矩阵列拼接_单应性矩阵应用之图像拼接

上一篇文章单应性矩阵的计算，本文主要介绍如何把单应性矩阵应用于图像拼接中。

这里用手机拍摄了一幅画，分左图和右图。

左图

右图

具体的操作步骤：

1. 提取两幅图中的特征点和描述子，常用的有ORB、SURF和SIFT。

2. 对描述子进行匹配，OpenCV 提供了BFMatcher 和 FLANNMatcher

3. 对匹配的特征点，会存在错误的匹配，通过RANSAC (Random Sample Consensus)筛选出正确的匹配。

4. 对匹配的点对，计算单应性矩阵H

5. 对右图应用H变换，然后进行重叠区域融合

实战

1. 提取SIFT特征点和描述子

 cv::Ptr sift = xfeatures2d::SIFT::create(); sift->detectAndCompute(img1, noArray(), kpts1, desc1);

       2. 特征点粗匹配

void match(const Mat& desc1, const Mat& desc2, std::vector& matches){
        cv::Ptr matcher = FlannBasedMatcher::create();    std::vector<std::vector> pair_matches;    matcher->knnMatch(desc1, desc2, pair_matches, 2);    for (int i = 0; i < pair_matches.size(); ++i) {
            if(pair_matches[i].size()<2) continue;        DMatch& m0 = pair_matches[i][0];        DMatch& m1 = pair_matches[i][1];        if (m0.distance < 0.6 * m1.distance){
                matches.push_back(m0);        }    }}

粗匹配，可以看到有一些是错误的匹配

  3. 通过RANSAC筛选出正确的匹配和H矩阵 findHomography 已经包括了cv::RANSAC，mask 掩膜用来表示哪些点是goodmatch .

M H = findHomography(srcpts, dstpts,mask, cv::RANSAC, 5);