如何使用cv2将图像的一部分覆盖/替换为另一部分？

Question

我有一个屋顶的图像，覆盖了一个很大的区域！我正在分析它的故障使用分割。然而，挑战在于，有时屋顶上的一张照片没有细节，所以很难分析。所以我们把它分成几个部分，并对较小部分的图像进行分析。下面是一个示例：

全顶板射击

第1部分

第2部分

第三部分

因此，现在我想分析零件的故障，并更换它的单一镜头。下面是其中一个被分析的部分是什么样子的：

岗位分析

到目前为止，我的想法是:如果我能以某种方式将未分析的部分映射到屋顶上，我也可以用同样的信息和方法将分析的部分映射到单个镜头。

我已经能够做的特征检测和识别部分上的单一镜头，但我不确定我应该如何转换他们，以适应和替换准确的部分上的单一镜头。以下是特征检测：

图像/模板匹配的特征检测

我一直在考虑将较小的图像一个接一个地缝合到较大的图像上，但我担心这可能行不通。

PS:我正在使用Linux、Python3和OpenCV 3.4.0

另外，原始的单一镜头不是手动划分为不同的部分。由于它是一个热凸轮，它不可能有高分辨率的单次拍摄，所以凸轮采取不同的拍摄近距离。这些部分是单独的图像，而不是从单一的镜头裁剪。

编辑:我正在尝试另一种方法，即检测部件图像中的故障，然后将这些故障裁剪出来作为模板使用，然后尝试使用SIFT进行特征检测，将故障作为模板在一次拍摄中匹配。然而，小故障与自身以外的每件事都是匹配的:(大多数较大的故障都被检测到了，而中等的故障也不太好。)我认为这是因为图像的分辨率较低，而单镜头图片并不能在更近的镜头上复制故障，而且对于模板匹配而言，单个镜头的特征数量也较少。。

Answer 1

更新答复

我很抱歉！我误解了这个问题。因此，使用您的特征映射方法，您可以在原始图片上得到一组点，这些点对应于新图片中的一组点。假设功能映射工作得很好，您可以将对应关系描述为映射：

$$P_{新点}=T_{原到新}*P_{原始} $$

其中T_{原始到新}是一个变换矩阵。如果您有这个转换矩阵，那么您可以很容易地反转它，以找到“部分”图片与原始图像之间的关系。

挑战是，您目前有一个复杂的转换矩阵！你要找的是一个旋转的，平移的，缩放的，很有可能也发生了一些偏斜。考虑到特征点的集合，我不确定找到这个矩阵的正确方法。

如果您不介意做一些手工工作，我建议您在图片上找到一组对应的线条，并使用OpenCV的透视变换为您找到这个矩阵。

旧的，不相干的答案

我有一个吻回答：

当您从“整个屋顶拍摄图像”中手动选择“第1-3部分”时，请跟踪它们的初始大小和位置。

如果提前知道，则不需要事后计算转换。首先，我建议将图像分割成四分位数，当你有这个简单的几何图形时，我建议将检测结果叠加起来。一旦成功，就可以从原始图片中处理任意大小的盒子的问题。