目录

• 基于SURF的图像拼接
• 1.特征点提取和匹配
• 2.图像配准
• 3. 图像拷贝
• 4.图像融合（去裂缝处理）
• 基于ORB的图像拼接
• opencv自带的拼接算法stitch
• 1.opencv stitch选择的特征检测方式
• 2.opencv stitch获取匹配点的方式

图像拼接在实际的应用场景很广，比如无人机航拍，遥感图像等等，图像拼接是进一步做图像理解基础步骤，拼接效果的好坏直接影响接下来的工作，所以一个好的图像拼接算法非常重要。
再举一个身边的例子吧，你用你的手机对某一场景拍照，但是你没有办法一次将所有你要拍的景物全部拍下来，所以你对该场景从左往右依次拍了好几张图，来把你要拍的所有景物记录下来。那么我们能不能把这些图像拼接成一个大图呢？我们利用opencv就可以做到图像拼接的效果！
比如我们有对这两张图进行拼接。

文章图片

从上面两张图可以看出，这两张图有比较多的重叠部分，这也是拼接的基本要求。
那么要实现图像拼接需要那几步呢？简单来说有以下几步：

• 对每幅图进行特征点提取
• 对对特征点进行匹配
• 进行图像配准
• 把图像拷贝到另一幅图像的特定位置
• 对重叠边界进行特殊处理

好吧，那就开始正式实现图像配准。
第一步就是特征点提取。现在CV领域有很多特征点的定义，比如sift、surf、harris角点、ORB都是很有名的特征因子，都可以用来做图像拼接的工作，他们各有优势。本文将使用ORB和SURF进行图像拼接，用其他方法进行拼接也是类似的。

基于SURF的图像拼接 用SIFT算法来实现图像拼接是很常用的方法，但是因为SIFT计算量很大，所以在速度要求很高的场合下不再适用。所以，它的改进方法SURF因为在速度方面有了明显的提高（速度是SIFT的3倍），所以在图像拼接领域还是大有作为。虽说SURF精确度和稳定性不及SIFT，但是其综合能力还是优越一些。下面将详细介绍拼接的主要步骤。

1.特征点提取和匹配
特征点提取和匹配的方法我在上一篇文章《OpenCV特征检测和特征匹配方法汇总》中做了详细的介绍，在这里直接使用上文所总结的SURF特征提取和特征匹配的方法。

//提取特征点SurfFeatureDetector Detector(2000); vector keyPoint1, keyPoint2; Detector.detect(image1, keyPoint1); Detector.detect(image2, keyPoint2); //特征点描述，为下边的特征点匹配做准备SurfDescriptorExtractor Descriptor; Mat imageDesc1, imageDesc2; Descriptor.compute(image1, keyPoint1, imageDesc1); Descriptor.compute(image2, keyPoint2, imageDesc2); FlannBasedMatcher matcher; vector > matchePoints; vector GoodMatchePoints; vector train_desc(1, imageDesc1); matcher.add(train_desc); matcher.train(); matcher.knnMatch(imageDesc2, matchePoints, 2); cout << "total match points: " << matchePoints.size() << endl; // Lowe's algorithm,获取优秀匹配点for (int i = 0; i < matchePoints.size(); i++){if (matchePoints[i][0].distance < 0.4 * matchePoints[i][1].distance){GoodMatchePoints.push_back(matchePoints[i][0]); }}Mat first_match; drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match); imshow("first_match ", first_match);

文章图片


2.图像配准 这样子我们就可以得到了两幅待拼接图的匹配点集，接下来我们进行图像的配准，即将两张图像转换为同一坐标下，这里我们需要使用findHomography函数来求得变换矩阵。但是需要注意的是，findHomography函数所要用到的点集是Point2f类型的，所有我们需要对我们刚得到的点集GoodMatchePoints再做一次处理，使其转换为Point2f类型的点集。

vector imagePoints1, imagePoints2; for (int i = 0; i
这样子，我们就可以拿着imagePoints1, imagePoints2去求变换矩阵了，并且实现图像配准。值得注意的是findHomography函数的参数中我们选泽了CV_RANSAC，这表明我们选择RANSAC算法继续筛选可靠地匹配点，这使得匹配点解更为精确。

//获取图像1到图像2的投影映射矩阵 尺寸为3*3Mat homo = findHomography(imagePoints1, imagePoints2, CV_RANSAC); ////也可以使用getPerspectiveTransform方法获得透视变换矩阵，不过要求只能有4个点，效果稍差//Mathomo=getPerspectiveTransform(imagePoints1,imagePoints2); cout << "变换矩阵为：\n" << homo << endl << endl; //输出映射矩阵//图像配准Mat imageTransform1, imageTransform2; warpPerspective(image01, imageTransform1, homo, Size(MAX(corners.right_top.x, corners.right_bottom.x), image02.rows)); //warpPerspective(image01, imageTransform2, adjustMat*homo, Size(image02.cols*1.3, image02.rows*1.8)); imshow("直接经过透视矩阵变换", imageTransform1); imwrite("trans1.jpg", imageTransform1);

文章图片


3. 图像拷贝 拷贝的思路很简单，就是将左图直接拷贝到配准图上就可以了。

//创建拼接后的图,需提前计算图的大小int dst_width = imageTransform1.cols; //取最右点的长度为拼接图的长度int dst_height = image02.rows; Mat dst(dst_height, dst_width, CV_8UC3); dst.setTo(0); imageTransform1.copyTo(dst(Rect(0, 0, imageTransform1.cols, imageTransform1.rows))); image02.copyTo(dst(Rect(0, 0, image02.cols, image02.rows))); imshow("b_dst", dst);

文章图片


4.图像融合（去裂缝处理） 从上图可以看出，两图的拼接并不自然，原因就在于拼接图的交界处，两图因为光照色泽的原因使得两图交界处的过渡很糟糕，所以需要特定的处理解决这种不自然。这里的处理思路是加权融合，在重叠部分由前一幅图像慢慢过渡到第二幅图像，即将图像的重叠区域的像素值按一定的权值相加合成新的图像。

//优化两图的连接处，使得拼接自然void OptimizeSeam(Mat& img1, Mat& trans, Mat& dst){int start = MIN(corners.left_top.x, corners.left_bottom.x); //开始位置，即重叠区域的左边界double processWidth = img1.cols - start; //重叠区域的宽度int rows = dst.rows; int cols = img1.cols; //注意，是列数*通道数double alpha = 1; //img1中像素的权重for (int i = 0; i < rows; i++){uchar* p = img1.ptr(i); //获取第i行的首地址uchar* t = trans.ptr(i); uchar* d = dst.ptr(i); for (int j = start; j < cols; j++){//如果遇到图像trans中无像素的黑点，则完全拷贝img1中的数据if (t[j * 3] == 0 && t[j * 3 + 1] == 0 && t[j * 3 + 2] == 0){alpha = 1; }else{//img1中像素的权重，与当前处理点距重叠区域左边界的距离成正比，实验证明，这种方法确实好alpha = (processWidth - (j - start)) / processWidth; }d[j * 3] = p[j * 3] * alpha + t[j * 3] * (1 - alpha); d[j * 3 + 1] = p[j * 3 + 1] * alpha + t[j * 3 + 1] * (1 - alpha); d[j * 3 + 2] = p[j * 3 + 2] * alpha + t[j * 3 + 2] * (1 - alpha); }}}

文章图片

多尝试几张，验证拼接效果
测试一

文章图片


文章图片

测试二

文章图片


文章图片

测试三

文章图片


文章图片

最后给出完整的SURF算法实现的拼接代码。

#include "highgui/highgui.hpp"#include "opencv2/nonfree/nonfree.hpp"#include "opencv2/legacy/legacy.hpp"#include using namespace cv; using namespace std; void OptimizeSeam(Mat& img1, Mat& trans, Mat& dst); typedef struct{Point2f left_top; Point2f left_bottom; Point2f right_top; Point2f right_bottom; }four_corners_t; four_corners_t corners; void CalcCorners(const Mat& H, const Mat& src){double v2[] = { 0, 0, 1 }; //左上角double v1[3]; //变换后的坐标值Mat V2 = Mat(3, 1, CV_64FC1, v2); //列向量Mat V1 = Mat(3, 1, CV_64FC1, v1); //列向量V1 = H * V2; //左上角(0,0,1)cout << "V2: " << V2 << endl; cout << "V1: " << V1 << endl; corners.left_top.x = v1[0] / v1[2]; corners.left_top.y = v1[1] / v1[2]; //左下角(0,src.rows,1)v2[0] = 0; v2[1] = src.rows; v2[2] = 1; V2 = Mat(3, 1, CV_64FC1, v2); //列向量V1 = Mat(3, 1, CV_64FC1, v1); //列向量V1 = H * V2; corners.left_bottom.x = v1[0] / v1[2]; corners.left_bottom.y = v1[1] / v1[2]; //右上角(src.cols,0,1)v2[0] = src.cols; v2[1] = 0; v2[2] = 1; V2 = Mat(3, 1, CV_64FC1, v2); //列向量V1 = Mat(3, 1, CV_64FC1, v1); //列向量V1 = H * V2; corners.right_top.x = v1[0] / v1[2]; corners.right_top.y = v1[1] / v1[2]; //右下角(src.cols,src.rows,1)v2[0] = src.cols; v2[1] = src.rows; v2[2] = 1; V2 = Mat(3, 1, CV_64FC1, v2); //列向量V1 = Mat(3, 1, CV_64FC1, v1); //列向量V1 = H * V2; corners.right_bottom.x = v1[0] / v1[2]; corners.right_bottom.y = v1[1] / v1[2]; }int main(int argc, char *argv[]){Mat image01 = imread("g5.jpg", 1); //右图Mat image02 = imread("g4.jpg", 1); //左图imshow("p2", image01); imshow("p1", image02); //灰度图转换Mat image1, image2; cvtColor(image01, image1, CV_RGB2GRAY); cvtColor(image02, image2, CV_RGB2GRAY); //提取特征点SurfFeatureDetector Detector(2000); vector keyPoint1, keyPoint2; Detector.detect(image1, keyPoint1); Detector.detect(image2, keyPoint2); //特征点描述，为下边的特征点匹配做准备SurfDescriptorExtractor Descriptor; Mat imageDesc1, imageDesc2; Descriptor.compute(image1, keyPoint1, imageDesc1); Descriptor.compute(image2, keyPoint2, imageDesc2); FlannBasedMatcher matcher; vector > matchePoints; vector GoodMatchePoints; vector train_desc(1, imageDesc1); matcher.add(train_desc); matcher.train(); matcher.knnMatch(imageDesc2, matchePoints, 2); cout << "total match points: " << matchePoints.size() << endl; // Lowe's algorithm,获取优秀匹配点for (int i = 0; i < matchePoints.size(); i++){if (matchePoints[i][0].distance < 0.4 * matchePoints[i][1].distance){GoodMatchePoints.push_back(matchePoints[i][0]); }}Mat first_match; drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match); imshow("first_match ", first_match); vector imagePoints1, imagePoints2; for (int i = 0; i(i); //获取第i行的首地址uchar* t = trans.ptr(i); uchar* d = dst.ptr(i); for (int j = start; j < cols; j++){//如果遇到图像trans中无像素的黑点，则完全拷贝img1中的数据if (t[j * 3] == 0 && t[j * 3 + 1] == 0 && t[j * 3 + 2] == 0){alpha = 1; }else{//img1中像素的权重，与当前处理点距重叠区域左边界的距离成正比，实验证明，这种方法确实好alpha = (processWidth - (j - start)) / processWidth; }d[j * 3] = p[j * 3] * alpha + t[j * 3] * (1 - alpha); d[j * 3 + 1] = p[j * 3 + 1] * alpha + t[j * 3 + 1] * (1 - alpha); d[j * 3 + 2] = p[j * 3 + 2] * alpha + t[j * 3 + 2] * (1 - alpha); }}}

基于ORB的图像拼接 利用ORB进行图像拼接的思路跟上面的思路基本一样，只是特征提取和特征点匹配的方式略有差异罢了。这里就不再详细介绍思路了，直接贴代码看效果。

#include "highgui/highgui.hpp"#include "opencv2/nonfree/nonfree.hpp"#include "opencv2/legacy/legacy.hpp"#include using namespace cv; using namespace std; void OptimizeSeam(Mat& img1, Mat& trans, Mat& dst); typedef struct{Point2f left_top; Point2f left_bottom; Point2f right_top; Point2f right_bottom; }four_corners_t; four_corners_t corners; void CalcCorners(const Mat& H, const Mat& src){double v2[] = { 0, 0, 1 }; //左上角double v1[3]; //变换后的坐标值Mat V2 = Mat(3, 1, CV_64FC1, v2); //列向量Mat V1 = Mat(3, 1, CV_64FC1, v1); //列向量V1 = H * V2; //左上角(0,0,1)cout << "V2: " << V2 << endl; cout << "V1: " << V1 << endl; corners.left_top.x = v1[0] / v1[2]; corners.left_top.y = v1[1] / v1[2]; //左下角(0,src.rows,1)v2[0] = 0; v2[1] = src.rows; v2[2] = 1; V2 = Mat(3, 1, CV_64FC1, v2); //列向量V1 = Mat(3, 1, CV_64FC1, v1); //列向量V1 = H * V2; corners.left_bottom.x = v1[0] / v1[2]; corners.left_bottom.y = v1[1] / v1[2]; //右上角(src.cols,0,1)v2[0] = src.cols; v2[1] = 0; v2[2] = 1; V2 = Mat(3, 1, CV_64FC1, v2); //列向量V1 = Mat(3, 1, CV_64FC1, v1); //列向量V1 = H * V2; corners.right_top.x = v1[0] / v1[2]; corners.right_top.y = v1[1] / v1[2]; //右下角(src.cols,src.rows,1)v2[0] = src.cols; v2[1] = src.rows; v2[2] = 1; V2 = Mat(3, 1, CV_64FC1, v2); //列向量V1 = Mat(3, 1, CV_64FC1, v1); //列向量V1 = H * V2; corners.right_bottom.x = v1[0] / v1[2]; corners.right_bottom.y = v1[1] / v1[2]; }int main(int argc, char *argv[]){Mat image01 = imread("t1.jpg", 1); //右图Mat image02 = imread("t2.jpg", 1); //左图imshow("p2", image01); imshow("p1", image02); //灰度图转换Mat image1, image2; cvtColor(image01, image1, CV_RGB2GRAY); cvtColor(image02, image2, CV_RGB2GRAY); //提取特征点OrbFeatureDetectorsurfDetector(3000); vector keyPoint1, keyPoint2; surfDetector.detect(image1, keyPoint1); surfDetector.detect(image2, keyPoint2); //特征点描述，为下边的特征点匹配做准备OrbDescriptorExtractorSurfDescriptor; Mat imageDesc1, imageDesc2; SurfDescriptor.compute(image1, keyPoint1, imageDesc1); SurfDescriptor.compute(image2, keyPoint2, imageDesc2); flann::Index flannIndex(imageDesc1, flann::LshIndexParams(12, 20, 2), cvflann::FLANN_DIST_HAMMING); vector GoodMatchePoints; Mat macthIndex(imageDesc2.rows, 2, CV_32SC1), matchDistance(imageDesc2.rows, 2, CV_32FC1); flannIndex.knnSearch(imageDesc2, macthIndex, matchDistance, 2, flann::SearchParams()); // Lowe's algorithm,获取优秀匹配点for (int i = 0; i < matchDistance.rows; i++){if (matchDistance.at(i, 0) < 0.4 * matchDistance.at(i, 1)){DMatch dmatches(i, macthIndex.at(i, 0), matchDistance.at(i, 0)); GoodMatchePoints.push_back(dmatches); }}Mat first_match; drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match); imshow("first_match ", first_match); vector imagePoints1, imagePoints2; for (int i = 0; i(i); //获取第i行的首地址uchar* t = trans.ptr(i); uchar* d = dst.ptr(i); for (int j = start; j < cols; j++){//如果遇到图像trans中无像素的黑点，则完全拷贝img1中的数据if (t[j * 3] == 0 && t[j * 3 + 1] == 0 && t[j * 3 + 2] == 0){alpha = 1; }else{//img1中像素的权重，与当前处理点距重叠区域左边界的距离成正比，实验证明，这种方法确实好alpha = (processWidth - (j - start)) / processWidth; }d[j * 3] = p[j * 3] * alpha + t[j * 3] * (1 - alpha); d[j * 3 + 1] = p[j * 3 + 1] * alpha + t[j * 3 + 1] * (1 - alpha); d[j * 3 + 2] = p[j * 3 + 2] * alpha + t[j * 3 + 2] * (1 - alpha); }}}

看一看拼接效果，我觉得还是不错的。

文章图片


文章图片


文章图片

看一下这一组图片，这组图片产生了鬼影，为什么？因为两幅图中的人物走动了啊！所以要做图像拼接，尽量保证使用的是静态图片，不要加入一些动态因素干扰拼接。

文章图片


文章图片


文章图片


opencv自带的拼接算法stitch opencv其实自己就有实现图像拼接的算法，当然效果也是相当好的，但是因为其实现很复杂，而且代码量很庞大，其实在一些小应用下的拼接有点杀鸡用牛刀的感觉。最近在阅读sticth源码时，发现其中有几个很有意思的地方。

1.opencv stitch选择的特征检测方式
一直很好奇opencv stitch算法到底选用了哪个算法作为其特征检测方式，是ORB，SIFT还是SURF？读源码终于看到答案。

#ifdef HAVE_OPENCV_NONFREEstitcher.setFeaturesFinder(new detail::SurfFeaturesFinder()); #elsestitcher.setFeaturesFinder(new detail::OrbFeaturesFinder()); #endif

在源码createDefault函数中（默认设置），第一选择是SURF,第二选择才是ORB（没有NONFREE模块才选），所以既然大牛们这么选择，必然是经过综合考虑的，所以应该SURF算法在图像拼接有着更优秀的效果。

2.opencv stitch获取匹配点的方式
以下代码是opencv stitch源码中的特征点提取部分，作者使用了两次特征点提取的思路：先对图一进行特征点提取和筛选匹配（1->2），再对图二进行特征点的提取和匹配（2->1），这跟我们平时的一次提取的思路不同，这种二次提取的思路可以保证更多的匹配点被选中，匹配点越多，findHomography求出的变换越准确。这个思路值得借鉴。

matches_info.matches.clear(); Ptr indexParams = new flann::KDTreeIndexParams(); Ptr searchParams = new flann::SearchParams(); if (features2.descriptors.depth() == CV_8U){indexParams->setAlgorithm(cvflann::FLANN_INDEX_LSH); searchParams->setAlgorithm(cvflann::FLANN_INDEX_LSH); }FlannBasedMatcher matcher(indexParams, searchParams); vector< vector > pair_matches; MatchesSet matches; // Find 1->2 matchesmatcher.knnMatch(features1.descriptors, features2.descriptors, pair_matches, 2); for (size_t i = 0; i < pair_matches.size(); ++i){if (pair_matches[i].size() < 2)continue; const DMatch& m0 = pair_matches[i][0]; const DMatch& m1 = pair_matches[i][1]; if (m0.distance < (1.f - match_conf_) * m1.distance){matches_info.matches.push_back(m0); matches.insert(make_pair(m0.queryIdx, m0.trainIdx)); }}LOG("\n1->2 matches: " << matches_info.matches.size() << endl); // Find 2->1 matchespair_matches.clear(); matcher.knnMatch(features2.descriptors, features1.descriptors, pair_matches, 2); for (size_t i = 0; i < pair_matches.size(); ++i){if (pair_matches[i].size() < 2)continue; const DMatch& m0 = pair_matches[i][0]; const DMatch& m1 = pair_matches[i][1]; if (m0.distance < (1.f - match_conf_) * m1.distance)if (matches.find(make_pair(m0.trainIdx, m0.queryIdx)) == matches.end())matches_info.matches.push_back(DMatch(m0.trainIdx, m0.queryIdx, m0.distance)); }LOG("1->2 & 2->1 matches: " << matches_info.matches.size() << endl);

这里我仿照opencv源码二次提取特征点的思路对我原有拼接代码进行改写，实验证明获取的匹配点确实较一次提取要多。

//提取特征点SiftFeatureDetector Detector(1000); // 海塞矩阵阈值，在这里调整精度，值越大点越少，越精准 vector keyPoint1, keyPoint2; Detector.detect(image1, keyPoint1); Detector.detect(image2, keyPoint2); //特征点描述，为下边的特征点匹配做准备SiftDescriptorExtractor Descriptor; Mat imageDesc1, imageDesc2; Descriptor.compute(image1, keyPoint1, imageDesc1); Descriptor.compute(image2, keyPoint2, imageDesc2); FlannBasedMatcher matcher; vector > matchePoints; vector GoodMatchePoints; MatchesSet matches; vector train_desc(1, imageDesc1); matcher.add(train_desc); matcher.train(); matcher.knnMatch(imageDesc2, matchePoints, 2); // Lowe's algorithm,获取优秀匹配点for (int i = 0; i < matchePoints.size(); i++){if (matchePoints[i][0].distance < 0.4 * matchePoints[i][1].distance){GoodMatchePoints.push_back(matchePoints[i][0]); matches.insert(make_pair(matchePoints[i][0].queryIdx, matchePoints[i][0].trainIdx)); }}cout<<"\n1->2 matches: " << GoodMatchePoints.size() << endl; #if 1FlannBasedMatcher matcher2; matchePoints.clear(); vector train_desc2(1, imageDesc2); matcher2.add(train_desc2); matcher2.train(); matcher2.knnMatch(imageDesc1, matchePoints, 2); // Lowe's algorithm,获取优秀匹配点for (int i = 0; i < matchePoints.size(); i++){if (matchePoints[i][0].distance < 0.4 * matchePoints[i][1].distance){if (matches.find(make_pair(matchePoints[i][0].trainIdx, matchePoints[i][0].queryIdx)) == matches.end()){GoodMatchePoints.push_back(DMatch(matchePoints[i][0].trainIdx, matchePoints[i][0].queryIdx, matchePoints[i][0].distance)); }}}cout<<"1->2 & 2->1 matches: " << GoodMatchePoints.size() << endl; #endif

最后再看一下opencv stitch的拼接效果吧~速度虽然比较慢，但是效果还是很好的。

#include #include #include #include #include using namespace std; using namespace cv; bool try_use_gpu = false; vector imgs; string result_name = "dst1.jpg"; int main(int argc, char * argv[]){Mat img1 = imread("34.jpg"); Mat img2 = imread("35.jpg"); imshow("p1", img1); imshow("p2", img2); if (img1.empty() || img2.empty()){cout << "Can't read image" << endl; return -1; }imgs.push_back(img1); imgs.push_back(img2); Stitcher stitcher = Stitcher::createDefault(try_use_gpu); // 使用stitch函数进行拼接Mat pano; Stitcher::Status status = stitcher.stitch(imgs, pano); if (status != Stitcher::OK){cout << "Can't stitch images, error code = " << int(status) << endl; return -1; }imwrite(result_name, pano); Mat pano2 = pano.clone(); // 显示源图像，和结果图像imshow("全景图像", pano); if (waitKey() == 27)return 0; }

文章图片

【OpenCV|OpenCV 图像拼接和图像融合的实现】
文章图片

到此这篇关于OpenCV 图像拼接和图像融合的实现的文章就介绍到这了,更多相关OpenCV 图像拼接和图像融合内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

推荐阅读

• 

  美播直播怎么放音乐？美播直播放音乐方法教程
• 

  大货车查违章哪个软件最准确 查违章哪个好
• 

  治安调解的原则有哪一些
• 

  财富贷是真的吗 财富贷可靠吗
• 

  招财猫怎么放，招财猫怎么放置
• 

  梦幻西游不pk有必要带龟速吗 梦幻西游龟速和配速哪个好
• 

  跨境电商行业报告 面试为什么选择跨境电商这个行业，跨境电商行业的发展趋势
• 

  edius怎么添加特效素材 edius给立体素材加特效的图文操作方法
• 

  游子吟中运用对偶的手法的诗句是
• 

  大卷烫发怎么打理好看 大脸如何打理头发，大卷头发怎么打理视频
• 

  取名诺诺的寓意是什么
• 

  一个刚入职的公务员一年能收入多少？
• 

  抖音蘑菇头我要送你99朵玫瑰花动态表情包分享
• 

  齐河物流园分拣员怎么样,快递从早上6点到晚上9点每天派送千余件
• 

  赫曼陆龟能长多大 小于多少很容易生命危险
• 

  皮沙发长霉斑可以用什么洗掉，真皮沙发有霉斑怎么清洗
• 

  初中总分多少分上a班 初中最多多少分
• 

  终其一生
• 

  箭牌洁具的价格表 箭牌单功能卫浴单价
• 

  知柏地黄丸有4大妙用 知柏地黄丸的作用与功效！

• opencv|opencv C++模板匹配的简单实现
• Java|Java OpenCV图像处理之SIFT角点检测详解
• 字符串拼接成段落，换行符（\n）如何只执行n-1次
• 同学聚会少了友情多了比拼，拼孩子、拼工作、比职位引发各种落差|同学聚会少了友情多了比拼，拼孩子、拼工作、比职位引发各种落差 变味的同学聚会
• ImageLoaders　加载图像
• 在职场打拼，拥有话语权有多重要（）
• JAVA图像处理系列（四）——噪声
• 到南京，努力拼搏！
• 关于拼多多的那些事儿
• OpenCV|OpenCV-Python实战（18）——深度学习简介与入门示例