opencv学习:图像拼接及完整代码实现

概念

图像拼接是计算机视觉领域中的一项技术,它涉及将多个图像合并成一个连续的、无缝的全景图像。在OpenCV中,图像拼接通常包括以下几个关键步骤:

1. 编写代码
  • 导入必要的库 :导入syscv2numpy库。

  • 定义显示图像的函数 :编写cv_show函数,用于在窗口中显示图像。

    python 复制代码
    import sys
    import cv2
    import numpy as np
    # 显示图像的函数
    def cv_show(name,img):
        cv2.imshow(name,img)
        cv2.waitKey(0)
  • 定义检测关键点和计算描述符的函数 :编写detectAndDescribe函数,使用SIFT算法检测图像中的关键点并计算描述符。

    python 复制代码
    # 检测关键点并计算描述符的函数
    def detectAndDescribe(image):
        gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
        desciiptor=cv2.SIFT_create()#创建SIFT描述
        #检测关键点并计算描述符
        (kps,des)=desciiptor.detectAndCompute(gray,None)#kps 是检测到的关键点的列表,des 是关键点的描述符矩阵。
        kps_float=np.float32([kp.pt for kp in kps])#转换关键点坐标为浮点数:
        return (kps,kps_float,des)
2. 读取图像
  • 使用cv2.imread函数读取left.jpgright.jpg图像。

    python 复制代码
    imageA=cv2.imread('left.jpg')
    imageB=cv2.imread('right.jpg')
3. 检测关键点和计算描述符
  • 对两幅图像分别调用detectAndDescribe函数,获取关键点和描述符。

    python 复制代码
    #检测关键点并计算描述符
    (kpsA,kps_floatA,desA)=detectAndDescribe(imageA)
    (kpsB,kps_floatB,desB)=detectAndDescribe(imageB)
4. 特征匹配
  • 创建匹配器 :使用cv2.BFMatcher创建暴力匹配器。

  • 进行K近邻匹配:对两幅图像的描述符进行K近邻匹配,获取匹配点对。

  • 筛选好的匹配点 :使用Lowe's ratio test筛选出好的匹配点。

    python 复制代码
    #创建匹配器
    matcher=cv2.BFMatcher()
    #进行K近邻匹配
    rawMatches=matcher.knnMatch(desB,desA,2)
    good=[]
    matches=[]
    for m in rawMatches:
    
        if len(m)==2 and m[0].distance<0.65*m[1].distance:
            good.append(m)
            matches.append((m[0].trainIdx,m[0].queryIdx))
5. 计算单应性矩阵
  • 检查匹配点数量:如果匹配点数量大于4,则继续;否则,程序退出。

  • 计算单应性矩阵 :使用cv2.findHomography函数和RANSAC算法计算匹配点之间的单应性矩

    python 复制代码
    #左侧连接
    # 如果匹配点足够多,则进行下一步
    if len(matches)>4:
        ptsA=np.float32([kps_floatA[i] for (i,_) in matches])
        ptsB=np.float32([kps_floatB[i] for (_,i) in matches])
        # 使用RANSAC算法计算单应性矩阵
        (H,mask)=cv2.findHomography(ptsB,ptsA,cv2.RANSAC,10)
    else:
        sys.exit()

    阵。

6. 图像变换和拼接
  • 应用单应性矩阵 :使用cv2.warpPerspective函数对右图进行透视变换。

  • 显示变换后的图像 :调用cv_show函数显示变换后的图像。

  • 拼接图像:将左图拼接到变换后的右图上。

  • 显示最终结果 :调用cv_show函数显示最终的拼接结果。

    python 复制代码
    # 应用单应性矩阵进行透视变换
    result=cv2.warpPerspective(imageB,H,(imageB.shape[1]+imageA.shape[1],imageB.shape[0]))
    cv_show('resultB',result)
    # 将左图拼接到结果图像上
    result[0:imageA.shape[0],0:imageA.shape[1]]=imageA
    cv_show('result',result)
7. 可视化匹配的关键点
python 复制代码
# 使用drawMatchesKnn函数绘制匹配的关键点
vis=cv2.drawMatchesKnn(imageB,kpsB,imageA,kpsA,good,None,flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv_show('keypoint',vis)

运行结果

完整代码

python 复制代码
# 图像拼接
import sys
import cv2
import numpy as np
# 显示图像的函数
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)

# 检测关键点并计算描述符的函数
def detectAndDescribe(image):
    gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
    desciiptor=cv2.SIFT_create()#创建SIFT描述
    #检测关键点并计算描述符
    (kps,des)=desciiptor.detectAndCompute(gray,None)#kps 是检测到的关键点的列表,des 是关键点的描述符矩阵。
    kps_float=np.float32([kp.pt for kp in kps])#转换关键点坐标为浮点数:
    return (kps,kps_float,des)

imageA=cv2.imread('left.jpg')
imageB=cv2.imread('right.jpg')
#检测关键点并计算描述符
(kpsA,kps_floatA,desA)=detectAndDescribe(imageA)
(kpsB,kps_floatB,desB)=detectAndDescribe(imageB)
#创建匹配器
matcher=cv2.BFMatcher()
#进行K近邻匹配
rawMatches=matcher.knnMatch(desB,desA,2)
good=[]
matches=[]
for m in rawMatches:

    if len(m)==2 and m[0].distance<0.65*m[1].distance:
        good.append(m)
        matches.append((m[0].trainIdx,m[0].queryIdx))
# print(len(good))
# print(matches)
# 使用drawMatchesKnn函数绘制匹配的关键点
vis=cv2.drawMatchesKnn(imageB,kpsB,imageA,kpsA,good,None,flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv_show('keypoint',vis)
#左侧连接
# 如果匹配点足够多,则进行下一步
if len(matches)>4:
    ptsA=np.float32([kps_floatA[i] for (i,_) in matches])
    ptsB=np.float32([kps_floatB[i] for (_,i) in matches])
    # 使用RANSAC算法计算单应性矩阵
    (H,mask)=cv2.findHomography(ptsB,ptsA,cv2.RANSAC,10)
else:
    sys.exit()
# 应用单应性矩阵进行透视变换
result=cv2.warpPerspective(imageB,H,(imageB.shape[1]+imageA.shape[1],imageB.shape[0]))
cv_show('resultB',result)
# 将左图拼接到结果图像上
result[0:imageA.shape[0],0:imageA.shape[1]]=imageA
cv_show('result',result)
相关推荐
CoovallyAIHub4 小时前
中科大DSAI Lab团队多篇论文入选ICCV 2025,推动三维视觉与泛化感知技术突破
深度学习·算法·计算机视觉
CoovallyAIHub10 小时前
港大&字节重磅发布DanceGRPO:突破视觉生成RLHF瓶颈,多项任务性能提升超180%!
深度学习·算法·计算机视觉
CoovallyAIHub10 小时前
英伟达ViPE重磅发布!解决3D感知难题,SLAM+深度学习完美融合(附带数据集下载地址)
深度学习·算法·计算机视觉
xiaohouzi1122332 天前
OpenCV的cv2.VideoCapture如何加GStreamer后端
人工智能·opencv·计算机视觉
小关会打代码2 天前
计算机视觉案例分享之答题卡识别
人工智能·计算机视觉
天天进步20152 天前
用Python打造专业级老照片修复工具:让时光倒流的数字魔法
人工智能·计算机视觉
荼蘼2 天前
答题卡识别改分项目
人工智能·opencv·计算机视觉
2303_Alpha2 天前
SpringBoot
笔记·学习
萘柰奈2 天前
Unity学习----【进阶】TextMeshPro学习(三)--进阶知识点(TMP基础设置,材质球相关,两个辅助工具类)
学习·unity
沐矢羽2 天前
Tomcat PUT方法任意写文件漏洞学习
学习·tomcat