企业官网建设流程全解析

西安网站seo收费,动漫设计与制作视频,高端大气网络设计建设公司网站织梦模板,网站服务器出错了怎么办一前言 今天的更新依旧是周末合刊#xff0c;而且这是OPENCV的第一阶段的最后一次更新了#xff0c;我们的下一个系列是YOLOv8#xff0c;不过需要时间#xff0c;可能未来一周都会更新#xff0c;而且我会同时开一个系列#xff0c;是关于蓝桥杯JAVA赛道的备赛之路而且这是OPENCV的第一阶段的最后一次更新了我们的下一个系列是YOLOv8不过需要时间可能未来一周都会更新而且我会同时开一个系列是关于蓝桥杯JAVA赛道的备赛之路说实话我没有一点JAVA基础所以这是真的零基础备赛至于这两个系列怎么安排我也会调整。今天的章节也很有意思我和十八似乎有种缘分我家是十八层高中是十八中我现在十八岁。哈哈哈二主要内容蛮力匹配的基础知识蛮力匹配器很简单。它采用第一组中的一个特征点描述子并使用一些距离计算与第二组中的所有其他特征点匹配。并返回距离最近的一个特征点。对于 BF 匹配器首先我们必须使用cv.BFMatcher()bf cv.BFMatcher(normTypecv.NORM_L2, crossCheckFalse)创建 BFMatcher 对象。它需要两个可选的参数。第一个是 normType。它指定要使用的距离测量方法。默认情况下它是 cv.NORM_L2 。它很适合于 SIFT 和 SURF 等 cv.NORM_L1 也可以。对于基于二进制字符串的描述子如 ORBBRIEFBRISK 等应使用 cv.NORM_HAMMING 它使用汉明距离作为度量。如果 ORB 使用 WTA_K 3 或 4则应使用 cv.NORM_HAMMING2 。第二个参数是布尔变量 crossCheck默认为 false。如果为 True则 Matcher 仅返回具有值(i,j)的匹配,使得集合 A 中的第 i 个描述子具有集合 B 中的第 j 个描述子作为最佳匹配反之亦然。也就是说两组中的两个特征点应该相互匹配。它提供了一致的结果是 D.Lowe 在 SIFT 论文中提出的比率测试的一个很好的替代方案。一旦创建两个重要的方法是BFMatcher.match()和BFMatcher.knnMatch()。第一个返回最佳匹配。第二种方法返回 k 个最佳匹配其中 k 由用户指定。当我们需要做更多的工作时它可能会有用。BFMatcher.match()和BFMatcher.knnMatch()对比特性match()knnMatch()返回数量1个最佳匹配k个最佳匹配返回值类型List[DMatch]List[List[DMatch]]常用筛选方法按距离阈值筛选Lowes ratio test计算复杂度较低较高需计算k个匹配质量可能有误匹配通过ratio test可提高准确性就像我们使用 cv.drawKeypoints()绘制特征点一样cv.drawMatches()(之前我们的文章有过介绍帮助我们绘制匹配。它水平堆叠两个图像并从第一个图像到第二个图像绘制线条显示最佳匹配。还有cv.drawMatchesKnn它绘制了所有 k 个最佳匹配。如果 k 2它将为每个关键点绘制两条匹配线。因此如果我们想要有选择地绘制它我们必须传递一个掩模。对 ORB 描述子使用蛮力匹配在这里我们将看到一个关于如何匹配两个图像之间的特征的简单示例。在这种情况下我有一个 queryImage 和一个 trainImage。我们将尝试使用特征匹配在 trainImage 中查找 queryImage。 图片为/samples/c/box.png 和/samples/c/box_in_scene.png我们使用 ORB 描述符来匹配功能。所以让我们从加载图像查找描述子等开始。我们使用 cv.NORM_HAMMING 因为我们使用的是 ORB创建一个 BFMatcher 对象并且启用了 crossCheck 以获得更好的结果。然后我们使用 Matcher.match()方法在两个图像中获得最佳匹配。我们按照距离的升序对它们进行排序以便最佳匹配距离最小出现在前面。然后我们只画出前 10 个匹配仅为了能见度你可以随意增加匹配的个数。代码如下import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 读取查询图像和训练图像 img1 cv.imread(rD:\python_code\pic\sumoiao.webp, 0) # queryImage img2 cv.imread(rD:\python_code\pic\smt.png, 0) # trainImage # 初始化ORB检测器 orb cv.ORB_create() # 使用ORB检测关键点和描述符 kp1, des1 orb.detectAndCompute(img1, None) kp2, des2 orb.detectAndCompute(img2, None) # 创建BFMatcher对象 bf cv.BFMatcher(cv.NORM_HAMMING, crossCheckTrue) # 匹配描述符 matches bf.match(des1, des2) # 根据距离排序匹配结果 matches sorted(matches, keylambda x: x.distance) # 绘制前10个匹配点 img3 cv.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags2) # 显示匹配结果 plt.imshow(img3) plt.show()这里的图片可以使用一张图片然后截一部分就有了两张图片完整的放上面截图放下面效果如下这个匹配器对象是什么matches bf.match(des1,des2)的结果是 DMatch 对象的列表。此 DMatch 对象具有以下属性DMatch.distance - 描述子之间的距离。越低越好。DMatch.trainIdx - 目标图像中描述子的索引DMatch.queryIdx - 查询图像中描述子的索引DMatch.imgIdx - 目标图像的索引。对 SIFT 描述符进行蛮力匹配和比率测试这一次我们将使用 BFMatcher.knnMatch()来获得最佳匹配。在这个例子中我们将采用 k 2以便我们可以在使用 D.Lowe 论文中的比率测试。代码如下import numpy as np import cv2 as cv from matplotlib import pyplot as plt # 图像路径设置 query_img_path rD:\python_code\pic\sumoiao.webp train_img_path rD:\python_code\pic\smt.png # 灰度模式读取图像 img1 cv.imread(query_img_path, 0) img2 cv.imread(train_img_path, 0) # 初始化SIFT检测器 sift cv.SIFT_create() # 关键点检测与描述符计算 kp1, des1 sift.detectAndCompute(img1, None) kp2, des2 sift.detectAndCompute(img2, None) # 创建暴力匹配器 bf cv.BFMatcher(cv.NORM_L2, crossCheckFalse) # K近邻匹配 matches bf.knnMatch(des1, des2, k2) # Lowes比率测试筛选 ratio_threshold 0.75 good_matches [] for m,n in matches: if m.distance ratio_threshold * n.distance: good_matches.append(m) # 匹配结果可视化 if len(good_matches) 10: # 仅当有足够匹配时才绘制 result_img cv.drawMatches(img1, kp1, img2, kp2, good_matches[:50], None, flagscv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) plt.figure(figsize(15,10)) plt.imshow(result_img) plt.axis(off) plt.show() else: print(未找到足够数量的可靠匹配点)效果如下还是很精准的效果很不错基础那我们上面做了什么我们使用了一个 queryImage在其中找到了一些特征点我们采用了另一个 trainImage找到了该图像中的特征最后找到它们之间特征点的最佳匹配。简而言之我们在另一个杂乱的图像中找到了一个对象的某些部分的位置。这些信息足以在 trainImage 上准确找到对象。为此我们可以使用来自 calib3d 模块的函数即cv.findHomography()。H, mask cv.findHomography(srcPoints, dstPoints, methodNone, ransacReprojThresholdNone, maxItersNone, confidenceNone)参数详解输入参数表格参数名称类型描述默认值常用值srcPointsnp.ndarray源图像中的点坐标必需形状:(N, 2)或(N, 1, 2)dstPointsnp.ndarray目标图像中的对应点必需形状与srcPoints相同methodint计算方法0选项见下方方法表格ransacReprojThresholdfloatRANSAC重投影误差阈值-1.0-5.0maxItersintRANSAC最大迭代次数20001000-5000confidencefloat置信度0.9950.95-0.999返回值表格返回值类型描述可能值Hnp.ndarray3×3单应性矩阵形状:(3, 3)或Nonemasknp.ndarray或None内点掩码形状:(N,)仅当使用RANSAC/LMEDS时返回这就是cv.findHomography()的详细用法。它在计算机视觉的许多应用中都非常重要特别是图像配准、全景拼接和增强现实等领域。如果将两个图像中的特征点集传递给这个函数它将找到该对象的透视变换。然后我们可以使用cv.perspectiveTransform()dst cv.perspectiveTransform(src, M)参数说明参数类型描述srcnp.ndarray输入点集形状为(N, 1, 2)或(N, 2)Mnp.ndarray3×3 透视变换矩阵dstnp.ndarray输出点集形状与输入相同来查找对象。它需要至少四个正确的点来找到这种变换。我们已经看到匹配时可能存在一些可能的错误这可能会影响结果。为了解决这个问题算法使用 RANSAC 或 LEAST_MEDIAN可以由标志位决定。因此提供正确估计的良好匹配称为内点剩余称为外点。cv.findHomography()返回一个指定了内点和外点的掩模。代码首先像往常一样让我们在图像中找到 SIFT 特征并应用比率测试来找到最佳匹配。代码如下import numpy as np import cv2 as cv from matplotlib import pyplot as plt MIN_MATCH_COUNT 10 img1 cv.imread(rD:\python_code\pic\sumoiao.webp,0) # 查询图像 img2 cv.imread(rD:\python_code\pic\smt.png,0) # 训练图像 # 初始化SIFT检测器 sift cv.SIFT_create() # 检测关键点并计算描述符 kp1, des1 sift.detectAndCompute(img1,None) kp2, des2 sift.detectAndCompute(img2,None) # 设置FLANN匹配器参数 FLANN_INDEX_KDTREE 1 index_params dict(algorithm FLANN_INDEX_KDTREE, trees 5) search_params dict(checks 50) # 创建FLANN匹配器 flann cv.FlannBasedMatcher(index_params, search_params) matches flann.knnMatch(des1,des2,k2) # 应用Lowes比率测试筛选优质匹配点 good [] for m,n in matches: if m.distance 0.7*n.distance: good.append(m) # 如果找到足够多的匹配点计算单应性矩阵 if len(good) MIN_MATCH_COUNT: src_pts np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2) dst_pts np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1,1,2) # 使用RANSAC方法计算单应性矩阵 M, mask cv.findHomography(src_pts, dst_pts, cv.RANSAC,5.0) matchesMask mask.ravel().tolist() # 获取查询图像的尺寸 h,w img1.shape pts np.float32([[0,0],[0,h-1],[w-1,h-1],[w-1,0]]).reshape(-1,1,2) # 对查询图像的四个角点进行透视变换 dst cv.perspectiveTransform(pts,M) # 在训练图像上绘制匹配区域的多边形 img2_with_box img2.copy() img2_with_box cv.polylines(img2_with_box,[np.int32(dst)],True,255,3, cv.LINE_AA) else: print(fNot enough matches are found - {len(good)}/{MIN_MATCH_COUNT}) matchesMask None img2_with_box img2 # 设置绘制参数 draw_params dict(matchColor (0,255,0), singlePointColor None, matchesMask matchesMask, flags 2) # 绘制匹配结果 img3 cv.drawMatches(img1,kp1,img2_with_box,kp2,good,None,**draw_params) # 显示结果 plt.imshow(img3, gray) plt.show()效果如下这个效果更加明显效果更好三最后一语其实我也很想继续写下去但是我想你们也应该感觉过迷茫不知道该如何使用不知道学习这个对比赛或是项目有这个那么用我也感受到了所以为了尽快到达比赛水平我将采取学用结合我会买一块k230的板子进行研究大家一起努力吧。我祝福你愿你经得起长久的离别种种考验、古凶未卜的折磨漫长的昏暗的路程依照你的意愿安排生活吧只要你觉得好就行——帕斯捷尔纳克《日瓦戈医生》感谢观看定会再见共勉