基本介绍

图像的全景拼接，即“缝合”两张具有重叠区域的图来创建一张全景图。其中用到了计算机视觉和图像处理技术有：关键点特征检测、局部不变特征、关键特征点匹配、RANSAC(Random Sample Consensus，随机采样一致性)和透视变形。

具体步骤

（1）检测左右两张图像的SIFT关键特征点，并提取局部不变特征 ；

（2）使用knnMatch检测来自右图(左图)的SIFT特征，与左图(右图)进行匹配 ；

（3）计算视角变换矩阵H，用变换矩阵H对右图进行扭曲变换；

（4）将左图(右图)加入到变换后的图像的左侧(右侧)获得最终图像；

代码：

import cv2 as cv        # 导入opencv包
import numpy as np      # 导入numpy包，图像处理中的矩阵运算需要用到# 检测图像的SIFT关键特征点
def sift_keypoints_detect(image):# 处理图像一般很少用到彩色信息，通常直接将图像转换为灰度图gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)# 获取图像特征sift-SIFT特征点,实例化对象siftsift = cv.xfeatures2d.SIFT_create()                # keypoints:特征点向量,向量内的每一个元素是一个KeyPoint对象，包含了特征点的各种属性信息(角度、关键特征点坐标等)# features:表示输出的sift特征向量，通常是128维的keypoints, features = sift.detectAndCompute(image, None)# cv.drawKeyPoints():在图像的关键特征点部位绘制一个小圆圈# 如果传递标志flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,它将绘制一个大小为keypoint的圆圈并显示它的方向# 这种方法同时显示图像的坐标，大小和方向，是最能显示特征的一种绘制方式keypoints_image = cv.drawKeypoints(gray_image, keypoints, None, flags=cv.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)# 返回带关键特征点的图像、关键特征点和sift的特征向量return keypoints_image, keypoints, features# 使用KNN检测来自左右图像的SIFT特征，随后进行匹配
def get_feature_point_ensemble(features_right, features_left):# 创建BFMatcher对象解决匹配bf = cv.BFMatcher()# knnMatch()函数：返回每个特征点的最佳匹配k个匹配点# features_right为模板图，features_left为匹配图matches = bf.knnMatch(features_right, features_left, k=2)  # 利用sorted()函数对matches对象进行升序(默认)操作matches = sorted(matches, key=lambda x: x[0].distance / x[1].distance)# x:x[]字母可以随意修改，排序方式按照中括号[]里面的维度进行排序，[0]按照第一维排序，[2]按照第三维排序# 建立列表good用于存储匹配的点集good = []for m, n in matches:# ratio的值越大，匹配的线条越密集，但错误匹配点也会增多ratio = 0.6if m.distance < ratio * n.distance:good.append(m)# 返回匹配的关键特征点集return good# 计算视角变换矩阵H，用H对右图进行变换并返回全景拼接图像
def Panorama_stitching(image_right, image_left):_, keypoints_right, features_right = sift_keypoints_detect(image_right)_, keypoints_left, features_left = sift_keypoints_detect(image_left)goodMatch = get_feature_point_ensemble(features_right, features_left)# 当筛选项的匹配对大于4对(因为homography单应性矩阵的计算需要至少四个点)时,计算视角变换矩阵if len(goodMatch) > 4:# 获取匹配对的点坐标ptsR = np.float32([keypoints_right[m.queryIdx].pt for m in goodMatch]).reshape(-1, 1, 2)ptsL = np.float32([keypoints_left[m.trainIdx].pt for m in goodMatch]).reshape(-1, 1, 2)# ransacReprojThreshold：将点对视为内点的最大允许重投影错误阈值(仅用于RANSAC和RHO方法时),若srcPoints和dstPoints是以像素为单位的，该参数通常设置在1到10的范围内ransacReprojThreshold = 4# cv.findHomography():计算多个二维点对之间的最优单映射变换矩阵 H(3行x3列),使用最小均方误差或者RANSAC方法# 函数作用:利用基于RANSAC的鲁棒算法选择最优的四组配对点，再计算转换矩阵H(3*3)并返回,以便于反向投影错误率达到最小Homography, status = cv.findHomography(ptsR, ptsL, cv.RANSAC, ransacReprojThreshold)# cv.warpPerspective()：透视变换函数，用于解决cv2.warpAffine()不能处理视场和图像不平行的问题# 作用：就是对图像进行透视变换，可保持直线不变形，但是平行线可能不再平行Panorama = cv.warpPerspective(image_right, Homography, (image_right.shape[1] + image_left.shape[1], image_right.shape[0]))cv.imshow("扭曲变换后的右图", Panorama)cv.waitKey(0)cv.destroyAllWindows()# 将左图加入到变换后的右图像的左端即获得最终图像Panorama[0:image_left.shape[0], 0:image_left.shape[1]] = image_left# 返回全景拼接的图像return Panoramaif __name__ == '__main__':# 读取需要拼接的图像,需要注意图像左右的顺序image_left = cv.imread("./Left.jpg")image_right = cv.imread("./Right.jpg")# 通过调用cv2.resize()使用插值的方式来改变图像的尺寸，保证左右两张图像大小一致# cv.resize()函数中的第二个形参dsize表示输出图像大小尺寸，当设置为0(None)时，则表示按fx与fy与原始图像大小相乘得到输出图像尺寸大小image_right = cv.resize(image_right, None, fx=0.4, fy=0.24)image_left = cv.resize(image_left, (image_right.shape[1], image_right.shape[0]))# 获取检测到关键特征点后的图像的相关参数keypoints_image_right, keypoints_right, features_right = sift_keypoints_detect(image_right)keypoints_image_left, keypoints_left, features_left = sift_keypoints_detect(image_left)# 利用np.hstack()函数同时将原图和绘有关键特征点的图像沿着竖直方向(水平顺序)堆叠起来cv.imshow("左图关键特征点检测", np.hstack((image_left, keypoints_image_left)))# 一般在imshow后设置 waitKey(0) , 代表按任意键继续cv.waitKey(0)# 删除先前建立的窗口cv.destroyAllWindows()cv.imshow("右图关键特征点检测", np.hstack((image_right, keypoints_image_right)))cv.waitKey(0)cv.destroyAllWindows()goodMatch = get_feature_point_ensemble(features_right, features_left)# cv.drawMatches():在提取两幅图像特征之后，画出匹配点对连线# matchColor – 匹配的颜色（特征点和连线),若matchColor==Scalar::all(-1),颜色随机all_goodmatch_image = cv.drawMatches(image_right, keypoints_right, image_left, keypoints_left, goodMatch, None, None, None, None, flags=2)cv.imshow("所有匹配的SIFT关键特征点连线", all_goodmatch_image)cv.waitKey(0)cv.destroyAllWindows()# 把图片拼接成全景图并保存Panorama = Panorama_stitching(image_right, image_left)cv.namedWindow("全景图", cv.WINDOW_AUTOSIZE)cv.imshow("全景图", Panorama)cv.imwrite("./全景图.jpg", Panorama)cv.waitKey(0)cv.destroyAllWindows()

左图关键特征点检测

右图关键特征点检测

所有匹配的SIFT关键特征点连线

扭曲变换后的右图

全景图

由于输入的左右图像之间有大量重叠，导致全景图的主要添加部分是在拼接图像的右侧，因此会造成拼接后全景图右侧有大量的黑色空白区域。

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。本文链接：https://blog.csdn.net/weixin_51571728/article/details/120584432

往期回顾：

• Python 学习手册

• Pandas 学习大礼包

• 100+ Python 爬虫项目

• Python 数据分析入门手册

• 100 道 Python 经典练习题

• 70 个 Python 经典实用练手项目

• 20张高清数据分析(Python)全知识地图

• 14 张 Python 速查表玩转数据分析&可视化&机器学习