OpenCV 图像拼接融合之特征匹配

z13228604287

需求将这两张图链接起来

  

窗口程序集名	保 留	保 留	备 注
程序集1
变量名	类 型	数组	备 注
角	四角结构

子程序名	返回值类型	公开	备 注
_启动子程序	整数型		本子程序在程序启动后最先执行

变量名	类 型	静态	数组	备 注
左图	数据矩阵类
右图	数据矩阵类
SURF	高速稳健特征类			SURF算法 SURF算法 SURF SURF（Speeded Up Robust Features）是对SIFT的?种改进，主要特点是快速。
匹配器	暴力匹配器类			创建一个暴力匹配器 用于特征点匹配
特征点1	关键点类		0
特征点2	关键点类		0
训练描述子	数据矩阵类
查询描述子	数据矩阵类
匹配结果	特征匹配结构		0	特征点对比，保存   特征点为中心点区域比对
最优匹配结果	特征匹配结构		0
点数	整数型
i	整数型			循环变量
输出图	数据矩阵类
图像点1	坐标二维小数型结构		0
图像点2	坐标二维小数型结构		0
输出掩码	数据矩阵类
单应性	数据矩阵类
图像变化	数据矩阵类			接收透视转换结果
输出宽	整数型
输出高	整数型
输出	数据矩阵类

' 左图
左图.从字节集加载 ( #图片1, #读图_彩色 )
' 右图
右图.从字节集加载 ( #图片2, #读图_彩色 )
' 左右图显示
' 视觉_显示图像 (“left”, left)
' 视觉_显示图像 (“right”, right)
' 创建 函数参数 海森矩阵阀值 800特征点以内
SURF.创建 (800, 4, 3, 假, 假)
' 1、选择特征点
' 左图 右图 识别特征点 是Mat对象 用c d保存
SURF.检测提取 (左图, , 特征点2, 查询描述子, 假)
SURF.检测提取 (右图, , 特征点1, 训练描述子, 假)
' 特征点对比，保存   特征点为中心点区域比对
匹配器.创建 (4, 假)  ' 匹配器需要初始化
匹配器.匹配 (查询描述子, 训练描述子, 匹配结果, )
' 排序从小到大 找到特征点连线
视觉_特征匹配排序 (匹配结果, 假)
' 2、保存最优的特征点对象
点数 ＝ 视觉_取最小值 (50, 取数组成员数 (匹配结果) × 0.15)
计次循环首 (点数, i)
加入成员 (最优匹配结果, 匹配结果 [i])
计次循环尾 ()
' 2-1、画线 最优的特征点对象连线
视觉_绘制匹配 (左图, 特征点2, 右图, 特征点1, 最优匹配结果, 输出图, , , , #绘制匹配_不画单个关键点 )
视觉_显示图像 (“outimg”, 输出图)
' 3、特征点匹配
计次循环首 (取数组成员数 (最优匹配结果), i)
' 查找特征点可连接处                          变形
加入成员 (图像点1, 特征点1 [最优匹配结果 [i].训练索引 ＋ 1].坐标 ())
' 查找特征点可连接处                          查找基准线
加入成员 (图像点2, 特征点2 [最优匹配结果 [i].查询索引 ＋ 1].坐标 ())
计次循环尾 ()
' 4、透视转换 图形融合
单应性 ＝ 视觉_寻找单应性矩阵 (图像点1, 图像点2, #鲁棒估计_RANSAC算法, 3, 输出掩码, 2000, 0.995)
' 根据透视转换矩阵进行计算 四个坐标
计算拐角 (单应性, 右图)
' 透视转换
视觉_透视变换 (右图, 图像变化, 单应性, 尺寸整数 (视觉_取最大值 (角.右上角.左边, 角.右下角.左边), 左图.行数 ()), #插值_双线性二次, #边界_常数模式, )
' 右图透视变换 由于本次图片材料是自己截图拼接的 因此看不出透视变换的明显特征
' 视觉_显示图像 (“imageTransForm”, imageTransForm)
' 结果进行整合
输出宽 ＝ 图像变化.列数 ()
输出高 ＝ 左图.行数 ()
输出.初始化0 (输出高, 输出宽, #三通道矩阵字节型 )
图像变化.复制 (输出.感兴区域 (矩形整数型 (0, 0, 图像变化.列数 (), 图像变化.行数 ())), )
左图.复制 (输出.感兴区域 (矩形整数型 (0, 0, 左图.列数 (), 左图.行数 ())), )
' 5、优化图像
优化接缝 (左图, 图像变化, 输出)
视觉_显示图像 (“dst”, 输出)
视觉_等待按键 (0)
返回 (0)  ' 可以根据您的需要返回任意数值

子程序名	返回值类型	公开	备 注
计算拐角
参数名	类 型	参考	可空	数组	备 注
H	数据矩阵类
输入	数据矩阵类

变量名	类 型	静态	数组	备 注
矩阵2	数据矩阵类
矩阵1	数据矩阵类
v2	双精度小数型		3
V1	双精度小数型		3

v2 ＝ { 0, 0, 1 }  ' 左上角
V1 ＝ { 0, 0, 0 }  ' 变换后的坐标值
矩阵2.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (v2))
' V1M.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (V1))
矩阵1 ＝ H.乘 (矩阵2)
' 左上角(0,0,1)
视觉_控制台输出 (“V2:\n%mat\n”, 矩阵2)
视觉_控制台输出 (“V1:\n%mat\n”, 矩阵1)
角.左上角.左边 ＝ 矩阵1.取元素 (0, 0) ÷ 矩阵1.取元素 (0, 2)
角.左上角.顶边 ＝ 矩阵1.取元素 (0, 1) ÷ 矩阵1.取元素 (0, 2)
' 左下角(0,src.rows,1)
v2 [2] ＝ 输入.行数 ()
矩阵2.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (v2))  ' 列向量
矩阵1 ＝ H.乘 (矩阵2)
角.左下角.左边 ＝ 矩阵1.取元素 (0, 0) ÷ 矩阵1.取元素 (0, 2)
角.左下角.顶边 ＝ 矩阵1.取元素 (0, 1) ÷ 矩阵1.取元素 (0, 2)
' 右上角(src.cols,0,1)
v2 [1] ＝ 输入.列数 ()
v2 [2] ＝ 0
矩阵2.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (v2))  ' 列向量
矩阵1 ＝ H.乘 (矩阵2)
角.右上角.左边 ＝ 矩阵1.取元素 (0, 0) ÷ 矩阵1.取元素 (0, 2)
角.右上角.顶边 ＝ 矩阵1.取元素 (0, 1) ÷ 矩阵1.取元素 (0, 2)
' 右下角(src.cols,src.rows,1)
v2 [1] ＝ 输入.列数 ()
v2 [2] ＝ 输入.行数 ()
矩阵2.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (v2))  ' 列向量
矩阵1 ＝ H.乘 (矩阵2)
角.右下角.左边 ＝ 矩阵1.取元素 (0, 0) ÷ 矩阵1.取元素 (0, 2)
角.右下角.顶边 ＝ 矩阵1.取元素 (0, 1) ÷ 矩阵1.取元素 (0, 2)

子程序名	返回值类型	公开	备 注
优化接缝
参数名	类 型	参考	可空	数组	备 注
图	数据矩阵类
变化	数据矩阵类
输出	数据矩阵类

变量名	类 型	静态	数组	备 注
开始	整数型
进程宽度	双精度小数型
列	整数型
行	整数型
权重	双精度小数型
i	整数型
p	字节型指针类			指针
t	字节型指针类			指针
d	字节型指针类			指针
j	整数型

开始 ＝ 视觉_取最小值 (角.左上角.左边, 角.左下角.左边)  ' 开始位置，即重叠区域的左边界
进程宽度 ＝ 图.列数 () － 开始  ' 重叠区域的宽度
行 ＝ 输出.行数 ()
列 ＝ 图.列数 ()  ' 注意，是列数*通道数
权重 ＝ 1  ' img1中像素的权重
变量循环首 (0, 行 － 1, 1, i)
p.指针 ＝ 图.取元素指针 (i, 0)  ' 获取第i行的首地址
t.指针 ＝ 变化.取元素指针 (i, 0)
d.指针 ＝ 输出.取元素指针 (i, 0)
变量循环首 (开始, 列 － 1, 1, i)
' 如果遇到图像trans中无像素的黑点，则完全拷贝img1中的数据
如果 (t.读 (j × 3) ＝ 0 且 t.读 (j × 3 ＋ 1) ＝ 0 且 t.读 (j × 3 ＋ 2) ＝ 0)
权重 ＝ 1
' img1中像素的权重，与当前处理点距重叠区域左边界的距离成正比，实验证明，这种方法确实好
权重 ＝ (进程宽度 ��� (j － 开始)) ÷ 进程宽度
d.写 (j × 3, p.读 (j × 3) × 权重 ＋ t.读 (j × 3) �� (1 － 权重))
d.写 (j × 3 ＋ 1, p.读 (j × 3 ＋ 1) × 权重 ＋ t.读 (j × 3 ＋ 1) �� (1 － 权重))
d.写 (j × 3 ＋ 2, p.读 (j × 3 ＋ 2) × 权重 ＋ t.读 (j × 3 ＋ 2) �� (1 － 权重))
变量循环尾 ()
变量循环尾 ()

i支持库列表	支持库注释
OpenCV	(未知支持库)
spec	特殊功能支持库

.版本 2<br /> .支持库 OpenCV<br /> .支持库 spec<br /> <br /> .程序集 程序集1<br /> .程序集变量 角, 四角结构<br /> <br /> .子程序 _启动子程序, 整数型, , 本子程序在程序启动后最先执行<br /> .局部变量 左图, 数据矩阵类<br /> .局部变量 右图, 数据矩阵类<br /> .局部变量 SURF, 高速稳健特征类, , , SURF算法 SURF算法 SURF SURF（Speeded Up Robust Features）是对SIFT的?种改进，主要特点是快速。<br /> .局部变量 匹配器, 暴力匹配器类, , , 创建一个暴力匹配器 用于特征点匹配<br /> .局部变量 特征点1, 关键点类, , "0"<br /> .局部变量 特征点2, 关键点类, , "0"<br /> .局部变量 训练描述子, 数据矩阵类<br /> .局部变量 查询描述子, 数据矩阵类<br /> .局部变量 匹配结果, 特征匹配结构, , "0", 特征点对比，保存   特征点为中心点区域比对<br /> .局部变量 最优匹配结果, 特征匹配结构, , "0"<br /> .局部变量 点数, 整数型<br /> .局部变量 i, 整数型, , , 循环变量<br /> .局部变量 输出图, 数据矩阵类<br /> .局部变量 图像点1, 坐标二维小数型结构, , "0"<br /> .局部变量 图像点2, 坐标二维小数型结构, , "0"<br /> .局部变量 输出掩码, 数据矩阵类<br /> .局部变量 单应性, 数据矩阵类<br /> .局部变量 图像变化, 数据矩阵类, , , 接收透视转换结果<br /> .局部变量 输出宽, 整数型<br /> .局部变量 输出高, 整数型<br /> .局部变量 输出, 数据矩阵类<br /> <br /> ' 左图<br /> 左图.从字节集加载 (#图片1, #读图_彩色)<br /> ' 右图<br /> 右图.从字节集加载 (#图片2, #读图_彩色)<br /> ' 左右图显示<br /> ' 视觉_显示图像 (“left”, left)<br /> ' 视觉_显示图像 (“right”, right)<br /> ' 创建 函数参数 海森矩阵阀值 800特征点以内<br /> SURF.创建 (800, 4, 3, 假, 假)<br /> ' 1、选择特征点<br /> ' 左图 右图 识别特征点 是Mat对象 用c d保存<br /> SURF.检测提取 (左图, , 特征点2, 查询描述子, 假)<br /> SURF.检测提取 (右图, , 特征点1, 训练描述子, 假)<br /> ' 特征点对比，保存   特征点为中心点区域比对<br /> 匹配器.创建 (4, 假)  ' 匹配器需要初始化<br /> 匹配器.匹配 (查询描述子, 训练描述子, 匹配结果, )<br /> ' 排序从小到大 找到特征点连线<br /> 视觉_特征匹配排序 (匹配结果, 假)<br /> ' 2、保存最优的特征点对象<br /> 点数 ＝ 视觉_取最小值 (50, 取数组成员数 (匹配结果) × 0.15)<br /> .计次循环首 (点数, i)<br />     加入成员 (最优匹配结果, 匹配结果 <i>)<br /> .计次循环尾 ()<br /> ' 2-1、画线 最优的特征点对象连线<br /> 视觉_绘制匹配 (左图, 特征点2, 右图, 特征点1, 最优匹配结果, 输出图, , , , #绘制匹配_不画单个关键点)<br /> 视觉_显示图像 (“outimg”, 输出图)<br /> ' 3、特征点匹配<br /> .计次循环首 (取数组成员数 (最优匹配结果), i)<br />     ' 查找特征点可连接处                          变形<br />     加入成员 (图像点1, 特征点1 [最优匹配结果 <i>.训练索引 ＋ 1].坐标 ())<br />     ' 查找特征点可连接处                          查找基准线<br />     加入成员 (图像点2, 特征点2 [最优匹配结果 <i>.查询索引 ＋ 1].坐标 ())<br /> .计次循环尾 ()<br /> ' 4、透视转换 图形融合<br /> 单应性 ＝ 视觉_寻找单应性矩阵 (图像点1, 图像点2, #鲁棒估计_RANSAC算法, 3, 输出掩码, 2000, 0.995)<br /> ' 根据透视转换矩阵进行计算 四个坐标<br /> 计算拐角 (单应性, 右图)<br /> ' 透视转换<br /> 视觉_透视变换 (右图, 图像变化, 单应性, 尺寸整数 (视觉_取最大值 (角.右上角.左边, 角.右下角.左边), 左图.行数 ()), #插值_双线性二次, #边界_常数模式, )<br /> ' 右图透视变换 由于本次图片材料是自己截图拼接的 因此看不出透视变换的明显特征<br /> ' 视觉_显示图像 (“imageTransForm”, imageTransForm)<br /> ' 结果进行整合<br /> 输出宽 ＝ 图像变化.列数 ()<br /> 输出高 ＝ 左图.行数 ()<br /> 输出.初始化0 (输出高, 输出宽, #三通道矩阵字节型)<br /> 图像变化.复制 (输出.感兴区域 (矩形整数型 (0, 0, 图像变化.列数 (), 图像变化.行数 ())), )<br /> 左图.复制 (输出.感兴区域 (矩形整数型 (0, 0, 左图.列数 (), 左图.行数 ())), )<br /> ' 5、优化图像<br /> 优化接缝 (左图, 图像变化, 输出)<br /> 视觉_显示图像 (“dst”, 输出)<br /> 视觉_等待按键 (0)<br /> 返回 (0)  ' 可以根据您的需要返回任意数值<br /> <br /> .子程序 计算拐角<br /> .参数 H, 数据矩阵类<br /> .参数 输入, 数据矩阵类<br /> .局部变量 矩阵2, 数据矩阵类<br /> .局部变量 矩阵1, 数据矩阵类<br /> .局部变量 v2, 双精度小数型, , "3"<br /> .局部变量 V1, 双精度小数型, , "3"<br /> <br /> v2 ＝ { 0, 0, 1 }  ' 左上角<br /> V1 ＝ { 0, 0, 0 }  ' 变换后的坐标值<br /> 矩阵2.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (v2))<br /> ' V1M.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (V1))<br /> 矩阵1 ＝ H.乘 (矩阵2)<br /> ' 左上角(0,0,1)<br /> 视觉_控制台输出 (“V2:\n%mat\n”, 矩阵2)<br /> 视觉_控制台输出 (“V1:\n%mat\n”, 矩阵1)<br /> 角.左上角.左边 ＝ 矩阵1.取元素 (0, 0) ÷ 矩阵1.取元素 (0, 2)<br /> 角.左上角.顶边 ＝ 矩阵1.取元素 (0, 1) ÷ 矩阵1.取元素 (0, 2)<br /> ' 左下角(0,src.rows,1)<br /> v2 [2] ＝ 输入.行数 ()<br /> 矩阵2.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (v2))  ' 列向量<br /> 矩阵1 ＝ H.乘 (矩阵2)<br /> 角.左下角.左边 ＝ 矩阵1.取元素 (0, 0) ÷ 矩阵1.取元素 (0, 2)<br /> 角.左下角.顶边 ＝ 矩阵1.取元素 (0, 1) ÷ 矩阵1.取元素 (0, 2)<br /> ' 右上角(src.cols,0,1)<br /> v2 [1] ＝ 输入.列数 ()<br /> v2 [2] ＝ 0<br /> 矩阵2.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (v2))  ' 列向量<br /> 矩阵1 ＝ H.乘 (矩阵2)<br /> 角.右上角.左边 ＝ 矩阵1.取元素 (0, 0) ÷ 矩阵1.取元素 (0, 2)<br /> 角.右上角.顶边 ＝ 矩阵1.取元素 (0, 1) ÷ 矩阵1.取元素 (0, 2)<br /> ' 右下角(src.cols,src.rows,1)<br /> v2 [1] ＝ 输入.列数 ()<br /> v2 [2] ＝ 输入.行数 ()<br /> 矩阵2.初始化指针 (3, 1, #单通道矩阵双精度型, 取变量数据地址 (v2))  ' 列向量<br /> 矩阵1 ＝ H.乘 (矩阵2)<br /> 角.右下角.左边 ＝ 矩阵1.取元素 (0, 0) ÷ 矩阵1.取元素 (0, 2)<br /> 角.右下角.顶边 ＝ 矩阵1.取元素 (0, 1) ÷ 矩阵1.取元素 (0, 2)<br /> <br /> .子程序 优化接缝<br /> .参数 图, 数据矩阵类<br /> .参数 变化, 数据矩阵类<br /> .参数 输出, 数据矩阵类<br /> .局部变量 开始, 整数型<br /> .局部变量 进程宽度, 双精度小数型<br /> .局部变量 列, 整数型<br /> .局部变量 行, 整数型<br /> .局部变量 权重, 双精度小数型<br /> .局部变量 i, 整数型<br /> .局部变量 p, 字节型指针类, , , 指针<br /> .局部变量 t, 字节型指针类, , , 指针<br /> .局部变量 d, 字节型指针类, , , 指针<br /> .局部变量 j, 整数型<br /> <br /> 开始 ＝ 视觉_取最小值 (角.左上角.左边, 角.左下角.左边)  ' 开始位置，即重叠区域的左边界<br /> 进程宽度 ＝ 图.列数 () － 开始  ' 重叠区域的宽度<br /> 行 ＝ 输出.行数 ()<br /> 列 ＝ 图.列数 ()  ' 注意，是列数*通道数<br /> 权重 ＝ 1  ' img1中像素的权重<br /> .变量循环首 (0, 行 － 1, 1, i)<br />     p.指针 ＝ 图.取元素指针 (i, 0)  ' 获取第i行的首地址<br />     t.指针 ＝ 变化.取元素指针 (i, 0)<br />     d.指针 ＝ 输出.取元素指针 (i, 0)<br />     .变量循环首 (开始, 列 － 1, 1, i)<br />         ' 如果遇到图像trans中无像素的黑点，则完全拷贝img1中的数据<br />         .如果 (t.读 (j × 3) ＝ 0 且 t.读 (j × 3 ＋ 1) ＝ 0 且 t.读 (j × 3 ＋ 2) ＝ 0)<br />             权重 ＝ 1<br />         .否则<br />             ' img1中像素的权重，与当前处理点距重叠区域左边界的距离成正比，实验证明，这种方法确实好<br />             权重 ＝ (进程宽度 － (j － 开始)) ÷ 进程宽度<br />         .如果结束<br />         d.写 (j × 3, p.读 (j × 3) × 权重 ＋ t.读 (j × 3) × (1 － 权重))<br />         d.写 (j × 3 ＋ 1, p.读 (j × 3 ＋ 1) × 权重 ＋ t.读 (j × 3 ＋ 1) × (1 － 权重))<br />         d.写 (j × 3 ＋ 2, p.读 (j × 3 ＋ 2) × 权重 ＋ t.读 (j × 3 ＋ 2) × (1 － 权重))<br />     .变量循环尾 ()<br /> .变量循环尾 ()

特征提取

最终效果

网络注册会员

支持开源

三千繁华

支持开源~！感谢分享

易友2013

牛逼

289590076

支持库能不能分享一下啊？

倾风听雨声

支持开源~！感谢分享

う网淅乄

牛

晚熟

支持开源~！感谢分享

我爱逛精易