python计算机视觉实现全景图像拼接示例

首先对图片进行预处理，是图片的分配率大小在合适的范围内，避免图片太大占满整个电脑屏幕。

from PIL import Image
def produceImage(file_in, width, height, file_out):
   image = Image.open(file_in)
   resized_image = image.resize((height, width), Image.ANTIALIAS)
   resized_image.save(file_out)
if __name__ == '__main__':
   file_in = 'right2.png'#输入文件的文件名
   width = 500#文件大小
   height = 500
   file_out = 'right11.png'#生成文件的文件名
   produceImage(file_in, width, height, file_out)

输出图片之后就可以对两张图片进行拼接了。

两张图像要能拼接在一起成为一张图像，就需要这两张图像中存在有重合的部分。通过这些重合的部分使用sift特征点匹配的算法，来寻找到重合部分的特征点。

需要注意的是，虽然sift算法比Harris角点的效果更好，但是也会出现错误点，并非完美的匹配方法。

在以下的代码中，MyStitcher类里面的内容就是对图像实现拼接的主要过程。

import cv2
import numpy as np
class MyStitcher:
   # 拼接函数
   def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False):
       # 获取输入图片
       (imageB, imageA) = images
       # 检测A、B图片的SIFT关键特征点，并计算特征描述子
       (kpsA, featuresA) = self.detectAndDescribe(imageA)
       (kpsB, featuresB) = self.detectAndDescribe(imageB)
       # 匹配两张图片的所有特征点，返回匹配结果
       M = self.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]))
       # 将图片B传入result图片最左端
       result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
       # 检测是否需要显示图片匹配
       if showMatches:
           # 生成匹配图片
           vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
           # 返回结果
           return (result, vis)
       # 返回匹配结果
       return result
   def detectAndDescribe(self, 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)
   def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):
       # 建立暴力匹配器
       matcher = cv2.DescriptorMatcher_create("BruteForce")
       # 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
   def drawMatches(self, 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)
       # 返回可视化结果
       return vis
# 读取拼接图片
imageA = cv2.imread("left11.png")
imageB = cv2.imread("right11.png")
# 把图片拼接成全景图
mystitcher = MyStitcher()
(result, vis) = mystitcher.stitch([imageA, imageB], showMatches=True)
# 显示所有图片
cv2.imshow("Image A", imageA)
cv2.imshow("Image B", imageB)
cv2.imshow("Keypoint Matches", vis)
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

来源：https://blog.csdn.net/weixin_44382897/article/details/109596470