opencv 图像拼接SURF

stitcher 算法

优点： 简单便捷， 可以一次性拼合多张图片。

缺点： 1. 会卡顿一下。

            2. 多图拼接的时候可能会丢失掉一些图片。

void example()
{
    Mat img1 = imread("C:/Users/59834/Desktop/image/a.png");
    Mat img2 = imread("C:/Users/59834/Desktop/image/b.png");
    Mat img3 = imread("C:/Users/59834/Desktop/image/c.png");
    Mat img4 = imread("C:/Users/59834/Desktop/image/d.png");

    imshow("img1",img1);
    imshow("img2",img2);
    imshow("img3",img3);
    imshow("img4",img4);

    //带顺序容器vector
    vectorimages;
    images.push_back(img1);
    images.push_back(img2);
    images.push_back(img3);
    images.push_back(img4);


    //用来保存最终拼接图
    Mat result;

    //false 不使用GPU加速
    Stitcher sti = Stitcher::createDefault(false);
    //将向量容器中所有的图片按照顺序进行拼接，结果保存在result中
    Stitcher::Status sta = sti.stitch(images,result);

    if(sta != Stitcher::OK)
    {
        cout<<"canot Stitcher"<

SURF：

优点： 拼接的图像效果质量理想。

缺点： 一次性只支持图片两两拼接， 如果多图拼接只能先拼一个再拼下一个。

SURF流程：

 使用：

1. 特征点采集

2.保存最优特征点对象

3. 特征点周围匹配

4. 透视转换， 图像融合

5. 优化图像

.

Mat left = imread("C:/Users/59834/Desktop/image/a1.png");
    Mat right = imread("C:/Users/59834/Desktop/image/a2.png");

    imshow("left",left);
    imshow("right",right);

    //创建SURF对象
    //create 函数参数 海森矩阵阀值
    Ptr surf;
    surf = SURF::create(800);

    //暴力匹配器
    BFMatcher matcher;

    //特征点容器
    vectorkey1,key2;
    Mat c,d;

    //1、选择特征点
    surf->detectAndCompute(left,Mat(),key2,d);
    surf->detectAndCompute(right,Mat(),key1,c);

    //特征点对比，保存
    vector matches;
    matcher.match(d,c,matches);

    //排序从小到大
    sort(matches.begin(),matches.end());

    //2、保存最优的特征点对象
    vectorgood_matches;
    int ptrpoint = std::min(50,(int)(matches.size()*0.15));
    for (int i = 0;i < ptrpoint;i++)
    {
        good_matches.push_back(matches[i]);
    }

    //2-1、画线 最优的特征点对象连线
    Mat outimg;
    drawMatches(left,key2,right,key1,good_matches,outimg,
                Scalar::all(-1),Scalar::all(-1),
                vector(),DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

    imshow("outimg",outimg);

    //3、特征点匹配
    vectorimagepoint1,imagepoint2;
    for (int i= 0 ;i < good_matches.size();i++)
    {
        imagepoint1.push_back(key1[good_matches[i].trainIdx].pt);
        imagepoint2.push_back(key2[good_matches[i].queryIdx].pt);
    }

    //4、透视转换 图形融合
    Mat homo = findHomography(imagepoint1,imagepoint2,CV_RANSAC);
    imshow("homo",homo);

    CalcCorners(homo,right);

    Mat imageTransForm;
    warpPerspective(right,imageTransForm,homo,
                    Size(MAX(corners.right_top.x,corners.right_bottom.x),left.rows));

    imshow("imageTransForm",imageTransForm);

    int dst_width = imageTransForm.cols;
    int dst_height = left.rows;

    Mat dst(dst_height,dst_width,CV_8UC3);
    dst.setTo(0);

    imageTransForm.copyTo(dst(Rect(0,0,imageTransForm.cols,imageTransForm.rows)));
    left.copyTo(dst(Rect(0,0,left.cols,left.rows)));

    //5、优化图像
    OptimizeSeam(left,imageTransForm,dst);

    imshow("dst",dst);

    waitKey(0);