getprocaddress得到为0_拼接图像得到全景图

函数介绍
图像拼接算法实现
图像拼接算法改进

Image Stitching with OpenCV and Python - PyImageSearchwww.pyimagesearch.com

本文参考上面这个链接，实现多张图像的拼接，构建一张全景图。

根据多个图像创建全景图的步骤为：

检测两张图像的关键点特征（DoG、Harris等）
计算不变特征描述符（SIFT、SURF或ORB等）
根据关键点特征和描述符，对两张图像进行匹配，得到若干匹配点对，并移除错误匹配；
使用Ransac算法和匹配的特征来估计单应矩阵（homography matrix）；
通过单应矩阵来对图像进行仿射变换；
两图像拼接，重叠部分融合；
裁剪以获得美观的最终图像。

原理比较复杂，本文先不讲解，OpenCV中已经实现了全景图拼接的算法，它们是 cv2.createStitcher (OpenCV 3.x) 和 cv2.Stitcher_create(OpenCV 4) 。

该算法对以下条件具有较好的鲁棒性：

输入图像的顺序
图像的方向
光照变化
图像噪声

一、函数介绍

OpenCV 3.x 的 cv2.createStitcher 函数原型为：

createStitcher(...)createStitcher([, try_use_gpu]) -> retval

这个函数有一个参数 try_use_gpu，它可以用来提升图像拼接整个过程的速度。

OpenCV 4 的 cv2.Stitcher_create 函数原型为：

Stitcher_create(...)Stitcher_create([, mode]) -> retval.   @brief Creates a Stitcher configured in one of the stitching. modes..   .   @param mode Scenario for stitcher operation. This is usually.    determined by source of images to stitch and their transformation.. Default parameters will be chosen for operation in given scenario..   @return Stitcher class instance.

要执行实际的图像拼接，我们需要调用 .stitch 方法：

OpenCV 3.x:
stitch(...) method of cv2.Stitcher instancestitch(images[, pano]) -> retval, panoOpenCV 4.x:
stitch(...) method of cv2.Stitcher instancestitch(images, masks[, pano]) -> retval, pano.   @brief These functions try to stitch the given images..   .   @param images Input images..   @param masks Masks for each input image specifying where to. look for keypoints (optional)..   @param pano Final pano..   @return Status code.

该方法接收一个图像列表，然后尝试将它们拼接成全景图像，并进行返回。

变量 status=0表示图像拼接是否成功。

二、图像拼接算法实现

先把三张图片读取出来存放到列表里：

img_dir = 'pictures/stitching'
names = os.listdir(img_dir)images = []
for name in names:img_path = os.path.join(img_dir, name)image = cv2.imread(img_path)images.append(image)

图片顺序没有影响，我试了一下，不同的图片顺序，输出全景图都相同。

然后构造图像拼接对象stitcher，要注意的是，OpenCV 3 和 4 的构造器是不同的。

import imutils
stitcher = cv2.createStitcher() if imutils.is_cv3() else cv2.Stitcher_create()

再把图像列表传入.stitch函数，该函数会返回状态和拼接好的全景图（如果没有错误）：

status, stitched = stitcher.stitch(images)

完整代码如下：

import os
import cv2
import imutilsimg_dir = 'pictures/stitching'
names = os.listdir(img_dir)images = []
for name in names:img_path = os.path.join(img_dir, name)image = cv2.imread(img_path)images.append(image)stitcher = cv2.createStitcher() if imutils.is_cv3() else cv2.Stitcher_create()
status, stitched = stitcher.stitch(images)if status==0:cv2.imwrite('pictures/stitch.jpg', stitched)

OpenCV真的很强大，这短短几行，就实现了拼接全景图。

全景图如下：

呃，全景图是实现了，但是周围出现了一些黑色区域。

这是因为构建全景时会做透视变换，透视变换时会产生这些黑色区域。

所以需要做进一步处理，裁剪出全景图的最大内部矩形区域，也就是只保留下图中红色虚线边框内的全景区域。

三、图像拼接算法改进

获取图像列表并得到初步全景图，这两步还是相同的：

img_dir = 'pictures/stitching'
names = os.listdir(img_dir)images = []
for name in names:img_path = os.path.join(img_dir, name)image = cv2.imread(img_path)images.append(image)stitcher = cv2.createStitcher() if imutils.is_cv3() else cv2.Stitcher_create()
status, stitched = stitcher.stitch(images)

在全景图四周各添加10像素宽的黑色边框，以确保能够找到全景图的完整轮廓：

stitched = cv2.copyMakeBorder(stitched, 10, 10, 10, 10, cv2.BORDER_CONSTANT, (0, 0, 0))

再将全景图转换为灰度图，并将不为0的像素全置为255，作为前景，其他像素灰度值为0，作为背景。

gray = cv2.cvtColor(stitched, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY)

现在有了全景图的二值图，再应用轮廓检测，找到最大轮廓的边界框，

注：和轮廓相关的详细讲解可以查看这篇文章。

cnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnt = max(cnts, key=cv2.contourArea)  # 获取最大轮廓mask = np.zeros(thresh.shape, dtype="uint8")
x, y, w, h = cv2.boundingRect(cnt)
# 绘制最大外接矩形框（内部填充）
cv2.rectangle(mask, (x, y), (x + w, y + h), 255, -1)

这个白色矩形框是整个全景图可以容纳下的最小矩形区域。

接下来就是最难，也是最巧妙的部分了，先创建mask的两个副本：

minRect，这个mask的白色区域会慢慢缩小，直到它刚好可以完全放入全景图内部。
sub，这个mask用于确定minRect是否需要继续减小，以得到满足要求的矩形区域。

minRect = mask.copy()
sub = mask.copy()# 开始while循环，直到sub中不再有前景像素
while cv2.countNonZero(sub) > 0:minRect = cv2.erode(minRect, None)sub = cv2.subtract(minRect, thresh)

不断地对minRect进行腐蚀操作，然后用minRect减去之前得到的阈值图像，得到sub，

再判断sub中是否存在非零像素，如果不存在，则此时的minRect就是我们最终想要的全景图内部最大矩形区域。

sub和minRect在while循环中的变化情况如下动图所示：

因为OpenCV中灰度图像素值范围0-255，如果两个数相减得到负数的话，会直接将其置为0；如果两个数相加，结果超过了255的话，则直接置为255。

比如下面这个图，左图中白色矩形可以完全包含在全景图中，但不是全景图的最大内接矩形，用它减去右边的阈值图，

因为黑色像素减白色像素，会得到黑色像素，所以其结果图为全黑的图。

所以上面那个while循环最终得到的minRect就是减去阈值图得到全黑图的面积最大的矩形区域。

好了，我们已经得到全景图的内置最大矩形框了，接下来就是找到这个矩形框的轮廓，并获取其坐标：

cnts, hierarchy = cv2.findContours(minRect.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnt = max(cnts, key=cv2.contourArea)
# 计算最大轮廓的边界框
(x, y, w, h) = cv2.boundingRect(cnt)# 使用边界框坐标提取最终的全景图
stitched = stitched[y:y + h, x:x + w]

得到最终结果图如下：

完整代码如下：

import os
import cv2
import imutils
import numpy as npimg_dir = '/images'
names = os.listdir(img_dir)images = []
for name in names:img_path = os.path.join(img_dir, name)image = cv2.imread(img_path)images.append(image)stitcher = cv2.createStitcher() if imutils.is_cv3() else cv2.Stitcher_create()
status, stitched = stitcher.stitch(images)# 四周填充黑色像素，再得到阈值图
stitched = cv2.copyMakeBorder(stitched, 10, 10, 10, 10, cv2.BORDER_CONSTANT, (0, 0, 0))
gray = cv2.cvtColor(stitched, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY)cnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnt = max(cnts, key=cv2.contourArea)mask = np.zeros(thresh.shape, dtype="uint8")
x, y, w, h = cv2.boundingRect(cnt)
cv2.rectangle(mask, (x, y), (x + w, y + h), 255, -1)minRect = mask.copy()
sub = mask.copy()# 开始while循环，直到sub中不再有前景像素
while cv2.countNonZero(sub) > 0:minRect = cv2.erode(minRect, None)sub = cv2.subtract(minRect, thresh)cnts, hierarchy = cv2.findContours(minRect.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnt = max(cnts, key=cv2.contourArea)
x, y, w, h = cv2.boundingRect(cnt)# 使用边界框坐标提取最终的全景图
stitched = stitched[y:y + h, x:x + w]cv2.imwrite('final.jpg', stitched)

如果觉得有用，就点个赞吧(ง •̀_•́)ง。