12 图像拼接

在进行图像拼接前先了解几个算法和概念

1.Brute-Force蛮力匹配

直接用两张图的特征进行匹配，有一对一和k对最佳匹配两种方法
1.一对一匹配

sift = cv2.xfeatures2d.SIFT_create()  #注意3.4.15版本以后已经不能用了，可以改用ORB算法
kp1, des1 = sift.detectAndCompute(img1, None) #用sift方法提取出两张图的特征点
kp2, des2 = sift.detectAndCompute(img2, None)
bf = cv2.BFMatcher(crossCheck=True)  #创建一个蛮力匹配的类
#crossCheck代表A图中i点到B图j点是最近的，B图j点到A图i点也要是最近的
#在crossCheck之前还有一个参数选择
#由于sift是求得图像的特征向量，因此可以通过两张图像中各关键点的距离来判定相似程度
'''一对一匹配'''
matches = bf.match(des1, des2)   #计算匹配信息
matches = sorted(matches, key=lambda x: x.distance)
image3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=2)   #导入两张原始图像和对应的关键点信息

效果如下：

2.k对最佳匹配
前面是1个点对应1个最近的，现在1个点可以对应多个，自己选择

bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2) #这里的k就是选择1个点对应几个点

good = []
for m, n in matches:   #这里对求出来的点进行筛选，不是所有的点都要
	if m.distance < 0.75 * n.distance:
		good.append([m])
image3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flages=2)

效果如下：

2.随机抽样一致算法