使用OpenCV进行图像全景拼接

图像拼接介绍

图像拼接是计算机视觉中最成功的应用之一。如今，很难找到不包含此功能的手机或图像处理API。在本文中，我们将讨论如何使用Python和OpenCV进行图像拼接。也就是，给定两张共享某些公共区域的图像，目标是“缝合”它们并创建一个全景图像场景。当然也可以是给定多张图像，但是总会转换成两张共享某些公共区域图像拼接的问题，因此本文以最简单的形式进行介绍。下图是一张拼接图的效果：

图像拼接包含的技术内容：

关键点检测局部不变描述符（SIFT，SURF等）特征匹配使用RANSAC进行单应性估计透视变换

本文需要拼接的两张图像如下：

特征检测与提取

给定上述一对图像，我们希望将它们缝合以创建全景场景。重要的是要注意，两个图像都需要有一些公共区域。当然，上面给出的两张图像是比较理想的，有时候两个图像虽然具有公共区域，但是同样还可能存在缩放、旋转、来自不同相机等因素的影响。但是无论哪种情况我们都需要检测图像中的特征点。

特征点检测

最初比较简单的方法是使用诸如Harris Corners之类的算法来提取关键点。然后，我们可以尝试基于某种相似性度量（比如欧几里得距离）来匹配相应的关键点。众所周知，角点具有角点不变的特性。这就说明检测到的角点，即使旋转图片该角点依然存在。

但是，如果我们旋转图像后进行缩放就会遇到问题，由于角点的大小不变，放大图片后，先前检测到的角就会变成一条线。

因此，需要旋转和缩放都不变的特征，那就需要用到更高级的方法。（比如SIFT， SURF和ORB）

关键点和描述符

诸如SIFT和SURF之类的方法试图解决角点检测算法的局限性。通常，角点检测器算法使用固定大小的内核来检测图像上的感兴趣区域（角）。不难看出，当我们缩放图像时，该内核可能变得太小或太大。为了解决此限制，诸如SIFT之类的方法使用高斯差分（DoD）。想法是将DoD应用于同一图像的不同缩放版本。它还使用相邻像素信息来查找和完善关键点和相应的描述符。

首先，我们需要加载2个图像，一个查询图像和一个训练图像。最初，我们首先从两者中提取关键点和描述符。通过使用OpenCV detectAndCompute()函数，我们可以一步完成它。请注意，为了使用detectAndCompute()，我们需要一个关键点检测器和描述符对象的实例。它可以是ORB，SIFT或SURF等。此外，在将图像输入给detectAndCompute()之前，我们将其转换为灰度。

我们为两个图像都设置了一组关键点和描述符。如果我们使用SIFT作为特征提取器，它将为每个关键点返回一个128维特征向量。如果选择SURF我们将获得64维特征向量。下图显示了使用SIFT和SURF得到的结果。 （上：SIFT检测关键点和描述符；下：SURF检测关键点和描述符）

特征匹配

如我们所见，两个图像都有大量特征点。现在，我们想比较两组特征，并尽可能显示更多相似性的特征点对 。使用 OpenCV ， 特征点匹配需要Matcher对象。这里我们探索到两种方式：暴力匹配器（BruteForce）和KNN（k最近邻）。 代码如下：

def matchKeyPoints(self, kp1, kp2, des1, des2, ratio, reprojThresh): print('C') # 初始化BF,因为使用的是SIFT ，所以使用默认参数 matcher = cv.DescriptorMatcher_create('BruteForce') # bf = cv.BFMatcher() # matches = bf.knnMatch(des1, des2, k=2) matches = matcher.knnMatch(des1, des2, 2) # 获取理想匹配 good = [] for m in matches: if len(m) == 2 and m[0].distance < ratio * m[1].distance: good.append((m[0].trainIdx, m[0].queryIdx)) print(len(good)) # 最少要有四个点才能做透视变换 if len(good) > 4: # 获取关键点的坐标 # src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2) # dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2) src_pts = np.float32([kp1[i] for (_, i) in good]) dst_pts = np.float32([kp2[i] for (i, _) in good]) # 通过两个图像的关键点计算变换矩阵 (M, mask) = cv.findHomography(src_pts, dst_pts, cv.RANSAC, reprojThresh) # 返回最佳匹配点、变换矩阵和掩模 return good, M, mask # 如果不满足最少四个 就返回None return None

比率测试

特征匹配结果：

最后实现的效果：

最后附上程序的完整代码：

# -*- encoding: utf-8 -*- """ @Date ： 2020/10/4 18:57 @Author ： LGD @File ：test.py @IDE ：PyCharm """ import numpy as np import cv2 as cv import imutils class Stitcher: def stitch(self, imgs, ratio=0.75, reprojThresh=4.0, showMatches=False): print('A') (img2, img1) = imgs # 获取关键点和描述符 (kp1, des1) = self.detectAndDescribe(img1) (kp2, des2) = self.detectAndDescribe(img2) print(len(kp1), len(des1)) print(len(kp2), len(des2)) R = self.matchKeyPoints(kp1, kp2, des1, des2, ratio, reprojThresh) # 如果没有足够的最佳匹配点，M为None if R is None: return None (good, M, mask) = R print(M) # 对img1透视变换，M是ROI区域矩阵， 变换后的大小是(img1.w+img2.w, img1.h) result = cv.warpPerspective(img1, M, (img1.shape[1] + img2.shape[1], img1.shape[0])) # 将img2的值赋给结果图像 result[0:img2.shape[0], 0:img2.shape[1]] = img2 # 是否需要显示ROI区域 if showMatches: vis = self.drawMatches(img1, img2, kp1, kp2, good, mask) return result, vis return result def detectAndDescribe(self, img): print('B') gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # 使用SIFT检测特征 sift = cv.SIFT_create() (kps, des) = sift.detectAndCompute(img, None) kps = np.float32([kp.pt for kp in kps]) # 返回关键点和描述符 return kps, des def matchKeyPoints(self, kp1, kp2, des1, des2, ratio, reprojThresh): print('C') # 初始化BF,因为使用的是SIFT ，所以使用默认参数 matcher = cv.DescriptorMatcher_create('BruteForce') # bf = cv.BFMatcher() # matches = bf.knnMatch(des1, des2, k=2) matches = matcher.knnMatch(des1, des2, 2) # *********************************** # 获取理想匹配 good = [] for m in matches: if len(m) == 2 and m[0].distance < ratio * m[1].distance: good.append((m[0].trainIdx, m[0].queryIdx)) print(len(good)) # 最少要有四个点才能做透视变换 if len(good) > 4: # 获取关键点的坐标 # src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2) # dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2) src_pts = np.float32([kp1[i] for (_, i) in good]) dst_pts = np.float32([kp2[i] for (i, _) in good]) # 通过两个图像的关键点计算变换矩阵 (M, mask) = cv.findHomography(src_pts, dst_pts, cv.RANSAC, reprojThresh) # 返回最佳匹配点、变换矩阵和掩模 return good, M, mask # 如果不满足最少四个 就返回None return None def drawMatches(self, img1, img2, kp1, kp2, metches, mask): print('D') (hA, wA) = img1.shape[:2] (hB, wB) = img2.shape[:2] vis = np.zeros((max(hA, hB), wA + wB, 3), dtype='uint8') vis[0:hA, 0:wA] = img1 vis[0:hB, wA:] = img2 for ((trainIdx, queryIdx), s) in zip(metches, mask): if s == 1: ptA = (int(kp1[queryIdx][0]), int(kp1[queryIdx][1])) ptB = (int(kp2[trainIdx][0]) + wA, int(kp2[trainIdx][1])) cv.line(vis, ptA, ptB, (0, 255, 0), 1) return vis def show(): img1 = cv.imread('img1.jpg') img2 = cv.imread('img2.jpg') img1 = imutils.resize(img1, width=400) img2 = imutils.resize(img2, width=400) stitched = Stitcher() # (result, vis) = stitched.stitch([img1, img2]) (result, vis) = stitched.stitch([img1, img2], showMatches=True) cv.imshow('image A', img1) cv.imshow('image B', img2) cv.imshow('keyPoint Matches', vis) cv.imshow('Result', result) cv.waitKey(0) cv.destroyAllWindows() if __name__ == '__main__': show()

完整代码地址：https://github.com/YouthJourney/Computer-Vision-OpenCV/tree/master/Image_Panorama_Stitching