OpenCV實(shí)戰(zhàn)之圖像拼接的示例代碼

更新時(shí)間：2022年01月17日 15:33:53 作者：一個(gè)熱愛學(xué)習(xí)的深度渣渣

圖像拼接可以應(yīng)用到手機(jī)中的全景拍攝，也就是將多張圖片根據(jù)關(guān)聯(lián)信息拼成一張圖片。本文將介紹利用Python OpenCV實(shí)現(xiàn)圖像拼接的方法，感興趣的可以試一試

背景

圖像拼接可以應(yīng)用到手機(jī)中的全景拍攝，也就是將多張圖片根據(jù)關(guān)聯(lián)信息拼成一張圖片；

實(shí)現(xiàn)步驟

1、讀文件并縮放圖片大??；

2、根據(jù)特征點(diǎn)和計(jì)算描述子，得到單應(yīng)性矩陣；

3、根據(jù)單應(yīng)性矩陣對圖像進(jìn)行變換，然后平移；

4、圖像拼接并輸出拼接后結(jié)果圖；

一、讀取文件

第一步實(shí)現(xiàn)讀取兩張圖片并縮放到相同尺寸；

代碼如下：

img1 = cv2.imread('map1.png')
img2 = cv2.imread('map2.png')

img1 = cv2.resize(img1, (640, 480))
img2 = cv2.resize(img2, (640, 480))

input = np.hstack((img1, img2))
cv2.imshow('input', input)
cv2.waitKey(0)

上圖為我們需要拼接的兩張圖的展示，可以看出其還具有一定的旋轉(zhuǎn)變換，之后的圖像轉(zhuǎn)換必定包含旋轉(zhuǎn)的操作；

二、單應(yīng)性矩陣計(jì)算

主要分為以下幾個(gè)步驟：

1、創(chuàng)建特征轉(zhuǎn)換對象；

2、通過特征轉(zhuǎn)換對象獲得特征點(diǎn)和描述子；

3、創(chuàng)建特征匹配器；

4、進(jìn)行特征匹配；

5、過濾特征，找出有效的特征匹配點(diǎn)；

6、單應(yīng)性矩陣計(jì)算

實(shí)現(xiàn)代碼：

def get_homo(img1, img2):
? ? # 1實(shí)現(xiàn)
? ? sift = cv2.xfeatures2d.SIFT_create()
? ? # 2實(shí)現(xiàn)
? ? k1, p1 = sift.detectAndCompute(img1, None)
? ? k2, p2 = sift.detectAndCompute(img2, None)
? ? # 3實(shí)現(xiàn)
? ? bf = cv2.BFMatcher()
? ? # 4實(shí)現(xiàn)
? ? matches = bf.knnMatch(p1, p2, k=2)
? ? # 5實(shí)現(xiàn)
? ? good = []
? ? for m1, m2 in matches:
? ? ? ? if m1.distance < 0.8 * m2.distance:
? ? ? ? ? ? good.append(m1)
? ? # 6實(shí)現(xiàn)
? ? if len(good) > 8:
? ? ? ? img1_pts = []
? ? ? ? img2_pts = []
? ? ? ? for m in good:
? ? ? ? ? ? img1_pts.append(k1[m.queryIdx].pt)
? ? ? ? ? ? img2_pts.append(k2[m.trainIdx].pt)
? ? ? ? img1_pts = np.float32(img1_pts).reshape(-1, 1, 2)
? ? ? ? img2_pts = np.float32(img2_pts).reshape(-1, 1, 2)
? ? ? ? H, mask = cv2.findHomography(img1_pts, img2_pts, cv2.RANSAC, 5.0)
? ? ? ? return H
? ? else:
? ? ? ? print('piints is not enough 8!')
? ? ? ? exit()

三、圖像拼接

實(shí)現(xiàn)步驟：

1、獲得圖像的四個(gè)角點(diǎn)；

2、根據(jù)單應(yīng)性矩陣變換圖片；

3、創(chuàng)建一張大圖，拼接圖像；

4、輸出結(jié)果

實(shí)現(xiàn)代碼：

def stitch_img(img1, img2, H):
? ? # 1實(shí)現(xiàn)
? ? h1, w1 = img1.shape[:2]
? ? h2, w2 = img2.shape[:2]
? ? img1_point = np.float32([[0,0], [0,h1], [w1,h1], [w1,0]]).reshape(-1, 1, 2)
? ? img2_point = np.float32([[0,0], [0,h2], [w2,h2], [w2,0]]).reshape(-1, 1, 2)
? ? # 2實(shí)現(xiàn)
? ? img1_trans = cv2.perspectiveTransform(img1_point, H)
? ? # 將img1變換后的角點(diǎn)與img2原來的角點(diǎn)做拼接
? ? result_point = np.concatenate((img2_point, img1_trans), axis=0)
? ? # 獲得拼接后圖像x,y的最小值
? ? [x_min, y_min] = np.int32(result_point.min(axis=0).ravel()-0.5)
? ? # 獲得拼接后圖像x,y的最大值
? ? [x_max, y_max] = np.int32(result_point.max(axis=0).ravel()+0.5)
? ? # 平移距離
? ? trans_dist = [-x_min, -y_min]
? ? # 構(gòu)建一個(gè)齊次平移矩陣
? ? trans_array = np.array([[1, 0, trans_dist[0]],
? ? ? ? ? ? ? ? ? ? ? ? ? ? [0, 1, trans_dist[1]],
? ? ? ? ? ? ? ? ? ? ? ? ? ? [0, 0, 1]])
? ? # 平移和單應(yīng)性變換
? ? res_img = cv2.warpPerspective(img1, trans_array.dot(H), (x_max-x_min, y_max-y_min))
? ? # 3實(shí)現(xiàn)
? ? res_img[trans_dist[1]:trans_dist[1]+h2,
? ? ? ? ? ? trans_dist[0]:trans_dist[0]+w2] = img2
? ? return res_img

H = get_homo(img1, img2)
res_img = stitch_img(img1, img2, H)
# 4實(shí)現(xiàn)
cv2.imshow('result', res_img)
cv2.waitKey(0)?

最終結(jié)果圖如上圖所示，還有待優(yōu)化點(diǎn)如下：

邊緣部分有色差，可以根據(jù)取平均值消除；
黑色區(qū)域可進(jìn)行裁剪并用對應(yīng)顏色填充；

優(yōu)化部分難度不大，有興趣的可以實(shí)現(xiàn)一下；

總結(jié)

圖像拼接作為一個(gè)實(shí)用性技術(shù)經(jīng)常出現(xiàn)在我們的生活中，特別是全景拍攝以及圖像內(nèi)容拼接；當(dāng)然，基于傳統(tǒng)算法的圖像拼接還是會(huì)有一些缺陷（速度和效果上），感興趣的可以了解下基于深度學(xué)習(xí)的圖像拼接算法，期待和大家溝通！

到此這篇關(guān)于OpenCV實(shí)戰(zhàn)之圖像拼接的示例代碼的文章就介紹到這了,更多相關(guān)OpenCV圖像拼接內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: