目標：將數張有重疊部分的影象通過特徵點檢測，匹配，影象變換拼成一幅無縫的全景圖或高解析度影象

在影象拼接中首先利用SIFT演算法提取影象特徵進而進行特徵匹配，繼而使用RANSAC演算法對特徵匹配的結果進行優化，接著利用影象變換結構進行影象對映，最終進行影象融合。

在影象拼接過程中，運用SIFT區域性描述運算元檢測影象中的關鍵點和特徵，SIFT特徵是基於物體上的一些區域性外觀的興趣點而與影像的大小和旋轉無關。對於光線、噪聲、些微視角改變的容忍度也相當高，所以用來檢測要拼接影象的特徵及關鍵點就很有優勢。而接下來即步驟三是找到重疊的圖片部分，連線所有圖片之後就可以形成一個基本的全景圖了。匹配圖片最常用的方式是採用RANSAC（RANdom SAmple Consensus, 隨機抽樣一致），用此排除掉不符合大部分幾何變換的匹配。之後利用這些匹配的點來估算單應矩陣”（Homography Estimation），也就是將其中一張影象通過關聯性和另一張匹配。

使用的演算法：

• RANSAC
• SIFT

1. 利用SIFT方法檢測特徵點

    def detectAndDescribe(image):
        # 將彩色圖片轉換成灰度圖
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

        # 建立SIFT生成器
        descriptor = cv2.xfeatures2d.SIFT_create()
        # 檢測SIFT特徵點，並計算描述子
        (kps, features) = descriptor.detectAndCompute(image, None)

        # 將結果轉換成NumPy陣列
        kps = np.float32([kp.pt for kp in kps])

        # 返回特徵點集，及對應的描述特徵
        return (kps, features)
 

2. 將檢測到的特徵點進行匹配

    def matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):
        # 建立暴力匹配器
        matcher = cv2.BFMatcher()
  
        # 使用KNN檢測來自A、B圖的SIFT特徵匹配對，K=2
        rawMatches = matcher.knnMatch(featuresA, featuresB, 2)

        matches = []
        for m in rawMatches:
            # 當最近距離跟次近距離的比值小於ratio值時，保留此匹配對
            if len(m) == 2 and m[0].distance < m[1].distance * ratio:
            # 儲存兩個點在featuresA, featuresB中的索引值
                matches.append((m[0].trainIdx, m[0].queryIdx))

        # 當篩選後的匹配對大於4時，計算視角變換矩陣
        if len(matches) > 4:
            # 獲取匹配對的點座標
            ptsA = np.float32([kpsA[i] for (_, i) in matches])
            ptsB = np.float32([kpsB[i] for (i, _) in matches])

            # 計算視角變換矩陣
            (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)

            # 返回結果
            return (matches, H, status)

        # 如果匹配對小於4時，返回None
        return None
 

3. 將匹配的特徵點視覺化

    def drawMatches(imageA, imageB, kpsA, kpsB, matches, status):
        # 初始化視覺化圖片，將A、B圖左右連線到一起
        (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

        # 聯合遍歷，畫出匹配對
        for ((trainIdx, queryIdx), s) in zip(matches, status):
            # 當點對匹配成功時，畫到視覺化圖上
            if s == 1:
                # 畫出匹配對
                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)

        # 返回視覺化結果
        return vis

4. 影象拼接

    def stitch(images, ratio=0.75, reprojThresh=4.0,showMatches=False):
        #獲取輸入圖片
        (imageB, imageA) = images
        #檢測A、B圖片的SIFT關鍵特徵點，並計算特徵描述子
        (kpsA, featuresA) = detectAndDescribe(imageA)
        (kpsB, featuresB) = detectAndDescribe(imageB)

        # 匹配兩張圖片的所有特徵點，返回匹配結果
        M = matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)

        # 如果返回結果為空，沒有匹配成功的特徵點，退出演算法
        if M is None:
            return None

        # 否則，提取匹配結果
        # H是3x3視角變換矩陣      
        (matches, H, status) = M
        # 將圖片A進行視角變換，result是變換後圖片
        result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
        cv_show('result', result)
        # 將圖片B傳入result圖片最左端
        result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
        cv_show('result', result)
        # 檢測是否需要顯示圖片匹配
        if showMatches:
            # 生成匹配圖片
            vis = drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
            # 返回結果
            return (result, vis)

        # 返回匹配結果
        return result