OpenCV计算机视觉实战（Python）| 13、项目实战：全景图像拼接

简介

本节为《OpenCV计算机视觉实战（Python）》版第13讲，项目实战：全景图像拼接，的总结。

一、特征匹配总结

1、 蛮力匹配(Brute-Force)

介绍

比较任意两个特征之间的距离（归一化欧氏距离），给定参数K，可以输出距离最小的K个匹配项。

程序

import cv2
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

def cv_show(name, img):
	cv2.imshow(name, img)
	cv2.waitKey(0)
	cv2.destroyAllWindows()
	
img1 = cv2.imread('',0)
img2 = cv2.imread('',0)
cv_show('img1', img1)
cv_show('img2', img2)

sift = cv2.xfeatures2d.SIFT_create()

kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

# crossCheck表示两个特征点互相匹配，例如A中的第I个特征点与B中的第J个特征点最近的，并且B中的第j个特征点到A中的第i个特征点也是
# NORM_L2: 归一化数组的欧几里得距离，如果其他特征计算方法需要考虑不同的匹配计算方式
bf = cv2.BFMatcher(crossCheck=True)

#### 一对一的匹配
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x:x.distance)

img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=2)

cv_show('img3', img3)

#### k对最佳匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)

good = []
for m, n in matches:
	if m.distance < 0.75 * n.distance:
		good.append([m])

img4 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good, None, flags=2)

cv_show('img4', img)

1. 如果要更快速完成操作，可以尝试使用cv2.FlannBasedMatcher()
2. K对最佳匹配时，要根据距离情况，选择合适的阈值

输出：

2、随机抽样一致算法（RANSAC）

Random sample consensus: RANSAC， 比最小二乘要好很多。

选择初始样本点进行拟合，给定一个容忍范围，不断进行迭代！

每一次拟合后，容忍范围内都有对应的数据点数，找出数据点个数最多的情况，就是最终的拟合结果。

单应性矩阵：

二、项目实战——图像拼接

1、步骤

1. 提取A和B的图像特征
2. 特征匹配
3. 计算H矩阵，对图像B（或者A）进行变换
4. 图像合并

2、程序

Stitcher.py:

import numpy as np
import cv2

class Stitcher:

	#拼接函数
	def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False):
		#获取输入图片
		(imageB, imageA) = images
		#检测A、B图片的SIFT关键特征点，并计算特征描述子
		(kpsA, featuresA) = self.detectAndDescribe(imageA)
		(kpsB, featuresB) = self.detectAndDescribe(imageB)
	
		# 匹配两张图片的所有特征点，返回匹配结果
		M = self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)
	
		# 如果返回结果为空，没有匹配成功的点，退出算法
		if M is None:
			return None
		
		# 否则，提取匹配结果
		# H是3*3视角变换矩阵
		(matches, H, status) = M
		# 将图片A进行视角变换，result是变换后图片
		result = cv2.warpPerspective(imagesA, H, (imageA.shape[1] + imageB.shape[1], imagesA.shape[0]))
		self.cv_show('result', result)
		# 将图片B传入result 图片最左端
		result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
		self.cv_show('result', result)
		
		# 检测是否需要显示图片匹配
		if showMatches:
			# 生成匹配图片
			vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
			# 返回结果
			return (result, vis)
		
	
	def matchKeypoints(self, kpsA, kpsb， featuresA, featuresB, ratio, reprojThresh):
		# 建立暴力匹配器
		matcher = cv2.BFMatcher()
		
		# 使用KNN检测来自A、B图的SIFT特征匹配对，K=2
		rawMatches = matcher.knnmatch(featuresA, featuresB, 2)
	
		matches = []
		for m in rawMatches:
		
			# 当最近距离跟次距离的比值小于ratio的值时，保留次匹配对,官方给定ratio的值为0.75
			if len(m) == 2 and m[0].distance < m[1].distance * ratio:
				# 存储两个点在featuresA,featuresB中的索引值
				matches.append((m[0].trainIdx, m[0].queryIdx))
		
		# 当筛选后的匹配对大于4时，计算视角变换矩阵（M矩阵计算需要最小8个方程，4个坐标对）
		if len(matches) > 4:
			# 获取匹配对的点坐标
			ptsA = np.float32([kpsA[i] for (_,i) in matches])
			ptsB = np.float32([kpsB[i] for (i,_) in matches])
	
			# 计算视角变换矩阵
			(H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)
	
			# 返回结果
			return (matches, H, status)

main.py:

from Stitcher import Stitcher
import cv2

# 读取拼接照片
stitcher = Stitcher()
(result, vis) = stitcher.stitch([imageA, imageB], showMathces=True)

# 显示所有图片
cv2.imshow('imageA', imageA)
cv2.imshow('imageB', imageB)
cv2.imshow('Keypoint Matches', vis)
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

重点总结

1. 建立暴力匹配器，并使用KNN检测来自A、B图的SIFT特征匹配对，K=2

		matcher = cv2.BFMatcher()
		rawMatches = matcher.knnmatch(featuresA, featuresB, 2)

2. 计算视角变换矩阵

	(H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh) 

3. 透视变换

# 将图片A进行视角变换，result是变换后图片
		result = cv2.warpPerspective(imagesA, H, (imageA.shape[1] + imageB.shape[1], imagesA.shape[0]))