Python实现图像的全景拼接

基本介绍

图像的全景拼接，即“缝合”两张具有重叠区域的图来创建一张全景图。其中用到了计算机视觉和图像处理技术有：关键点特征检测、局部不变特征、关键特征点匹配、RANSAC(Random Sample Consensus，随机采样一致性)和透视变形。

具体步骤

（1）检测左右两张图像的SIFT关键特征点，并提取局部不变特征 ；

（2）使用knnMatch检测来自右图(左图)的SIFT特征，与左图(右图)进行匹配 ；

（3）计算视角变换矩阵H，用变换矩阵H对右图进行扭曲变换；

（4）将左图(右图)加入到变换后的图像的左侧(右侧)获得最终图像；

代码：

1. import cv2 as cv # 导入opencv包
2. import numpy as np # 导入numpy包，图像处理中的矩阵运算需要用到
3. # 检测图像的SIFT关键特征点
4. def sift_keypoints_detect(image):
5. # 处理图像一般很少用到彩色信息，通常直接将图像转换为灰度图
6. gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
7. # 获取图像特征sift-SIFT特征点,实例化对象sift
8. sift = cv.xfeatures2d.SIFT_create()
9. # keypoints:特征点向量,向量内的每一个元素是一个KeyPoint对象，包含了特征点的各种属性信息(角度、关键特征点坐标等)
10. # features:表示输出的sift特征向量，通常是128维的
11. keypoints, features = sift.detectAndCompute(image, None)
12. # cv.drawKeyPoints():在图像的关键特征点部位绘制一个小圆圈
13. # 如果传递标志flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,它将绘制一个大小为keypoint的圆圈并显示它的方向
14. # 这种方法同时显示图像的坐标，大小和方向，是最能显示特征的一种绘制方式
15. keypoints_image = cv.drawKeypoints(
16. gray_image, keypoints, None, flags=cv.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)
17. # 返回带关键特征点的图像、关键特征点和sift的特征向量
18. return keypoints_image, keypoints, features
19. # 使用KNN检测来自左右图像的SIFT特征，随后进行匹配
20. def get_feature_point_ensemble(features_right, features_left):
21. # 创建BFMatcher对象解决匹配
22. bf = cv.BFMatcher()
23. # knnMatch()函数：返回每个特征点的最佳匹配k个匹配点
24. # features_right为模板图，features_left为匹配图
25. matches = bf.knnMatch(features_right, features_left, k=2)
26. # 利用sorted()函数对matches对象进行升序(默认)操作
27. matches = sorted(matches, key=lambda x: x[0].distance / x[1].distance)
28. # x:x[]字母可以随意修改，排序方式按照中括号[]里面的维度进行排序，[0]按照第一维排序，[2]按照第三维排序
29. # 建立列表good用于存储匹配的点集
30. good = []
31. for m, n in matches:
32. # ratio的值越大，匹配的线条越密集，但错误匹配点也会增多
33. ratio = 0.6
34. if m.distance < ratio * n.distance:
35. good.append(m)
36. # 返回匹配的关键特征点集
37. return good
38. # 计算视角变换矩阵H，用H对右图进行变换并返回全景拼接图像
39. def Panorama_stitching(image_right, image_left):
40. _, keypoints_right, features_right = sift_keypoints_detect(image_right)
41. _, keypoints_left, features_left = sift_keypoints_detect(image_left)
42. goodMatch = get_feature_point_ensemble(features_right, features_left)
43. # 当筛选项的匹配对大于4对(因为homography单应性矩阵的计算需要至少四个点)时,计算视角变换矩阵
44. if len(goodMatch) > 4:
45. # 获取匹配对的点坐标
46. ptsR = np.float32(
47. [keypoints_right[m.queryIdx].pt for m in goodMatch]).reshape(-1, 1, 2)
48. ptsL = np.float32(
49. [keypoints_left[m.trainIdx].pt for m in goodMatch]).reshape(-1, 1, 2)
50. # ransacReprojThreshold：将点对视为内点的最大允许重投影错误阈值(仅用于RANSAC和RHO方法时),若srcPoints和dstPoints是以像素为单位的，该参数通常设置在1到10的范围内
51. ransacReprojThreshold = 4
52. # cv.findHomography():计算多个二维点对之间的最优单映射变换矩阵 H(3行x3列),使用最小均方误差或者RANSAC方法
53. # 函数作用:利用基于RANSAC的鲁棒算法选择最优的四组配对点，再计算转换矩阵H(3*3)并返回,以便于反向投影错误率达到最小
54. Homography, status = cv.findHomography(
55. ptsR, ptsL, cv.RANSAC, ransacReprojThreshold)
56. # cv.warpPerspective()：透视变换函数，用于解决cv2.warpAffine()不能处理视场和图像不平行的问题
57. # 作用：就是对图像进行透视变换，可保持直线不变形，但是平行线可能不再平行
58. Panorama = cv.warpPerspective(
59. image_right, Homography, (image_right.shape[1] + image_left.shape[1], image_right.shape[0]))
60. cv.imshow("扭曲变换后的右图", Panorama)
61. cv.waitKey(0)
62. cv.destroyAllWindows()
63. # 将左图加入到变换后的右图像的左端即获得最终图像
64. Panorama[0:image_left.shape[0], 0:image_left.shape[1]] = image_left
65. # 返回全景拼接的图像
66. return Panorama
67. if __name__ == '__main__':
68. # 读取需要拼接的图像,需要注意图像左右的顺序
69. image_left = cv.imread("./Left.jpg")
70. image_right = cv.imread("./Right.jpg")
71. # 通过调用cv2.resize()使用插值的方式来改变图像的尺寸，保证左右两张图像大小一致
72. # cv.resize()函数中的第二个形参dsize表示输出图像大小尺寸，当设置为0(None)时，则表示按fx与fy与原始图像大小相乘得到输出图像尺寸大小
73. image_right = cv.resize(image_right, None, fx=0.4, fy=0.24)
74. image_left = cv.resize(image_left, (image_right.shape[1], image_right.shape[0]))
75. # 获取检测到关键特征点后的图像的相关参数
76. keypoints_image_right, keypoints_right, features_right = sift_keypoints_detect(image_right)
77. keypoints_image_left, keypoints_left, features_left = sift_keypoints_detect(image_left)
78. # 利用np.hstack()函数同时将原图和绘有关键特征点的图像沿着竖直方向(水平顺序)堆叠起来
79. cv.imshow("左图关键特征点检测", np.hstack((image_left, keypoints_image_left)))
80. # 一般在imshow后设置 waitKey(0) , 代表按任意键继续
81. cv.waitKey(0)
82. # 删除先前建立的窗口
83. cv.destroyAllWindows()
84. cv.imshow("右图关键特征点检测", np.hstack((image_right, keypoints_image_right)))
85. cv.waitKey(0)
86. cv.destroyAllWindows()
87. goodMatch = get_feature_point_ensemble(features_right, features_left)
88. # cv.drawMatches():在提取两幅图像特征之后，画出匹配点对连线
89. # matchColor – 匹配的颜色（特征点和连线),若matchColor==Scalar::all(-1),颜色随机
90. all_goodmatch_image = cv.drawMatches(
91. image_right, keypoints_right, image_left, keypoints_left, goodMatch, None, None, None, None, flags=2)
92. cv.imshow("所有匹配的SIFT关键特征点连线", all_goodmatch_image)
93. cv.waitKey(0)
94. cv.destroyAllWindows()
95. # 把图片拼接成全景图并保存
96. Panorama = Panorama_stitching(image_right, image_left)
97. cv.namedWindow("全景图", cv.WINDOW_AUTOSIZE)
98. cv.imshow("全景图", Panorama)
99. cv.imwrite("./全景图.jpg", Panorama)
100. cv.waitKey(0)
101. cv.destroyAllWindows()

左图关键特征点检测

右图关键特征点检测

所有匹配的SIFT关键特征点连线

扭曲变换后的右图

全景图

由于输入的左右图像之间有大量重叠，导致全景图的主要添加部分是在拼接图像的右侧，因此会造成拼接后全景图右侧有大量的黑色空白区域。

原文地址：https://mp.weixin.qq.com/s/70mYlKLzrpooZYYS5P02TQ