柚子快报激活码778899分享：算法 图像拼接——python
SIFT特征点检测以及图像拼接
结合SIFT、单应性变换、RANSAC和SVD分解等算法实现指定几幅图像之间的拼接
1. SIFT特征点检测，得到特征点以及特征向量
如果要实现图像之间的特征点匹配，要通过特征描述子集之间比对完成。常见的匹配器有暴力匹配器和快速近似最邻近算法匹配器。暴力匹配器就是将两幅图像中的特征描述子全都匹配一遍，得到最优的结果，它的优点是精度高，但是缺点也是显而易见的，在大量的匹配时，匹配时间会很长。快速近似最邻近算法匹配器，故名思意，它只搜索邻近的点，找到邻近的最优匹配，它的匹配准确度会比暴力匹配器低，但是它的匹配时间大大的缩减了。
cv2.xfeatures2d.SIFT_create(nfeatures=None, nOctaveLayers=None, contrastThreshold=None, edgeThreshold=None, sigma=None)-->descriptor
函数用于创建一个用于提取SIFT特征的描述符
* nfeatures，保留的最佳特性的数量。特征按其得分进行排序(以SIFT算法作为局部对比度进行测量)；
* nOctavelLayers，高斯金字塔最小层级数，由图像自动计算出；
* constrastThreshold，对比度阈值用于过滤区域中的弱特征。阈值越大，检测器产生的特征越少；
* edgeThreshold ，用于过滤掉类似边缘特征的阈值。 请注意，其含义与contrastThreshold不同，即edgeThreshold越大，滤出的特征越少
* sigma，高斯输入层级， 如果图像分辨率较低，则可能需要减少数值
def detectAndDescribe(self, image):
# 转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 建立SIFT生成器
descriptor = cv2.xfeatures2d.SIFT_create()
# 检测特征点并计算描述子
kps, features = descriptor.detectAndCompute(gray, None)
kps = np.float32([kp.pt for kp in kps])
return kps, features
通过SIFT_create()实例化SIFT对象，调用detectAndCompute方法得到特征点和特征向量
2. 使用KNN得到和图像A中一个点最接近的前K的点在B中的位置
这里使用RANSAC方法，找到和一个点在另一张图片上最相似的两个点，如果第一个点的近似程度远远大于第二个点，那么才认为第一个点是可靠的匹配点。
rawMatches = matcher.knnMatch(featuresA, featuresB, 2)
参数：
* featureA和featureB 表示两个特征向量集；
* K 表示按knn匹配规则输出的最优的K个结果
在该算法中，输出的结果是：featureA（检测图像）中每个点与被匹配对象featureB（样本图像）中特征向量进行运算的匹配结果。
则，rawMatches中共有featureA条记录，每一条有最优K个匹配结果。
每个结果中包含三个非常重要的数据分别是queryIdx，trainIdx，distance
- queryIdx：特征向量的特征点描述符的下标（第几个特征点描述符），同时也是描述符对应特征点的下标
- trainIdx：样本特征向量的特征点描述符下标,同时也是描述符对应特征点的下标
- distance：代表匹配的特征点描述符的欧式距离，数值越小也就说明俩个特征点越相近
def matchKeypoints(self, kpsA, kpsB, featureA, featureB, ratio, reprojThresh):
# 建立暴力匹配器
matcher = cv2.BFMatcher()
# 使用KNN检测来自AB图的SIFT特征匹配
rawMatches = matcher.knnMatch(featureA, featureB, 2)
# 过滤
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))
if len(matches) > 4:
# 获取匹配对的点坐标
ptsA = np.float32([kpsA[i] for (_, i) in matches])
ptsB = np.float32([kpsB[i] for (i, _) in matches])
3. 通过点对计算H矩阵
cv2.findHomography(srcPoints, dstPoints, method=None, ransacReprojThreshold=None, mask=None, maxIters=None, confidence=None) --> (H, status)
计算多个二维点对之间的最优单映射变换矩阵H（3*3），status为可选的输出掩码，0/1 表示在变换映射中无效/有效
* method（0， RANSAC, LMEDS, RHO）
* ransacReprojThreshold 最大允许冲投影错误阈值（限方法RANSAC和RHO）
* mask可选输出掩码矩阵，通常由鲁棒算法（RANSAC或LMEDS）设置，是不需要设置的
* maxIters为RANSAC算法的最大迭代次数，默认值为2000
* confidence可信度值，取值范围为0到1.
# 计算H矩阵
H, status = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)
4. 利用单应矩阵对图片进行变换拼接
cv.warpPerspective(src, M, dsize, dst=None, flags=None, borderMode=None, borderValue=None) --> result
将图像按照变换映射M执行后返回变换后的图像result。
# 将图片A进行视角变换 中间结果
result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
# 将图片B传入]
result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
self.cv_show('result', result)
tip:两张图片分左右
源图片：
目标图像：
源代码：
main文件:
from Stitcher import Stitcher
import cv2
# 读取图片
img1 = cv2.imread('img1.jpg')
img2 = cv2.imread('img2.jpg')
# 图片拼接
stitcher = Stitcher()
result, vis = stitcher.stitch([img1, img2], showMatches=True)
cv2.imshow('img1', img1)
cv2.imshow('img2', img2)
cv2.imshow('keypoints matches', vis)
cv2.imshow('result', result)
cv2.waitKey(0)
cv2.destroyWindow()
Stitcher文件：
import numpy as np
import cv2
class Stitcher:
# 拼接函数
def stitch(self, images, ratio = 0.75, reprojThresh = 4.0, showMatches = False):
# 读取图像
imageB, imageA = images
# 计算特征点和特征向量
kpsA, featureA = self.detectAndDescribe(imageA)
kpsB, featureB = self.detectAndDescribe(imageB)
# 匹配两张图片的特征点
M = self.matchKeypoints(kpsA, kpsB, featureA, featureB, ratio, reprojThresh)
# 没有匹配点，退出
if not M:
return None
matches, H, status = M
# 将图片A进行视角变换 中间结果
result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
# 将图片B传入]
result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
self.cv_show('result', result)
# 检测是否需要显示图片匹配
if showMatches:
# 生成匹配图片
vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
# 返回结果
return result, vis
# 返回匹配结果
return result
def detectAndDescribe(self, image):
# 转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 建立SIFT生成器
descriptor = cv2.xfeatures2d.SIFT_create()
# 检测特征点并计算描述子
kps, features = descriptor.detectAndCompute(gray, None)
kps = np.float32([kp.pt for kp in kps])
return kps, features
def matchKeypoints(self, kpsA, kpsB, featureA, featureB, ratio, reprojThresh):
# 建立暴力匹配器
matcher = cv2.BFMatcher()
# 使用KNN检测来自AB图的SIFT特征匹配
rawMatches = matcher.knnMatch(featureA, featureB, 2)
# 过滤
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))
if len(matches) > 4:
# 获取匹配对的点坐标
ptsA = np.float32([kpsA[i] for (_, i) in matches])
ptsB = np.float32([kpsB[i] for (i, _) in matches])
# 计算H矩阵
H, status = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)
return matches, H, status
# 展示图像
def cv_show(self,name, img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
def drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status):
# 初始化可视化图片，将A、B图左右连接到一起
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
# 联合遍历，画出匹配对
for ((trainIdx, queryIdx), s) in zip(matches, status):
# 当点对匹配成功时，画到可视化图上
if s == 1:
# 画出匹配对
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)
# 返回可视化结果
return vis
柚子快报激活码778899分享：算法 图像拼接——python
发表评论