python与OpenCV简单实现两张图像的拼接
目录：
- 前言：
- 依赖库及版本
- 代码
-
- ConPic.py
- Pic.py
- 处理过程和结果图
前言：
本项目利用了SIFT算法实现两张图片的拼接！
依赖库及版本
在python terminal窗口输入以下命令，生成依赖文档：
pip freeze > requirement.txt
对应的依赖文档如下：
numpy==1.22.4
opencv-contrib-python==4.6.0.66
opencv-python==4.6.0.66
具体使用可参考我写的这篇文章：python项目中使用requirement.txt依赖提高项目的移植效率
注意：opencv-contrib-python库我们为什么需要另外安装，因为SIFT是一种专利算法，如果使用的话，一般环境下最好配置这个库才能使用，要不会报错提示！
代码
由于为了后续使用和调试算法逻辑，我将常用的方法封装成ConPic类中的方法，可在主调用脚本中，先实例化类，再调用类中方法！
ConPic.py
import cv2
import numpy as np
class ConPic:
def cv_show(self,name, image):
cv2.imshow(name, image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# SIFT方法检测特征点
def detect(self,image):
# 建立SIFT生成器
descriptor = cv2.xfeatures2d.SIFT_create()
# 检测SIFT特征点，并计算描述子
(kps, features) = descriptor.detectAndCompute(image, None)
# 将结果转换成NumPy数组
kps = np.float32([kp.pt for kp in kps])#列表生成式
# 返回特征点集，及对应的描述特征
return (kps, features)
# 特征点匹配
def Keypoints(self,kpsA, kpsB, featuresA, featuresB, ratio=0.75, reprojThresh=4.0):
# 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:
# 当最近距离跟次近距离的比值小于ratio值时，保留此匹配对
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
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)
# 如果匹配对小于4时，返回None
return None
#图像拼接
def Matches(self,imageA, imageB, kpsA, kpsB, matches, status):
# 初始化可视化图片，将A、B图左右连接到一起
(hA, wA) = imageA.shape[:2]
(hB, wB) = imageB.shape[:2]
vis = np.zeros((max(hA, hB), wA + wB, 3), dtype="uint8")
vis[0:hA, 0:wA] = imageA
vis[0:hB, wA:] = imageB
# 联合遍历，画出匹配对
for ((trainIdx, queryIdx), s) in zip(matches, status):
# 当点对匹配成功时，画到可视化图上
if s == 1:
# 画出匹配对
ptA = (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))
ptB = (int(kpsB[trainIdx][0]) + wA, int(kpsB[trainIdx][1]))
cv2.line(vis, ptA, ptB, (0, 255, 0), 1)
self.cv_show("draw", vis)
# 返回可视化结果
return vis
#进行拼接
def stitch(self,imageA, imageB, ratio=0.75, reprojThresh=4.0, showMatches=False):
# 检测A、B图片的SIFT关键特征点，并计算特征描述子
(kpsA, featuresA) = self.detect(imageA)
(kpsB, featuresB) = self.detect(imageB)
# 匹配两张图片的所有特征点，返回匹配结果
M = self.Keypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)
# 如果返回结果为空，没有匹配成功的特征点，退出算法
if M is None:
return None
# 否则，提取匹配结果
# H是3x3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(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.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)
# 返回匹配结果
return result
Pic.py
import cv2
from ConPic import ConPic
pic=ConPic()
# 读取图像
imageA = cv2.imread('D:/W-File/1.jpg')
pic.cv_show("imageA", imageA)
imageB = cv2.imread('D:/W-File/2.jpg')
pic.cv_show("imageB", imageB)
# 计算SIFT特征点和特征向量
(kpsA, featuresA) = pic.detect(imageA)
(kpsB, featuresB) = pic.detect(imageB)
# 基于最近邻和随机取样一致性得到一个单应性矩阵
(matches,H,status) = pic.Keypoints(kpsA, kpsB, featuresA, featuresB)
print("单应性矩：{0}",H)
# 绘制匹配结果
pic.Matches(imageA, imageB, kpsA, kpsB, matches, status)
# 拼接
pic.stitch(imageA, imageB)
处理过程和结果图
单应性矩阵：{0} [[ 9.30067818e-01 -7.68408000e-02 3.15693821e+01]
[ 7.03517944e-03 8.84141290e-01 -9.47559365e+01]
[ 2.27565291e-06 -1.94163643e-04 1.00000000e+00]]
最后文中若有不足，敬请批评指正！