快捷導(dǎo)航

python opencv進(jìn)行圖像拼接

更新時(shí)間：2020年03月27日 17:30:16 作者：威化餅的一隅

這篇文章主要為大家詳細(xì)介紹了python opencv進(jìn)行圖像拼接，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

本文實(shí)例為大家分享了python opencv進(jìn)行圖像拼接的具體代碼，供大家參考，具體內(nèi)容如下

思路和方法

思路

1、提取要拼接的兩張圖片的特征點(diǎn)、特征描述符；
2、將兩張圖片中對(duì)應(yīng)的位置點(diǎn)找到，匹配起來(lái)；
3、如果找到了足夠多的匹配點(diǎn)，就能將兩幅圖拼接起來(lái)，拼接前，可能需要將第二幅圖透視旋轉(zhuǎn)一下，利用找到的關(guān)鍵點(diǎn)，將第二幅圖透視旋轉(zhuǎn)到一個(gè)與第一幅圖相同的可以拼接的角度；
4、進(jìn)行拼接；
5、進(jìn)行拼接后的一些處理，讓效果看上去更好。

實(shí)現(xiàn)方法

1、提取圖片的特征點(diǎn)、描述符，可以使用opencv創(chuàng)建一個(gè)SIFT對(duì)象，SIFT對(duì)象使用DoG方法檢測(cè)關(guān)鍵點(diǎn)，并對(duì)每個(gè)關(guān)鍵點(diǎn)周圍的區(qū)域計(jì)算特征向量。在實(shí)現(xiàn)時(shí)，可以使用比SIFT快的SURF方法，使用Hessian算法檢測(cè)關(guān)鍵點(diǎn)。因?yàn)橹皇沁M(jìn)行全景圖拼接，在使用SURF時(shí)，還可以調(diào)節(jié)它的參數(shù)，減少一些關(guān)鍵點(diǎn)，只獲取64維而不是128維的向量等，加快速度。
2、在分別提取好了兩張圖片的關(guān)鍵點(diǎn)和特征向量以后，可以利用它們進(jìn)行兩張圖片的匹配。在拼接圖片中，可以使用Knn進(jìn)行匹配，但是使用FLANN快速匹配庫(kù)更快，圖片拼接，需要用到FLANN的單應(yīng)性匹配。
3、單應(yīng)性匹配完之后可以獲得透視變換H矩陣，用這個(gè)的逆矩陣來(lái)對(duì)第二幅圖片進(jìn)行透視變換，將其轉(zhuǎn)到和第一張圖一樣的視角，為下一步拼接做準(zhǔn)備。
4、透視變換完的圖片，其大小就是最后全景圖的大小，它的右邊是透視變換以后的圖片，左邊是黑色沒(méi)有信息。拼接時(shí)可以比較簡(jiǎn)單地處理，通過(guò)numpy數(shù)組選擇直接把第一張圖加到它的左邊，覆蓋掉重疊部分，得到拼接圖片，這樣做非常快，但是最后效果不是很好，中間有一條分割痕跡非常明顯。使用opencv指南中圖像金字塔的代碼對(duì)拼接好的圖片進(jìn)行處理，整個(gè)圖片平滑了，中間的縫還是特別突兀。
5、直接拼效果不是很好，可以把第一張圖疊在左邊，但是對(duì)第一張圖和它的重疊區(qū)做一些加權(quán)處理，重疊部分，離左邊圖近的，左邊圖的權(quán)重就高一些，離右邊近的，右邊旋轉(zhuǎn)圖的權(quán)重就高一些，然后兩者相加，使得過(guò)渡是平滑地，這樣看上去效果好一些，速度就比較慢。如果是用SURF來(lái)做，時(shí)間主要畫(huà)在平滑處理上而不是特征點(diǎn)提取和匹配。

python_opencv中主要使用的函數(shù)

0、基于python 3.7和對(duì)應(yīng)的python-opencv

1、cv2.xfeatures2d.SURF_create ([hessianThreshold[, nOctaves[, nOctaveLayers[, extended[, upright]]]]])
該函數(shù)用于生成一個(gè)SURF對(duì)象，在使用時(shí)，為提高速度，可以適當(dāng)提高h(yuǎn)essianThreshold，以減少檢測(cè)的關(guān)鍵點(diǎn)的數(shù)量，可以extended=False，只生成64維的描述符而不是128維，令upright=True，不檢測(cè)關(guān)鍵點(diǎn)的方向。

2、cv2.SURF.detectAndCompute(image, mask[, descriptors[, useProvidedKeypoints]])

該函數(shù)用于計(jì)算圖片的關(guān)鍵點(diǎn)和描述符，需要對(duì)兩幅圖都進(jìn)行計(jì)算。

3、flann=cv2.FlannBasedMatcher(indexParams,searchParams)
match=flann.knnMatch(descrip1,descrip2,k=2)
flann快速匹配器有兩個(gè)參數(shù)，一個(gè)是indexParams，一個(gè)是searchParams，都用手冊(cè)上建議的值就可以。在創(chuàng)建了匹配器得到匹配數(shù)組match以后，就可以參考Lowe給出的參數(shù)，對(duì)匹配進(jìn)行過(guò)濾，過(guò)濾掉不好的匹配。其中返回值match包括了兩張圖的描述符距離distance 、訓(xùn)練圖（第二張）的描述符索引trainIdx 、查詢的圖（第一張）的描述符索引queryIdx 這幾個(gè)屬性。

4、M,mask=cv2.findHomography(srcPoints, dstPoints[, method[, ransacReprojThreshold[, mask]]])
這個(gè)函數(shù)實(shí)現(xiàn)單應(yīng)性匹配，返回的M是一個(gè)矩陣，即對(duì)關(guān)鍵點(diǎn)srcPoints做M變換能變到dstPoints的位置。

5、warpImg=cv2.warpPerspective(src,np.linalg.inv(M),dsize[,dst[,flags[,borderMode[,borderValue]]]])
用這個(gè)函數(shù)進(jìn)行透視變換，變換視角。src是要變換的圖片，np.linalg.inv(M)是④中M的逆矩陣，得到方向一致的圖片。

6、a=b.copy() 實(shí)現(xiàn)深度復(fù)制，Python中默認(rèn)是按引用復(fù)制，a=b是a指向b的內(nèi)存。

7、draw_params = dict(matchColor = (0,255,0),singlePointColor = (255,0,0),matchesMask = matchMask,flags = 2),img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)
使用drawMatches可以畫(huà)出匹配的好的關(guān)鍵點(diǎn)，matchMask是比較好的匹配點(diǎn)，之間用綠色線連接起來(lái)。

核心代碼

import cv2
import numpy as np
from matplotlib import pyplot as plt
import time
MIN = 10
starttime=time.time()
img1 = cv2.imread('1.jpg') #query
img2 = cv2.imread('2.jpg') #train

#img1gray=cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
#img2gray=cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)
surf=cv2.xfeatures2d.SURF_create(10000,nOctaves=4,extended=False,upright=True)
#surf=cv2.xfeatures2d.SIFT_create()#可以改為SIFT
kp1,descrip1=surf.detectAndCompute(img1,None)
kp2,descrip2=surf.detectAndCompute(img2,None)

FLANN_INDEX_KDTREE = 0
indexParams = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
searchParams = dict(checks=50)

flann=cv2.FlannBasedMatcher(indexParams,searchParams)
match=flann.knnMatch(descrip1,descrip2,k=2)


good=[]
for i,(m,n) in enumerate(match):
 if(m.distance<0.75*n.distance):
 good.append(m)

if len(good)>MIN:
 src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2)
 ano_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1,1,2)
 M,mask=cv2.findHomography(src_pts,ano_pts,cv2.RANSAC,5.0)
 warpImg = cv2.warpPerspective(img2, np.linalg.inv(M), (img1.shape[1]+img2.shape[1], img2.shape[0]))
 direct=warpImg.copy()
 direct[0:img1.shape[0], 0:img1.shape[1]] =img1
 simple=time.time()

#cv2.namedWindow("Result", cv2.WINDOW_NORMAL)
#cv2.imshow("Result",warpImg)
 rows,cols=img1.shape[:2]
 
 for col in range(0,cols):
 if img1[:, col].any() and warpImg[:, col].any():#開(kāi)始重疊的最左端
 left = col
 break
 for col in range(cols-1, 0, -1):
 if img1[:, col].any() and warpImg[:, col].any():#重疊的最右一列
 right = col
 break

 res = np.zeros([rows, cols, 3], np.uint8)
 for row in range(0, rows):
 for col in range(0, cols):
 if not img1[row, col].any():#如果沒(méi)有原圖，用旋轉(zhuǎn)的填充
 res[row, col] = warpImg[row, col]
 elif not warpImg[row, col].any():
 res[row, col] = img1[row, col]
 else:
 srcImgLen = float(abs(col - left))
 testImgLen = float(abs(col - right))
 alpha = srcImgLen / (srcImgLen + testImgLen)
 res[row, col] = np.clip(img1[row, col] * (1-alpha) + warpImg[row, col] * alpha, 0, 255)

 warpImg[0:img1.shape[0], 0:img1.shape[1]]=res
 final=time.time()
 img3=cv2.cvtColor(direct,cv2.COLOR_BGR2RGB)
 plt.imshow(img3,),plt.show()
 img4=cv2.cvtColor(warpImg,cv2.COLOR_BGR2RGB)
 plt.imshow(img4,),plt.show()
 print("simple stich cost %f"%(simple-starttime))
 print("\ntotal cost %f"%(final-starttime))
 cv2.imwrite("simplepanorma.png",direct)
 cv2.imwrite("bestpanorma.png",warpImg)
 
else:
 print("not enough matches!")

運(yùn)行結(jié)果

原圖1.jpg