python与OpenCV简单实现两张图像的拼接

前言：

本项目利用了SIFT算法实现两张图片的拼接！

依赖库及版本

在python terminal窗口输入以下命令，生成依赖文档：

pip freeze > requirement.txt

对应的依赖文档如下：

numpy==1.22.4
opencv-contrib-python==4.6.0.66
opencv-python==4.6.0.66

具体使用可参考我写的这篇文章：python项目中使用requirement.txt依赖提高项目的移植效率
注意：opencv-contrib-python库我们为什么需要另外安装，因为SIFT是一种专利算法，如果使用的话，一般环境下最好配置这个库才能使用，要不会报错提示！

代码

由于为了后续使用和调试算法逻辑，我将常用的方法封装成ConPic类中的方法，可在主调用脚本中，先实例化类，再调用类中方法！

ConPic.py

import cv2
import numpy as np

class ConPic:
    def cv_show(self,name, image):
        cv2.imshow(name, image)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

    # SIFT方法检测特征点
    def detect(self,image):
        # 建立SIFT生成器
        descriptor = cv2.xfeatures2d.SIFT_create()
        # 检测SIFT特征点，并计算描述子
        (kps, features) = descriptor.detectAndCompute(image, None)
        # 将结果转换成NumPy数组
        kps = np.float32([kp.pt for kp in kps])#列表生成式
        # 返回特征点集，及对应的描述特征
        return (kps, features)

    # 特征点匹配
    def Keypoints(self,kpsA, kpsB, featuresA, featuresB, ratio=0.75, reprojThresh=4.0):
        # 建立暴力匹配器
        matcher = cv2.BFMatcher()
        # 使用KNN检测来自A、B图的SIFT特征匹配对，K=2
        rawMatches = matcher.knnMatch(featuresA, featuresB, 2)
        matches = []
        for m in rawMatches:
            # 当最近距离跟次近距离的比值小于ratio值时，保留此匹配对
            if len(m) == 2 and m[0].distance < m[1].distance * ratio:
                # 存储两个点在featuresA, featuresB中的索引值
                matches.append((m[0].trainIdx, m[0].queryIdx))
            # 当筛选后的匹配对大于4时，计算视角变换矩阵
        if len(matches) > 4:
            # 获取匹配对的点坐标
            ptsA = np.float32([kpsA[i] for (_, i) in matches])
            ptsB = np.float32([kpsB[i] for (i, _) in matches])
            # 计算视角变换矩阵
            (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)
            # 返回结果
            return (matches, H, status)
        # 如果匹配对小于4时，返回None
        return None

    #图像拼接
    def Matches(self,imageA, imageB, kpsA, kpsB, matches, status):
        # 初始化可视化图片，将A、B图左右连接到一起
        (hA, wA) = imageA.shape[:2]
        (hB, wB) = imageB.shape[:2]
        vis = np.zeros((max(hA, hB), wA + wB, 3), dtype="uint8")
        vis[0:hA, 0:wA] = imageA
        vis[0:hB, wA:] = imageB
        # 联合遍历，画出匹配对
        for ((trainIdx, queryIdx), s) in zip(matches, status):
            # 当点对匹配成功时，画到可视化图上
            if s == 1:
                # 画出匹配对
                ptA = (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))
                ptB = (int(kpsB[trainIdx][0]) + wA, int(kpsB[trainIdx][1]))
                cv2.line(vis, ptA, ptB, (0, 255, 0), 1)
        self.cv_show("draw", vis)
        # 返回可视化结果
        return vis
    #进行拼接
    def stitch(self,imageA, imageB, ratio=0.75, reprojThresh=4.0, showMatches=False):
        # 检测A、B图片的SIFT关键特征点，并计算特征描述子
        (kpsA, featuresA) = self.detect(imageA)
        (kpsB, featuresB) = self.detect(imageB)
        # 匹配两张图片的所有特征点，返回匹配结果
        M = self.Keypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)
        # 如果返回结果为空，没有匹配成功的特征点，退出算法
        if M is None:
            return None
        # 否则，提取匹配结果
        # H是3x3视角变换矩阵
        (matches, H, status) = M
        # 将图片A进行视角变换，result是变换后图片
        result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
        self.cv_show('result', result)
        # 将图片B传入result图片最左端
        result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
        self.cv_show('result', result)
        # 检测是否需要显示图片匹配
        if showMatches:
            # 生成匹配图片
            vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
            # 返回结果
            return (result, vis)
        # 返回匹配结果
        return result

Pic.py

import cv2
from ConPic import  ConPic

pic=ConPic()
# 读取图像
imageA = cv2.imread('D:/W-File/1.jpg')
pic.cv_show("imageA", imageA)
imageB = cv2.imread('D:/W-File/2.jpg')
pic.cv_show("imageB", imageB)
# 计算SIFT特征点和特征向量
(kpsA, featuresA) = pic.detect(imageA)
(kpsB, featuresB) = pic.detect(imageB)
# 基于最近邻和随机取样一致性得到一个单应性矩阵
(matches,H,status) = pic.Keypoints(kpsA, kpsB, featuresA, featuresB)
print("单应性矩：{0}",H)
# 绘制匹配结果
pic.Matches(imageA, imageB, kpsA, kpsB, matches, status)
# 拼接
pic.stitch(imageA, imageB)

处理过程和结果图

单应性矩阵：{0} [[ 9.30067818e-01 -7.68408000e-02  3.15693821e+01]
 [ 7.03517944e-03  8.84141290e-01 -9.47559365e+01]
 [ 2.27565291e-06 -1.94163643e-04  1.00000000e+00]]

最后文中若有不足，敬请批评指正！