OpenCV和Python进行SIFT算法——两张图片的拼接

文章目录

• 一、RANSAC的介绍
• 二、利用SIFT算法实现图片的拼接
• • SIFT实现匹配的相关的介绍
  • 图像的全景拼接
  • 拼接过程
• 三、参考资料

一、RANSAC的介绍

1. RANSAC的概念

   RANSAC为Random Sample Consensus的缩写，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。

2. RANSAC算法步骤

   ①随机从数据集中随机抽出4个样本数据 (此4个样本之间不能共线)，计算出变换矩阵H，记为模型M；

   ②计算数据集中所有数据与模型M的投影误差，若误差小于阈值，加入内点集 I ；

   ③如果当前内点集 I 元素个数大于最优内点集 I_best , 则更新 I_best = I，同时更新迭代次数k ;

   ④如果迭代次数大于k,则退出 ; 否则迭代次数加1，并重复上述步骤；

3. opencv中实现方式

   重点内容是获取得到最佳单应性矩阵H

   (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)，其中pstA和pstB是表示获取匹配对的点坐标

   更多相关理解过程可以参考下面链接：

   RANSAC算法理解

二、利用SIFT算法实现图片的拼接

SIFT实现匹配的相关的介绍

1. 介绍参考链接

   OpenCV和Python进行SIFT算法——两张图片的关键点匹配

图像的全景拼接

1. SIFT方法检测特征点

   import cv2
   import numpy as np
   def cv_show(name, image):
    cv2.imshow(name, image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
   def detectAndDescribe(image):
       # 将彩色图片转换成灰度图
       gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
       # 建立SIFT生成器
       descriptor = cv2.xfeatures2d.SIFT_create()
       # 检测SIFT特征点，并计算描述子
       (kps, features) = descriptor.detectAndCompute(image, None)
       # 将结果转换成NumPy数组
       kps = np.float32([kp.pt for kp in kps])
       # 返回特征点集，及对应的描述特征
       return (kps, features)
              

   过程描述：

   创建一个sift生成器

   使用创建的sift生成器的

   detectAndCompute

   方法进行特征点检测

   得到图片的特征点信息

2. 特征点匹配

   def matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio = 0.75, reprojThresh = 4.0):
       # 建立暴力匹配器
       matcher = cv2.BFMatcher()
       # 使用KNN检测来自A、B图的SIFT特征匹配对，K=2
       rawMatches = matcher.knnMatch(featuresA, featuresB, 2)
       matches = []
       for m in rawMatches:
           # 当最近距离跟次近距离的比值小于ratio值时，保留此匹配对
           if len(m) == 2 and m[0].distance < m[1].distance * ratio:
           # 存储两个点在featuresA, featuresB中的索引值
               matches.append((m[0].trainIdx, m[0].queryIdx))
           # 当筛选后的匹配对大于4时，计算视角变换矩阵
       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])
           # 计算视角变换矩阵
           (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)
           # 返回结果
           return (matches, H, status)
       # 如果匹配对小于4时，返回None
       return None
              

3. 匹配的特征点可视化

   def drawMatches(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)
       cv_show("drawImg", vis)
       # 返回可视化结果
       return vis
              

4. 图像拼接

   def stitch(imageA,imageB, ratio=0.75, reprojThresh=4.0,showMatches=False):
       #检测A、B图片的SIFT关键特征点，并计算特征描述子
       (kpsA, featuresA) = detectAndDescribe(imageA)
       (kpsB, featuresB) = detectAndDescribe(imageB)
       # 匹配两张图片的所有特征点，返回匹配结果
       M = matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)
       # 如果返回结果为空，没有匹配成功的特征点，退出算法
       if M is None:
           return None
       # 否则，提取匹配结果
       # H是3x3视角变换矩阵      
       (matches, H, status) = M
       # 将图片A进行视角变换，result是变换后图片
       result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
       cv_show('result', result)
       # 将图片B传入result图片最左端
       result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
       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 = drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
           # 返回结果
           return (result, vis)
       # 返回匹配结果
       return result
              

5. 进行拼接

   # 读取图像
   imageA = cv2.imread('E:/SIFTDemo/test4/test4_4.jpg')
   cv_show("imageA", imageA)
   imageB = cv2.imread('E:/SIFTDemo/test4/test4_3.jpg')
   cv_show("imageB", imageB)
   # 计算SIFT特征点和特征向量
   (kpsA, featuresA) = detectAndDescribe(imageA)
   (kpsB, featuresB) = detectAndDescribe(imageB)
   # 基于最近邻和随机取样一致性得到一个单应性矩阵
   (matches,H,status) = matchKeypoints(kpsA, kpsB, featuresA, featuresB)
   print(H)
   # 绘制匹配结果
   drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
   # 拼接
   stitch(imageA, imageB)
              

   注意：对于图片的放置顺序需要注意，imageA表示放置右边的图，imageB表示放置左边的图。如果图片位置放置不对，就无法得到最终预期的拼接结果。

拼接过程

1. 原图显示

   

   

2. 特征点匹配可视化

   

3. 拼接效果

   

   

   从拼接结果来看，拼接效果还是比较好的。

三、参考资料

Python实现图像全景拼接