《深度学习》OpenCV 图像拼接拼接原理、参数解析、案例实现

菜就多练_0828

已于 2024-09-29 21:12:05 修改

阅读量334

点赞数 14

分类专栏：《深度学习》人工智能篇文章标签：人工智能 opencv 图像拼接

于 2024-09-29 21:11:02 首次发布

本文链接：https://blog.csdn.net/qq_64603703/article/details/142641857

版权

《深度学习》人工智能篇专栏收录该内容

28 篇文章 6 订阅

订阅专栏

kps_floatA与kps_floatB状态

一、图像拼接

1、直接看案例

图1与图2展示：

合并完结果：

2、什么是图像拼接

图像拼接是指将多个图像拼接成一个大图像。在计算机视觉和图像处理领域，图像拼接常用于创建全景图像、创建大幅面照片、图像拼接等应用。

3、图像拼接步骤

1）加载图像

使用OpenCV的cv::imread函数加载需要拼接的多个图像。

2）特征点检测与描述

使用特征提取算法（如SIFT、ORB等）检测图像中的特征点，并计算每个特征点的描述符。

3）特征点匹配

使用特征匹配算法（如KNN匹配）来找到两个图像间的对应关系。常见的方法有基于距离的匹配（如欧氏距离、汉明距离等）和基于相似性度量的匹配（如比率测试）。

4）图像配准

根据特征点的匹配结果，使用配准算法（如RANSAC）估计两个图像间的变换矩阵。常见的变换矩阵包括仿射变换、透视变换等。

5）图像变换和拼接

使用估计得到的变换矩阵，将需要拼接的图像进行变换，并将它们拼接在一起。可以使用OpenCV的cv::warpPerspective函数或cv::warpAffine函数来实现变换和拼接。

6）图像调整

对拼接后的图像进行调整，使得拼接边缘平滑过渡，消除拼接处的不连续性。常见的方法包括图像融合、图像平滑等。

二、案例实现

1、定义函数返回图像的关键点和描述符

import cv2
import numpy as np
import sys

def detectAndDescribe(image):   # 函数用于
    gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)   # 将影色园片转换成死没图
    descriptor = cv2.SIFT_create()   # 建立SIFT生成器
    (kps,des) = descriptor.detectAndCompute(gray,None)   # 读入参数为灰度图和可选参数掩膜，检测关键点及描述符,返回关键点列表和关键点对应的描述符列表,每个描述符都是一个向量，描述关键点周围图像内容
    # 此处kps是元组类型，des是ndarry矩阵类型
    # 将关键点列表的结果转换战NumPy数组
    kps_float = np.float32([kp.pt for kp in kps])
    # kp.pt 包含两个值，分别是关键点在图像中的 x 和 y 坐标。这些坐标通常是浮点数，可以精确的捕述关键点在图像中的位置
    return (kps,kps_float,des)   # 返回特征点集，及对应的描述特征

2、定义展示图像函数

def cv_show(name,img):   # 函数用于展示图片
    cv2.imshow(name,img)
    cv2.waitKey(0)

3、计算读入图像的特征点和描述符

"""读取拼接图片"""
imageA = cv2.imread("1.jpg")
cv_show('imageA',imageA)
imageB = cv2.imread("2.jpg")
cv_show("imageB",imageB)

"""计算图片特征点及描述符"""
(kpsA,kps_floatA,desA) = detectAndDescribe(imageA)
(kpsB,kps_floatB,desB) = detectAndDescribe(imageB)

调试模式状态下：

kps对应值：

des对应值：

4、建立暴力匹配器和K近邻算法

1）关于BFMatcher暴力匹配

在图像处理中，特征点匹配是指在不同图像中找到对应的特征点。BFMatcher可用于在两个特征向量集合中计算最佳匹配。它通过计算两个特征向量的相似度（如欧氏距离、汉明距离等），并选择最近邻的特征点作为匹配点。

2）暴力匹配的K近邻

用法：

使用KNN检测来自A、B图的SIFT特征匹配对
# knnMatch(gueryDescriptors, trainDescriptors, k, mask=None, compactResult=None)

参数解析：

queryDescriptors：匹配图像A的描述符

trainDescriptors：匹配图像B的描述符

K：最佳匹配的描述符个数，一般K=2

mask 可选参数：一个掩码数组，用于过滤不需要匹配的特征点。默认为None，表示不使用掩码。

compactResult 可选参数：一个布尔值，指定是否返回紧凑的匹配结果。默认为None，表示根据特征描述符的类型自动选择。

返回值：

distance：匹配的特征点描述符的欧式距离，数值越小也就说明俩个特征点越相近

queryIdx：测试图像的特征点描述符的下标(第几个特征点描述符)，同时也是描述符对应特征点的下标。

trainIdx：样本图像的特征点描述符下标，同时也是描述符对应特征点的下标。

3）续接上文代码

matcher = cv2.BFMatcher()
rawMatches = matcher.knnMatch(desB,desA,2)   # 对desB中的每个描述符在desA中查找两个最近邻
good = []   # 设置空列表用于存放匹配成功的特征点
matches =[]   # 用于存放匹配成功的两个点的索引值
for m in rawMatches:
    # 当最近距离跟次近距离的比值小于0.65值时，保留此匹配对
    if len(m) == 2 and m[0].distance < 0.65 * m[1].distance:  # len(m) == 2 表示检查是否有两个匹配项
        # m[0].distance < 0.65 * m[1].distance表示判断匹配的两个点最近邻和次近邻的比值是否小于0.65
        good.append(m)
        # 存储两个点在featuresA，featuresB中的索引值
        matches.append((m[0].trainIdx, m[0].queryIdx))
print(len(good))  # 返回匹配成功的特征点个数
print(matches)   # 打印匹配成功点的索引

运行结果：

调试模式rawMatches内容：

5、绘制匹配结果

# 绘制两组关键点的匹配结果，输入参数为B图原图，B图的关键点列表，A图原图，A图的关键点列表，匹配成功的点的坐标，掩码图像默认为None
# flag 表示绘制的标志，cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS表示在关键点周围绘制圆圈，圆圈大小与关键点尺度成比例
vis = cv2.drawMatchesKnn(imageB,kpsB,imageA,kpsA,good,None,flags = cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv_show('keypoint matches',vis)

运行结果：

6、计算视角变换矩阵

"""透视变换"""
if len(matches) > 4 :  # 当前筛选后的匹配对大于4.计算视角变换矩阵
    # 分别获取匹配成功的A图中点的坐标与B图中点的坐标
    ptsA = np.float32([kps_floatA[i] for (i,_) in matches])   # kps_floatA是匹配成功点的坐标，matches是通过阈值筛选之后的特征点对象，其中存放匹配成功点的索引，
    ptsB = np.float32([kps_floatB[i] for (_,i) in matches])   # kps_floatB是图片B中的全就特征点坐标
    (H, mask) = cv2.findHomography(ptsB, ptsA, cv2.RANSAC,  10)
else:
    print('图片未找到4个以上的匹配点')
    sys.exit()

调试模式下

kps_floatA与kps_floatB状态

matches状态

7、透视变换后拼接

# 根据视角变换矩阵H将原图B进行透视变换，然后将变换后的图片与A进行拼接
result = cv2.warpPerspective(imageB,H,(imageB.shape[1] + imageA.shape[1],imageB.shape[0]))
cv_show('resultB',result)
# 将图片A传入result图片最左端
result[0:imageA.shape[0],0:imageA.shape[1]] = imageA
cv_show('result',result)

运行结果：

8、完整代码：

import cv2
import numpy as np
import sys
def cv_show(name,img):  
    cv2.imshow(name,img)
    cv2.waitKey(0)

def detectAndDescribe(image):   
    gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) 
    descriptor = cv2.SIFT_create()  
    (kps,des) = descriptor.detectAndCompute(gray,None)   
    return (kps,kps_float,des)   

imageA = cv2.imread("1.jpg")
cv_show('imageA',imageA)
imageB = cv2.imread("2.jpg")
cv_show("imageB",imageB)

(kpsA,kps_floatA,desA) = detectAndDescribe(imageA)
(kpsB,kps_floatB,desB) = detectAndDescribe(imageB)

rawMatches = matcher.knnMatch(desB,desA,2)   
good = []   
matches =[]   
for m in rawMatches:
    
    if len(m) == 2 and m[0].distance < 0.65 * m[1].distance:  
        good.append(m)
        
        matches.append((m[0].trainIdx, m[0].queryIdx))
print(len(good))  # 返回匹配成功的特征点个数
print(matches)   # 打印匹配成功点的索引


vis = cv2.drawMatchesKnn(imageB,kpsB,imageA,kpsA,good,None,flags = cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv_show('keypoint matches',vis)

if len(matches) > 4 :  
    ptsA = np.float32([kps_floatA[i] for (i,_) in matches])   
    ptsB = np.float32([kps_floatB[i] for (_,i) in matches])   
    (H, mask) = cv2.findHomography(ptsB, ptsA, cv2.RANSAC,  10)
else:
    print('图片未找到4个以上的匹配点')
    sys.exit()  # 退出匹配

result = cv2.warpPerspective(imageB,H,(imageB.shape[1] + imageA.shape[1],imageB.shape[0]))
cv_show('resultB',result)
result[0:imageA.shape[0],0:imageA.shape[1]] = imageA
cv_show('result',result)