Opencv Sift和Surf特征实现图像无缝拼接生成全景图像
环境： OpenCV2.4.13+VS2012
Sift和Surf算法实现两幅图像拼接的过程是一样的，主要分为4大部分：
- 1. 特征点提取和描述
- 2. 特征点配对，找到两幅图像中匹配点的位置
- 3. 通过配对点，生成变换矩阵，并对图像1应用变换矩阵生成对图像2的映射图像
- 4. 图像2拼接到映射图像上，完成拼接
过程1、2、3没啥好说的了，关键看看步骤4中的拼接部分。这里先采用比较简单一点的拼接方式来实现：
- 1. 找到图像1和图像2中最强的匹配点所在的位置
- 2. 通过映射矩阵变换，得到图像1的最强匹配点经过映射后投影到新图像上的位置坐标
- 3. 在新图像上的最强匹配点的映射坐标处，衔接两幅图像，该点左侧图像完全是图像1，右侧完全是图像2
这里拼接的正确与否完全取决于特征点的选取，如果选取的是错误匹配的特征点，拼接一定失败，所以这里选了排在第一个的最强的匹配点，作为拼接点。
测试用例一原图1：
测试用例一原图2：
Sift拼接效果：
Surf拼接效果：
本例中最强匹配点的位置在图中红色小汽车附近，可以看到有一条像折痕一样的线条，这个就是两个图片的拼接线，并且如果图1和图2在拼接处的光线条件有变化的还，拼接后在衔接处左右就会显得很突兀，如Surf拼接中。拼接效果Sift貌似要比Surf好一点。
测试用例二原图1：
测试用例二原图2：
Sift拼接效果：
Surf拼接效果：
以下是Opencv实现：
#include "highgui/highgui.hpp"
#include "opencv2/nonfree/nonfree.hpp"
#include "opencv2/legacy/legacy.hpp"
using namespace cv;
//计算原始图像点位在经过矩阵变换后在目标图像上对应位置
Point2f getTransformPoint(const Point2f originalPoint,const Mat &transformMaxtri);
int main(int argc,char *argv[])
{
Mat image01=imread(argv[1]);
Mat image02=imread(argv[2]);
imshow("拼接图像1",image01);
imshow("拼接图像2",image02);
//灰度图转换
Mat image1,image2;
cvtColor(image01,image1,CV_RGB2GRAY);
cvtColor(image02,image2,CV_RGB2GRAY);
//提取特征点
SiftFeatureDetector siftDetector(800); // 海塞矩阵阈值
vector keyPoint1,keyPoint2;
siftDetector.detect(image1,keyPoint1);
siftDetector.detect(image2,keyPoint2);
//特征点描述，为下边的特征点匹配做准备
SiftDescriptorExtractor siftDescriptor;
Mat imageDesc1,imageDesc2;
siftDescriptor.compute(image1,keyPoint1,imageDesc1);
siftDescriptor.compute(image2,keyPoint2,imageDesc2);
//获得匹配特征点，并提取最优配对
FlannBasedMatcher matcher;
vector matchePoints;
matcher.match(imageDesc1,imageDesc2,matchePoints,Mat());
sort(matchePoints.begin(),matchePoints.end()); //特征点排序
//获取排在前N个的最优匹配特征点
vector imagePoints1,imagePoints2;
for(int i=0;i<10;i++)
{
imagePoints1.push_back(keyPoint1[matchePoints[i].queryIdx].pt);
imagePoints2.push_back(keyPoint2[matchePoints[i].trainIdx].pt);
}
//获取图像1到图像2的投影映射矩阵，尺寸为3*3
Mat homo=findHomography(imagePoints1,imagePoints2,CV_RANSAC);
Mat adjustMat=(Mat_(3,3)<<1.0,0,image01.cols,0,1.0,0,0,0,1.0);
Mat adjustHomo=adjustMat*homo;
//获取最强配对点在原始图像和矩阵变换后图像上的对应位置，用于图像拼接点的定位
Point2f originalLinkPoint,targetLinkPoint,basedImagePoint;
originalLinkPoint=keyPoint1[matchePoints[0].queryIdx].pt;
targetLinkPoint=getTransformPoint(originalLinkPoint,adjustHomo);
basedImagePoint=keyPoint2[matchePoints[0].trainIdx].pt;
//图像配准
Mat imageTransform1;
warpPerspective(image01,imageTransform1,adjustMat*homo,Size(image02.cols+image01.cols+10,image02.rows));
//在最强匹配点的位置处衔接，最强匹配点左侧是图1，右侧是图2，这样直接替换图像衔接不好，光线有突变
Mat ROIMat=image02(Rect(Point(basedImagePoint.x,0),Point(image02.cols,image02.rows)));
ROIMat.copyTo(Mat(imageTransform1,Rect(targetLinkPoint.x,0,image02.cols-basedImagePoint.x+1,image02.rows)));
namedWindow("拼接结果",0);
imshow("拼接结果",imageTransform1);
waitKey();
return 0;
}
//计算原始图像点位在经过矩阵变换后在目标图像上对应位置
Point2f getTransformPoint(const Point2f originalPoint,const Mat &transformMaxtri)
{
Mat originelP,targetP;
originelP=(Mat_(3,1)<(0,0)/targetP.at(2,0);
float y=targetP.at(1,0)/targetP.at(2,0);
return Point2f(x,y);
}
对于衔接处存在的缝隙问题，有一个解决办法是按一定权重叠加图1和图2的重叠部分，在重叠处图2的比重是1，向着图1的方向，越远离衔接处，图1的权重越来越大，图2的权重越来越低，实现平稳过渡。按照这个思路优化过的代码如下：
#include "highgui/highgui.hpp"
#include "opencv2/nonfree/nonfree.hpp"
#include "opencv2/legacy/legacy.hpp"
using namespace cv;
//计算原始图像点位在经过矩阵变换后在目标图像上对应位置
Point2f getTransformPoint(const Point2f originalPoint,const Mat &transformMaxtri);
int main(int argc,char *argv[])
{
Mat image01=imread(argv[1]);
Mat image02=imread(argv[2]);
imshow("拼接图像1",image01);
imshow("拼接图像2",image02);
//灰度图转换
Mat image1,image2;
cvtColor(image01,image1,CV_RGB2GRAY);
cvtColor(image02,image2,CV_RGB2GRAY);
//提取特征点
SiftFeatureDetector siftDetector(800); // 海塞矩阵阈值
vector keyPoint1,keyPoint2;
siftDetector.detect(image1,keyPoint1);
siftDetector.detect(image2,keyPoint2);
//特征点描述，为下边的特征点匹配做准备
SiftDescriptorExtractor siftDescriptor;
Mat imageDesc1,imageDesc2;
siftDescriptor.compute(image1,keyPoint1,imageDesc1);
siftDescriptor.compute(image2,keyPoint2,imageDesc2);
//获得匹配特征点，并提取最优配对
FlannBasedMatcher matcher;
vector matchePoints;
matcher.match(imageDesc1,imageDesc2,matchePoints,Mat());
sort(matchePoints.begin(),matchePoints.end()); //特征点排序
//获取排在前N个的最优匹配特征点
vector imagePoints1,imagePoints2;
for(int i=0;i<10;i++)
{
imagePoints1.push_back(keyPoint1[matchePoints[i].queryIdx].pt);
imagePoints2.push_back(keyPoint2[matchePoints[i].trainIdx].pt);
}
//获取图像1到图像2的投影映射矩阵，尺寸为3*3
Mat homo=findHomography(imagePoints1,imagePoints2,CV_RANSAC);
Mat adjustMat=(Mat_(3,3)<<1.0,0,image01.cols,0,1.0,0,0,0,1.0);
Mat adjustHomo=adjustMat*homo;
//获取最强配对点在原始图像和矩阵变换后图像上的对应位置，用于图像拼接点的定位
Point2f originalLinkPoint,targetLinkPoint,basedImagePoint;
originalLinkPoint=keyPoint1[matchePoints[0].queryIdx].pt;
targetLinkPoint=getTransformPoint(originalLinkPoint,adjustHomo);
basedImagePoint=keyPoint2[matchePoints[0].trainIdx].pt;
//图像配准
Mat imageTransform1;
warpPerspective(image01,imageTransform1,adjustMat*homo,Size(image02.cols+image01.cols+110,image02.rows));
//在最强匹配点左侧的重叠区域进行累加，是衔接稳定过渡，消除突变
Mat image1Overlap,image2Overlap; //图1和图2的重叠部分
image1Overlap=imageTransform1(Rect(Point(targetLinkPoint.x-basedImagePoint.x,0),Point(targetLinkPoint.x,image02.rows)));
image2Overlap=image02(Rect(0,0,image1Overlap.cols,image1Overlap.rows));
Mat image1ROICopy=image1Overlap.clone(); //复制一份图1的重叠部分
for(int i=0;i(i,j)[0]=(1-weight)*image1ROICopy.at(i,j)[0]+weight*image2Overlap.at(i,j)[0];
image1Overlap.at(i,j)[1]=(1-weight)*image1ROICopy.at(i,j)[1]+weight*image2Overlap.at(i,j)[1];
image1Overlap.at(i,j)[2]=(1-weight)*image1ROICopy.at(i,j)[2]+weight*image2Overlap.at(i,j)[2];
}
}
Mat ROIMat=image02(Rect(Point(image1Overlap.cols,0),Point(image02.cols,image02.rows))); //图2中不重合的部分
ROIMat.copyTo(Mat(imageTransform1,Rect(targetLinkPoint.x,0, ROIMat.cols,image02.rows))); //不重合的部分直接衔接上去
namedWindow("拼接结果",0);
imshow("拼接结果",imageTransform1);
imwrite("D:\\拼接结果.jpg",imageTransform1);
waitKey();
return 0;
}
//计算原始图像点位在经过矩阵变换后在目标图像上对应位置
Point2f getTransformPoint(const Point2f originalPoint,const Mat &transformMaxtri)
{
Mat originelP,targetP;
originelP=(Mat_(3,1)<(0,0)/targetP.at(2,0);
float y=targetP.at(1,0)/targetP.at(2,0);
return Point2f(x,y);
}
Sift拼接效果：
Surf拼接效果：
拼接处的线条消失了，也没有见突兀的光线变化，基本实现了无缝拼接。
测试用例三原图1：
测试用例三原图2：
拼接效果：
