Python+OpenCV實現(xiàn)圖像的全景拼接

更新時間：2020年03月05日 09:51:46 作者：CancerWu

這篇文章主要為大家詳細(xì)介紹了Python+OpenCV實現(xiàn)圖像的全景拼接，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下

本文實例為大家分享了Python+OpenCV實現(xiàn)圖像的全景拼接的具體代碼，供大家參考，具體內(nèi)容如下

環(huán)境：python3.5.2 + openCV3.4

1.算法目的

將兩張相同場景的場景圖片進(jìn)行全景拼接。

2.算法步驟

本算法基本步驟有以下幾步：

步驟1：將圖形先進(jìn)行桶形矯正

沒有進(jìn)行桶形變換的圖片效果可能會像以下這樣：

圖片越多拼接可能就會越夸張。

本算法是將圖片進(jìn)行桶形矯正。目的就是來縮減透視變換（Homography）之后圖片產(chǎn)生的變形，從而使拼接圖片變得畸形。

步驟2：特征點(diǎn)匹配

本算法使用的sift算法匹配，它具有旋轉(zhuǎn)不變性和縮放不變性，具體原理在之后會補(bǔ)上一篇關(guān)于sift算法的文章，這里就不做詳細(xì)介紹。

在匹配特征點(diǎn)的過程中，透視矩陣選取了4對特征點(diǎn)計算，公式為

點(diǎn)的齊次坐標(biāo)依賴于其尺度定義，因此矩陣H也僅依賴尺度定義，所以，單應(yīng)性矩陣具有8個獨(dú)立的自由度。

如果在選取的不正確的特征點(diǎn)，那么透視矩陣就可能計算錯誤，所以為了提高結(jié)果的魯棒性，就要去除這些錯誤的特征點(diǎn)，而RANSAC方法就是用來刪除這些錯誤的特征點(diǎn)。

**RANSAC：**用來找到正確模型來擬合帶有噪聲數(shù)據(jù)的迭代方法。基本思想：數(shù)據(jù)中包含正確的點(diǎn)和噪聲點(diǎn)，合理的模型應(yīng)該能夠在描述正確數(shù)據(jù)點(diǎn)的同時擯棄噪聲點(diǎn)。

RANSAC方法隨機(jī)獲取4對不同的特征匹配坐標(biāo)，計算出透視矩陣H1，再將第二張圖的特征匹配點(diǎn)經(jīng)過這個矩陣H1映射到第一張圖的坐標(biāo)空間里，通過計算來驗證這個H1矩陣是否滿足絕大部分的特征點(diǎn)。
通過迭代多次，以滿足最多特征匹配點(diǎn)的特征矩陣H作為結(jié)果。

這樣正常情況就可以去除錯誤的特征點(diǎn)了，除非匹配錯誤的特征點(diǎn)比正確的還多。

下圖是我在嘉庚圖書館旁拍攝的照片的特征點(diǎn)匹配。

步驟3：利用得到的變換矩陣進(jìn)行圖片的拼接。

可以看出基本做到了無縫拼接。只是在色差上還是看得出銜接的部分存在。

實現(xiàn)結(jié)果

我在宿舍里又多照了幾組照片來實驗：
室內(nèi)宿舍場景的特征點(diǎn)匹配：

拼接結(jié)果：

在室內(nèi)的效果根據(jù)結(jié)果來看效果也還可以。

我測試了宿舍里景深落差較大的兩張圖片：

特征點(diǎn)匹配：

雖然距離較遠(yuǎn)，但是還是可以粗略的匹配到特征點(diǎn)。

拼接結(jié)果：

從結(jié)果上來看可以看得出來，兩張圖片依然可以正確而粗略地拼接再一起，可以看得出是同一個區(qū)域。只是由于特征點(diǎn)不夠，在細(xì)節(jié)上景深落差較大的還是沒辦法完美地拼接。

import numpy as np
import cv2 as cv
import imutils

class Stitcher:
 def __init__(self):
 self.isv3 = imutils.is_cv3()

 def stitch(self,imgs, ratio = 0.75, reprojThresh = 4.0, showMatches = False):
 print('A')
 (img2, img1) = imgs
 #獲取關(guān)鍵點(diǎn)和描述符
 (kp1, des1) = self.detectAndDescribe(img1)
 (kp2, des2) = self.detectAndDescribe(img2)
 print(len(kp1),len(des1))
 print(len(kp2), len(des2))
 R = self.matchKeyPoints(kp1, kp2, des1, des2, ratio, reprojThresh)

 #如果沒有足夠的最佳匹配點(diǎn)，M為None
 if R is None:
 return None
 (good, M, mask) = R
 print(M)
 #對img1透視變換，M是ROI區(qū)域矩陣， 變換后的大小是(img1.w+img2.w, img1.h)
 result = cv.warpPerspective(img1, M, (img1.shape[1] + img2.shape[1], img1.shape[0]))
 #將img2的值賦給結(jié)果圖像
 result[0:img2.shape[0], 0:img2.shape[1]] = img2

 #是否需要顯示ROI區(qū)域
 if showMatches:
 vis = self.drawMatches1(img1, img2, kp1, kp2, good, mask)
 return (result, vis)

 return result


 def detectAndDescribe(self,img):
 print('B')
 gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

 #檢查我們使用的是否是penCV3.x
 if self.isv3:
 sift = cv.xfeatures2d.SIFT_create()
 (kps, des) = sift.detectAndCompute(img, None)
 else:
 sift = cv.FastFeatureDetector_create('SIFT')
 kps = sift.detect(gray)
 des = sift.compute(gray, kps)

 kps = np.float32([kp.pt for kp in kps]) # **********************************
 #返回關(guān)鍵點(diǎn)和描述符
 return (kps, des)

 def matchKeyPoints(self,kp1, kp2, des1, des2, ratio, reprojThresh):
 print('C')
 #初始化BF,因為使用的是SIFT ，所以使用默認(rèn)參數(shù)
 matcher = cv.DescriptorMatcher_create('BruteForce')
 # bf = cv.BFMatcher()
 # matches = bf.knnMatch(des1, des2, k=2)
 matches = matcher.knnMatch(des1, des2, 2) #***********************************

 #獲取理想匹配
 good = []
 for m in matches:
 if len(m) == 2 and m[0].distance < ratio * m[1].distance:
 good.append((m[0].trainIdx, m[0].queryIdx))

 print(len(good))
 #最少要有四個點(diǎn)才能做透視變換
 if len(good) > 4:
 #獲取關(guān)鍵點(diǎn)的坐標(biāo)
 # src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2)
 # dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)
 src_pts = np.float32([kp1[i] for (_, i) in good])
 dst_pts = np.float32([kp2[i] for (i, _) in good])

 #通過兩個圖像的關(guān)鍵點(diǎn)計算變換矩陣
 (M, mask) = cv.findHomography(src_pts, dst_pts, cv.RANSAC, reprojThresh)

 #返回最佳匹配點(diǎn)、變換矩陣和掩模
 return (good, M, mask)
 #如果不滿足最少四個 就返回None
 return None

 def drawMatches(img1, img2, kp1, kp2, matches, mask, M):
 # 獲得原圖像的高和寬
 h, w = img1.shape[:2]
 # 使用得到的變換矩陣對原圖像的四個角進(jìn)行變換，獲得目標(biāo)圖像上對應(yīng)的坐標(biāo)
 pts = np.float32([[0, 0], [0, h-1], [w-1, h-1], [w-1, 0]]).reshape(-1, 1, 2)
 dst = cv.perspectiveTransform(pts, M)
 matchesMask = mask.ravel().tolist()

 draw_params = dict(matchColor = (0, 255, 0),
  singlePointColor = None,
  matchesMask = matchesMask,
  flags = 2)
 img = cv.drawMatches(img1, kp1, img2, kp2, matches, None, **draw_params)

 return img

 def drawMatches1(self,img1, img2, kp1, kp2, metches,mask):
 print('D')
 (hA,wA) = img1.shape[:2]
 (hB,wB) = img2.shape[:2]
 vis = np.zeros((max(hA,hB), wA+wB, 3), dtype='uint8')
 vis[0:hA, 0:wA] = img1
 vis[0:hB, wA:] = img2
 for ((trainIdx, queryIdx),s) in zip(metches, mask):
 if s == 1:
 ptA = (int(kp1[queryIdx][0]), int(kp1[queryIdx][1]))
 ptB = (int(kp2[trainIdx][0])+wA, int(kp2[trainIdx][1]))
 cv.line(vis, ptA, ptB, (0, 255, 0), 1)

 return vis

# def show():
# img1 = cv.imread('image/sedona_left_01.png')
# img2 = cv.imread('image/sedona_right_01.png')
# img1 = imutils.resize(img1, width=400)
# img2 = imutils.resize(img2, width=400)
#
# stitcher = cv.Stitcher()
# (result, vis) = stitcher.stitch([img1, img2])
# # (result, vis) = stitch([img1,img2], showMatches=True)
#
# cv.imshow('image A', img1)
# cv.imshow('image B', img2)
# cv.imshow('keyPoint Matches', vis)
# cv.imshow('Result', result)
#
# cv.waitKey(0)
# cv.destroyAllWindows()
# show()

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: