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：关键点特征检测、局部不变特征、关键特征点匹配、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；

代码：

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、关键特征点坐标等)  
    # 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():在图像的关键特征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，大小和方向，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)  
    # 返回带关键特征点的图像、关键特征点和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  
    # features_right为模板图，features_left为匹配图  
    matches = bf.knnMatch(features_right, features_left, k=2)   
    # 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)  
    # 返回匹配的关键特征点集  
    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  
        Panorama = 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", Panorama)  
        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  
        Panorama[0:image_left.shape[0], 0:image_left.shape[1]] = image_left  
        # 返回全景拼接的图像 
        return Panorama  
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]))  
    # 获取检测到关键特征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特征点的图像沿着竖直方向(水平顺序)堆叠起来  
    cv.imshow("左图关键特征点检测", 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("右图关键特征点检测", 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  
    Panorama = Panorama_stitching(image_right, image_left)  
    cv.namedWindow("全景图", cv.WINDOW_AUTOSIZE)  
    cv.imshow("全景图", Panorama)  
    cv.imwrite("./全景图.jpg", Panorama)  
    cv.waitKey(0)  
    cv.destroyAllWindows() 

左图关键特征点检测

右图关键特征点检测

所有匹配的SIFT关键特征点连线

扭曲变换后的右图

全景图

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侧有大量的黑色空白区域。