python全景图像拼接_Python+OpenCV实现图像的全景拼接

本文实例为大家分享了Python+OpenCV实现图像的全景拼接的具体代码，供大家参考，具体内容如下

环境：python3.5.2 + openCV3.4

1.算法目的

将两张相同场景的场景图片进行全景拼接。

2.算法步骤

本算法基本步骤有以下几步：

步骤1：将图形先进行桶形矫正

没有进行桶形变换的图片效果可能会像以下这样：

图片越多拼接可能就会越夸张。

本算法是将图片进行桶形矫正。目的就是来缩减透视变换（Homography）之后图片产生的变形，从而使拼接图片变得畸形。

步骤2：特征点匹配

本算法使用的sift算法匹配，它具有旋转不变性和缩放不变性，具体原理在之后会补上一篇关于sift算法的文章，这里就不做详细介绍。

在匹配特征点的过程中，透视矩阵选取了4对特征点计算，公式为

点的齐次坐标依赖于其尺度定义，因此矩阵H也仅依赖尺度定义，所以，单应性矩阵具有8个独立的自由度。

如果在选取的不正确的特征点，那么透视矩阵就可能计算错误，所以为了提高结果的鲁棒性，就要去除这些错误的特征点，而RANSAC方法就是用来删除这些错误的特征点。

**RANSAC：**用来找到正确模型来拟合带有噪声数据的迭代方法。基本思想：数据中包含正确的点和噪声点，合理的模型应该能够在描述正确数据点的同时摈弃噪声点。

RANSAC方法随机获取4对不同的特征匹配坐标，计算出透视矩阵H1，再将第二张图的特征匹配点经过这个矩阵H1映射到第一张图的坐标空间里，通过计算来验证这个H1矩阵是否满足绝大部分的特征点。

通过迭代多次，以满足最多特征匹配点的特征矩阵H作为结果。

这样正常情况就可以去除错误的特征点了，除非匹配错误的特征点比正确的还多。

下图是我在嘉庚图书馆旁拍摄的照片的特征点匹配。

步骤3：利用得到的变换矩阵进行图片的拼接。

可以看出基本做到了无缝拼接。只是在色差上还是看得出衔接的部分存在。

实现结果

我在宿舍里又多照了几组照片来实验：

室内宿舍场景的特征点匹配：

拼接结果：

在室内的效果根据结果来看效果也还可以。

我测试了宿舍里景深落差较大的两张图片：

特征点匹配：

虽然距离较远，但是还是可以粗略的匹配到特征点。

拼接结果：

从结果上来看可以看得出来，两张图片依然可以正确而粗略地拼接再一起，可以看得出是同一个区域。只是由于特征点不够，在细节上景深落差较大的还是没办法完美地拼接。

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

#获取关键点和描述符

(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)

#如果没有足够的最佳匹配点，M为None

if R is None:

return None

(good, M, mask) = R

print(M)

#对img1透视变换，M是ROI区域矩阵， 变换后的大小是(img1.w+img2.w, img1.h)

result = cv.warpPerspective(img1, M, (img1.shape[1] + img2.shape[1], img1.shape[0]))

#将img2的值赋给结果图像

result[0:img2.shape[0], 0:img2.shape[1]] = img2

#是否需要显示ROI区域

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)

#检查我们使用的是否是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]) # **********************************

#返回关键点和描述符

return (kps, des)

def matchKeyPoints(self,kp1, kp2, des1, des2, ratio, reprojThresh):

print('C')

#初始化BF,因为使用的是SIFT ，所以使用默认参数

matcher = cv.DescriptorMatcher_create('BruteForce')

# bf = cv.BFMatcher()

# matches = bf.knnMatch(des1, des2, k=2)

matches = matcher.knnMatch(des1, des2, 2) #***********************************

#获取理想匹配

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))

#最少要有四个点才能做透视变换

if len(good) > 4:

#获取关键点的坐标

# 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])

#通过两个图像的关键点计算变换矩阵

(M, mask) = cv.findHomography(src_pts, dst_pts, cv.RANSAC, reprojThresh)

#返回最佳匹配点、变换矩阵和掩模

return (good, M, mask)

#如果不满足最少四个 就返回None

return None

def drawMatches(img1, img2, kp1, kp2, matches, mask, M):

# 获得原图像的高和宽

h, w = img1.shape[:2]

# 使用得到的变换矩阵对原图像的四个角进行变换，获得目标图像上对应的坐标

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内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。