(thresh.shape, dtype="uint8")
(x, y, w, h) = cv2.boundingRect(c)
cv2.rectangle(mask, (x, y), (x + w, y + h), 255, -1)
# 创建两个遮罩
# minRect作为不断腐蚀的矩形
# sub作为阈值图像和minRect的插值来进行判断
# 利用掩码和腐蚀操作来裁剪图像,以得到最小的外接矩形
minRect = mask.copy()
sub = mask.copy()
while cv2.countNonZero(sub) > 0:
minRect = cv2.erode(minRect, None)
sub = cv2.subtract(minRect, thresh)
# 得到最小矩形,提取其范围坐标
cnts = cv2.findContours(minRect.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
c = max(cnts, key=cv2.contourArea)
(x, y, w, h) = cv2.boundingRect(c)
# 使用该范围坐标对原图进行裁剪
stitched = stitched[y: y + h, x: x + w]
# 保存处理后的照片
cv2.imwrite(output, stitched)
else:
print("error with code:{}".format(status))
这里拼接的结果如下图
这里获得的图像为拼接后的公共部分,拼接效果并不明显。
以下实验用例来自https://github.com/samggggflynn/image-stitching-opencv
HoG是一种基于图像梯度的特征提取方法,被广泛应用于计算机视觉和机器学习领域。HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,是与SIFT、SURF、ORB属于同一类型的描述符。HOG不是基于颜色值而是基于梯度来计算直方图的,它通过计算和统计图像局部区域的梯度方向直方图来构建特征。
算法将图像分为很多很小的连通区域(cell),采集cell中各像素点的梯度大小和方向,然后在每个cell中通过某种方式绘制一个一维的梯度方向直方图,并对直方图进行对比度归一化。使用SVM分类器进行行人检测。
# 代码结合了以下的代码
# https://blog.csdn.net/m0_75114882/article/details/134405127?spm=1001.2014.3001.5502
# https://zhuanlan.zhihu.com/p/651533995
import cv2
# 检测矩形框是否会重叠或包含
def is_inside(o, i):
ox, oy, ow, oh = o
ix, iy, iw, ih = i
return (ox > ix and oy > iy
and ox + ow < ix + iw
and oy + oh < iy + ih)
# 输入视频
input_video_path = 'video/people.mp4'
# 输出视频
output_video_path = 'person_detect.mp4'
# 帧图像计数器
cnt = 1
# 读取视频
cap = cv2.VideoCapture(input_video_path)
# 获取视频帧率
fps = cap.get(cv2.CAP_PROP_FPS)
# 获取视频尺寸信息
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
# 定义视频编码方式为MPEG-4
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
# 创建VideoWriter对象,将行人检测的帧序列写入视频文件中
out = cv2.VideoWriter(output_video_path, fourcc, fps, (width, height))
while True:
# 不断读取视频并捕获帧图像, 保存在frame, 当成功读取帧后, ret将会被赋值为True, 否则为False
ret, frame = cap.read()
if not ret:
break
# 将当前帧图像转换为灰度图像
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 使用默认的HOG特征描述符
hog = cv2.HOGDescriptor()
# 获取行人检测分类器的系数
detector = cv2.HOGDescriptor_getDefaultPeopleDetector()
# 使用默认行人分类器
hog.setSVMDetector(detector)
# 使用detectMultiScale检测帧图像中的行人并返回相关信息
found, weight = hog.detectMultiScale(gray, scale=1.02)
found_filtered = []
# 判断检测到的行人框是否有重叠或者包含关系
for ri, r in enumerate(found):
for qi, q in enumerate(found):
if ri != qi and is_inside(r, q):
break
else:
found_filtered.append(r)
# 将检测框写入帧图像中, 绘制检测框和行人中心点
for person in found_filtered:
x, y, w, h = person
**自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。**
**深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!**
**因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。**
![img](https://img-blog.csdnimg.cn/img_convert/a10c29d2d5be150a52e571a2f9e9ee7a.png)
![img](https://img-blog.csdnimg.cn/img_convert/1204c34253a1dc68337995975e0811c3.png)
![img](https://img-blog.csdnimg.cn/img_convert/bd3bd9ff68e3fd582718e127960ea098.png)
![img](https://img-blog.csdnimg.cn/img_convert/33076513d7798f4e370d4e81c3f88939.png)
![img](https://img-blog.csdnimg.cn/img_convert/6c361282296f86381401c05e862fe4e9.png)
![img](https://img-blog.csdnimg.cn/img_convert/9f49b566129f47b8a67243c1008edf79.png)
**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!**
**由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新**
**如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注Python)**
edf79.png)
**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!**
**由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新**
**如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注Python)**
<img src="https://img-community.csdnimg.cn/images/fd6ebf0d450a4dbea7428752dc7ffd34.jpg" alt="img" style="zoom:50%;" />
文章浏览阅读645次。这个肯定是末尾的IDAT了,因为IDAT必须要满了才会开始一下个IDAT,这个明显就是末尾的IDAT了。,对应下面的create_head()代码。,对应下面的create_tail()代码。不要考虑爆破,我已经试了一下,太多情况了。题目来源:UNCTF。_攻防世界困难模式攻略图文
文章浏览阅读2.9k次,点赞3次,收藏10次。偶尔会用到,记录、分享。1. 数据库导出1.1 切换到dmdba用户su - dmdba1.2 进入达梦数据库安装路径的bin目录,执行导库操作 导出语句:./dexp cwy_init/[email protected]:5236 file=cwy_init.dmp log=cwy_init_exp.log 注释: cwy_init/init_123..._达梦数据库导入导出
文章浏览阅读1.9k次。1. 在官网上下载KindEditor文件,可以删掉不需要要到的jsp,asp,asp.net和php文件夹。接着把文件夹放到项目文件目录下。2. 修改html文件,在页面引入js文件:<script type="text/javascript" src="./kindeditor/kindeditor-all.js"></script><script type="text/javascript" src="./kindeditor/lang/zh-CN.js"_kindeditor.js
文章浏览阅读2.3k次,点赞6次,收藏14次。SPI的详情简介不必赘述。假设我们通过SPI发送0xAA,我们的数据线就会变为10101010,通过修改不同的内容,即可修改SPI中0和1的持续时间。比如0xF0即为前半周期为高电平,后半周期为低电平的状态。在SPI的通信模式中,CPHA配置会影响该实验,下图展示了不同采样位置的SPI时序图[1]。CPOL = 0,CPHA = 1:CLK空闲状态 = 低电平,数据在下降沿采样,并在上升沿移出CPOL = 0,CPHA = 0:CLK空闲状态 = 低电平,数据在上升沿采样,并在下降沿移出。_stm32g431cbu6
文章浏览阅读1.2k次,点赞2次,收藏8次。数据链路层习题自测问题1.数据链路(即逻辑链路)与链路(即物理链路)有何区别?“电路接通了”与”数据链路接通了”的区别何在?2.数据链路层中的链路控制包括哪些功能?试讨论数据链路层做成可靠的链路层有哪些优点和缺点。3.网络适配器的作用是什么?网络适配器工作在哪一层?4.数据链路层的三个基本问题(帧定界、透明传输和差错检测)为什么都必须加以解决?5.如果在数据链路层不进行帧定界,会发生什么问题?6.PPP协议的主要特点是什么?为什么PPP不使用帧的编号?PPP适用于什么情况?为什么PPP协议不_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输
文章浏览阅读587次。软件测试工程师移民加拿大 无证移民,未受过软件工程师的教育(第1部分) (Undocumented Immigrant With No Education to Software Engineer(Part 1))Before I start, I want you to please bear with me on the way I write, I have very little gen...
文章浏览阅读304次。Thinkpad X250笔记本电脑,装的是FreeBSD,进入BIOS修改虚拟化配置(其后可能是误设置了安全开机),保存退出后系统无法启动,显示:secure boot failed ,把自己惊出一身冷汗,因为这台笔记本刚好还没开始做备份.....根据错误提示,到bios里面去找相关配置,在Security里面找到了Secure Boot选项,发现果然被设置为Enabled,将其修改为Disabled ,再开机,终于正常启动了。_安装完系统提示secureboot failure
文章浏览阅读10w+次,点赞93次,收藏352次。1、用strtok函数进行字符串分割原型: char *strtok(char *str, const char *delim);功能:分解字符串为一组字符串。参数说明:str为要分解的字符串,delim为分隔符字符串。返回值:从str开头开始的一个个被分割的串。当没有被分割的串时则返回NULL。其它:strtok函数线程不安全,可以使用strtok_r替代。示例://借助strtok实现split#include <string.h>#include <stdio.h&_c++ 字符串分割
文章浏览阅读2.3k次。1 .高斯日记 大数学家高斯有个好习惯:无论如何都要记日记。他的日记有个与众不同的地方,他从不注明年月日,而是用一个整数代替,比如:4210后来人们知道,那个整数就是日期,它表示那一天是高斯出生后的第几天。这或许也是个好习惯,它时时刻刻提醒着主人:日子又过去一天,还有多少时光可以用于浪费呢?高斯出生于:1777年4月30日。在高斯发现的一个重要定理的日记_2013年第四届c a组蓝桥杯省赛真题解答
文章浏览阅读851次,点赞17次,收藏22次。摘要:本文利用供需算法对核极限学习机(KELM)进行优化,并用于分类。
文章浏览阅读1.1k次。一、系统弱密码登录1、在kali上执行命令行telnet 192.168.26.1292、Login和password都输入msfadmin3、登录成功,进入系统4、测试如下:二、MySQL弱密码登录:1、在kali上执行mysql –h 192.168.26.129 –u root2、登录成功,进入MySQL系统3、测试效果:三、PostgreSQL弱密码登录1、在Kali上执行psql -h 192.168.26.129 –U post..._metasploitable2怎么进入
文章浏览阅读257次。本文将为初学者提供Python学习的详细指南,从Python的历史、基础语法和数据类型到面向对象编程、模块和库的使用。通过本文,您将能够掌握Python编程的核心概念,为今后的编程学习和实践打下坚实基础。_python人工智能开发从入门到精通pdf