from PIL import Image
img = Image.open('lena.png')
img2 = img.rotate(45) # 逆時針旋轉(zhuǎn)45°
img2.save("lena_rot45.png")
img2.show()

"""
圖像匹配——SIFT點特征匹配實現(xiàn)步驟：
 （1）讀取圖像；
 （2）定義sift算子；
 （3）通過sift算子對需要匹配的圖像進行特征點獲?。?  a.可獲取各匹配圖像經(jīng)過sift算子的特征點數(shù)目
 （4）可視化特征點（在原圖中標記為圓圈）；
  a.為方便觀察，可將匹配圖像橫向拼接
 （5）圖像匹配（特征點匹配）；
  a.通過調(diào)整ratio獲取需要進行圖像匹配的特征點數(shù)量（ratio值越大，匹配的線條越密集，但錯誤匹配點也會增多）
  b.通過索引ratio選擇固定的特征點進行圖像匹配
 （6）將待匹配圖像通過旋轉(zhuǎn)、變換等方式將其與目標圖像對齊
"""
import cv2  # opencv版本需為3.4.2.16
import numpy as np# 矩陣運算庫
import time # 時間庫
original_lena = cv2.imread('lena.png') # 讀取lena原圖
lena_rot45 = cv2.imread('lena_rot45.png') # 讀取lena旋轉(zhuǎn)45°圖
sift = cv2.xfeatures2d.SIFT_create()
# 獲取各個圖像的特征點及sift特征向量
# 返回值kp包含sift特征的方向、位置、大小等信息；des的shape為（sift_num， 128）， sift_num表示圖像檢測到的sift特征數(shù)量
(kp1, des1) = sift.detectAndCompute(original_lena, None)
(kp2, des2) = sift.detectAndCompute(lena_rot45, None)
# 特征點數(shù)目顯示
print("=========================================")
print("=========================================")
print('lena 原圖  特征點數(shù)目：', des1.shape[0])
print('lena 旋轉(zhuǎn)圖 特征點數(shù)目：', des2.shape[0])
print("=========================================")
print("=========================================")
# 舉例說明kp中的參數(shù)信息
for i in range(2):
 print("關(guān)鍵點", i)
 print("數(shù)據(jù)類型:", type(kp1[i]))
 print("關(guān)鍵點坐標:", kp1[i].pt)
 print("鄰域直徑:", kp1[i].size)
 print("方向:", kp1[i].angle)
 print("所在的圖像金字塔的組:", kp1[i].octave)
print("=========================================")
print("=========================================")
"""
首先對原圖和旋轉(zhuǎn)圖進行特征匹配，即圖original_lena和圖lena_rot45
"""
# 繪制特征點，并顯示為紅色圓圈
sift_original_lena = cv2.drawKeypoints(original_lena, kp1, original_lena, color=(255, 0, 255))
sift_lena_rot45 = cv2.drawKeypoints(lena_rot45, kp2, lena_rot45, color=(255, 0, 255))
sift_cat1 = np.hstack((sift_original_lena, sift_lena_rot45))  # 對提取特征點后的圖像進行橫向拼接
cv2.imwrite("sift_cat1.png", sift_cat1)
print('原圖與旋轉(zhuǎn)圖 特征點繪制圖像已保存')
cv2.imshow("sift_point1", sift_cat1)
cv2.waitKey()
# 特征點匹配
# K近鄰算法求取在空間中距離最近的K個數(shù)據(jù)點，并將這些數(shù)據(jù)點歸為一類
start = time.time()  # 計算匹配點匹配時間
bf = cv2.BFMatcher()
matches1 = bf.knnMatch(des1, des2, k=2)
print('用于 原圖和旋轉(zhuǎn)圖 圖像匹配的所有特征點數(shù)目：', len(matches1))
# 調(diào)整ratio
# ratio=0.4：對于準確度要求高的匹配；
# ratio=0.6：對于匹配點數(shù)目要求比較多的匹配；
# ratio=0.5：一般情況下。
ratio1 = 0.5
good1 = []
for m1, n1 in matches1:
 # 如果最接近和次接近的比值大于一個既定的值，那么我們保留這個最接近的值，認為它和其匹配的點為good_match
 if m1.distance < ratio1 * n1.distance:
  good1.append([m1])
end = time.time()
print("匹配點匹配運行時間:%.4f秒" % (end-start))
# 通過對good值進行索引，可以指定固定數(shù)目的特征點進行匹配，如good[:20]表示對前20個特征點進行匹配
match_result1 = cv2.drawMatchesKnn(original_lena, kp1, lena_rot45, kp2, good1, None, flags=2)
cv2.imwrite("match_result1.png", match_result1)
print('原圖與旋轉(zhuǎn)圖 特征點匹配圖像已保存')
print("=========================================")
print("=========================================")
print("原圖與旋轉(zhuǎn)圖匹配對的數(shù)目:", len(good1))
for i in range(2):
 print("匹配", i)
 print("數(shù)據(jù)類型:", type(good1[i][0]))
 print("描述符之間的距離:", good1[i][0].distance)
 print("查詢圖像中描述符的索引:", good1[i][0].queryIdx)
 print("目標圖像中描述符的索引:", good1[i][0].trainIdx)
print("=========================================")
print("=========================================")
cv2.imshow("original_lena and lena_rot45 feature matching result", match_result1)
cv2.waitKey()
# 將待匹配圖像通過旋轉(zhuǎn)、變換等方式將其與目標圖像對齊，這里使用單應(yīng)性矩陣。
# 單應(yīng)性矩陣有八個參數(shù)，如果要解這八個參數(shù)的話，需要八個方程，由于每一個對應(yīng)的像素點可以產(chǎn)生2個方程(x一個，y一個)，那么總共只需要四個像素點就能解出這個單應(yīng)性矩陣。
if len(good1) > 4:
 ptsA = np.float32([kp1[m[0].queryIdx].pt for m in good1]).reshape(-1, 1, 2)
 ptsB = np.float32([kp2[m[0].trainIdx].pt for m in good1]).reshape(-1, 1, 2)
 ransacReprojThreshold = 4
 # RANSAC算法選擇其中最優(yōu)的四個點
 H, status =cv2.findHomography(ptsA, ptsB, cv2.RANSAC, ransacReprojThreshold)
 imgout = cv2.warpPerspective(lena_rot45, H, (original_lena.shape[1], original_lena.shape[0]),
  flags=cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP)
 cv2.imwrite("imgout.png", imgout)
 cv2.imshow("lena_rot45's result after transformation", imgout)
 cv2.waitKey()