Hi，大家好，我是半亩花海。本项目实现了基于 ORB 特征检测器 和描述符的全景图像拼接算法，能够将两张部分重叠的图像拼接成一张无缝连接的全景图像。
文章目录
一、随机抽样一致算法
我们可以通过求取上一张中的特征点匹配的方法，将多个图片拼接在一起。简单来说就是将这张图片做一个变换到另外一个图片上面去，中间就是一个变换矩阵。
随机抽样一致算法（Random sample consensus，RANSAC）：
由于局外点、异常点的干扰 ，最小二乘拟合的效果容易走偏，而随机抽样一致算法中的数据点更不容易走偏，拟合的效果更好。
选择初始样本点 进行拟合 ，给定一个容忍范围 ，不断进行迭代。
随机算两个点，看落在区间内的点有多少个，越多越好。
每一次拟合后，容差范围内都有对应的数据点数，找出数据点个数最多的情况，就是最终的拟合结果：
单应性矩阵：
二、功能实现
全景图像拼接流程：
- 提取图像特征
- 对两张图片提取的特征点求变换矩阵
- 变换
-
图像拼接功能
- 支持将两张部分重叠的图像拼接成一张全景图像。
-
特征检测与匹配
- 使用 ORB 特征检测器和描述符进行关键点检测和特征提取。
- 使用 BFMatcher 进行关键点匹配。
-
参数调整
- 可调整拼接参数，如匹配比例和重投影误差阈值。
-
可视化
- 可选择是否显示关键点匹配可视化结果。
三、代码解析
-
Stitcher类
- stitch方法: 用于执行图像拼接。
- detectAndDescribe方法: 用于特征检测和描述。
- matchKeypoints方法: 用于关键点匹配和透视变换计算。
- drawMatches方法: 用于绘制关键点匹配可视化结果。
-
使用方法
- 准备两张待拼接的部分重叠图像。
- 调用 Stitcher 类的 stitch 方法，传入待拼接图像。
- 根据需要选择是否显示关键点匹配可视化结果。
- 获取拼接后的全景图像。
四、效果展示
两张原图：
关键点匹配：
拼接结果：
五、完整代码
python
#!/usr/bin/env python
# -*- coding:utf-8 -*-
"""
@Project : Stitcher-全景图像拼接-ORB特征检测器和描述符
@File : Stitcher.py
@IDE : PyCharm
@Author : 半亩花海
@Date : 2024/04/10 11:29
"""
import numpy as np
import cv2
class Stitcher:
def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False): # 拼接函数
# 解包输入图片
(imageB, imageA) = images
# 将图片转换为灰度图
grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)
grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY)
# 使用ORB特征检测器和描述符
(kpsA, featuresA) = self.detectAndDescribe(grayA)
(kpsB, featuresB) = self.detectAndDescribe(grayB)
# 匹配特征点
M = self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)
# 如果匹配结果为空，则返回None
if M is None:
print("Failed to stitch images. Not enough matches.")
return None
# 解包匹配结果
(matches, H, status) = M
# 进行透视变换，拼接图像
result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
# 如果需要显示匹配结果，则返回拼接图和匹配可视化图
if showMatches:
vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
return (result, vis)
# 否则，只返回拼接图
return result
@staticmethod
def cv_show(name, img):
# 显示图像
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
@staticmethod
def detectAndDescribe(image):
# 创建ORB特征检测器
orb = cv2.ORB_create()
# 检测特征点并计算描述符
(kps, features) = orb.detectAndCompute(image, None)
kps = np.float32([kp.pt for kp in kps])
return (kps, features)
@staticmethod
def matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):
# 创建BFMatcher对象
matcher = cv2.BFMatcher()
# 使用KNN匹配
rawMatches = matcher.knnMatch(featuresA, featuresB, 2)
# 进行筛选，获取匹配点对
matches = []
for m in rawMatches:
if len(m) == 2 and m[0].distance < m[1].distance * ratio:
matches.append((m[0].trainIdx, m[0].queryIdx))
# 如果匹配点对数量大于4，则计算透视变换矩阵
if len(matches) > 4:
ptsA = np.float32([kpsA[i] for (_, i) in matches])
ptsB = np.float32([kpsB[i] for (i, _) in matches])
(H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)
return (matches, H, status)
# 否则，返回None
return None
@staticmethod
def drawMatches(imageA, imageB, kpsA, kpsB, matches, status):
(hA, wA) = imageA.shape[:2]
(hB, wB) = imageB.shape[:2]
vis = np.zeros((max(hA, hB), wA + wB, 3), dtype="uint8")
vis[0:hA, 0:wA] = imageA
vis[0:hB, wA:] = imageB
for ((trainIdx, queryIdx), s) in zip(matches, status):
if s == 1:
ptA = (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))
ptB = (int(kpsB[trainIdx][0]) + wA, int(kpsB[trainIdx][1]))
cv2.line(vis, ptA, ptB, (0, 255, 0), 1)
return vis
if __name__ == "__main__":
# 读取拼接图片
imageA = cv2.imread("left_01.png")
imageB = cv2.imread("right_01.png")
# 把图片拼接成全景图
stitcher = Stitcher()
result = stitcher.stitch([imageA, imageB], showMatches=True)
if result is not None:
# 解包拼接结果
(panorama, matchesVis) = result
# 显示拼接前的两幅图像，匹配的关键点和拼接后的图像
cv2.imshow("Image A", imageA)
cv2.imshow("Image B", imageB)
cv2.imshow("Keypoint Matches", matchesVis)
cv2.imshow("Result", panorama)
cv2.waitKey(0)
cv2.destroyAllWindows()