代码实现cv2.findHomography()函数

以下是使用OpenCV库中的cv2.findHomography()函数实现的示例代码：

import cv2
import numpy as np

#读取图像
img_src = cv2.imread('source_image.jpg')
img_dst = cv2.imread('destination_image.jpg')

#特征点检测
sift = cv2.xfeatures2d.SIFT_create()

kp_src, des_src = sift.detectAndCompute(img_src, None)
kp_dst, des_dst = sift.detectAndCompute(img_dst, None)

#特征匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des_src, des_dst, k=2)

#筛选匹配点
good_matches = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good_matches.append(m)

#获取匹配点的坐标
src_pts = np.float32([kp_src[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
dst_pts = np.float32([kp_dst[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)

#计算单应性矩阵
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

#应用单应性矩阵
result = cv2.warpPerspective(img_src, M, (img_dst.shape[1], img_dst.shape[0]))

#显示结果
cv2.imshow('Source Image', img_src)
cv2.imshow('Destination Image', img_dst)
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例代码中，首先使用SIFT算法检测源图像和目标图像中的特征点，并计算它们的特征描述子。然后使用BFMatcher算法对这些特征描述子进行匹配，并筛选出好的匹配点。接下来，使用cv2.findHomography()函数计算源图像和目标图像之间的单应性矩阵，并将其应用于源图像。最后，使用cv2.imshow()函数显示源图像、目标图像和结果图像。