毕业设计，图像拼接.zip

# 图像拼接代码介绍 ## 主入口 ```python matcher = Matcher(img1, img2, Method.SIFT) matcher.match(show_match=True) sticher = Sticher(img1, img2, matcher) sticher.stich() ``` 分为两部分，`Matcher`和`Sticher`，分别用作图像的内容识别及图像的拼接 ## Matcher介绍 ### 构造函数 ```python class Matcher(): def __init__(self, image1: np.ndarray, image2: np.ndarray, method: Enum=Method.SURF, threshold=800) -> None: """输入两幅图像，计算其特征值 Args: image1 (np.ndarray): 图像一 image2 (np.ndarray): 图像二 method (Enum, optional): Defaults to Method.SURF. 特征值检测方法 threshold (int, optional): Defaults to 800. 特征值阈值 """ ... ``` 此类用于输入两幅图像，计算其特征值，输入两幅图像分别为`numpy`数组格式的图像，其中的`method`参数要求输入SURF、SIFT或者ORB，`threshold`参数为特征值检测所需的阈值。 ### 特征值计算 ```python def compute_keypoint(self) -> None: """计算特征点 Args: image (np.ndarray): 图像 """ ... ``` 利用给出的特征值检测方法对图像进行特征值检测。 ### 匹配 ```python def match(self, max_match_lenth=20, threshold=0.04, show_match=False): """对图片进行匹配 max_match_lenth (int, optional): Defaults to 20. 最大匹配点数量 threshold (float, optional): Defaults to 0.04. 默认最大匹配距离差 show_match (bool, optional): Defaults to False. 是否展示匹配结果 """ ... ``` 对两幅图片计算得出的特征值进行匹配，对ORB来说使用OpenCV的`BFMatcher`算法，而对于其他特征检测方法则使用`FlannBasedMatcher`算法。 ## Sticher介绍 ### 构造函数 ```python class Sticher: def __init__(self, image1: np.ndarray, image2: np.ndarray, matcher: Matcher): """输入图像和匹配，对图像进行拼接 目前采用简单矩阵匹配和平均值拼合 Args: image1 (np.ndarray): 图像一 image2 (np.ndarray): 图像二 matcher (Matcher): 匹配结果 """ ... ``` 输入图像和匹配，对图像进行拼接，目前采用简单矩阵匹配和平均值拼合。 ### 拼合 ```python def stich(self, show_result=True, show_match_point=True): """对图片进行拼合 show_result (bool, optional): Defaults to True. 是否展示拼合图像 show_match_point (bool, optional): Defaults to True. 是否展示拼合点 """ ... ``` 对两幅图像进行拼合，采用透视变换矩阵，并利用平均值对图片进行无缝接合。 ### 融合 ```python def blend(self, image1: np.ndarray, image2: np.ndarray) -> np.ndarray: """对图像进行拼合 Args: image1 (np.ndarray): 图像一 image2 (np.ndarray): 图像二 Returns: np.ndarray: 融合结果 """ ... ``` 目前采用简单平均方式。 ### 辅助函数 #### 平均值 ```python def average(self, image1: np.ndarray, image2: np.ndarray) -> np.ndarry: """平均算法拼合 Args: image1 (np.ndarray): 图片一 image2 (np.ndarray): 图片二 Returns: np.ndarray: 拼合后图像 """ ... ``` 返回两幅图片的平均值。 #### 边界计算 ```python def get_transformed_size(self) ->Tuple[int, int, int, int]: """计算形变后的边界 Returns: Tuple[int, int, int, int]: 分别为左右上下边界 """ ... ``` 计算形变后的边界，从而对图片进行相应的位移，保证全部图像都出现在屏幕上。 #### 坐标变换 ```python def get_transformed_position(self, x: Union[float, Tuple[float, float]], y: float=None, M=None) -> Tuple[float, float]: """求得某点在变换矩阵（self.M）下的新坐标 Args: x (Union[float, Tuple[float, float]]): x坐标或(x,y)坐标 y (float, optional): Defaults to None. y坐标，可无 M (np.ndarry, optional): Defaults to None. 利用M进行坐标变换运算 Returns: Tuple[float, float]: 新坐标 """ ... ``` 求得某点在变换矩阵（self.M）下的新坐标，如有选参数`M`，则利用M进行坐标变换运算。