[[439315]]

基本介紹

圖像的全景拼接，即“縫合”兩張具有重疊區(qū)域的圖來創(chuàng)建一張全景圖。其中用到了計算機視覺和圖像處理技術(shù)有：關(guān)鍵點特征檢測、局部不變特征、關(guān)鍵特征點匹配、RANSAC(Random Sample Consensus，隨機采樣一致性)和透視變形。

具體步驟

（1）檢測左右兩張圖像的SIFT關(guān)鍵特征點，并提取局部不變特征 ；

（2）使用knnMatch檢測來自右圖(左圖)的SIFT特征，與左圖(右圖)進行匹配 ；

（3）計算視角變換矩陣H，用變換矩陣H對右圖進行扭曲變換；

（4）將左圖(右圖)加入到變換后的圖像的左側(cè)(右側(cè))獲得最終圖像；

代碼： 

import cv2 as cv        # 導(dǎo)入opencv包  
import numpy as np      # 導(dǎo)入numpy包，圖像處理中的矩陣運算需要用到  
# 檢測圖像的SIFT關(guān)鍵特征點  
def sift_keypoints_detect(image):  
    # 處理圖像一般很少用到彩色信息，通常直接將圖像轉(zhuǎn)換為灰度圖  
    gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)  
    # 獲取圖像特征sift-SIFT特征點,實例化對象sift  
    sift = cv.xfeatures2d.SIFT_create()              
    # keypoints:特征點向量,向量內(nèi)的每一個元素是一個KeyPoint對象，包含了特征點的各種屬性信息(角度、關(guān)鍵特征點坐標(biāo)等)  
    # features:表示輸出的sift特征向量，通常是128維的  
    keypoints, features = sift.detectAndCompute(image, None)  
    # cv.drawKeyPoints():在圖像的關(guān)鍵特征點部位繪制一個小圓圈  
    # 如果傳遞標(biāo)志flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,它將繪制一個大小為keypoint的圓圈并顯示它的方向  
    # 這種方法同時顯示圖像的坐標(biāo)，大小和方向，是最能顯示特征的一種繪制方式  
    keypoints_image = cv.drawKeypoints(  
        gray_image, keypoints, None, flags=cv.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)  
    # 返回帶關(guān)鍵特征點的圖像、關(guān)鍵特征點和sift的特征向量  
    return keypoints_image, keypoints, features  
# 使用KNN檢測來自左右圖像的SIFT特征，隨后進行匹配  
def get_feature_point_ensemble(features_right, features_left): 
    # 創(chuàng)建BFMatcher對象解決匹配  
    bf = cv.BFMatcher()  
    # knnMatch()函數(shù)：返回每個特征點的最佳匹配k個匹配點  
    # features_right為模板圖，features_left為匹配圖  
    matches = bf.knnMatch(features_right, features_left, k=2)   
    # 利用sorted()函數(shù)對matches對象進行升序(默認(rèn))操作  
    matches = sorted(matches, key=lambda x: x[0].distance / x[1].distance)  
    # x:x[]字母可以隨意修改，排序方式按照中括號[]里面的維度進行排序，[0]按照第一維排序，[2]按照第三維排序  
    # 建立列表good用于存儲匹配的點集  
    good = []  
    for m, n in matches:  
    # ratio的值越大，匹配的線條越密集，但錯誤匹配點也會增多  
        ratio = 0.6 
        if m.distance < ratio * n.distance:  
            good.append(m)  
    # 返回匹配的關(guān)鍵特征點集  
    return good  
# 計算視角變換矩陣H，用H對右圖進行變換并返回全景拼接圖像  
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)  
    # 當(dāng)篩選項的匹配對大于4對(因為homography單應(yīng)性矩陣的計算需要至少四個點)時,計算視角變換矩陣  
    if len(goodMatch) > 4:  
        # 獲取匹配對的點坐標(biāo)  
        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：將點對視為內(nèi)點的最大允許重投影錯誤閾值(僅用于RANSAC和RHO方法時),若srcPoints和dstPoints是以像素為單位的，該參數(shù)通常設(shè)置在1到10的范圍內(nèi)  
        ransacReprojThreshold = 4  
        # cv.findHomography():計算多個二維點對之間的最優(yōu)單映射變換矩陣 H(3行x3列),使用最小均方誤差或者RANSAC方法  
        # 函數(shù)作用:利用基于RANSAC的魯棒算法選擇最優(yōu)的四組配對點，再計算轉(zhuǎn)換矩陣H(3*3)并返回,以便于反向投影錯誤率達到最小  
        Homography, status = cv.findHomography(  
            ptsR, ptsL, cv.RANSAC, ransacReprojThreshold)  
        # cv.warpPerspective()：透視變換函數(shù)，用于解決cv2.warpAffine()不能處理視場和圖像不平行的問題  
        # 作用：就是對圖像進行透視變換，可保持直線不變形，但是平行線可能不再平行  
        Panorama = cv.warpPerspective(  
            image_right, Homography, (image_right.shape[1] + image_left.shape[1], image_right.shape[0]))  
        cv.imshow("扭曲變換后的右圖", Panorama)  
        cv.waitKey(0)  
        cv.destroyAllWindows()  
        # 將左圖加入到變換后的右圖像的左端即獲得最終圖像  
        Panorama[0:image_left.shape[0], 0:image_left.shape[1]] = image_left  
        # 返回全景拼接的圖像 
        return Panorama  
if __name__ == '__main__':  
    # 讀取需要拼接的圖像,需要注意圖像左右的順序  
    image_left = cv.imread("./Left.jpg")  
    image_right = cv.imread("./Right.jpg")  
    # 通過調(diào)用cv2.resize()使用插值的方式來改變圖像的尺寸，保證左右兩張圖像大小一致  
    # cv.resize()函數(shù)中的第二個形參dsize表示輸出圖像大小尺寸，當(dāng)設(shè)置為0(None)時，則表示按fx與fy與原始圖像大小相乘得到輸出圖像尺寸大小  
    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]))  
    # 獲取檢測到關(guān)鍵特征點后的圖像的相關(guān)參數(shù)  
    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()函數(shù)同時將原圖和繪有關(guān)鍵特征點的圖像沿著豎直方向(水平順序)堆疊起來  
    cv.imshow("左圖關(guān)鍵特征點檢測", np.hstack((image_left, keypoints_image_left)))  
    # 一般在imshow后設(shè)置 waitKey(0) , 代表按任意鍵繼續(xù)  
    cv.waitKey(0)  
    # 刪除先前建立的窗口  
    cv.destroyAllWindows()  
    cv.imshow("右圖關(guān)鍵特征點檢測", np.hstack((image_right, keypoints_image_right)))  
    cv.waitKey(0)  
    cv.destroyAllWindows()  
    goodMatch = get_feature_point_ensemble(features_right, features_left)  
    # cv.drawMatches():在提取兩幅圖像特征之后，畫出匹配點對連線  
    # matchColor – 匹配的顏色（特征點和連線),若matchColor==Scalar::all(-1),顏色隨機  
    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關(guān)鍵特征點連線", all_goodmatch_image)  
    cv.waitKey(0)  
    cv.destroyAllWindows()  
    # 把圖片拼接成全景圖并保存  
    Panorama = Panorama_stitching(image_right, image_left)  
    cv.namedWindow("全景圖", cv.WINDOW_AUTOSIZE)  
    cv.imshow("全景圖", Panorama)  
    cv.imwrite("./全景圖.jpg", Panorama)  
    cv.waitKey(0)  
    cv.destroyAllWindows() 

左圖關(guān)鍵特征點檢測 

右圖關(guān)鍵特征點檢測

所有匹配的SIFT關(guān)鍵特征點連線

扭曲變換后的右圖

全景圖

由于輸入的左右圖像之間有大量重疊，導(dǎo)致全景圖的主要添加部分是在拼接圖像的右側(cè)，因此會造成拼接后全景圖右側(cè)有大量的黑色空白區(qū)域。