本文转载基于SIFT特征的全景图像拼接http://blog.csdn.net/masibuaa/article/details/9246493

主要分为以下几个步骤：

(1) 读入两张图片并分别提取SIFT特征

(2) 利用k-d tree和BBF算法进行特征匹配查找

(3) 利用RANSAC算法筛选匹配点并计算变换矩阵

(3) 图像融合

SIFT算法以及RANSAC算法都是利用的RobHess的SIFT源码，前三个步骤RobHess的源码中都有自带的示例。

(1) SIFT特征提取

直接调用RobHess源码(RobHess的SIFT源码分析：综述)中的sift_features()函数进行默认参数的SIFT特征提取，主要代码如下：

[cpp] view plaincopy
  1. img1_Feat = cvCloneImage(img1);//复制图1，深拷贝，用来画特征点
  2. img2_Feat = cvCloneImage(img2);//复制图2，深拷贝，用来画特征点
  3. //默认提取的是LOWE格式的SIFT特征点
  4. //提取并显示第1幅图片上的特征点
  5. n1 = sift_features( img1, &feat1 );//检测图1中的SIFT特征点,n1是图1的特征点个数
  6. export_features("feature1.txt",feat1,n1);//将特征向量数据写入到文件
  7. draw_features( img1_Feat, feat1, n1 );//画出特征点
  8. cvNamedWindow(IMG1_FEAT);//创建窗口
  9. cvShowImage(IMG1_FEAT,img1_Feat);//显示
  10. //提取并显示第2幅图片上的特征点
  11. n2 = sift_features( img2, &feat2 );//检测图2中的SIFT特征点，n2是图2的特征点个数
  12. export_features("feature2.txt",feat2,n2);//将特征向量数据写入到文件
  13. draw_features( img2_Feat, feat2, n2 );//画出特征点
  14. cvNamedWindow(IMG2_FEAT);//创建窗口
  15. cvShowImage(IMG2_FEAT,img2_Feat);//显示

检测出的SIFT特征点如下：

                 

(2) 利用k-d tree和BBF算法进行特征匹配查找，并根据最近邻和次近邻距离比值进行初步筛选

也是调用RobHess源码中的函数，加上之后的一些筛选处理，主要代码如下：

[cpp] view plaincopy
  1. //根据图1的特征点集feat1建立k-d树，返回k-d树根给kd_root
  2. kd_root = kdtree_build( feat1, n1 );
  3. Point pt1,pt2;//连线的两个端点
  4. double d0,d1;//feat2中每个特征点到最近邻和次近邻的距离
  5. int matchNum = 0;//经距离比值法筛选后的匹配点对的个数
  6. //遍历特征点集feat2，针对feat2中每个特征点feat，选取符合距离比值条件的匹配点，放到feat的fwd_match域中
  7. for(int i = 0; i < n2; i++ )
  8. {
  9. feat = feat2+i;//第i个特征点的指针
  10. //在kd_root中搜索目标点feat的2个最近邻点，存放在nbrs中，返回实际找到的近邻点个数
  11. int k = kdtree_bbf_knn( kd_root, feat, 2, &nbrs, KDTREE_BBF_MAX_NN_CHKS );
  12. if( k == 2 )
  13. {
  14. d0 = descr_dist_sq( feat, nbrs[0] );//feat与最近邻点的距离的平方
  15. d1 = descr_dist_sq( feat, nbrs[1] );//feat与次近邻点的距离的平方
  16. //若d0和d1的比值小于阈值NN_SQ_DIST_RATIO_THR，则接受此匹配，否则剔除
  17. if( d0 < d1 * NN_SQ_DIST_RATIO_THR )
  18. {   //将目标点feat和最近邻点作为匹配点对
  19. pt2 = Point( cvRound( feat->x ), cvRound( feat->y ) );//图2中点的坐标
  20. pt1 = Point( cvRound( nbrs[0]->x ), cvRound( nbrs[0]->y ) );//图1中点的坐标(feat的最近邻点)
  21. pt2.x += img1->width;//由于两幅图是左右排列的，pt2的横坐标加上图1的宽度，作为连线的终点
  22. cvLine( stacked, pt1, pt2, CV_RGB(255,0,255), 1, 8, 0 );//画出连线
  23. matchNum++;//统计匹配点对的个数
  24. feat2[i].fwd_match = nbrs[0];//使点feat的fwd_match域指向其对应的匹配点
  25. }
  26. }
  27. free( nbrs );//释放近邻数组
  28. }
  29. //显示并保存经距离比值法筛选后的匹配图
  30. cvNamedWindow(IMG_MATCH1);//创建窗口
  31. cvShowImage(IMG_MATCH1,stacked);//显示

匹配结果如下：

(3) 利用RANSAC算法筛选匹配点并计算变换矩阵

此部分最主要的是RobHess源码中的ransac_xform()函数，此函数实现了用RANSAC算法筛选匹配点，返回结果是计算好的变换矩阵。

此部分中，我利用匹配点的坐标关系，对输入的两幅图像的左右关系进行了判断，并根据结果选择使用矩阵H或H的逆阵进行变换。

所以读入的两幅要拼接的图像的左右位置关系可以随意，程序中可自动调整。

主要代码如下：

[cpp] view plaincopy
  1. //利用RANSAC算法筛选匹配点,计算变换矩阵H，
  2. //无论img1和img2的左右顺序，计算出的H永远是将feat2中的特征点变换为其匹配点，即将img2中的点变换为img1中的对应点
  3. H = ransac_xform(feat2,n2,FEATURE_FWD_MATCH,lsq_homog,4,0.01,homog_xfer_err,3.0,&inliers,&n_inliers);
  4. //若能成功计算出变换矩阵，即两幅图中有共同区域
  5. if( H )
  6. {
  7. qDebug()<<tr("经RANSAC算法筛选后的匹配点对个数：")<<n_inliers<<endl; //输出筛选后的匹配点对个数
  8. int invertNum = 0;//统计pt2.x > pt1.x的匹配点对的个数，来判断img1中是否右图
  9. //遍历经RANSAC算法筛选后的特征点集合inliers，找到每个特征点的匹配点，画出连线
  10. for(int i=0; i<n_inliers; i++)
  11. {
  12. feat = inliers[i];//第i个特征点
  13. pt2 = Point(cvRound(feat->x), cvRound(feat->y));//图2中点的坐标
  14. pt1 = Point(cvRound(feat->fwd_match->x), cvRound(feat->fwd_match->y));//图1中点的坐标(feat的匹配点)
  15. //qDebug()<<"pt2:("<<pt2.x<<","<<pt2.y<<")--->pt1:("<<pt1.x<<","<<pt1.y<<")";//输出对应点对
  16. //统计匹配点的左右位置关系，来判断图1和图2的左右位置关系
  17. if(pt2.x > pt1.x)
  18. invertNum++;
  19. pt2.x += img1->width;//由于两幅图是左右排列的，pt2的横坐标加上图1的宽度，作为连线的终点
  20. cvLine(stacked_ransac,pt1,pt2,CV_RGB(255,0,255),1,8,0);//在匹配图上画出连线
  21. }
  22. cvNamedWindow(IMG_MATCH2);//创建窗口
  23. cvShowImage(IMG_MATCH2,stacked_ransac);//显示经RANSAC算法筛选后的匹配图
  24. /*程序中计算出的变换矩阵H用来将img2中的点变换为img1中的点，正常情况下img1应该是左图，img2应该是右图。
  25. 此时img2中的点pt2和img1中的对应点pt1的x坐标的关系基本都是：pt2.x < pt1.x
  26. 若用户打开的img1是右图，img2是左图，则img2中的点pt2和img1中的对应点pt1的x坐标的关系基本都是：pt2.x > pt1.x
  27. 所以通过统计对应点变换前后x坐标大小关系，可以知道img1是不是右图。
  28. 如果img1是右图，将img1中的匹配点经H的逆阵H_IVT变换后可得到img2中的匹配点*/
  29. //若pt2.x > pt1.x的点的个数大于内点个数的80%，则认定img1中是右图
  30. if(invertNum > n_inliers * 0.8)
  31. {
  32. CvMat * H_IVT = cvCreateMat(3, 3, CV_64FC1);//变换矩阵的逆矩阵
  33. //求H的逆阵H_IVT时，若成功求出，返回非零值
  34. if( cvInvert(H,H_IVT) )
  35. {
  36. cvReleaseMat(&H);//释放变换矩阵H，因为用不到了
  37. H = cvCloneMat(H_IVT);//将H的逆阵H_IVT中的数据拷贝到H中
  38. cvReleaseMat(&H_IVT);//释放逆阵H_IVT
  39. //将img1和img2对调
  40. IplImage * temp = img2;
  41. img2 = img1;
  42. img1 = temp;
  43. ui->mosaicButton->setEnabled(true);//激活全景拼接按钮
  44. }
  45. else//H不可逆时，返回0
  46. {
  47. cvReleaseMat(&H_IVT);//释放逆阵H_IVT
  48. QMessageBox::warning(this,tr("警告"),tr("变换矩阵H不可逆"));
  49. }
  50. }
  51. else
  52. ui->mosaicButton->setEnabled(true);//激活全景拼接按钮
  53. }
  54. else //无法计算出变换矩阵，即两幅图中没有重合区域
  55. {
  56. QMessageBox::warning(this,tr("警告"),tr("两图中无公共区域"));
  57. }

经RANSAC筛选后的匹配结果如下图：

(3) 图像融合

这里有两种拼接方法：

① 简易拼接方法的过程是：首先将右图img2经变换矩阵H变换到一个新图像中，然后直接将左图img1加到新图像中，这样拼接出来会有明显的拼接缝，但也是一个初步的成品了。

② 另一种方法首先也是将右图img2经变换矩阵H变换到一个新图像中，然后图像的融合过程将目标图像分为三部分，最左边完全取自img1中的数据，中间的重合部分是两幅图像的加权平均，重合区域右边的部分完全取自img2经变换后的图像。加权平均的权重选择也有好多方法，比如可以使用最基本的取两张图像的平均值，但这样会有明显的拼接缝。这里首先计算出拼接区域的宽度，设d1，d2分别是重叠区域中的点到重叠区域左边界和右边界的距离，则使用如下公式计算重叠区域的像素值：

，这样就可以实现平滑过渡。

主要代码如下：

[cpp] view plaincopy
  1. //若能成功计算出变换矩阵，即两幅图中有共同区域，才可以进行全景拼接
  2. if(H)
  3. {
  4. //拼接图像，img1是左图，img2是右图
  5. CalcFourCorner();//计算图2的四个角经变换后的坐标
  6. //为拼接结果图xformed分配空间,高度为图1图2高度的较小者，根据图2右上角和右下角变换后的点的位置决定拼接图的宽度
  7. xformed = cvCreateImage(cvSize(MIN(rightTop.x,rightBottom.x),MIN(img1->height,img2->height)),IPL_DEPTH_8U,3);
  8. //用变换矩阵H对右图img2做投影变换(变换后会有坐标右移)，结果放到xformed中
  9. cvWarpPerspective(img2,xformed,H,CV_INTER_LINEAR + CV_WARP_FILL_OUTLIERS,cvScalarAll(0));
  10. cvNamedWindow(IMG_MOSAIC_TEMP); //显示临时图,即只将图2变换后的图
  11. cvShowImage(IMG_MOSAIC_TEMP,xformed);
  12. //简易拼接法：直接将将左图img1叠加到xformed的左边
  13. xformed_simple = cvCloneImage(xformed);//简易拼接图，克隆自xformed
  14. cvSetImageROI(xformed_simple,cvRect(0,0,img1->width,img1->height));
  15. cvAddWeighted(img1,1,xformed_simple,0,0,xformed_simple);
  16. cvResetImageROI(xformed_simple);
  17. cvNamedWindow(IMG_MOSAIC_SIMPLE);//创建窗口
  18. cvShowImage(IMG_MOSAIC_SIMPLE,xformed_simple);//显示简易拼接图
  19. //处理后的拼接图，克隆自xformed
  20. xformed_proc = cvCloneImage(xformed);
  21. //重叠区域左边的部分完全取自图1
  22. cvSetImageROI(img1,cvRect(0,0,MIN(leftTop.x,leftBottom.x),xformed_proc->height));
  23. cvSetImageROI(xformed,cvRect(0,0,MIN(leftTop.x,leftBottom.x),xformed_proc->height));
  24. cvSetImageROI(xformed_proc,cvRect(0,0,MIN(leftTop.x,leftBottom.x),xformed_proc->height));
  25. cvAddWeighted(img1,1,xformed,0,0,xformed_proc);
  26. cvResetImageROI(img1);
  27. cvResetImageROI(xformed);
  28. cvResetImageROI(xformed_proc);
  29. cvNamedWindow(IMG_MOSAIC_BEFORE_FUSION);
  30. cvShowImage(IMG_MOSAIC_BEFORE_FUSION,xformed_proc);//显示融合之前的拼接图
  31. //采用加权平均的方法融合重叠区域
  32. int start = MIN(leftTop.x,leftBottom.x) ;//开始位置，即重叠区域的左边界
  33. double processWidth = img1->width - start;//重叠区域的宽度
  34. double alpha = 1;//img1中像素的权重
  35. for(int i=0; i<xformed_proc->height; i++)//遍历行
  36. {
  37. const uchar * pixel_img1 = ((uchar *)(img1->imageData + img1->widthStep * i));//img1中第i行数据的指针
  38. const uchar * pixel_xformed = ((uchar *)(xformed->imageData + xformed->widthStep * i));//xformed中第i行数据的指针
  39. uchar * pixel_xformed_proc = ((uchar *)(xformed_proc->imageData + xformed_proc->widthStep * i));//xformed_proc中第i行数据的指针
  40. for(int j=start; j<img1->width; j++)//遍历重叠区域的列
  41. {
  42. //如果遇到图像xformed中无像素的黑点，则完全拷贝图1中的数据
  43. if(pixel_xformed[j*3] < 50 && pixel_xformed[j*3+1] < 50 && pixel_xformed[j*3+2] < 50 )
  44. {
  45. alpha = 1;
  46. }
  47. else
  48. {   //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
  49. alpha = (processWidth-(j-start)) / processWidth ;
  50. }
  51. pixel_xformed_proc[j*3] = pixel_img1[j*3] * alpha + pixel_xformed[j*3] * (1-alpha);//B通道
  52. pixel_xformed_proc[j*3+1] = pixel_img1[j*3+1] * alpha + pixel_xformed[j*3+1] * (1-alpha);//G通道
  53. pixel_xformed_proc[j*3+2] = pixel_img1[j*3+2] * alpha + pixel_xformed[j*3+2] * (1-alpha);//R通道
  54. }
  55. }
  56. cvNamedWindow(IMG_MOSAIC_PROC);//创建窗口
  57. cvShowImage(IMG_MOSAIC_PROC,xformed_proc);//显示处理后的拼接图
  58. /*重叠区域取两幅图像的平均值，效果不好
  59. //设置ROI，是包含重叠区域的矩形
  60. cvSetImageROI(xformed_proc,cvRect(MIN(leftTop.x,leftBottom.x),0,img1->width-MIN(leftTop.x,leftBottom.x),xformed_proc->height));
  61. cvSetImageROI(img1,cvRect(MIN(leftTop.x,leftBottom.x),0,img1->width-MIN(leftTop.x,leftBottom.x),xformed_proc->height));
  62. cvSetImageROI(xformed,cvRect(MIN(leftTop.x,leftBottom.x),0,img1->width-MIN(leftTop.x,leftBottom.x),xformed_proc->height));
  63. cvAddWeighted(img1,0.5,xformed,0.5,0,xformed_proc);
  64. cvResetImageROI(xformed_proc);
  65. cvResetImageROI(img1);
  66. cvResetImageROI(xformed); //*/
  67. /*对拼接缝周围区域进行滤波来消除拼接缝，效果不好
  68. //在处理前后的图上分别设置横跨拼接缝的矩形ROI
  69. cvSetImageROI(xformed_proc,cvRect(img1->width-10,0,img1->width+10,xformed->height));
  70. cvSetImageROI(xformed,cvRect(img1->width-10,0,img1->width+10,xformed->height));
  71. cvSmooth(xformed,xformed_proc,CV_MEDIAN,5);//对拼接缝周围区域进行中值滤波
  72. cvResetImageROI(xformed);
  73. cvResetImageROI(xformed_proc);
  74. cvShowImage(IMG_MOSAIC_PROC,xformed_proc);//显示处理后的拼接图 */
  75. /*想通过锐化解决变换后的图像失真的问题，对于扭曲过大的图像，效果不好
  76. double a[]={  0, -1,  0, -1,  5, -1, 0, -1,  0  };//拉普拉斯滤波核的数据
  77. CvMat kernel = cvMat(3,3,CV_64FC1,a);//拉普拉斯滤波核
  78. cvFilter2D(xformed_proc,xformed_proc,&kernel);//滤波
  79. cvShowImage(IMG_MOSAIC_PROC,xformed_proc);//显示处理后的拼接图*/
  80. }

右图经变换后的结果如下图：

简易拼接结果如下图：

使用第二种方法时，重合区域融合之前如下图：

加权平均融合之后如下图：

用Qt做了个简单的界面，如下：

还有很多不足，经常有黑边无法去除，望大家多多指正。

实验环境：

IDE是 Qt Creator 2.4.1，Qt版本是4.8.4，OpenCV版本是2.4.4，SIFT源码来自RobHess给出的源码

源码下载：基于SIFT特征的全景图像拼接，Qt工程：http://download.csdn.net/detail/masikkk/5702681

基于OpenCV全景图像拼接相关推荐

  1. 【Opencv探索】基于OpenCV的“图像拼接特效”（这效果很实用啊）

    前言 家好!我是梨子同学! 希望大家多多支持我!哈哈 为了感谢每一个关注我的小可爱:

  2. opencv全景图像拼接

    需要先创建一个Stitcher文件,方便拼接图片时作为库引用. 以下代码为Stitcher.py文件的内容. import cv2 import numpy as npclass Stitcher:# ...

  3. opencv 全景 android,基于OpenCV的Android手机全景图像拼接技术研究

    摘要: 21世纪是信息化时代,人们每天被各式各样的信息所包围,这些信息中90%来自于图像.在生活中很多情况下,人们需要记录某些场景,常用的工具就是相机,包括带拍照功能的智能手机.随着科技的发展,软硬件 ...

  4. 图像拼接和图像融合技术（基于Opencv）

    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 ...

  5. 基于OpenCV＆ORB和特征匹配的双视频图像拼接（源码＆部署教程）

    1.双视频拼接效果展示 2.视频演示 [项目分享]Python基于OpenCV&ORB和特征匹配的双视频图像拼接(源码&部署教程)_哔哩哔哩_bilibili 3.背景 随着汽车电子和 ...

  6. Python基于OpenCV＆ORB和特征匹配的双视频图像拼接（源码＆部署教程）

    1.双视频拼接效果展示 2.视频演示 [项目分享]Python基于OpenCV&ORB和特征匹配的双视频图像拼接(源码&部署教程)_哔哩哔哩_bilibili 3.背景 随着汽车电子和 ...

  7. OpenCV常用图像拼接方法(四)：基于Stitcher类拼接

    OpenCV常用图像拼接方法将分为四个部分与大家共享,这里是第四种方法,至此四种常用方法介绍完毕. OpenCV的常用图像拼接方法(四):基于OpenCV Stitcher类的图像拼接,OpenCV版 ...

  8. 第 12 章 基于块匹配的全景图像拼接--Matlab深度学习实战图像处理应用

    第 12 章 基于块匹配的全景图像拼接–Matlab深度学习实战图像处理应用GUI实现 效果如图所示 完整案例 主函数文件 Gui_Main.m文件 function varargout = Gui_ ...

  9. akaze特征匹配怎么去掉不合适的点_单应性矩阵应用基于特征的图像拼接

    点击上方蓝字关注我们 微信公众号:OpenCV学堂 关注获取更多计算机视觉与深度学习知识 前言 前面写了一篇关于单应性矩阵的相关文章,结尾说到基于特征的图像拼接跟对象检测中单应性矩阵应用场景.得到很多 ...

最新文章

  1. 软件测试培训分享：如何才能选择到靠谱的培训学校
  2. sql 字符串比较大小_SQL简单查询
  3. Maven笔记（2）-- 常用命令和标准的Maven项目结构
  4. App设计灵感之十二组精美的外卖App设计案例
  5. 常搓八个部位可以防衰老 - 健康程序员，至尚生活！
  6. C++socket编程（一）：绪论
  7. 基于深度学习的人脸识别系统系列（Caffe+OpenCV+Dlib）——【六】设计人脸识别的识别类...
  8. hduoj 6000 2016CCPC-final B. Wash（贪心）
  9. linux -- open /acess/ftruncate/lstat 函数
  10. 面试遇到不会回答的问题，如何力挽狂澜 ？
  11. C语言学生管理系统源代码
  12. linux可执行文件的后缀是什么?
  13. ios 请在设置中打开相机权限_ios开发相机权限问题
  14. Ubuntu 12.04安装QQ2012(12.10也可以，试过了的，其他版本没事过)
  15. Aerospike SSD模式下写入swb内的记录格式
  16. 多开QQ出现多次验证码怎么办？
  17. [BZOJ]1059: [ZJOI2007]矩阵游戏
  18. 从MPU6050了解姿态解算
  19. 十月，再见；你好，十一月
  20. 50条有趣的Python一行代码，建议收藏！

热门文章

  1. SSD+caffe︱Single Shot MultiBox Detector 目标检测（一）
  2. java笔记高级部分
  3. DIY audio player - 自定义audio播放器样式
  4. inotify实时同步工具理论和实战
  5. xmldocument的使用
  6. J2EE (十) Java中多种方式实现单例模式
  7. 重新认识鸿鹄与燕雀的区别
  8. Java 开发常用资源
  9. pandas数据处理实践三（DataFrame.apply、merge、rename，数据预处理、DataFrame.drop_duplicates去重）
  10. IDEA如何导入git仓库的分支代码