Я преследую небольшую помощь с идеей, с которой я играю. Я хочу, чтобы принять функции, расположенные в изображении с кодом аналогично примеру наOpenCV Python Расширение возможностей обнаружения объектов
See sample image at bottom of page here Последний раздел/Пример является один я говорю о
, в частности, для моего вопроса, я хотел бы использовать спички указанному на изображении, чтобы найти цель в изображении сцены, как показано с помощью, казалось бы, простого добавления. Я хочу, чтобы нарисовать прямоугольник вокруг цели, если они находятся в кадре сцены
Вместо того, чтобы просто положить рамку вокруг объектов, я предпочел бы иметь список из четырех точек контура, которые представляют трансформированная цель на кадре сцены, если это имеет смысл.
Большая картинка, я хочу взять фрагмент изображения сцены, содержащий мою цель, и обрезать его из изображения сцены, замаскировать области нецелевого действия из оставшегося изображения, а затем использовать это как источник для дальнейшего обработать.
На данный момент мне удалось сделать все, что нужно, с жестко закодированным набором точек, чтобы представлять углы целевого изображения как повернутые и преобразованные в изображение сцены, так что все работает. Мне просто нужен пример того, как чтобы определить координаты x, y каждого угла цели в этой сцене
Я не хотел публиковать код как немного неуклюжий и его концепцию, которую я выполняю, а не полную это для меня, пожалуйста, исправьте
Любой совет, который очень ценится, Если вы могли бы показать мне, используя прилагаемый пример кода, как это сделать, я был бы очень благодарен, Cheers.
import numpy as np
import cv2
from matplotlib import pyplot as plt
img1 = cv2.imread('box.png',0) # queryImage
img2 = cv2.imread('box_in_scene.png',0) # trainImage
# Initiate SIFT detector
sift = cv2.SIFT()
# find the keypoints and descriptors with SIFT
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)
# FLANN parameters
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50) # or pass empty dictionary
flann = cv2.FlannBasedMatcher(index_params,search_params)
matches = flann.knnMatch(des1,des2,k=2)
# Need to draw only good matches, so create a mask
matchesMask = [[0,0] for i in xrange(len(matches))]
# ratio test as per Lowe's paper
for i,(m,n) in enumerate(matches):
if m.distance < 0.7*n.distance:
matchesMask[i]=[1,0]
draw_params = dict(matchColor = (0,255,0),
singlePointColor = (255,0,0),
matchesMask = matchesMask,
flags = 0)
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,**draw_params)
plt.imshow(img3,),plt.show()
Это отличный ответ, спасибо очень много. Я попробую в течение недели сыграть после работы и посмотреть, смогу ли я сделать то, что мне нужно. – SMBee