基于OpenCV的图像配准之后的透视变换

  在通过SIFT、SURF或者ORB进行特征点检测，生成了特征点和特征点描述子的vector后，如何进一步的进行对于图像的矫正。这个时候就用到了opencv的另外两个函数findHomography和perspectiveTransform。
  findHomography是用来计算两张图像的单应性矩阵的。opencv的官方文档中有详细的使用说明：

  前两个参数分别是通过之前的特征检测找到的特征点，第三个参数为计算单应性矩阵的方法，默认为使用所有的点。第四个参数仅在第三个参数为CV_RANSAC时使用，为最大允许的特征点对间二次投影的误差。
  perspectiveTransform函数为通过单应性矩阵生成校正之后的图像。

  前两个参数为原始图像和矫正之后的图像的点的集合。只能为2维或3维的向量。这里的点的集合指的是图像的位置排布，和像素值没有任何关系。第三个参数即为之前求出的单应性矩阵。
  注意：生成的矫正图像为点的集合，即为vector向量，并不是图像，生成的只是原始图像与校正图像的位置对应关系，图像的生成在下面的例子中会说明。
示例：

int main()  
{  
    Mat img_1 = imread("00068.jpg");  
    Mat img_2 = imread("00069.jpg");  
    if (!img_1.data || !img_2.data)  
    {  
        cout << "error reading images " << endl;  
        return -1;  
    }  

    ORB orb;  
    vector keyPoints_1, keyPoints_2;  
    Mat descriptors_1, descriptors_2;  

    orb(img_1, Mat(), keyPoints_1, descriptors_1);  
    orb(img_2, Mat(), keyPoints_2, descriptors_2);  

    BruteForceMatcher matcher;  
    vector matches;  
    matcher.match(descriptors_1, descriptors_2, matches);  

    double max_dist = 0; double min_dist = 100;  
    //-- Quick calculation of max and min distances between keypoints  
    for( int i = 0; i < descriptors_1.rows; i++ )  
    {   
        double dist = matches[i].distance;  
        if( dist < min_dist ) min_dist = dist;  
        if( dist > max_dist ) max_dist = dist;  
    }  
    printf("-- Max dist : %f \n", max_dist );  
    printf("-- Min dist : %f \n", min_dist );  
    //-- Draw only "good" matches (i.e. whose distance is less than 0.6*max_dist )  
    //-- PS.- radiusMatch can also be used here.  
    std::vector< DMatch > good_matches;
    vector leftPoint,rightPoint;
    for( int i = 0; i < descriptors_1.rows; i++ )  
    {   
        if( matches[i].distance < 0.6*max_dist )  
        {   
            good_matches.push_back( matches[i]);
            leftPoint.push_back(keyPoints_1[matches[i].queryIdx].pt);//保存左图像的关键点
            rightPoint.push_back(keyPoints_2[matches[i].trainIdx].pt);//保存右图像的关键点
        }  
    }  


    Mat Homography = findHomography(leftPoint,rightPoint,CV_RANSAC,3);//生成单应性矩阵
    cout<vector CorrectImg;//根据单应性矩阵校正之后的点
    vector ponits;//保存图像的所有的点
    for(int i=0;ifor(int j=0;j//生成对应关系
    imshow("left",img_1);
    imshow("right",img_2);
     Mat img_trans = Mat::zeros(img_1.rows,img_1.cols,CV_8UC3);  //矫正后的图像
    int count = 0;  
    for(int i=0;i(i);  
        for(int j=0;jint y = CorrectImg[count].y;  
            int x = CorrectImg[count].x;  
            if (y < 0 || x < 0 || x >= img_1.cols || y >= img_1.rows)
            {
                count++;
                continue;
            }
            uchar* t = img_trans.ptr(y);  
            t[x*3]  = p[j*3];  
            t[x*3+1]  = p[j*3+1];  
            t[x*3+2]  = p[j*3+2];  
            count++;  
        }  
    }  

    imshow("CorrectImg",img_trans);
    waitKey();

    return 0;  
}