Python实现图像的全景拼接-百木园

前言
大家拍照的时候会用到全景吗？在拍一个环境的时候还是会有很多人用全景的吧，今天教大家如何用Python拼接全景图片。

图像的全景拼接，即“缝合”两张具有重叠区域的图来创建一张全景图。其中用到了计算机视觉和图像处理技术有：关键点特征检

测、局部不变特征、关键特征点匹配、RANSAC(Random Sample Consensus，随机采样一致性)和透视变形。

在这里插入图片描述

具体步骤

（1）检测左右两张图像的SIFT关键特征点，并提取局部不变特征；

（2）使用knnMatch检测来自右图(左图)的SIFT特征，与左图(右图)进行匹配；

（3）计算视角变换矩阵H，用变换矩阵H对右图进行扭曲变换；

（4）将左图(右图)加入到变换后的图像的左侧(右侧)获得最终图像；

在这里插入图片描述

代码：

Python学习交流Q群：906715085####
import cv2 as cv        # 导入opencv包
import numpy as np      # 导入numpy包，图像
处理中的矩阵运算需要用到

#检测图像的SIFT关键特征点
def sift_keypoints_detect(image):   
 # 处理图像一般很少用到彩色信息，通常直接将图像转换为灰度图    
 gray_image = cv.cvtColor(image,
  cv.COLOR_BGR2GRAY)
    # 获取图像特征sift-SIFT特征点,实例化对象
    sift   
    sift = cv.xfeatures2d.SIFT_create
    ()                
    # keypoints:特征点向量,向量内的每一个元素
    是一个KeyPoint对象，包含了特征点的各种属性信息(角度、关键特征点坐标等)   
     # features:表示输出的sift特征向量，通常是
     128维的  
       keypoints, features =
 sift.detectAndCompute(image, None)
 
#cv.drawKeyPoints():在图像的关键特征点部位绘制一个小圆圈   
#如果传递标志
 flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,它将绘制一个大小为keypoint的圆圈并显示它的方向    
 # 这种方法同时显示图像的坐标，大小和方向，是最能显示特征的一种绘制方式   
  keypoints_image = cv.drawKeypoints(        gray_image, keypoints, None, flags=cv.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)
    # 返回带关键特征点的图像、关键特征点和sift的特征向量    return keypoints_image, keypoints, features

#使用KNN检测来自左右图像的SIFT特征，随后进行匹配
def get_feature_point_ensemble
(features_right, features_left):    
#创建BFMatcher对象解决匹配    
bf = cv.BFMatcher()   
 # knnMatch()函数：返回每个特征点的最佳匹配k个匹配点    
 # features_right为模板图，features_left为匹配图    
 matches = bf.knnMatch(features_right, features_left, k=2)      
 # 利用sorted()函数对matches对象进行升序(默认)操作    
 matches = sorted(matches, key=lambda x: x[0].distance / x[1].distance)    
 # x:x[]字母可以随意修改，排序方式按照中括号[]里面的维度进行排序，[0]按照第一维排序，[2]按照第三维排序
    # 建立列表good用于存储匹配的点集   
     good = []   
      for m, n in matches:    
      # ratio的值越大，匹配的线条越密集，但错误匹配点也会增多        
      ratio = 0.6      
        if m.distance < ratio * n.distance:            
        good.append(m)
    # 返回匹配的关键特征点集    
    return good

#计算视角变换矩阵H，用H对右图进行变换并返回全景拼接图像
def Panorama_stitching(image_right, 
image_left):   
 _, keypoints_right, features_right = 
 sift_keypoints_detect(image_right)    
 _, keypoints_left, features_left =
  sift_keypoints_detect(image_left)    
  goodMatch = get_feature_point_ensemble
  (features_right, features_left)
    # 当筛选项的匹配对大于4对(因为homography单应性矩阵的计算需要至少四个点)时,计算视角变换矩阵  
      if len(goodMatch) > 4:       
       # 获取匹配对的点坐标       
        ptsR = np.float32(           
         [keypoints_right
         [m.queryIdx].pt for m in 
         goodMatch]).reshape(-1, 1, 2)       
          ptsL = np.float32(            
          [keypoints_left
          [m.trainIdx].pt for m in 
          goodMatch]).reshape(-1, 1, 2)
#ransacReprojThreshold：将点对视为内点的最大允许重投影错误阈值(仅用于RANSAC和RHO方法时),若srcPoints和dstPoints是以像素为单位的，该参数通常设置在1到10的范围内       
 ransacReprojThreshold = 4
        # cv.findHomography():计算多个二维点对之间的最优单映射变换矩阵 H(3行x3列),使用最小均方误差或者RANSAC方法        # 函数作用:利用基于RANSAC的鲁棒算法选择最优的四组配对点，再计算转换矩阵H(3*3)并返回,以便于反向投影错误率达到最小        Homography, status =
 cv.findHomography(           
  ptsR, ptsL, cv.RANSAC, ransacReprojThreshold)
        # cv.warpPerspective()：透视变换函数，用于解决cv2.warpAffine()不能处理视场和图像不平行的问题       
         # 作用：就是对图像进行透视变换，可保持直线不变形，但是平行线可能不再平行      
           Panorama = cv.warpPerspective(           
            image_right, Homography, (image_right.shape[1] + image_left.shape[1], image_right.shape[0]))
        cv.imshow(\"扭曲变换后的右图\", Panorama)       
         cv.waitKey(0)      
           cv.destroyAllWindows()       
            # 将左图加入到变换后的右图像的左端即获得最终图像       
             Panorama[0:image_left.shape[0], 0:image_left.shape[1]] = image_left
        # 返回全景拼接的图像       
         return Panorama

if __name__ == \'__main__\':
    # 读取需要拼接的图像,需要注意图像左右的顺序   
     image_left = cv.imread(\"./Left.jpg\")   
      image_right = cv.imread(\"./Right.jpg\")
    # 通过调用cv2.resize()使用插值的方式来改变图像的尺寸，保证左右两张图像大小一致  
      # cv.resize()函数中的第二个形参dsize表示输出图像大小尺寸，当设置为0(None)时，则表示按fx与fy与原始图像大小相乘得到输出图像尺寸大小 
         image_right = cv.resize(image_right, None, fx=0.4, fy=0.24)  
           image_left = cv.resize(image_left, (image_right.shape[1], image_right.shape[0]))
    # 获取检测到关键特征点后的图像的相关参数  
      keypoints_image_right, keypoints_right, features_right = sift_keypoints_detect(image_right)  
        keypoints_image_left, keypoints_left, features_left = sift_keypoints_detect(image_left)
    # 利用np.hstack()函数同时将原图和绘有关键特征点的图像沿着竖直方向(水平顺序)堆叠起来    
    cv.imshow(\"左图关键特征点检测\", 
    np.hstack((image_left, keypoints_image_left)))   
     # 一般在imshow后设置 waitKey(0) , 代表按任意键继续   
      cv.waitKey(0)    # 删除先前建立的窗口   
       cv.destroyAllWindows() 
         cv.imshow(\"右图关键特征点检测\", np.hstack((image_right, keypoints_image_right)))   
          cv.waitKey(0)    
          cv.destroyAllWindows() 
             goodMatch = get_feature_point_ensemble(features_right, features_left)
    # cv.drawMatches():在提取两幅图像特征之后，画出匹配点对连线   
     # matchColor – 匹配的颜色（特征点和连线),若matchColor==Scalar::all(-1),颜色随机   
     all_goodmatch_image = cv.drawMatches(       
     image_right, keypoints_right, image_left, keypoints_left, goodMatch, None, None, None, None, flags=2)    
     cv.imshow(\"所有匹配的SIFT关键特征点连线\", all_goodmatch_image)   
      cv.waitKey(0)    cv.destroyAllWindows()
    # 把图片拼接成全景图并保存   
     Panorama = Panorama_stitching(image_right, image_left)   
      cv.namedWindow(\"全景图\", cv.WINDOW_AUTOSIZE)   
       cv.imshow(\"全景图\", Panorama)    cv.imwrite(\"./全景图.jpg\", Panorama)   
        cv.waitKey(0)   
         cv.destroyAllWindows()