上回文章写道opencv_contrib安装，为什么安装呢？为了使用SIFT函数。为什么使用SIFT函数？为了进行特征点检测。为什么进行特征点检测？为了图像拼接。所以呢，这段时间我在学习全景拼接。
全景拼接可以分为两张图像拼接和多张图像拼接（大于两张）。因为每幅图像是相机在不同角度下拍摄得到的，它们并不在同一个投影平面上，如果对重叠部分直接进行拼接，则会破坏实际场景的视觉一致性。所以对于多张图像我们需要在拼接之前，对图像进行投影变换，即对图像进行扭曲变形。
两张图像拼接：可以采用单应性矩阵（cv:: findHomography）。例如以左图为基础将右图进行单应性变换，与左图拼接，这样一来右图就会因为单应性变换分辨率降低变得模糊（详见：运行结果（由于图像上传大小限制，效果不明显））。多张图并不是不可以使用单应性，而是图像越多，拼接扭曲越厉害，惨不忍睹啊。
多张图像拼接：【OpenCV】 全景拼接——多张图像拼接（stitching_detailed）
【开发环境】：
软件版本：OpenCV-4.1.1、opencv_contrib-4.1.1、Visual Studio 2015
操作系统：Win10
【源代码】：
#include <opencv2\opencv.hpp> #include <vector> #include <opencv2\xfeatures2d.hpp> #include <iostream> using namespace cv; using namespace std; int main() { Mat img1, img2, img_gray1, img_gray2; Mat L_Rmatcher; Mat left_view, result; img1 = imread("C:\\Users\\Administrator\\Desktop\\p2.jpg", 1); //右图 img2 = imread("C:\\Users\\Administrator\\Desktop\\p1.jpg", 1); //左图 vector<Mat> pic{ img1,img2 }; //灰度图 cvtColor(img1, img_gray1, COLOR_BGR2GRAY); cvtColor(img2, img_gray2, COLOR_BGR2GRAY); //SIFT特征检测器，计算关键点 Ptr<Feature2D> sift = xfeatures2d::SIFT::create(); //检测关键点 vector<KeyPoint> keypoints1, keypoints2; sift->detect(img_gray1, keypoints1); sift->detect(img_gray2, keypoints2); //计算描述子 Mat descriptors1, descriptors2; sift->compute(img_gray1, keypoints1, descriptors1); sift->compute(img_gray2, keypoints2, descriptors2); //快速近似最邻近 匹配方法寻找匹配点 FlannBasedMatcher matcher; vector<vector<DMatch> > matchePoints; vector<DMatch> GoodMatchePoints; vector<Mat> train_desc(1, descriptors1); matcher.add(train_desc); //添加训练描述符 matcher.knnMatch(descriptors2, matchePoints, 2); cout << "total match points: " << matchePoints.size() << endl; // Lowe's algorithm,获取优秀匹配点 for (int i = 0; i < matchePoints.size(); i++) { if (matchePoints[i][0].distance < 0.4 * matchePoints[i][1].distance) //atio=0. 4：对于准确度要求高的匹配； ratio = 0. 6：对于匹配点数目要求比较多的匹配； ratio = 0. 5：一般情况下。 { GoodMatchePoints.push_back(matchePoints[i][0]); } } //显示关键点 drawKeypoints(img1, keypoints1, descriptors1, cv::Scalar::all(-1)); drawKeypoints(img2, keypoints2, descriptors2, cv::Scalar::all(-1)); //关键点匹配 drawMatches(img2, keypoints2, img1, keypoints1, GoodMatchePoints, L_Rmatcher, cv::Scalar::all(-1), cv::Scalar(0, 0, 255)); vector<Point2f>kp1, kp2; for (int i = 0; i < GoodMatchePoints.size(); i++) { kp2.push_back(keypoints2[GoodMatchePoints[i].queryIdx].pt); kp1.push_back(keypoints1[GoodMatchePoints[i].trainIdx].pt); } Mat homography = findHomography(kp1, kp2, cv::noArray(), RANSAC); cout << "变换矩阵为：\n" << homography << endl << endl; //歪曲右图到左图 // 右边的图像经过矩阵H转换到stitchedImage中对应的位置 warpPerspective(img1, result, homography, Size(img2.cols + img1.cols, img2.rows)); //warpPerspective(输入图像，输出图像，3*3矩阵，最终图像尺寸，) imshow("左图视角的有图", result); //赋值右图到整幅图像的前半部分 //把左边的图像放进来 Mat half(result, Rect(0, 0, img2.cols, img2.rows)); //复制图2到图1的ROI区域 img2.copyTo(half); imshow("左图-img2", descriptors2); imshow("右图-img1", descriptors1); imshow("匹配线", L_Rmatcher); imshow("Result", result); cv::imwrite("Result.jpg", result); waitKey(0); return 0; }【运行结果】
You believe in fate? 你相信命运吗？
