Algorithme de SIFT

import cv2
import numpy as np

# Charger les deux images de raquettes
img_orig = cv2.imread("raquette_origine.png", cv2.IMREAD_GRAYSCALE)
img_3d = cv2.imread("raquette_3d.png", cv2.IMREAD_GRAYSCALE)

# Initialiser l'algorithme SIFT
sift = cv2.SIFT_create()

# Détecter les points clés et les descripteurs sur l'image de la raquette d'origine
keypoints_orig, descriptors_orig = sift.detectAndCompute(img_orig, None)

# Détecter les points clés et les descripteurs sur l'image de la nouvelle raquette 3D
keypoints_3d, descriptors_3d = sift.detectAndCompute(img_3d, None)

# Trouver les correspondances de points entre les deux images en utilisant les descripteurs SIFT
matcher = cv2.DescriptorMatcher_create(cv2.DescriptorMatcher_FLANNBASED)
matches = matcher.match(descriptors_orig, descriptors_3d)

# Trier les correspondances de points en fonction de leur score de similarité
matches = sorted(matches, key=lambda x: x.distance)

# Sélectionner les correspondances de points les plus fiables
num_good_matches = int(len(matches) * 0.15)
good_matches = matches[:num_good_matches]

# Extraire les coordonnées des points correspondants
points_orig = np.zeros((len(good_matches), 2), dtype=np.float32)
points_3d = np.zeros((len(good_matches), 2), dtype=np.float32)

for i, match in enumerate(good_matches):
    points_orig[i, :] = keypoints_orig[match.queryIdx].pt
    points_3d[i, :] = keypoints_3d[match.trainIdx].pt

# Calculer la transformation géométrique en utilisant les correspondances de points
M, mask = cv2.findHomography(points_orig, points_3d, cv2.RANSAC, 5.0)

# Appliquer la transformation géométrique pour superposer les deux raquettes
h, w = img_orig.shape
img_aligned = cv2.warpPerspective(img_orig, M, (w, h))

# Enregistrer l'image superposée
cv2.imwrite("raquette_superposee.png", img_aligned)