项目实战：用python的opencv库实现全景图像拼接

---

前言

opencv库是python中重要的图像处理库，也被称为计算机视觉开发库，这篇文章我们用利用opencv库来实现全景图像的拼接，总体上来说包含sift匹配和ransac误匹配剔除两大模块，那么话不多说，我们开始今天的正题。

一、程序主要架构

为了大家开始就有一个清晰的认知，首先介绍一下整个程序的架构,整个程序总体来说包含两个py文件，主文件作用是实现两张图像的匹配并且拼接起来，副文件作用是将图像文件读取进来，然后直接调用主文件中的函数，最后将各个步骤的结果展示出来，下面的图可以很好的表示出来。

---

二、程序实现原理

1.sift特征点匹配算法

sift特征点匹配是图像匹配发展过程中的一座里程碑，在这个方法被提出之后，图像匹配的正确性与准确性都得到了显著的提高，时隔多年，在这个人工智能与深度学习炙手可热的时代，这个经典的方法仍然是主流方法之一。与其他匹配方法一样，从总体上该方法包含特征点检测，特征点描述，特征点匹配三大步骤。
1.特征点检测

2.特征点描述

3.特征点匹配

2.ransac误匹配剔除

RANASC算法全称为随机采样一致性方法，在sift特征匹配后，在正确匹配占据多数的情况下，使用此算法进行误匹配的剔除，从而计算sift匹配的正确率。
具体步骤为：

Step1:N对特征点钟随机取3个点，计算仿射矩阵H

Step2：验证其余的N-3对点是否符合H变换，如果符合，记为内点，否则记为外点

Step3：返回STEP1,不断迭代

Step4：达到迭代次数，结束迭代，比较Nk(Nk为第k次迭代内点数目)

Step5：选择Nk最大时对应的Hk，去掉此次迭代的外点，视其为错误点

---

三.代码实现过程

首先来介绍一下代码中用到的主要函数，其实这些函数uu们对计算机视觉有一定的了解的话已经是常客了，不了解的uu不用着急，我来一一介绍。

函数名	作用	需要参数	返回值
imread	读取图像	图像存储的路径	彩色图像为三维矩阵，灰白图像为一维矩阵
cvtcolor	将图像灰度化	彩色图像矩阵	灰白图像一维矩阵，值在0-255之间
SIFT_create	建立sift实例化对象	各个初始参数，例如边缘检测阈值edgeThreshold，高斯金字塔初始尺度值noctavelayers	sift对象
dedectAndcompute	探测图像特征向量	图像矩阵	第一个参数kp是特征点的位置坐标，第二个参数des是对应的特征向量，是一个32*1维的向量
drawkeypoints	将特征点的位置画出一个小圆圈	参数1：指定绘制在那副图像上，参数2：特征点的坐标矩阵kp，参数3：特征点绘制的画布图像，可选参数圆圈大小和圆圈颜色	无返回值
drawMatches	将匹配后的同名点连线	原始图像1，图像1特征点，原始图像2，图像2特征点，线的眼色（默认为随机彩色）	无返回值

---

接着介绍一下重要的实现过程。
第一就是在得到两幅图像的特征点之后，进行knn暴力匹配，并且将同名点特征不明显的点对进行去消除。

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))

---

第二是如何根据特征点匹配结果将两幅图像拼接起来，我们知道两幅图像的一般拍摄视角不同，我需要至少四对同名点来计算变换矩阵M，M的形式如下：
这个变换矩阵后将A图像乘以M便可以将两幅图像变换到同一个视角，之后将B图片根据实际位置传入A图像最右端或者最左端就可以实现原始图像的拼接。
具体的实现代码如下：

# H是4x4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

最终的代码是这样的：
主文件py

import numpy as np
import cv2


class Stitcher:

    # 拼接函数
    def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False):
        # 获取输入图片
        (imageB, imageA) = images
        # 检测A、B图片的SIFT关键特征点，并计算特征描述子
        (kpsA, featuresA) = self.detectAndDescribe(imageA)
        (kpsB, featuresB) = self.detectAndDescribe(imageB)

        # 匹配两张图片的所有特征点，返回匹配结果
        M = self.matchKeypoints(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4x4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

    def cv_show(self, name, img):
        cv2.imshow(name, img)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

    def detectAndDescribe(self, image):
        # 将彩色图片转换成灰度图
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

        # 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])

        # 返回特征点集，及对应的描述特征
        return (kps, features)

    def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):
        # 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

    def drawMatches(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)

        # 返回可视化结果
        return vis

从文件py

from Stitcher import Stitcher
import cv2

# 读取拼接图片
imageA = cv2.imread("left_01.png")
imageB = cv2.imread("right_01.png")

# 把图片拼接成全景图
stitcher = Stitcher()
(result, vis) = stitcher.stitch([imageA, imageB], showMatches=True)

# 显示所有图片
cv2.imshow("Image A", imageA)
cv2.imshow("Image B", imageB)
cv2.imshow("Keypoint Matches", vis)
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结

这就是今天的全部内容了，当然对算法的具体原理和实现过程并没有过多的介绍，更多的是从程序实现的角度来进行的，如果想要具体了解算法实现原理，可以参考这篇文章非常详细的sift算法介绍，创作不易，喜欢的uu点个赞赞，让我们下篇文章再见！