基于Python和openCV实现图像的全景拼接详细步骤


基本介绍

图像的全景拼接,即“缝合”两张具有重叠区域的图来创建一张全景图。其中用到了计算机视觉和图像处理技术有:关键点检测、局部不变特征、关键点匹配、RANSAC(Random Sample Consensus,随机采样一致性)和透视变形。

具体步骤

(1)检测左右两张图像的SIFT关键特征点,并提取局部不变特征 ;
(2)使用knnMatch检测来自右图(左图)的SIFT特征,与左图(右图)进行匹配 ;
(3)计算视角变换矩阵H,用变换矩阵H对右图进行扭曲变换;
(4)将左图(右图)加入到变换后的图像的左侧(右侧)获得最终图像;

 import cv2 as cv        # 导入opencv包 import numpy as np      # 导入numpy包,图像处理中的矩阵运算需要用到   # 检测图像的SIFT关键特征点 def sift_keypoints_detect(image):     # 处理图像一般很少用到彩色信息,通常直接将图像转换为灰度图     gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)      # 获取图像特征sift-SIFT特征点,实例化对象sift     sift = cv.xfeatures2d.SIFT_create()                          # keypoints:特征点向量,向量内的每一个元素是一个KeyPoint对象,包含了特征点的各种属性信息(角度、关键点坐标等)     # features:表示输出的sift特征向量,通常是128维的     keypoints, features = sift.detectAndCompute(image, None)          # cv.drawKeyPoints():在图像的关键点部位绘制一个小圆圈     # 如果传递标志flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,它将绘制一个大小为keypoint的圆圈并显示它的方向     # 这种方法同时显示图像的坐标,size和方向,是最能显示特征的一种绘制方式     keypoints_image = cv.drawKeypoints(         gray_image, keypoints, None, flags=cv.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)          # 返回带关键点的图像、关键点和sift的特征向量     return keypoints_image, keypoints, features   # 使用KNN检测来自左右图像的SIFT特征,随后进行匹配 def get_feature_point_ensemble(features_right, features_left):     # 创建BFMatcher对象解决匹配     bf = cv.BFMatcher()     # knnMatch()函数:返回每个特征点的最佳匹配k个匹配点     matches = bf.knnMatch(features_right, features_left, k=2)  # des1为模板图,des2为匹配图     # 利用sorted()函数对matches对象进行升序(默认)操作     matches = sorted(matches, key=lambda x: x[0].distance / x[1].distance)     # x:x[]字母可以随意修改,排序方式按照中括号[]里面的维度进行排序,[0]按照第一维排序,[2]按照第三维排序      # 建立列表good用于存储匹配的点集     good = []     for m, n in matches:     # ratio的值越大,匹配的线条越密集,但错误匹配点也会增多     	ratio=0.6         if m.distance < ratio * n.distance:             good.append(m)     return good   # 计算视角变换矩阵H,用H对右图进行变换并返回全景拼接图像 def Panorama_stitching(image_right, image_left):     _, keypoints_right, features_right = sift_keypoints_detect(image_right)     _, keypoints_left, features_left = sift_keypoints_detect(image_left)     goodMatch = get_feature_point_ensemble(features_right, features_left)      # 当筛选项的匹配对大于4对(因为homography单应性矩阵的计算需要至少四个点)时,计算视角变换矩阵     if len(goodMatch) > 4:         # 获取匹配对的点坐标         ptsR = np.float32(             [keypoints_right[m.queryIdx].pt for m in goodMatch]).reshape(-1, 1, 2)         ptsL = np.float32(             [keypoints_left[m.trainIdx].pt for m in goodMatch]).reshape(-1, 1, 2)                  # ransacReprojThreshold:将点对视为内点的最大允许重投影错误阈值(仅用于RANSAC和RHO方法时),若srcPoints和dstPoints是以像素为单位的,该参数通常设置在1到10的范围内         ransacReprojThreshold = 4                  # cv.findHomography():计算多个二维点对之间的最优单映射变换矩阵 H(3行x3列),使用最小均方误差或者RANSAC方法         # 函数作用:利用基于RANSAC的鲁棒算法选择最优的四组配对点,再计算转换矩阵H(3*3)并返回,以便于反向投影错误率达到最小         Homography, status = cv.findHomography(             ptsR, ptsL, cv.RANSAC, ransacReprojThreshold)          # cv.warpPerspective():透视变换函数,用于解决cv2.warpAffine()不能处理视场和图像不平行的问题         # 作用:就是对图像进行透视变换,可保持直线不变形,但是平行线可能不再平行         result = cv.warpPerspective(             image_right, Homography, (image_right.shape[1] + image_left.shape[1], image_right.shape[0]))                  cv.imshow("扭曲变换后的右图", result)         cv.waitKey(0)         cv.destroyAllWindows()         # 将左图加入到变换后的右图像的左端即获得最终图像         result[0:image_left.shape[0], 0:image_left.shape[1]] = image_left                  # 返回全景拼接的图像         return result   if __name__ == '__main__':      # 读取需要拼接的图像,需要注意图像左右的顺序     image_left = cv.imread("./Left.jpg")     image_right = cv.imread("./Right.jpg")      # 通过调用cv2.resize()使用插值的方式来改变图像的尺寸,保证左右两张图像大小一致     # cv.resize()函数中的第二个形参dsize表示输出图像大小尺寸,当设置为0(None)时,则表示按fx与fy与原始图像大小相乘得到输出图像尺寸大小     image_right = cv.resize(image_right, None, fx=0.4, fy=0.24)     image_left = cv.resize(image_left, (image_right.shape[1], image_right.shape[0]))      # 获取检测到关键点后的图像的相关参数     keypoints_image_right, keypoints_right, features_right = sift_keypoints_detect(image_right)     keypoints_image_left, keypoints_left, features_left = sift_keypoints_detect(image_left)      # 利用np.hstack()函数同时将原图和绘有关键点的图像沿着竖直方向(水平顺序)堆叠起来     cv.imshow("左图关键点检测", np.hstack((image_left, keypoints_image_left)))     # 一般在imshow后设置 waitKey(0) , 代表按任意键继续     cv.waitKey(0)     # 删除先前建立的窗口     cv.destroyAllWindows()     cv.imshow("右图关键点检测", np.hstack((image_right, keypoints_image_right)))     cv.waitKey(0)     cv.destroyAllWindows()     goodMatch = get_feature_point_ensemble(features_right, features_left)      # cv.drawMatches():在提取两幅图像特征之后,画出匹配点对连线     # matchColor – 匹配的颜色(特征点和连线),若matchColor==Scalar::all(-1),颜色随机     all_goodmatch_image = cv.drawMatches(         image_right, keypoints_right, image_left, keypoints_left, goodMatch, None, None, None, None, flags=2)     cv.imshow("所有匹配的SIFT关键特征点连线", all_goodmatch_image)     cv.waitKey(0)     cv.destroyAllWindows()      # 把图片拼接成全景图并保存     result = Panorama_stitching(image_right, image_left)     cv.namedWindow("全景图", cv.WINDOW_AUTOSIZE)     cv.imshow("全景图", result)     cv.imwrite("./全景图.jpg", result)     cv.waitKey(0)     cv.destroyAllWindows()

左图关键特征点检测

基于Python和openCV实现图像的全景拼接详细步骤

右图关键特征点检测

基于Python和openCV实现图像的全景拼接详细步骤

所有匹配的SIFT关键特征点连线

基于Python和openCV实现图像的全景拼接详细步骤

扭曲变换后的右图

基于Python和openCV实现图像的全景拼接详细步骤

全景图

基于Python和openCV实现图像的全景拼接详细步骤

由于输入的左右图像之间有大量重叠,导致全景图的主要添加部分是在拼接图像的右侧,因此会造成拼接后全景图右边大量的黑色空白区域。

本站由小牛团队全力维护,小牛十年了,大家已经步入中年 。本站源码全部经过团队成员测试并调试,价格可能比其它网站略贵几元钱,不解释!
小牛资源 » 基于Python和openCV实现图像的全景拼接详细步骤

发表评论

全站资源亲测可用,价格略高几元,不解释

立即查看 了解详情