【openCV】利用python-opencv的SIFT拼接两张分别残缺一部分的图片

如果原先没有opencv环境

直接使用清华源安装最新的opencv版本即可

pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

我这安装的是opencv-python-4.6.0.66版本

 代码段如下：

关键代码已做相关注释

# -*- coding: utf-8 -*-
"""
Created on Mon May 30 15:31:08 2022
默认图像DPI为300
支持jpg格式图像
有疑问联系作者：1453314441@qq.com
"""

import cv2
import numpy as np


def get_homo(img1,img2):
    #创建特征转换对象
    #opencv版本较高使用cv2.SIFT_create()
    sift = cv2.SIFT_create()
    #opencv版本较低使用cv2.SIFT_create()
    #sift = cv2.xfeatures2d.SIFT_create()
    #获取特征点和描述子
    k1,d1 = sift.detectAndCompute(img1,None)
    k2,d2 = sift.detectAndCompute(img2,None)
    #创建特征匹配器
    bf = cv2.BFMatcher()
    #使用描述子进行一对多的描述子匹配
    maches = bf.knnMatch(d1,d2,k=2)
    #筛选有效的特征描述子存入数组中
    verify_matches = []
    for m1,m2 in maches:
        if m1.distance <0.8*m2.distance:
            verify_matches.append(m1)
    #单应性矩阵需要最低四个特征描述子坐标点进行计算，判断数组中是否有足够,这里设为6更加充足
    if len(verify_matches) > 6:
        #存放求取单应性矩阵所需的img1和img2的特征描述子坐标点
        img1_pts = []
        img2_pts = []
        for m in verify_matches:
        #通过使用循环获取img1和img2图像优化后描述子所对应的特征点
            img1_pts.append(k1[m.queryIdx].pt)
            img2_pts.append(k2[m.trainIdx].pt)
        #得到的坐标是[(x1,y1),(x2,y2),....]
        #计算需要的坐标格式：[[x1,y1],[x2,y2],....]所以需要转化
        img1_pts = np.float32(img1_pts).reshape(-1,1,2)
        img2_pts = np.float32(img2_pts).reshape(-1,1,2)
        #计算单应性矩阵用来优化特征点
        H,mask = cv2.findHomography(img1_pts,img2_pts,cv2.RANSAC,5.0)
        return H
    else:
        print("error")

def stitch_image(img1,img2,H):
    #1、获得每张图片的四个角点
    #2、对图片进行变换，（单应性矩阵使）
    #3、创建大图，将两张图拼接到一起
    #4、将结果输出
    #获取原始图的高、宽
    h1,w1 = img1.shape[:2]
    h2,w2 = img2.shape[:2]
    #获取四个点的坐标，变换数据类型便于计算
    img1_dims = np.float32([[0,0],[0,h1],[h1,w1],[w1,0]]).reshape(-1,1,2)
    img2_dims = np.float32([[0,0],[0,h2],[h2,w2],[w2,0]]).reshape(-1,1,2)
    #获取根据单应性矩阵透视变换后的图像四点坐标
    img1_transform = cv2.perspectiveTransform(img1_dims,H)
    #img2_transform = cv2.perspectiveTransform(img2_dims,H)

    #合并矩阵  获取最大x和最小x，最大y和最小y  根据最大最小计算合并后图像的大小；
    # #计算方式： 最大-最小
    result_dims = np.concatenate((img2_dims,img1_transform),axis = 0)

    #使用min获取横向最小坐标值，ravel将二维转换为一维，强转为int型，
    # 最小-0.5，最大+0.5防止四舍五入造成影响
    [x_min,y_min] = np.int32(result_dims.min(axis=0).ravel()-0.5)
    [x_max,y_max] = np.int32(result_dims.max(axis=0).ravel()+0.5)
    #平移距离
    transform_dist = [-x_min, -y_min]
    #齐次变换矩阵
    transform_arary = np.array([[1,0,transform_dist[0]],
                                [0,1,transform_dist[1]],
                                [0,0,1]])
    #输出图像的尺寸
    ww = x_max-x_min
    hh = y_max-y_min
    #透视变换实现平移
    result_img = cv2.warpPerspective(img1,transform_arary.dot(H),(ww,hh))
    #将img2添加进平移后的图像
    result_img[transform_dist[1]:transform_dist[1]+h2,
                transform_dist[0]:transform_dist[0]+w2] = img2
    return result_img


#读取两张图片
img2 = cv2.imread("C:\\Users\\14533\\Desktop\\test\\aaa.jpg")
img1 = cv2.imread("C:\\Users\\14533\\Desktop\\test\\bbb.jpg")
H = get_homo(img1,img2)
result_img = stitch_image(img1,img2,H)
cv2.imwrite("C:\\Users\\14533\\Desktop\\test\\ccc.jpg", result_img, [int(cv2.IMWRITE_JPEG_QUALITY), 100])

效果图如下：

生成的图片会根据原图片合成后的最大长宽作为尺寸，会出现余出黑色块的情况，按需截掉即可，或者自行调整成需要的颜色。