opencv 实现两个图片的拼接去重功能

基础知识介绍

cv::Mat 是OpenCV库中用来表示图像和矩阵数据的核心类之一。它是一个多维数组,可以存储图像像素数据、矩阵数据以及其他类型的数据。以下是关于 cv::Mat 类的一些详细解释:

  1. 构造函数cv::Mat 类有多个构造函数,可以用来创建不同类型的矩阵。常用的构造函数包括:

    • cv::Mat(): 默认构造函数,创建一个空的矩阵。
    • cv::Mat(int rows, int cols, int type): 创建指定行数、列数和数据类型的矩阵。
    • cv::Mat(cv::Size size, int type): 根据指定的大小和数据类型创建矩阵。
    • cv::Mat(int rows, int cols, int type, void* data, size_t step): 使用指定的数据指针和步长创建矩阵。
  2. 成员函数cv::Mat 类提供了许多成员函数,用于对矩阵进行操作,包括:

    • rows(): 返回矩阵的行数。
    • cols(): 返回矩阵的列数。
    • size(): 返回矩阵的大小。
    • at<>(): 访问矩阵中的像素值。
    • clone(): 复制矩阵。
    • copyTo(): 将矩阵复制到另一个矩阵。
    • convertTo(): 转换矩阵的数据类型。
  3. 数据访问 :可以通过 at<>() 函数或者使用 Mat::ptr 来访问矩阵中的像素值。例如,mat.at<uchar>(i, j) 可以获取矩阵中第 i 行、第 j 列的像素值。

  4. 数据类型cv::Mat 支持多种数据类型,包括整数、浮点数等。数据类型由 type() 函数返回,常见的数据类型包括 CV_8UCV_32F 等。

  5. 图像处理cv::Mat 类经常用于图像处理,可以通过 imread() 读取图像文件,通过 imwrite() 写入图像文件,还可以进行图像的剪裁、缩放、旋转等操作。

cv::Rect 是OpenCV库中用来表示矩形区域的类。它通常用于定义矩形的位置和大小,以便在图像处理中进行裁剪、绘制等操作。以下是关于 cv::Rect 类的一些详细解释:

  1. 构造函数cv::Rect 类有多个构造函数,可以用来创建不同类型的矩形。常用的构造函数包括:

    • cv::Rect(): 默认构造函数,创建一个空的矩形。
    • cv::Rect(int x, int y, int width, int height): 创建一个指定位置和大小的矩形。
    • cv::Rect(cv::Point pt1, cv::Point pt2): 根据两个点的坐标创建矩形,其中一个点表示左上角,另一个点表示右下角。
  2. 成员变量cv::Rect 类包含以下成员变量:

    • x: 矩形左上角的 x 坐标。
    • y: 矩形左上角的 y 坐标。
    • width: 矩形的宽度。
    • height: 矩形的高度。
  3. 成员函数cv::Rect 类提供了一些成员函数,用于方便地操作矩形,包括:

    • area(): 返回矩形的面积。
    • contains(): 判断一个点是否在矩形内部。
    • tl(): 返回矩形的左上角点。
    • br(): 返回矩形的右下角点。
    • size(): 返回矩形的大小。
  4. 使用cv::Rect 类通常用于定义感兴趣区域(Region of Interest,ROI),可以通过矩形来指定图像中的一个区域,然后进行裁剪、绘制等操作。

两个图片的拼接

int main()
{
    //输入两个图片
    cv::Mat image1 = cv::imread("../../picture/1.jpg");
    cv::Mat image2 = cv::imread("../../picture/2.jpg");
    //新图片的长宽
    int newWidth = image1.cols + image2.cols;
    int newHeight = std::max(image1.rows, image2.rows);
    //初始化结果图像
    cv::Mat resultImage(newHeight, newWidth, image1.type());
    //复制图像内容
    cv::Mat left(resultImage, cv::Rect(0, 0, image1.cols, image1.rows));
    image1.copyTo(left);
    cv::Mat right(resultImage, cv::Rect(image1.cols, 0, image2.cols, image2.rows));
    image2.copyTo(right);
    //保存图像
    cv::imwrite("../../picture/result.jpg", resultImage);

图片去重

int quchong()
{
    cv::Mat image1 = cv::imread("../../picture/1.jpg");
    cv::Mat image2 = cv::imread("../../picture/2.jpg");

    //夜色空间转换
    cv::Mat grayImage1, grayImage2;
    cv::cvtColor(image1, grayImage1, cv::COLOR_BGR2GRAY);
    cv::cvtColor(image2, grayImage2, cv::COLOR_BGR2GRAY);
    cv::imwrite("../../picture/BGR2GRAY.jpg", grayImage1);
    // 使用ORB特征检测器和描述符进行特征提取
    cv::Ptr<cv::ORB> orb = cv::ORB::create();
    std::vector<cv::KeyPoint> keypoints1, keypoints2;
    cv::Mat descriptors1, descriptors2;
    orb->detectAndCompute(image1, cv::noArray(), keypoints1, descriptors1);
    orb->detectAndCompute(image2, cv::noArray(), keypoints2, descriptors2);
    cv::imwrite("../../picture/descriptors1.jpg", descriptors1);
    // 使用暴力匹配器进行特征匹配
    cv::BFMatcher matcher(cv::NORM_HAMMING);
    std::vector<cv::DMatch> matches;
    matcher.match(descriptors1, descriptors2, matches);

    // 筛选匹配点
    std::vector<cv::Point2f> matchedPoints1, matchedPoints2;
    for (const cv::DMatch& match : matches) {
        matchedPoints1.push_back(keypoints1[match.queryIdx].pt);
        matchedPoints2.push_back(keypoints2[match.trainIdx].pt);
    }

    // 计算透视变换矩阵
    cv::Mat H = cv::findHomography(matchedPoints2, matchedPoints1, cv::RANSAC);
    cv::imwrite("../../picture/H.jpg", H);
    // 对第二张图像进行透视变换
    cv::Mat warpedImage2;
    cv::warpPerspective(image2, warpedImage2, H, cv::Size(image1.cols + image2.cols, image1.rows));
    cv::imwrite("../../picture/warpedImage2.jpg", warpedImage2);
    // 将两张图像拼接在一起
    cv::Mat resultImage = warpedImage2.clone();
    image1.copyTo(resultImage(cv::Rect(0, 0, image1.cols, image1.rows)));

    cv::imwrite("../../picture/result.jpg", resultImage);
    return 0;
}

实验结果

相关推荐
陈鋆16 分钟前
智慧城市初探与解决方案
人工智能·智慧城市
qdprobot17 分钟前
ESP32桌面天气摆件加文心一言AI大模型对话Mixly图形化编程STEAM创客教育
网络·人工智能·百度·文心一言·arduino
QQ395753323717 分钟前
金融量化交易模型的突破与前景分析
人工智能·金融
QQ395753323718 分钟前
金融量化交易:技术突破与模型优化
人工智能·金融
The_Ticker30 分钟前
CFD平台如何接入实时行情源
java·大数据·数据库·人工智能·算法·区块链·软件工程
Elastic 中国社区官方博客37 分钟前
Elasticsearch 开放推理 API 增加了对 IBM watsonx.ai Slate 嵌入模型的支持
大数据·数据库·人工智能·elasticsearch·搜索引擎·ai·全文检索
jwolf237 分钟前
摸一下elasticsearch8的AI能力:语义搜索/vector向量搜索案例
人工智能·搜索引擎
有Li1 小时前
跨视角差异-依赖网络用于体积医学图像分割|文献速递-生成式模型与transformer在医学影像中的应用
人工智能·计算机视觉
新加坡内哥谈技术1 小时前
Mistral推出“Le Chat”,对标ChatGPT
人工智能·chatgpt
GOTXX1 小时前
基于Opencv的图像处理软件
图像处理·人工智能·深度学习·opencv·卷积神经网络