OpenCV图像拼接
一个热爱学习的深度渣渣 人气:0背景
图像拼接可以应用到手机中的全景拍摄，也就是将多张图片根据关联信息拼成一张图片；
实现步骤
1、读文件并缩放图片大小；
2、根据特征点和计算描述子，得到单应性矩阵；
3、根据单应性矩阵对图像进行变换，然后平移；
4、图像拼接并输出拼接后结果图；
一、读取文件
第一步实现读取两张图片并缩放到相同尺寸；
代码如下：
img1 = cv2.imread('map1.png')
img2 = cv2.imread('map2.png')
img1 = cv2.resize(img1, (640, 480))
img2 = cv2.resize(img2, (640, 480))
input = np.hstack((img1, img2))
cv2.imshow('input', input)
cv2.waitKey(0)
上图为我们需要拼接的两张图的展示，可以看出其还具有一定的旋转变换，之后的图像转换必定包含旋转的操作；
二、单应性矩阵计算
主要分为以下几个步骤：
1、创建特征转换对象；
2、通过特征转换对象获得特征点和描述子；
3、创建特征匹配器；
4、进行特征匹配；
5、过滤特征，找出有效的特征匹配点；
6、单应性矩阵计算
实现代码：
def get_homo(img1, img2):
# 1实现
sift = cv2.xfeatures2d.SIFT_create()
# 2实现
k1, p1 = sift.detectAndCompute(img1, None)
k2, p2 = sift.detectAndCompute(img2, None)
# 3实现
bf = cv2.BFMatcher()
# 4实现
matches = bf.knnMatch(p1, p2, k=2)
# 5实现
good = []
for m1, m2 in matches:
if m1.distance < 0.8 * m2.distance:
good.append(m1)
# 6实现
if len(good) > 8:
img1_pts = []
img2_pts = []
for m in good:
img1_pts.append(k1[m.queryIdx].pt)
img2_pts.append(k2[m.trainIdx].pt)
img1_pts = np.float32(img1_pts).reshape(-1, 1, 2)
img2_pts = np.float32(img2_pts).reshape(-1, 1, 2)
H, mask = cv2.findHomography(img1_pts, img2_pts, cv2.RANSAC, 5.0)
return H
else:
print('piints is not enough 8!')
exit()三、图像拼接
实现步骤：
1、获得图像的四个角点；
2、根据单应性矩阵变换图片；
3、创建一张大图，拼接图像；
4、输出结果
实现代码：
def stitch_img(img1, img2, H):
# 1实现
h1, w1 = img1.shape[:2]
h2, w2 = img2.shape[:2]
img1_point = np.float32([[0,0], [0,h1], [w1,h1], [w1,0]]).reshape(-1, 1, 2)
img2_point = np.float32([[0,0], [0,h2], [w2,h2], [w2,0]]).reshape(-1, 1, 2)
# 2实现
img1_trans = cv2.perspectiveTransform(img1_point, H)
# 将img1变换后的角点与img2原来的角点做拼接
result_point = np.concatenate((img2_point, img1_trans), axis=0)
# 获得拼接后图像x,y的最小值
[x_min, y_min] = np.int32(result_point.min(axis=0).ravel()-0.5)
# 获得拼接后图像x,y的最大值
[x_max, y_max] = np.int32(result_point.max(axis=0).ravel()+0.5)
# 平移距离
trans_dist = [-x_min, -y_min]
# 构建一个齐次平移矩阵
trans_array = np.array([[1, 0, trans_dist[0]],
[0, 1, trans_dist[1]],
[0, 0, 1]])
# 平移和单应性变换
res_img = cv2.warpPerspective(img1, trans_array.dot(H), (x_max-x_min, y_max-y_min))
# 3实现
res_img[trans_dist[1]:trans_dist[1]+h2,
trans_dist[0]:trans_dist[0]+w2] = img2
return res_img
H = get_homo(img1, img2)
res_img = stitch_img(img1, img2, H)
# 4实现
cv2.imshow('result', res_img)
cv2.waitKey(0) 
最终结果图如上图所示，还有待优化点如下：
- 边缘部分有色差，可以根据取平均值消除；
- 黑色区域可进行裁剪并用对应颜色填充；
优化部分难度不大，有兴趣的可以实现一下；
总结
图像拼接作为一个实用性技术经常出现在我们的生活中，特别是全景拍摄以及图像内容拼接；当然，基于传统算法的图像拼接还是会有一些缺陷（速度和效果上），感兴趣的可以了解下基于深度学习的图像拼接算法，期待和大家沟通！
加载全部内容