请看赵春江https://me.csdn.net/zhaocj的主页，他已经对Opencv图像拼接流程中的代码做了很详细的解释。前人栽树，后人乘凉。

一.本文所做的事

1.重构了Opencv图像拼接的源代码，整个代码是面向过程的；

2.在赵春江源码分析基础上，对一些细节部分进行说明。

代码链接：https://github.com/mhhai/ImageStitch

二.特征点检测

一切起源于这段代码

Ptr

finder =newOrbFeaturesFinder(); 这段代码生成了一个OrbFeaturesFinder对象，其构造函数为：

OrbFeaturesFinder

可以看出这里面创建了一个ORB类。关于这一点，看OrbFeaturesFinder类的继承结构

真正实现ORB算法是在orb.cpp中的ORB_Impl类，其他的都是一些函数调用过程，这也是opencv难以看懂的部分。OrbFeaturesFinder类声明(在matchers.hpp)如下：

class 

可以看出OrbFeaturesFinder是没有重载()的，那么它为什么可以使用

(

这段代码呢，因为在其父类FeaturesFinder中实现了()的重载，派生类直接使用父类的公有方法。父类FeaturesFinder重载()代码如下：

void 

接下来，在函数operator()中，调用了find函数，由于OrbFeaturesFinder类实现了自己的find函数版本，所以，接下来执行OrbFeaturesFinder中的find函数，该函数有点长，但还是拿来说明一下：

void 

之所以把这段这么长的代码贴出来，是因为这段代码从全局的角度讲述了怎样进行特征点检测。继续看

finder = new  OrbFeaturesFinder();

这段代码，由OrbFeaturesFinder类的构造函数可知，使用默认参数时是检测出1500个特征点，建立5层高斯金字塔图像，那么第一个参数Size(3,1)参数作何解释？Size(3,1)是说把图像分成1 * 3的网格，对每个网格进行特征点检测，每个网格检测出的数目是500，那么总共检测出的特征点数目就为1500，可以看下面的示意图：

不是检测出1500个特征点吗，在哪里设置500这个参数了？其实在你第一次写

finder = new  OrbFeaturesFinder();

这段代码时，构造函数中的这段代码

orb = ORB::create(n_features * (99 + grid_size.area())/100/grid_size.area(), scaleFactor, nlevels);

create函数第一个参数的值被设置成了510，也就是每个区域检测出的特征点数目不是刚好500，而是多一点。通过设置find的函数中的r、c参数，你可以对想要的部分进行特征点检测。另外，从这里可以看出，Opencv实现的ORB特征点检测并不是对整幅图像建立高斯金字塔，而是对每个网格建立高斯金字塔。另外每层金字塔检测出来的数目是根据尺度实现分配好的，这方面可以参看赵春江的书或者博客。

三.特征点匹配

这一部分类与类之间的关系比较复杂，具体可以看下图：

特征匹配使用的是最近邻匹配（BestOf2NearestMatcher），实现最近邻匹配可以使用暴力匹配法和K-D树最近邻搜索。不是说暴力匹配法一定不好。对于3000个特征点对以下的特征匹配，暴力匹配法是优于K-D树搜寻的，因为K-D树的构建本身就需要耗费时间。

当你使用下面代码时

BestOf2NearestMatcher 

其构造函数为：

BestOf2NearestMatcher

该类内部维护的一个FeaturesMatcher对象（智能指针）就被实例化为CpuMatcher，所以特征匹配调用的关系虽然很复杂，但是没有必要去研究这些，只需要着重于CpuMatcher类中的match函数，该函数实现了两个特征点集之间的匹配。BestOf2NearestMatcher类也有一个match函数，该match函数属于更上层，它调用了CpuMatcher类中的match()函数以及findHomography()函数，其中findHomography()实现了使用RANSAC算法去除误匹配。关于findHomography()重构的代码放在下一小节中，findHomography()能够看到RANSAC算法的精细之处。另外，knnMatch()代码没有重构出来，个人感觉这部分代码重构难度大，而且不重要，因此还是重构findHomography()更具有意义。

四.计算单应性矩阵

这部分代码是在特征匹配的基础上继续深入的，目的是为了更好地看出计算单应性矩阵的过程。包括通过4个点计算单应性矩阵、使用重映射误差剔除外点，更新RANSAC算法的迭代阈值等。

五.恢复相机内外参

这部分代码只重构的相机内参的部分。相机外参涉及到光束平差法、雅可比矩阵和波形校正等等。。。这部分我也很晕。所以，计算外参，尤其是多幅图像拼接之间的外参计算是很麻烦的。愿有后来人能将这部分代码讲清楚。。。

六.投影变换

如果你的项目镜头是固定的，也就是说你的内外参是固定的，上面的结果就可以看作是预训练的过程。因此你就可以不需要太去了解光束平差法怎么实现之类的细节问题。这一部分我会再细讲一下。

七.动态规划法寻找最佳缝合线

这部分很早之前就重构出来了，因此很多细节都我忘了。还是可以看一看的。

八.图像融合

这部分是我针对项目中特殊镜头成像写的，因此不具普遍性。这部分代码主要包括计算能量函数、寻找最佳缝合线，渐入渐出法融合。因为只寻找了小部分的缝合线，所以PC机图像融合部分耗是0.3s（两张图片）。当然还是很慢。由于Opencv羽化融合不适合我的图像，所以前面代码中的pano结果中间会有细微的黑影。

总结：

基本重构出了Opencv图像拼接整个流程的代码，由于一些工作是早期做的，所以很多东西没有记录下来，只有重构好的代码保留了下来。所以大家可以当作这是一份参考资料。