本文實例為大家分享了python opencv進行圖像拼接的具體代碼，供大家參考，具體內(nèi)容如下

思路和方法

思路

1、提取要拼接的兩張圖片的特征點、特征描述符；2、將兩張圖片中對應(yīng)的位置點找到，匹配起來；3、如果找到了足夠多的匹配點，就能將兩幅圖拼接起來，拼接前，可能需要將第二幅圖透視旋轉(zhuǎn)一下，利用找到的關(guān)鍵點，將第二幅圖透視旋轉(zhuǎn)到一個與第一幅圖相同的可以拼接的角度；4、進行拼接；5、進行拼接后的一些處理，讓效果看上去更好。

實現(xiàn)方法

1、提取圖片的特征點、描述符，可以使用opencv創(chuàng)建一個SIFT對象，SIFT對象使用DoG方法檢測關(guān)鍵點，并對每個關(guān)鍵點周圍的區(qū)域計算特征向量。在實現(xiàn)時，可以使用比SIFT快的SURF方法，使用Hessian算法檢測關(guān)鍵點。因為只是進行全景圖拼接，在使用SURF時，還可以調(diào)節(jié)它的參數(shù)，減少一些關(guān)鍵點，只獲取64維而不是128維的向量等，加快速度。2、在分別提取好了兩張圖片的關(guān)鍵點和特征向量以后，可以利用它們進行兩張圖片的匹配。在拼接圖片中，可以使用Knn進行匹配，但是使用FLANN快速匹配庫更快，圖片拼接，需要用到FLANN的單應(yīng)性匹配。3、單應(yīng)性匹配完之后可以獲得透視變換H矩陣，用這個的逆矩陣來對第二幅圖片進行透視變換，將其轉(zhuǎn)到和第一張圖一樣的視角，為下一步拼接做準(zhǔn)備。4、透視變換完的圖片，其大小就是最后全景圖的大小，它的右邊是透視變換以后的圖片，左邊是黑色沒有信息。拼接時可以比較簡單地處理，通過numpy數(shù)組選擇直接把第一張圖加到它的左邊，覆蓋掉重疊部分，得到拼接圖片，這樣做非常快，但是最后效果不是很好，中間有一條分割痕跡非常明顯。使用opencv指南中圖像金字塔的代碼對拼接好的圖片進行處理，整個圖片平滑了，中間的縫還是特別突兀。5、直接拼效果不是很好，可以把第一張圖疊在左邊，但是對第一張圖和它的重疊區(qū)做一些加權(quán)處理，重疊部分，離左邊圖近的，左邊圖的權(quán)重就高一些，離右邊近的，右邊旋轉(zhuǎn)圖的權(quán)重就高一些，然后兩者相加，使得過渡是平滑地，這樣看上去效果好一些，速度就比較慢。如果是用SURF來做，時間主要畫在平滑處理上而不是特征點提取和匹配。

python_opencv中主要使用的函數(shù)

0、基于python 3.7和對應(yīng)的python-opencv

1、cv2.xfeatures2d.SURF_create ([hessianThreshold[, nOctaves[, nOctaveLayers[, extended[, upright]]]]])該函數(shù)用于生成一個SURF對象，在使用時，為提高速度，可以適當(dāng)提高h(yuǎn)essianThreshold，以減少檢測的關(guān)鍵點的數(shù)量，可以extended=False，只生成64維的描述符而不是128維，令upright=True，不檢測關(guān)鍵點的方向。

2、cv2.SURF.detectAndCompute(image, mask[, descriptors[, useProvidedKeypoints]])

該函數(shù)用于計算圖片的關(guān)鍵點和描述符，需要對兩幅圖都進行計算。

3、flann=cv2.FlannBasedMatcher(indexParams,searchParams)match=flann.knnMatch(descrip1,descrip2,k=2)flann快速匹配器有兩個參數(shù)，一個是indexParams，一個是searchParams，都用手冊上建議的值就可以。在創(chuàng)建了匹配器得到匹配數(shù)組match以后，就可以參考Lowe給出的參數(shù)，對匹配進行過濾，過濾掉不好的匹配。其中返回值match包括了兩張圖的描述符距離distance 、訓(xùn)練圖（第二張）的描述符索引trainIdx 、查詢的圖（第一張）的描述符索引queryIdx 這幾個屬性。

4、M,mask=cv2.findHomography(srcPoints, dstPoints[, method[, ransacReprojThreshold[, mask]]])這個函數(shù)實現(xiàn)單應(yīng)性匹配，返回的M是一個矩陣，即對關(guān)鍵點srcPoints做M變換能變到dstPoints的位置。

5、warpImg=cv2.warpPerspective(src,np.linalg.inv(M),dsize[,dst[,flags[,borderMode[,borderValue]]]])用這個函數(shù)進行透視變換，變換視角。src是要變換的圖片，np.linalg.inv(M)是④中M的逆矩陣，得到方向一致的圖片。

6、a=b.copy() 實現(xiàn)深度復(fù)制，Python中默認(rèn)是按引用復(fù)制，a=b是a指向b的內(nèi)存。

7、draw_params = dict(matchColor = (0,255,0),singlePointColor = (255,0,0),matchesMask = matchMask,flags = 2),img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)使用drawMatches可以畫出匹配的好的關(guān)鍵點，matchMask是比較好的匹配點，之間用綠色線連接起來。

核心代碼

import cv2import numpy as npfrom matplotlib import pyplot as pltimport timeMIN = 10starttime=time.time()img1 = cv2.imread(’1.jpg’) #queryimg2 = cv2.imread(’2.jpg’) #train#img1gray=cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)#img2gray=cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)surf=cv2.xfeatures2d.SURF_create(10000,nOctaves=4,extended=False,upright=True)#surf=cv2.xfeatures2d.SIFT_create()#可以改為SIFTkp1,descrip1=surf.detectAndCompute(img1,None)kp2,descrip2=surf.detectAndCompute(img2,None)FLANN_INDEX_KDTREE = 0indexParams = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)searchParams = dict(checks=50)flann=cv2.FlannBasedMatcher(indexParams,searchParams)match=flann.knnMatch(descrip1,descrip2,k=2)good=[]for i,(m,n) in enumerate(match): if(m.distance<0.75*n.distance): good.append(m)if len(good)>MIN: src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2) ano_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1,1,2) M,mask=cv2.findHomography(src_pts,ano_pts,cv2.RANSAC,5.0) warpImg = cv2.warpPerspective(img2, np.linalg.inv(M), (img1.shape[1]+img2.shape[1], img2.shape[0])) direct=warpImg.copy() direct[0:img1.shape[0], 0:img1.shape[1]] =img1 simple=time.time()#cv2.namedWindow('Result', cv2.WINDOW_NORMAL)#cv2.imshow('Result',warpImg) rows,cols=img1.shape[:2] for col in range(0,cols): if img1[:, col].any() and warpImg[:, col].any():#開始重疊的最左端 left = col break for col in range(cols-1, 0, -1): if img1[:, col].any() and warpImg[:, col].any():#重疊的最右一列 right = col break res = np.zeros([rows, cols, 3], np.uint8) for row in range(0, rows): for col in range(0, cols): if not img1[row, col].any():#如果沒有原圖，用旋轉(zhuǎn)的填充 res[row, col] = warpImg[row, col] elif not warpImg[row, col].any(): res[row, col] = img1[row, col] else: srcImgLen = float(abs(col - left)) testImgLen = float(abs(col - right)) alpha = srcImgLen / (srcImgLen + testImgLen) res[row, col] = np.clip(img1[row, col] * (1-alpha) + warpImg[row, col] * alpha, 0, 255) warpImg[0:img1.shape[0], 0:img1.shape[1]]=res final=time.time() img3=cv2.cvtColor(direct,cv2.COLOR_BGR2RGB) plt.imshow(img3,),plt.show() img4=cv2.cvtColor(warpImg,cv2.COLOR_BGR2RGB) plt.imshow(img4,),plt.show() print('simple stich cost %f'%(simple-starttime)) print('ntotal cost %f'%(final-starttime)) cv2.imwrite('simplepanorma.png',direct) cv2.imwrite('bestpanorma.png',warpImg) else: print('not enough matches!')

運行結(jié)果

原圖1.jpg

原圖2.jpg

特征點匹配

直接拼接和平滑對比

效果

本文已被收錄到專題《python圖片處理操作》 ，歡迎大家點擊學(xué)習(xí)更多精彩內(nèi)容。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持好吧啦網(wǎng)。