CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章基于Python和openCV实现图像的全景拼接详细步骤由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

基本介绍

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：关键点检测、局部不变特征、关键点匹配、RANSAC(Random Sample Consensus，随机采样一致性)和透视变形.

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； 。

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，size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)    # 返回带关键点的图像、关键点和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  matches = bf.knnMatch(features_right, features_left, k=2)  # des1为模板图，des2为匹配图  # 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)  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      result = 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", result)      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      result[0:image_left.shape[0], 0:image_left.shape[1]] = image_left            # 返回全景拼接的图像      return resultif __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点的图像沿着竖直方向(水平顺序)堆叠起来  cv.imshow("左图关键点检测", 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 C 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  result = Panorama_stitching(image_right, image_left)  cv.namedWindow("全景图", cv.WINDOW_AUTOSIZE)  cv.imshow("全景图", result)  cv.imwrite("./全景图.jpg", result)  cv.waitKey(0)  cv.destroyAllWindows()

左图关键特征点检测 。

右图关键特征点检测 。

所有匹配的SIFT关键特征点连线 。

扭曲变换后的右图 。

全景图 。

由于输入的左右图像之间有大量重叠，导致全景图的主要添加部分是在拼接图像的右侧，因此会造成拼接后全景图右边大量的黑色空白区域.

到此这篇关于基于Python和openCV实现图像的全景拼接的文章就介绍到这了,更多相关Python openCV实现图像的全景拼接内容请搜索我以前的文章或继续浏览下面的相关文章希望大家以后多多支持我！ 。

原文链接：https://blog.csdn.net/weixin_51571728/article/details/120584432 。

最后此篇关于基于Python和openCV实现图像的全景拼接详细步骤的文章就讲到这里了,如果你想了解更多关于基于Python和openCV实现图像的全景拼接详细步骤的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。