OpenCv高阶(七)——图像拼接

目录

一、图像拼接的原理过程

1. 特征检测与描述（Feature Detection & Description）

2. 特征匹配（Feature Matching）

3. 图像配准（Image Registration）

4. 图像变换与投影（Warping）

5. 图像融合（Blending）

二、图像拼接的简单实现

1、 匹配方法

2、实现上述两个图片的拼接

（1）导入opencv的库以及sys库

（2）定义cv_show()函数

（3）创建特征检测函数detectAndDescribe()

（4）读取待拼接的两张图片并显示在窗口中 

（5）调用detectAndDescribe()函数，获得两个图像的关键点信息，关键点坐标、描述符信息

（6）创建暴力匹配器，进行关键点之间的匹配

（7）绘制匹配成功的关键点之间的连线，使用drawMatchesKnn（）匹配方法

（8）透视变换

（9）将图片A填充到指定位置

---

OpenCV中的图像拼接（Image Stitching）主要基于计算机视觉和图像处理技术，将多张具有重叠区域的图像拼接成一张全景图。其核心原理可以分为以下几个步骤：

---

一、图像拼接的原理过程

1. 特征检测与描述（Feature Detection & Description）

• 目标：在不同图像中检测关键特征点（如角点、边缘等），并生成特征描述子。

• 常用算法：

  • SIFT（尺度不变特征变换）：对旋转、尺度、光照变化具有鲁棒性。

  • SURF（加速版SIFT）：计算速度更快。

  • ORB（Oriented FAST and Rotated BRIEF）：轻量级，适合实时应用。

• 输出：每张图像的特征点坐标及其对应的描述子（特征向量）。

• 过程：图像拼接的第一步是检测并描述图像中的关键特征点。通过使用如SIFT、SURF或ORB等算法，系统能够提取对尺度、旋转和光照变化具有鲁棒性的特征点（如角点或边缘）。这些算法不仅定位特征点的位置，还会生成对应的特征描述子（如128维的SIFT向量），用于后续的特征匹配。例如，SIFT通过高斯差分金字塔检测极值点并赋予方向，ORB则结合FAST关键点检测和BRIEF二进制描述子以提升效率，从而适应不同场景的需求。下图就是通过sift特征提取找到图像中特征相同的位置。

---

2. 特征匹配（Feature Matching）

• 目标：在不同图像的特征点之间建立对应关系。

• 方法：

  • 暴力匹配（Brute-Force Matcher）：直接比较所有特征描述子的距离（如欧式距离或汉明距离）。

  • FLANN（快速最近邻搜索）：适合大规模数据集，效率更高。

• 筛选策略：

  • 比率测试（Ratio Test）：保留匹配距离比值（最近邻/次近邻）小于阈值的匹配对。

  • RANSAC（随机采样一致性）：通过迭代剔除误匹配，估计最优几何变换模型（如单应性矩阵）。

• 过程：在获取特征点后，需在不同图像间建立特征点的对应关系。暴力匹配法直接计算所有特征描述子间的距离（如欧氏距离或汉明距离），而FLANN通过构建高效的数据结构加速最近邻搜索。为排除误匹配，通常会采用比率测试（保留最近邻与次近邻距离比值小于阈值的结果）和RANSAC算法。RANSAC通过随机采样一致性迭代估计最优单应性矩阵，同时剔除不符合几何约束的异常点，确保匹配的准确性。

---

3. 图像配准（Image Registration）

• 目标：计算图像间的几何变换关系，对齐图像。

• 单应性矩阵（Homography Matrix）：

  • 描述两个平面之间的透视变换关系（3×3矩阵）。

  • 通过匹配的特征点对求解（至少需要4对点）。

  • 使用 RANSAC 或 LMEDS 算法鲁棒地估计单应性矩阵。

• 变换模型：

  若相机仅旋转（无平移），单应性矩阵能完美对齐图像。若存在视差（如平移），可能需要更复杂的模型（如Bundle Adjustment）。
• 过程：配准的目标是计算图像间的几何变换关系，通常使用单应性矩阵（3×3矩阵）描述平面间的透视变换。通过至少4对匹配点可求解该矩阵，RANSAC在此过程中进一步优化模型的鲁棒性。若相机仅绕光心旋转（如全景拍摄），单应性矩阵能精确对齐图像；若存在视差（如平移拍摄），则需引入光束法平差（Bundle Adjustment）等优化方法，联合调整多图像的相机参数以减少投影误差。

---

4. 图像变换与投影（Warping）

• 目标：将图像投影到同一坐标系（全景画布）。

• 方法：

  • 使用 cv2.warpPerspective() 对图像应用单应性矩阵变换。

  • 根据所有图像的变换结果，计算全景图的尺寸和偏移量。

• 优化：

  • 曝光补偿：调整不同图像的亮度差异。

  • 相机参数优化：若已知相机参数（如焦距），可提升对齐精度。

• 配准后，需将图像投影到统一坐标系以构建全景画布。使用cv2.warpPerspective()对图像应用单应性变换，并根据所有图像的变换结果计算全景图的尺寸和偏移量。例如，若将第二张图像投影到第一张的坐标系中，需扩展画布以容纳所有像素。此外，需处理因曝光差异导致的亮度不一致问题，可能通过直方图匹配或全局优化调整颜色平衡。

---

5. 图像融合（Blending）

• 目标：消除拼接处的缝隙和光照差异，实现平滑过渡。

• 常用方法：

  • 简单混合（Alpha Blending）：在重叠区域对像素进行线性加权平均。

  • 多频段融合（Multi-Band Blending）：

    • 将图像分解为不同频率的子带（如拉普拉斯金字塔）。

    • 对各频段分别融合，避免高频细节（如边缘）错位。

  • 光照一致性处理：调整重叠区域的亮度和颜色。

• 最后一步是消除拼接缝隙与光照差异。简单线性混合（Alpha Blending）在重叠区域对像素加权平均，但可能导致模糊。多频段融合则通过拉普拉斯金字塔分解图像，对不同频率的子带分别融合：低频（如光照）平滑过渡，高频（如边缘）保留细节，从而避免重影和错位。对于动态物体（如行人），可通过分割掩模或运动检测排除干扰，进一步提升视觉效果。

二、图像拼接的简单实现

1、 匹配方法

特征匹配的方法： 关键点A与找到的两个关键点 X、Y的欧氏距离分别 d1、d2，且d1<d2。 欧氏距离(关键点A，关键点X)=d1。 欧氏距离(关键点A，关键点Y)=d2。         （1）d1<d2，比值较大:可能不是匹配点，通常是由噪声引起的。         （2）d1<d2，比值较小:是匹配点。

2、实现上述两个图片的拼接

（1）导入opencv的库以及sys库

import cv2
import numpy as np
import sys

（2）定义cv_show()函数

在做opencv项目时，如果想显示一张图片，总会使用到cv2.imshow()和cv2.waitKey()这两个函数，因此，为了方便将该功能封装成一个小的函数方便使用。

def cv_show(name,value):cv2.imshow(name,value)cv2.waitKey(0)

（3）创建特征检测函数detectAndDescribe()

def detectAndDescribe(image):#将输入的图片转化为灰度图gray=cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY)#创建SIFT特征检测器describe=cv2.SIFT_create()#使用SIFT特征检测器,调用detectAndCompute（）函数，获得关键特征点的坐标kps和描述符des(kps,des)=describe.detectAndCompute(gray,None)#使用列表生成式将获得到的坐标信息转化为32位的浮点数kps_float=np.float32([kp.pt for kp in kps])#返回关键点、关键点浮点数坐标、描述符return (kps,kps_float,des)

（4）读取待拼接的两张图片并显示在窗口中 

imageA=cv2.imread("../data/imageA.jpg")
cv_show("imageA",imageA)
imageB=cv2.imread("../data/imageB.jpg")
cv_show("imageB",imageB)

（5）调用detectAndDescribe()函数，获得两个图像的关键点信息，关键点坐标、描述符信息

#计算图片特征点及描述符
(kpsA,kps_floatA,desA)=detectAndDescribe(imageA)
(kpsB,kps_floatB,desB)=detectAndDescribe(imageB)

（6）创建暴力匹配器，进行关键点之间的匹配

这里的匹配器会在指纹识别、指验证项目中详细讲解，其中有关Knnmatch()为什么要选择两个点会详细讲解。

#建立暴力匹配器BFmatcher，在匹配大训练集和时使用flannbasematcher
matcher=cv2.BFMatcher()#使用KNN匹配器，使用B去匹配图片A，每次会选取两个结果，一个最近的点一个次近邻的点
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].queryIdx,m[0].trainIdx))print(len(good))
print(matches)

        这里进行条件判断，判断m的长度是否为2，m是对rawMatches的遍历，所以取到的每个值都会有两个点的信息，所以长度为2，当某一个图中匹配的关键点缺失时就会出现长度小于2的情况。
         并且如果最近点距离当前点的距离小于次近点的距离当前点距离的0.65，则认定这个点是一个比较优秀的点，并将该点保存到good这个列表中，将最近点的两个索引值放到matches这个列表中，这两个索引分别代表，因为是使用图片B去匹配图片A中的点，所以这里表示的是第一个索引queryIdx表示匹配图片中关键点的索引，第二个索引trainIdx则是待匹配的图片A中的关键点索引。

（7）绘制匹配成功的关键点之间的连线，使用drawMatchesKnn（）匹配方法

vis=cv2.drawMatchesKnn(imageB,kpsB,imageA,kpsA,good,None,flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv_show('Keypoint Matches',vis)

（8）透视变换

因为图片拍摄角度的不同所以，使用透视变换将图片扶正，将图片转换成同一个弯曲程度的图像

"""透视变换"""
if len(matches)>4:ptsB=np.float32([kps_floatB[i] for (i,_) in matches])ptsA=np.float32([kps_floatA[i] for (_,i) in matches])(H,mask)=cv2.findHomography(ptsB,ptsA,cv2.RANSAC,10)
else:print("图片未找到四个以上的匹配点")sys.exit()result=cv2.warpPerspective(imageB,H,(imageB.shape[1]+imageA.shape[1],imageB.shape[0]))
cv_show('resultB',result)

 

因为透视变换是四个点进行匹配，所以这里使用条件判断，当图片A和B之间有四个以上的匹配点时则依次取出图片A和B中的坐标点信息，matches这个列表中，这两个索引分别代表，因为是使用图片B去匹配图片A中的点，所以这里表示的是第一个索引queryIdx表示匹配图片B中关键点的索引，第二个索引trainIdx则是待匹配的图片A中的关键点索引。因此上面使用列表生成式分别取出图片A和B中的关键点，findHomography函数计算变化矩阵,H是变化矩阵，mask是指外点和内点值，图片的宽变成两图片的宽相加。

（9）将图片A填充到指定位置

result[0:imageA.shape[0],0:imageA.shape[1]]=imageA
cv_show('result',result)