基于OpenCV Python通过关键点带拉伸变换对齐两张图像的实现方法
基于OpenCV + Python的关键点图像对齐实现
实现原理
你有6组配对的关键点,可通过透视变换(Homography) 拟合最优变换矩阵,实现原图到目标画布的拉伸、扭曲对齐,满足多关键点完全重合的需求。
依赖安装
pip install opencv-python numpy pandas
完整实现代码
import cv2 import numpy as np import pandas as pd # 1. 读取关键点数据,替换为你的csv文件实际路径 df = pd.read_csv('keypoints.csv') # 拆分图像1的源点、目标画布的目标点 src_pts = df[['object1_x', 'object1_y']].values.astype(np.float32) dst_pts = df[['image_x', 'image_y']].values.astype(np.float32) # 2. 读取待对齐的原始图像,替换为你的图像1实际路径 src_img = cv2.imread('mhg5B.png') # 3. 计算透视变换矩阵,RANSAC算法自动过滤异常点,适配超过4组点的场景 M, _ = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0) # 4. 执行透视变换,输出500×500尺寸,空白区域默认填充白色 output_size = (500, 500) aligned_img = cv2.warpPerspective(src_img, M, output_size, borderValue=(255,255,255)) # 5. 保存或显示结果 cv2.imwrite('aligned_result.png', aligned_img) cv2.imshow('对齐结果', aligned_img) cv2.waitKey(0) cv2.destroyAllWindows()
补充说明
如果你提前准备了500×500的白色空白图,可将步骤4替换为以下代码,直接把变换后的原图叠加到空白图上:
# 替换步骤4的代码 blank_img = np.ones((500,500,3), dtype=np.uint8) * 255 aligned_img = cv2.warpPerspective(src_img, M, (500,500), dst=blank_img, borderMode=cv2.BORDER_TRANSPARENT)
内容的提问来源于stack exchange,提问作者otto
相关产品推荐
相关产品推荐

