刚性配准代码

以下是使用Python和OpenCV库实现刚性配准的示例代码：

import cv2
import numpy as np

# 读取待配准的图像
img1 = cv2.imread('img1.jpg')
img2 = cv2.imread('img2.jpg')

# 转换为灰度图像
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

# 提取特征点
sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(gray1, None)
kp2, des2 = sift.detectAndCompute(gray2, None)

# 匹配特征点
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)

# 根据 Lowe's ratio test 过滤匹配点
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([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)

# 计算刚性变换矩阵
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

# 对图像进行变换
result = cv2.warpPerspective(img1, M, (img2.shape[1], img2.shape[0]))

# 显示结果
cv2.imshow('result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

该示例代码中使用了SIFT算法提取特征点，并通过BFMatcher进行特征点匹配。然后使用RANSAC算法估计刚性变换矩阵，并对图像进行变换。最后显示变换后的结果。注意，在实际应用中，可能需要根据具体情况调整算法参数和流程。