本文例項為大家分享了python opencv進行影象拼接的具體程式碼，供大家參考，具體內容如下

思路和方法

思路

1、提取要拼接的兩張圖片的特徵點、特徵描述符；
2、將兩張圖片中對應的位置點找到，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一下，利用找到的關鍵點，將第二幅圖透視旋轉到一個與第一幅圖相同的可以拼接的角度；
4、進行拼接；
5、進行拼接後的一些處理，讓效果看上去更好。

實現方法

1、提取圖片的特徵點、描述符，可以使用opencv建立一個SIFT物件，SIFT物件使用DoG方法檢測關鍵點，並對每個關鍵點周圍的區域計算特徵向量。在實現時，可以使用比SIFT快的SURF方法，使用Hessian演算法檢測關鍵點。因為只是進行全景圖拼接，在使用SURF時，還可以調節它的引數，減少一些關鍵點，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鍵點和特徵向量以後，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的單應性匹配。
3、單應性匹配完之後可以獲得透視變換H矩陣，用這個的逆矩陣來對第二幅圖片進行透視變換，將其轉到和第一張圖一樣的視角，為下一步拼接做準備。
4、透視變換完的圖片，其大小就是最後全景圖的大小，它的右邊是透視變換以後的圖片，左邊是黑色沒有資訊。拼接時可以比較簡單地處理，通過numpy陣列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，但是最後效果不是很好，中間有一條分割痕跡非常明顯。使用opencv指南中影象金字塔的程式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做一些加權處理，重疊部分，離左邊圖近的，左邊圖的權重就高一些，離右邊近的，右邊旋轉圖的權重就高一些，然後兩者相加，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徵點提取和匹配。

python_opencv中主要使用的函式

0、基於python 3.7和對應的python-opencv

1、cv2.xfeatures2d.SURF_create ([hessianThreshold[,nOctaves[,nOctaveLayers[,extended[,upright]]]]])

該函式用於生成一個SURF物件，在使用時，為提高速度，可以適當提高hessianThreshold，以減少檢測的關鍵點的數量，可以extended=False，只生成64維的描述符而不是128維，令upright=True，不檢測關鍵點的方向。

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

該函式用於計算圖片的關鍵點和描述符，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快速匹配器有兩個引數，一個是indexParams，一個是searchParams，都用手冊上建議的值就可以。在建立了匹配器得到匹配陣列match以後，就可以參考Lowe給出的引數，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]]])
這個函式實現單應性匹配，返回的M是一個矩陣，即對關鍵點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]]]])
用這個函式進行透視變換，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() 實現深度複製，Python中預設是按引用複製，a=b是a指向b的記憶體。

7、draw_params = dict(matchColor = (0,255,0),singlePointColor = (255,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鍵點，matchMask是比較好的匹配點，之間用綠色線連線起來。

核心程式碼

import cv2
import numpy as np
from matplotlib import pyplot as plt
import time
MIN = 10
starttime=time.time()
img1 = cv2.imread('1.jpg') #query
img2 = 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SIFT
kp1,descrip1=surf.detectAndCompute(img1,None)
kp2,descrip2=surf.detectAndCompute(img2,None)

FLANN_INDEX_KDTREE = 0
indexParams = dict(algorithm = FLANN_INDEX_KDTREE,trees = 5)
searchParams = dict(checks=50)

flann=cv2.FlannBasedMatcher(indexParams,searchParams)
match=flann.knnMatch(descrip1,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(-1,2)
 M,mask=cv2.findHomography(src_pts,ano_pts,cv2.RANSAC,5.0)
 warpImg = cv2.warpPerspective(img2,(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,-1):
 if img1[:,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,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!")

執行結果

原圖1.jpg

原圖2.jpg

特徵點匹配

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》 ，歡迎大家點選學習更多精彩內容。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。