文章目录
一、全景图像的拼接原理和步骤
1.1 全景图像的拼接相关原理
图像全景拼接涉及到了SIFT特征匹配和RANSAC算法。
1.1.1 SIFT特征匹配
为了匹配特征点,为后续图像拼接做准备。(详细原理请看https://editor.csdn.net/md/?articleId=104726476)
1.1.2 RANSAC算法匹配
在图像拼接中采用SIFT进行图像的特征匹配时,经常会出现匹配错误的连线,这会导致图像拼接的时候出现偏差,便不能成功拼接图像,这时候使用RANSAC算法。RANSAC算法会从匹配的数据集中随机抽出几个样本并保证抽出的样本之间不共线,计算出样本单应性矩阵,然后利用这个模型测试所有的匹配数据,并计算满足这个模型数据点的个数与投影误差(即代价函数),若此模型为最优模型,则对应的代价函数最小。这样便可以剔除匹配错误的特征点匹配对,采用不断迭代的方法,寻找到一个较为稳健的单应性矩阵,并且使得满足该矩阵的数据点个数最多。
注:单应性矩阵是要实现图像拼接重要方法。它表示了两张图象之间的对应特征点的变换关系。有了这个关系,我们就可以实现图像正确的拼接到另一张图像上。
1.2 全景图像的拼接步骤
图像全景拼接的整体流程如下
1、根据给定的图像集,实现图像之间的特征匹配;
2、通过匹配特征,计算图像之间的变换结构;
3、利用图像的变换结构,实现图像间的映射;
4、针对叠加后的图像,采用相应算法,对齐特征点;
5、通过图割的方法,自动选取拼接缝;
6、图像进行融合。
二、全景图像的拼接实现
2.1 全景图像的拼接相关代码
2.1.1 代码分析
1、用RANSAC算法实现针对固定点位拍摄多张图片,以中间图片为中心的图像的拼接融合拼接3张图片
2、代码中有个参数delta。这个参数是针对你拍摄图像时,你相对平移的距离的变量,当你拍摄近景时候,这个参数尽量该小,远景相反。
3、dpi是图像精细度的变量,可以通过修改来改变图像的分辨率,数值越大表示图像越精细,即分辨率越高。
2.1.2 代码实现
# RANSAC算法拼接3张图片
from pylab import *
from numpy import *
from PIL import Image
from PCV.geometry import homography, warp
from PCV.localdescriptors import sift
featname = ['C:/images' + str(i + 1) + '.sift' for i in range(3)]
imname = ['C:/images' + str(i + 1) + '.jpg' for i in range(3)]
l == {
}
d = {
}
for i in range(3):
sift.process_image(imname[i]