我有一个覆盖大面积屋顶的图像！我正在使用细分对其进行分析。然而，挑战在于有时屋顶的单个镜头没有涉及的细节，因此很难对其进行分析。因此，我们将其分为多个部分并拍摄较小部分的图像并进行分析。 这是一个示例：
因此，现在我要分析零件的故障并将其一次性更换。这是分析的部分之一的外观：
到目前为止，我的想法是：如果我可以通过某种方式将未分析的零件映射到屋顶，我也可以使用相同的信息和方法将已分析的零件映射到单个镜头。
我已经能够进行特征检测并识别单张照片上的零件，但是我不确定如何转换它们以适合并替换单张照片上的确切零件。这是功能检测：
Feature detection for image/template matching
我一直在考虑尝试将较小的图像一个接一个地缝到较大的图像上，但是我担心这可能行不通
PS：我正在使用Linux，Python3和OpenCV 3.4.0
此外，原始的单张照片不会手动分为不同的部分。由于它具有热凸轮，因此不可能在单次拍摄时获得很高的分辨率，因此凸轮会以不同的镜头近拍。这些部分是单独的图像，不能从单张照片中裁剪出来。
编辑：我现在正在尝试一种替代方法，即检测零件图像中的故障，然后将这些故障裁剪为模板，然后尝试使用SIFT进行特征检测以将故障作为模板匹配到单个射击。但是，小缺陷正与自身以外的所有事物匹配：(大多数大缺陷都被检测为精细，中等缺陷也不是很好。我认为原因是图像的分辨率较低，单张照片无法复制
模板匹配的单发镜头上的特写镜头和特征数量也较少。答案 0 :(得分：0)
抱歉！我误解了这个问题。因此，使用特征映射方法，您可以在原始图片上获得与新图片中的一组点相对应的一组点。假设功能映射工作正常，则可以将对应关系描述为映射：
$$ P_ {new points} = T_ {原始至新} * P_ {原始} $$
其中T_ {original to new}是transformation matrix。如果您具有此转换矩阵，则可以轻松地对其进行转换，以查找“部分”图片与原始图片之间的关系。
挑战在于您当前拥有一个复杂的转换矩阵！您正在寻找的组件具有旋转组件，平移组件，缩放组件，并且很可能也会发生一些倾斜。我不确定在给定特征点集合的情况下找到此矩阵的正确方法。
如果您不介意做一些手工工作，建议您找到在两张图片上都对应的一组线，并使用OpenCV的perspective transformation为您找到此矩阵。
我有一个亲吻答案：
当您从“整个屋顶拍摄图像”中手动选择“ 1-3部分”时，请跟踪其初始尺寸和位置。
如果您提前知道转换，则无需在以后计算转换。对于初学者，我建议将图像拆分为四分位数，并在具有这种简单几何图形的情况下覆盖检测结果。一旦成功，就可以解决原始图片中任意大小的框的问题。
