Modificación simple del código de costura panorámica

prefacio

dirección del código original
github

El registro en este artículo se debe principalmente a que hay un problema con la modificación y el funcionamiento del código, por lo que comencé a construir el entorno y lo volví a modificar.

1. Crea un entorno virtual

conda create -n newCv python=3.7.0

2. Activar el entorno virtual

conda activate newCv

3. Instalar opencv y los paquetes correspondientes

3.1 Ver la versión instalable de opencv

La última versión de la instalación de opencv correspondiente se puede ver instalación de opencv

pip install opencv-python==

instalar

pip install opencv-python==3.4.2.16

realizar pruebas

3.2 Instalar el paquete correspondiente

pip install imutils

3.3 Instalar opencv-contrib-python

La solución al error

: agregue una versión del paquete contrib correspondiente

pip install opencv-contrib-python==3.4.2.16

4. Agregar lanzamiento.json

{
    
    
  // 使用 IntelliSense 了解相关属性。 
  // 悬停以查看现有属性的描述。
  // 欲了解更多信息，请访问: https://go.microsoft.com/fwlink/?linkid=830387
  "version": "0.2.0",
  "configurations": [
    {
    
    
      "name": "Python: Current File",
      "type": "python",
      "request": "launch",
      "program": "${file}",
      "console": "integratedTerminal",
      "justMyCode": true,
      "args": ["-f", "images/bryce_left_01.png", "-s", "images/bryce_right_01.png"]
    }
  ]
}

F5 para ejecutar el código correspondiente

5. Ejecución de resultados

Resultado de costura


coincidente de característica de imagen original

6. Arreglo de proceso de código de empalme

En realidad, el método principal es bastante simple. El método principal es obtener las características correspondientes y los resultados de costura de la grapadora encapsulada.stitch

6.1 método Stitcher.stitch

	def stitch(self, images, ratio=0.75, reprojThresh=4.0,
		showMatches=False):
		# unpack the images, then detect keypoints and extract
		# local invariant descriptors from them
		(imageB, imageA) = images
		(kpsA, featuresA) = self.detectAndDescribe(imageA)
		(kpsB, featuresB) = self.detectAndDescribe(imageB)

		# match features between the two images
		M = self.matchKeypoints(kpsA, kpsB,
			featuresA, featuresB, ratio, reprojThresh)

		# if the match is None, then there aren't enough matched
		# keypoints to create a panorama
		if M is None:
			return None

		# otherwise, apply a perspective warp to stitch the images
		# together
		(matches, H, status) = M
		result = cv2.warpPerspective(imageA, H,
			(imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
		result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB

		# check to see if the keypoint matches should be visualized
		if showMatches:
			vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches,
				status)

			# return a tuple of the stitched image and the
			# visualization
			return (result, vis)

		# return the stitched image
		return result