图像拼接可以理解为三大步：
- 按顺序读取多幅图像，并保证图像按照从左到右的顺序。
- 发现这些图像像素之间的相关性（涉及到单应性）。
- 将这些图像拼接成为一张全景图像。
首先，需要了解如下几个概念。
SIFT特征提取
Python OpenCV SIFT特征提取的原理与代码实现_乔卿的博客-CSDN博客如果对图像扩大规模，如缩放，如下图所示，那么原本的角点在变换后的某些窗口中可能就不是角点，因此，HarrisDetectors不具有尺度不变性。例如，在上图中，低σ的高斯核可以为小角点提供高值，而高σ的高斯核则适合于大角点。因此，我们可以在尺度空间中找到局部极大值。...https://qiaoxs.blog.csdn.net/article/details/125849051?spm=1001.2014.3001.5502
图像匹配
Python OpenCV 图像匹配（Brute-Force与FLANN）的原理与代码实现_乔卿的博客-CSDN博客获得两张图像的关键点之后，下一步就是找到它们之间的对应关系，找到那些相匹配的点，从而基于这些点，实现图像拼接。这一方法即暴力搜索法，它选择第一个集合中一个特征的描述符，计算与第二个集合中的所有其他特征描述符之间的距离，返回最接近的一个。该方法返回的结果是DMatch对象的列表。......https://blog.csdn.net/qq_41112170/article/details/125849423
计算单应矩阵
假设我们使用同一部相机，用不同视角拍了两张照片，那么如何对这两张图片视角变换进行建模，将相邻的两张图片联系起来，就成为了一个问题。
上图展示了一些几何变换。单应矩阵的作用在于，将图像平面P1转换为另一个图像平面P2。下面是一个例子：
上面的projective（射影变换）可以表示为：I1=H×I2
其中H即为单应矩阵。单应矩阵保持图像中的直线，因此，唯一可能的变换是平移、仿射等。H矩阵可以表示为：
h11 h12 h13
h21 h22 h23
h31 h32 h33
在图像拼接这一问题中，我们一旦获得了图像之间的匹配，下一步就是计算单应矩阵。单应矩阵将使用这些匹配的关键点估计图像之间的相对方向变换。
那么，对于全景拼接过程中两张图像相邻的情况，怎样计算单应矩阵呢？我们注意到，这涉及到RANSAC算法，在OpenCV中，调用findHomography()方法时指定cv2.RANSAC参数。
给定原始图像与目标图像，则相应的单应矩阵可以用OpenCV中的findHomography()方法求得。
# pts_src与pts_dst都是numpy arrays
h, status = cv2.findHomography(pts_src, pts_dst, cv2.RANSAC)给定原始图像与单应矩阵，则转换后的图像可以用OpenCV中的warpPerspective()方法求得。
# im_src是numpy arrays
# size的格式：(width,height)
im_dst = cv2.warpPerspective(im_src, h, size)拼接（warping）
单应矩阵告诉了我们：两张图片的角度之间有什么关系。基于这一点，我们可以把两张图像转换到同一个空间中，这一过程称为warping。warping分为如下三种：
- 平面：其中每个图像是一个平面表面的元素，经过平移和旋转。
- 圆柱形：其中每个图像都表示为圆柱形的坐标系。图像绘制在圆柱体的曲面上。
- 球面：上述的附加物为球面，而非圆柱体，作为参考模型。
由于时间有限，这里仅先实现平面扭曲。由于已经计算出单应矩阵，可以使用该矩阵将第一张图像转换到第二张图像的平面上。对于在同一平面上的两张图像，一个很直观的思路是，迭代两幅图像，发现匹配的区域则覆盖，否则置为0。
def stitch(image_left_path, image_right_path):
# 读取图像
image_left = cv2.imread(image_left_path)
image_right = cv2.imread(image_right_path)
# 提取SIFT特征
kp1, des1 = sift_algorithm(image_left)
kp2, des2 = sift_algorithm(image_right)
# 匹配关键点
matches, H, status = bf_match(image_left, image_right, kp1, kp2, des1, des2)
# 拼接
result = cv2.warpPerspective(image_right, H, (image_right.shape[1] + image_left.shape[1], image_right.shape[0]))
result[0: image_left.shape[0], 0: image_left.shape[1]] = image_left
# plt.imshow(result)
# plt.show()
cv2.imwrite('step_by_step_result.jpg', result)
return result
评论(0)