OpenCV开发笔记（八十）：基于特征点匹配实现全景图片拼接

长沙红胖子Qt2024-09-02 15:02

若该文为原创文章，转载请注明原文出处

本文章博客地址：https://hpzwl.blog.csdn.net/article/details/141790116

长沙红胖子Qt（长沙创微智科）博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中...

OpenCV开发专栏（点击传送门）

上一篇：《OpenCV开发笔记（七十九）：基于Stitcher类实现全景图片拼接》

下一篇：持续补充中...

前言

一个摄像头视野不大的时候，我们希望进行两个视野合并，这样让正视的视野增大，从而可以看到更广阔的标准视野。拼接的方法分为两条路，第一条路是Sticher类，第二条思路是特征点匹配。

本篇使用特征点匹配，进行两张图来视野合并拼接。

Demo

100%的点匹配

换了一幅图：

所以，opencv传统的方式，对这些特征点是有一些要求的。（注意：这两张图使用sStitcher类实现全景图片拼接，是无法拼接成功的！！！）

两张图的拼接过程

步骤一：打开图片

cpp 复制代码 
 cv::Mat leftImageMat = cv::imread("D:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/30.jpg");
 cv::Mat rightImageMat = cv::imread("D:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/31.jpg");

步骤二：提取特征点

cpp 复制代码 
// 提取特征点
cv::Ptr<cv::xfeatures2d::SurfFeatureDetector> pSurfFeatureDetector = cv::xfeatures2d::SurfFeatureDetector::create();
std::vector<cv::KeyPoint> leftKeyPoints;
std::vector<cv::KeyPoint> rightKeyPoints;
cv::Mat leftMatch;
cv::Mat rightMatch;
std::vector<cv::DMatch> matches;
pSurfFeatureDetector->detectAndCompute(leftImageGrayMat, cv::Mat(), leftKeyPoints, leftMatch);
pSurfFeatureDetector->detectAndCompute(rightImageGrayMat, cv::Mat(), rightKeyPoints, rightMatch);

步骤三：暴力匹配

cpp 复制代码 
// 暴力匹配
cv::Ptr<cv::FlannBasedMatcher> pFlannBasedMatcher = cv::FlannBasedMatcher::create();
pFlannBasedMatcher->match(leftMatch, rightMatch, matches);

步骤四：提取暴力匹配后比较好的点

cpp 复制代码 
// 筛选匹配点, 根据match的距离从小到大排序
std::sort(matches.begin(), matches.end());
// 筛选匹配点，根据排序留下最好的匹配点
std::vector<cv::DMatch> goodMatchs;
// 阈值最小个数点
int count = 40;
// 阈值点个数 小于 总量的10% 则使用 总量的10%
int validPoints = (int)(matches.size() * 1.0f);
if(validPoints > count)
{
    count = validPoints;
}
// 所有匹配点小于阈值，那么就取所有点
if(matches.size() < count)
{
    count = matches.size();
}
// 将筛选出的点当作较好的点
for(int index = 0; index < count; index++)
{
    goodMatchs.push_back(matches.at(index));
}
// 匹配结果
cv::Mat matchedMat;
// 绘制结果, 注意顺序
cv::drawMatches(leftImageMat, leftKeyPoints, rightImageMat, rightKeyPoints, goodMatchs, matchedMat);
#if 1
cv::namedWindow("matchedMat", cv::WINDOW_NORMAL);
cv::resizeWindow("matchedMat", cv::Size(800, 300));
cv::imshow("matchedMat", matchedMat);
#endif

步骤五：计算变换矩阵

cpp 复制代码 
// 准备匹配的点
std::vector<cv::Point2f> leftImagePoints;
std::vector<cv::Point2f> rightImagePoints;
for(int index = 0; index < goodMatchs.size(); index++)
{
    leftImagePoints.push_back(rightKeyPoints.at(goodMatchs.at(index).trainIdx).pt);
    rightImagePoints.push_back(leftKeyPoints.at(goodMatchs.at(index).queryIdx).pt);
}

// 使用暴力匹配的点计算透视变换矩阵
cv::Mat m = cv::findHomography(leftImagePoints, rightImagePoints, CV_RANSAC);

步骤六：计算第二张图变换后的图像的大小

cpp 复制代码 
// 计算第二张图的变换大小
cv::Point2f leftTopPoint2f;
cv::Point2f leftBottomPoint2f;
cv::Point2f rightTopPoint2f;
cv::Point2f rightBottomPoint2f;
cv::Mat H = m.clone();
cv::Mat src = leftImageMat.clone();
{
    cv::Mat V1;
    cv::Mat V2;
    // 左上角(0, 0, 1)
    double v2[3] = {0, 0, 1};
    // 变换后的坐标值
    double v1[3];
    //列向量
    V2 = cv::Mat(3, 1, CV_64FC1, v2);
    V1 = cv::Mat(3, 1, CV_64FC1, v1);
    V1 = H * V2;
    leftTopPoint2f.x = v1[0] / v1[2];
    leftTopPoint2f.y = v1[1] / v1[2];

    // 左下角(0, src.rows, 1)
    v2[0] = 0;
    v2[1] = src.rows;
    v2[2] = 1;
    V2 = cv::Mat(3, 1, CV_64FC1, v2);
    V1 = cv::Mat(3, 1, CV_64FC1, v1);
    V1 = H * V2;
    leftBottomPoint2f.x = v1[0] / v1[2];
    leftBottomPoint2f.y = v1[1] / v1[2];

    // 右上角(src.cols, 0, 1)
    v2[0] = src.cols;
    v2[1] = 0;
    v2[2] = 1;
    V2 = cv::Mat(3, 1, CV_64FC1, v2);
    V1 = cv::Mat(3, 1, CV_64FC1, v1);
    V1 = H * V2;
    rightTopPoint2f.x = v1[0] / v1[2];
    rightTopPoint2f.y = v1[1] / v1[2];

    // 右下角(src.cols,src.rows,1)
    v2[0] = src.cols;
    v2[1] = src.rows;
    v2[2] = 1;
    V2 = cv::Mat(3, 1, CV_64FC1, v2);
    V1 = cv::Mat(3, 1, CV_64FC1, v1);
    V1 = H * V2;
    rightBottomPoint2f.x = v1[0] / v1[2];
    rightBottomPoint2f.y = v1[1] / v1[2];
}

步骤七：对第二张图进行举证变化且变为目标大小

cpp 复制代码 
// 图像变换
cv::Mat imageTransform1;
cv::warpPerspective(rightImageMat,                                          // 源图
                    imageTransform1,                                        // 变换后的输出图
                    m,                                                      // 变换矩阵
                    cv::Size(MAX(rightTopPoint2f.x, rightBottomPoint2f.x),  // 输出图像宽度
                             leftImageMat.rows));                           // 输出图像高度
cv::namedWindow("imageTransform1", cv::WINDOW_NORMAL);
cv::resizeWindow("imageTransform1", cv::Size(400, 300));
cv::imshow("imageTransform1", imageTransform1);

步骤八：进行融合

cpp 复制代码 
// 创建拼接后的图
int resultWidth = imageTransform1.cols;
int resultHeight = rightImageMat.rows;
if(imageTransform1.cols < leftImageMat.cols)
{
    resultWidth = leftImageMat.cols;
}
if(imageTransform1.rows < leftImageMat.rows)
{
    resultHeight = leftImageMat.rows;
}
cv::Mat resultMat(resultHeight, resultWidth, CV_8UC3);
resultMat.setTo(0);
···

// 开始拷贝
LOG << imageTransform1.cols << imageTransform1.rows;
LOG << "copy to";
LOG << resultMat.cols << resultMat.rows;
imageTransform1.copyTo(resultMat(cv::Rect(0, 0, imageTransform1.cols, imageTransform1.rows)));
LOG << rightImageMat.cols << rightImageMat.rows;
LOG << "copy to";
LOG << resultMat.cols << resultMat.rows;
leftImageMat.copyTo(resultMat(cv::Rect(0, 0, leftImageMat.cols, leftImageMat.rows)));

步骤九：对重叠区域进行渐进色过度

由于实际效果出现重影，查阅相关资料，这部分可以消除一部分，但是需要深入研究，而且消除一部分也只是达到较可以的水平，并不能完全消除。

cpp有兴趣读者，可以深入研究沟通这块。

比较明确的方法就是查看Stitcher的源码研究，将其投影矩阵部分重叠消除的代码抠出来。

匹配点数调参测试

强制40个点

匹配探测到的10%的点

匹配探测到的60%的点

匹配探测到的100%的点

函数原型

函数static Ptr create

cpp 复制代码 
static Ptr<SURF> create(double hessianThreshold=100,
                        int nOctaves = 4,
                        int nOctaveLayers = 3,
                        bool extended = false,
                        bool upright = false);
  • 参数一：double类型的hessianThreshold，默认值100，用于SURF的hessian关键点检测器的阈值；
  • 参数二：int类型的nOctaves，默认值4，关键点检测器将使用的金字塔倍频程数；
  • 参数三：int类型的nOctaveLayers，默认值3，每八度音阶的层数。3是D.Lowe纸张中使用的值。这个八度音阶数是根据图像分辨率自动计算出来的；
  • 参数四：bool类型的extended，扩展描述符标志（true-使用扩展的128个元素描述符；false-使用64个元素描述符），默认false；
  • 参数五：bool类型的upright，向上向右或旋转的特征标志（true-不计算特征的方向；faslse-计算方向），默认false；

函数xfeatures2d::SURT::detectAndCompute

cpp 复制代码 
// 该函数结合了detect和compute，参照detect和compute函数参数
void xfeatures2d::SURT::detectAndCompute( InputArray image,
                                          InputArray mask,
                                          std::vector<KeyPoint>& keypoints,
                                          OutputArray descriptors,
                                          bool useProvidedKeypoints=false );

detectAndCompute函数是OpenCV库中用于特征检测与计算的函数，其原型根据不同的特征检测器（如SIFT、SURF、ORB等）可能略有不同，但大体上遵循相似的参数结构。

  • 参数一：InputArray类型的image，输入cv::Mat；
  • 参数二：InputArray类型的mask，输入cv::Mat，不需要时，直接可以cv::Mat()即可；
  • 参数三：std::Vector类型的keypoints，原图的关键点；
  • 参数四：OutputArray类型的descriptors，计算描述符；
  • 参数五：如果设置为true，则函数会假设keypoints向量中已经包含了一些关键点，函数将只计算这些点的描述子，而不是重新检测关键点。

函数cv::FlannBasedMatcher::create

cpp 复制代码 
static Ptr<BFMatcher> create()

初始化暴力匹配实例。

函数cv::FlannBasedMatcher::match

cpp 复制代码 
void BFMatcher::match(InputArray queryDescriptors,
                    InputArray trainDescriptors,
                    std::vector<DMatch>& matches,
                    InputArray mask=noArray() ) const;
  • 参数一：InputArray类型的queryDescriptors，查询描述符集，一般cv::Mat，某个特征提取的描述符。
  • 参数二：InputArray类型的trainDescriptors，训练描述符集，此处输入的应该是没有加入到类对象集合种的（该类有训练的数据集合），一般cv::Mat，某个特征提取的描述符。
  • 参数三：std::vector类型的matches。如果在掩码中屏蔽了查询描述符，则不会为此添加匹配项描述符。因此，匹配项的大小可能小于查询描述符计数。
  • 参数四：InputArray类型的mask，指定输入查询和训练矩阵之间允许的匹配的掩码描述符。

函数cv::drawMatches

cpp 复制代码 
void drawMatches( InputArray img1,
                  const std::vector<KeyPoint>& keypoints1,
                  InputArray img2,
                  const std::vector<KeyPoint>& keypoints2,
                  const std::vector<DMatch>& matches1to2,
                  InputOutputArray outImg,
                  const Scalar& matchColor=Scalar::all(-1),
                  const Scalar& singlePointColor=Scalar::all(-1),
                  const std::vector<char>& matchesMask=std::vector<char>(),
                  int flags=DrawMatchesFlags::DEFAULT );
  • 参数一：InputArray类型的img1，图像1。
  • 参数二：std::vector类型的keypoints1，图像1的关键点。
  • 参数三：InputArray类型的img2，图像2。
  • 参数四：std::vector类型的keypoints2，图像2的关键点。
  • 参数五：std::vector类型的matchers1to2，从第一个图像匹配到第二个图像，这意味着keypoints1[i]在keypoints2中有一个对应的点[matches[i]]。
  • 参数六：InputOutputArray类型的outImg，为空时，默认并排绘制输出图像以及连接关键点；若不为空，则在图像上绘制关系点。
  • 参数七：Scalar类型的matcherColor，匹配颜色匹配（线和连接的关键点）的颜色。如果颜色为cv::Scalar::all(-1)，则为随机颜色。
  • 参数八：Scalar类型的singlePointColor，颜色单个关键点（圆）的颜色，这意味着关键点没有匹配到的则认是该颜色。
  • 参数九：std::vector类型的matchersMask，确定绘制的匹配项目，若是为空，则表示全部绘制。
  • 参数十 ：int类型的flags，查看枚举DrawMatchesFlags，如下：
      

函数cv::findHomography

cv::findHomography 是 OpenCV 库中的一个函数，用于在两组二维点之间寻找单应性矩阵（Homography Matrix）。单应性矩阵是一个 3x3 的矩阵，它将一个平面上的点映射到另一个平面（可能是同一个平面，但通常是在不同的视角或条件下）上的点。这在计算机视觉和图像处理中非常有用，比如图像拼接、增强现实、相机姿态估计等领域。

cpp 复制代码 
cv::Mat cv::findHomography(InputArray srcPoints,  
                        InputArray dstPoints,  
                        int method = 0,  
                        double ransacReprojThresh = 3,  
                        OutputArray mask = noArray(),  
                        const int maxIters = 2000,  
                        const double confidence = 0.995);
  • 参数一：srcPoints，源图像中的点集，通常是 std::vectorcv::Point2f 或 cv::Mat 类型，其中每行代表一个点的 x 和 y 坐标。
  • 参数二：dstPoints：目标图像中对应的点集，与 srcPoints 格式相同。
  • 参数三：method：单应性矩阵的计算方法。常见的值有 0（使用所有点，默认方法）、cv::RANSAC（RANdom SAmple Consensus，基于随机样本一致性的鲁棒方法）、cv::LMEDS（Least-Median of Squares，基于最小中值平方的方法，对噪声和异常值有较好的鲁棒性）等。
  • 参数四：ransacReprojThresh，当 method 设置为 cv::RANSAC 或 cv::RANSAC_FIXED_POINT 时，此参数指定了重投影误差的最大阈值，用于判断点是否为内点。
  • 参数五：mask，输出参数，一个与输入点集同样大小的掩码，用于指示哪些点被认为是内点（即，在计算单应性矩阵时使用的点）。
  • 参数六：maxIters，当 method 为 cv::RANSAC 或 cv::LMEDS 时，此参数指定了算法的最大迭代次数。
  • 参数七：confidence，当 method 为 cv::RANSAC 时，此参数指定了算法计算出的单应性矩阵的置信度（即在估计的模型是正确模型的概率）。

函数cv::warpPerspective

cpp 复制代码 
void cv::warpPerspective(InputArray src,  
                         OutputArray dst,  
                         InputArray M,  
                         Size dsize,  
                         int flags = INTER_LINEAR,  
                         int borderMode = BORDER_CONSTANT,  
                         const Scalar& borderValue = Scalar());
  • 参数一：src，输入图像，即要进行透视变换的原始图像。
  • 参数二：dst，输出图像，即透视变换后的图像。这个图像将与 dsize 指定的尺寸相同。
  • 参数三：M，3x3 的透视变换矩阵。这个矩阵定义了如何将 src 中的点映射到 dst 中的新位置。
  • 参数四：dsize，输出图像的尺寸。这个参数是必需的，因为透视变换可能会改变图像的大小。
  • 参数五：flags，插值方法。默认为 INTER_LINEAR，表示双线性插值。其他选项包括 INTER_NEAREST（最近邻插值）、INTER_CUBIC（双三次插值）等。
  • 参数六：borderMode，边界像素的外推方法。默认为 BORDER_CONSTANT，表示用恒定的值（borderValue）填充边界外的像素。其他选项包括 BORDER_REPLICATE（复制边缘像素）、BORDER_REFLECT（反射边缘像素）等。
  • 参数七：borderValue，当 borderMode 为 BORDER_CONSTANT 时，用于填充边界像素的值。默认为 Scalar()，即黑色。

函数cv::Mat::copyTo

cpp 复制代码 
void cv::Mat::copyTo(OutputArray m, InputArray mask=noArray()) const;

cv::Mat::copyTo 是 OpenCV 库中 cv::Mat 类的一个成员函数，用于将一个矩阵（图像、数组等）的内容复制到另一个矩阵中。这个函数非常有用，因为它允许你复制矩阵的全部或部分数据，同时可以选择性地更新目标矩阵的大小和类型。

  • 参数一：输出矩阵m，即复制内容的目标矩阵。如果 m 的大小和类型与源矩阵（调用 copyTo 的矩阵）不同，m 会被重新分配以匹配源矩阵的大小和类型。
  • 参数二（可选）：mask：一个与源矩阵同样大小的8位单通道矩阵，用于指定哪些元素应该被复制到目标矩阵中。如果 mask 的某个位置的值非零，则源矩阵对应位置的元素会被复制到目标矩阵；如果为零，则目标矩阵对应位置的元素不会被修改（保持原样或初始化为零，取决于目标矩阵的初始状态）。

Demo源码

cpp 复制代码 
void OpenCVManager::testSplicingImages()
{
    cv::Mat leftImageMat = cv::imread("D:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/30.jpg");
    cv::Mat rightImageMat = cv::imread("D:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/31.jpg");

#if 0
    // 对图片进行缩放，测试其拼接耗时
    cv::resize(mat1, mat1, cv::Size(1920, 1080));
    cv::resize(mat2, mat2, cv::Size(1920, 1080));
#endif

    //灰度图转换
    cv::Mat leftImageGrayMat;
    cv::Mat rightImageGrayMat;

    cv::cvtColor(leftImageMat, leftImageGrayMat, CV_RGB2GRAY);
    cv::cvtColor(rightImageMat, rightImageGrayMat, CV_RGB2GRAY);

    // 提取特征点
    cv::Ptr<cv::xfeatures2d::SurfFeatureDetector> pSurfFeatureDetector = cv::xfeatures2d::SurfFeatureDetector::create();
    std::vector<cv::KeyPoint> leftKeyPoints;
    std::vector<cv::KeyPoint> rightKeyPoints;
    cv::Mat leftMatch;
    cv::Mat rightMatch;
    std::vector<cv::DMatch> matches;
    pSurfFeatureDetector->detectAndCompute(leftImageGrayMat, cv::Mat(), leftKeyPoints, leftMatch);
    pSurfFeatureDetector->detectAndCompute(rightImageGrayMat, cv::Mat(), rightKeyPoints, rightMatch);
    // 暴力匹配
    cv::Ptr<cv::FlannBasedMatcher> pFlannBasedMatcher = cv::FlannBasedMatcher::create();
    pFlannBasedMatcher->match(leftMatch, rightMatch, matches);
    // 筛选匹配点, 根据match的距离从小到大排序
    std::sort(matches.begin(), matches.end());
    // 筛选匹配点，根据排序留下最好的匹配点
    std::vector<cv::DMatch> goodMatchs;
    // 阈值最小个数点
    int count = 40;
    // 阈值点个数 小于 总量的10% 则使用 总量的10%
    int validPoints = (int)(matches.size() * 1.0f);
    if(validPoints > count)
    {
        count = validPoints;
    }
    // 所有匹配点小于阈值，那么就取所有点
    if(matches.size() < count)
    {
        count = matches.size();
    }
    // 将筛选出的点当作较好的点
    for(int index = 0; index < count; index++)
    {
        goodMatchs.push_back(matches.at(index));
    }
    // 匹配结果
    cv::Mat matchedMat;
    // 绘制结果, 注意顺序
    cv::drawMatches(leftImageMat, leftKeyPoints, rightImageMat, rightKeyPoints, goodMatchs, matchedMat);
#if 1
    cv::namedWindow("matchedMat", cv::WINDOW_NORMAL);
    cv::resizeWindow("matchedMat", cv::Size(800, 300));
    cv::imshow("matchedMat", matchedMat);
#endif

    // 准备匹配的点
    std::vector<cv::Point2f> leftImagePoints;
    std::vector<cv::Point2f> rightImagePoints;
    for(int index = 0; index < goodMatchs.size(); index++)
    {
        leftImagePoints.push_back(rightKeyPoints.at(goodMatchs.at(index).trainIdx).pt);
        rightImagePoints.push_back(leftKeyPoints.at(goodMatchs.at(index).queryIdx).pt);
    }

    // 使用暴力匹配的点计算透视变换矩阵
    cv::Mat m = cv::findHomography(leftImagePoints, rightImagePoints, CV_RANSAC);

    // 计算第二张图的变换大小
    cv::Point2f leftTopPoint2f;
    cv::Point2f leftBottomPoint2f;
    cv::Point2f rightTopPoint2f;
    cv::Point2f rightBottomPoint2f;
    cv::Mat H = m.clone();
    cv::Mat src = leftImageMat.clone();
    {
        cv::Mat V1;
        cv::Mat V2;
        // 左上角(0, 0, 1)
        double v2[3] = {0, 0, 1};
        // 变换后的坐标值
        double v1[3];
        //列向量
        V2 = cv::Mat(3, 1, CV_64FC1, v2);
        V1 = cv::Mat(3, 1, CV_64FC1, v1);
        V1 = H * V2;
        leftTopPoint2f.x = v1[0] / v1[2];
        leftTopPoint2f.y = v1[1] / v1[2];

        // 左下角(0, src.rows, 1)
        v2[0] = 0;
        v2[1] = src.rows;
        v2[2] = 1;
        V2 = cv::Mat(3, 1, CV_64FC1, v2);
        V1 = cv::Mat(3, 1, CV_64FC1, v1);
        V1 = H * V2;
        leftBottomPoint2f.x = v1[0] / v1[2];
        leftBottomPoint2f.y = v1[1] / v1[2];

        // 右上角(src.cols, 0, 1)
        v2[0] = src.cols;
        v2[1] = 0;
        v2[2] = 1;
        V2 = cv::Mat(3, 1, CV_64FC1, v2);
        V1 = cv::Mat(3, 1, CV_64FC1, v1);
        V1 = H * V2;
        rightTopPoint2f.x = v1[0] / v1[2];
        rightTopPoint2f.y = v1[1] / v1[2];

        // 右下角(src.cols,src.rows,1)
        v2[0] = src.cols;
        v2[1] = src.rows;
        v2[2] = 1;
        V2 = cv::Mat(3, 1, CV_64FC1, v2);
        V1 = cv::Mat(3, 1, CV_64FC1, v1);
        V1 = H * V2;
        rightBottomPoint2f.x = v1[0] / v1[2];
        rightBottomPoint2f.y = v1[1] / v1[2];
    }

    // 图像变换
    cv::Mat imageTransform1;
    cv::warpPerspective(rightImageMat,                                          // 源图
                        imageTransform1,                                        // 变换后的输出图
                        m,                                                      // 变换矩阵
                        cv::Size(MAX(rightTopPoint2f.x, rightBottomPoint2f.x),  // 输出图像宽度
                                 leftImageMat.rows));                           // 输出图像高度
    cv::namedWindow("imageTransform1", cv::WINDOW_NORMAL);
    cv::resizeWindow("imageTransform1", cv::Size(400, 300));
    cv::imshow("imageTransform1", imageTransform1);

    // 创建拼接后的图
    int resultWidth = imageTransform1.cols;
    int resultHeight = rightImageMat.rows;
    if(imageTransform1.cols < leftImageMat.cols)
    {
        resultWidth = leftImageMat.cols;
    }
    if(imageTransform1.rows < leftImageMat.rows)
    {
        resultHeight = leftImageMat.rows;
    }
    cv::Mat resultMat(resultHeight, resultWidth, CV_8UC3);
    resultMat.setTo(0);

    // 开始拷贝
    LOG << imageTransform1.cols << imageTransform1.rows;
    LOG << "copy to";
    LOG << resultMat.cols << resultMat.rows;
    imageTransform1.copyTo(resultMat(cv::Rect(0, 0, imageTransform1.cols, imageTransform1.rows)));
    LOG << rightImageMat.cols << rightImageMat.rows;
    LOG << "copy to";
    LOG << resultMat.cols << resultMat.rows;
    leftImageMat.copyTo(resultMat(cv::Rect(0, 0, leftImageMat.cols, leftImageMat.rows)));

    cv::namedWindow("rightImageMat", cv::WINDOW_NORMAL);
    cv::resizeWindow("rightImageMat", cv::Size(400, 300));
    cv::imshow("rightImageMat", rightImageMat);

    cv::namedWindow("leftImageMat", cv::WINDOW_NORMAL);
    cv::resizeWindow("leftImageMat", cv::Size(400, 300));
    cv::imshow("leftImageMat", leftImageMat);


    cv::namedWindow("resultMat", cv::WINDOW_NORMAL);
    cv::resizeWindow("resultMat", cv::Size(400, 300));
    cv::imshow("resultMat", resultMat);

    cv::waitKey(0);
}

入坑

入坑一：cv::Mat.copyTo函数崩溃

问题

cv::Mat的copyTo函数崩溃

原因

被复制的源文件mat和函数里面的目标mat都需要宽高，类型相等。

解决

是因为计算最终的图像错误导致的，纠正逻辑代码。

上一篇：《OpenCV开发笔记（七十九）：基于Stitcher类实现全景图片拼接》

下一篇：持续补充中...

本文章博客地址：https://hpzwl.blog.csdn.net/article/details/141790116

相关推荐
ctrey_7 小时前
2024-11-1 学习人工智能的Day20 openCV（2）
人工智能·opencv·学习
绕灵儿7 小时前
OpenCV通过指针裁剪图像
人工智能·opencv·计算机视觉
决战春招13 小时前
人工智能之人脸识别（人脸采集人脸识别）
人工智能·opencv·学习·计算机视觉
千秋1000015 小时前
OpenCV—calcHist()函数
人工智能·opencv·计算机视觉
爱写代码的小朋友15 小时前
使用 Python 和 OpenCV 实现实时人脸识别
开发语言·python·opencv
小负不负17 小时前
使用kalibr_calibration标定相机（realsense）和imu（h7min）
数码相机·opencv·计算机视觉
凤枭香18 小时前
python opencv灰度变换
图像处理·人工智能·python·opencv
maxruan19 小时前
cv::Mat初始化、赋值初始化与访问方式
人工智能·opencv·计算机视觉
jndingxin20 小时前
OpenCV视觉分析之目标跟踪(11)计算两个图像之间的最佳变换矩阵函数findTransformECC的使用
opencv·目标跟踪·矩阵
joker_man11 天前
使用Python和OpenCV实现火焰检测
开发语言·python·opencv
热门推荐
01【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03组基轨迹建模 GBTM的介绍与实现（Stata 或 R）04【AIGC】重塑未来的科技巨轮05全面解析：构建基于深度学习的安全帽检测系统（UI界面+YOLO代码+数据集）06【经验分享】Ubuntu22.04安装微信(linux官方版)07基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测08Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO09RAG 实践- Ollama+RagFlow 部署本地知识库10红米手机使用google play