目录。

前言。

一、两个函数。

1.显示图像。

2.计算图片特征和描述符。

二、代码实例。

1.准备图像。

2.特征检测。

3.特征匹配。

4.图像变换。

5.图像融合。

---

前言。

图像拼接是一种将多个图像合成大图的技术，常用于全景图生成、图像拼接、图像合成等应用场景。

 。

一、两个函数。

1.显示图像。

def cv_show(name, img):    cv2.imshow(name, img)    cv2.waitKey(0)。

 。

2.计算图片特征和描述符。

1. 将输入图像转换为灰度图。
2. 创建sift对象。
3. 对灰度图进行特征检测，并计算描述符。
4. 在数组中安装每个关键点的坐标。
5. 返回关键点󿀌关键点坐标数组和描述符。

def detectAndDescribe(image):    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)    sift = cv2.SIFT_create()    # 检测SIFT特征点，计算描述符，第二个参数为掩膜    (kps, des) = sift.detectAndCompute(gray, None)    # 将结果转化为NumPy数组    kps_float = np.float32([kp.pt for kp in kps])    # kp.pt 图像中包含两个值，即关键点 x 和 y 坐标。这些坐标通常是浮点数，可以准确描述图像中关键点的位置。    return (kps, kps_float, des)。

 。

二、代码实例。

1.准备图像。

• 选择需要拼接的图像，确保它们之间有一定的重叠区域。

import cv2import numpy as npimport sys"""阅读拼接图片"""imageA = cv2.imread('1.jpg')cv_show('imageA', imageA)imageB = cv2.imread('2.jpg')cv_show('imageB', imageB)。

 输出：

 。

2.。特征检测。

• 使用特征检测算法（如 SIFT、ORB 或 AKAZE）在每个图像中找到关键特征点。

"""图像特征的计算和描述符"""(kpsA, kps_floatA, desA) = detectAndDescribe(imageA)(kpsB, kps_floatB, desB) = detectAndDescribe(imageB)。

 。

3.特征匹配。

• 通过描述子匹配算法（如 BFMatcher 或 FLANN）匹配不同图像中的特征点。

"""使用FlannBasedMatcher来匹配大型训练集合，使用FlannBasedMatcher更快"""matcher = cv2.BFMatcher()# knnMatch(queryDescriptors,trainDescriptors,k,mask=None, compactResult=None)# 使用KNN检测来自AANN检测、B图SIFT特征匹配对，参数说明:# queryDescriptors:查询图像A的描述符# trainDescriptors:目标图像B的描述符# k:最佳匹配的描述符数。一般K=2.# 返回的数据结构描述:# distance:匹配的特征点描述符的欧式距离，值越小，特征点越相似。# queryIdx:查询图像特征点描述符的下标(第几个特征点描述符)，也是描述符对应特征点的下标。# trainIdx:目标图像的特征描述符下标，也是描述符合相应特征的下标。# 选择查询图像中的一个关键点 在两个点中选择目标图像 判断rawmatches = matcher.knnMatch(desB, desA, 2)good = []  # 例如，[[m1， m2], [m3, m4], ...] 格式，其中 m1, m2 两个匹配对应同一关键点。matches = []for m in rawMatches:    # 当最近距离与次近距离的比值小于0.65时，保留此匹配对    if len(m) == 2 and m[0].distance < 0.65 * m[1].distance:        good.append(m)        # 在featuresa和featuresB中存储两个点的索引值        matches.append((m[0].trainIdx, m[0].queryIdx))print(len(good))print(matches)# 绘制k近邻匹配结果# kp2 取两个关键点的图像vis = cv2.drawMatchesKnn(imageB, kpsB, imageA, kpsA, good, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)cv_show('Keypoint Matches', vis)。

输出：

 。

输出：

•  。

4.图像变换。

根据计算的变换矩阵，将图像转换为同一平面。

"""透视变换"""if len(matches) > 4: # 当筛选匹配大于4时，计算视角变换矩阵。 # 获得匹配的点坐标 ptsA = np.float32([kps_floatA[i] for (i, _) in matches]) # matches是通过阈值筛选的特征点对象 ptsB = np.float32([kps_floatB[i] for (_, i) in matches]) # kps_floata是图片a中的所有特征点坐标 # 计格透视变换矩阵 # findHomography(srcPoints, dstPoints, method=None, ransacReprojThreshold=None) # 计算视角变换矩阵，透视变换雨数，cv2.getPerspectiveTransform()与可多个数据点变换的区别在于 # srcPointsrc参数:选择关键点的图片 # 参数dstPointst:选择两个关键点的图片 # 参数method:计算变换矩降的方法 # 0 - 使用所有点，最小二乘法 # RANSAC - 基于随机样本的一致性，https://zhuanlan.zhihu.com/p/402727549 # LMEDS - 最小中值 # RHO - 转向浙近样本的一致性 # ransacReprojThreshold:最大允许货币投影错误的阀值。该参数仅在method参数为RANSAC和RHO时使用，默认为3 # 返回值：h为变换矩阵，mask为掩模标志，指示内点对，外点对。该参数仅在method参数为RANSAC和RHO时使用，默认为3 # 返回值：h为变换矩阵，mask为掩模标志，指示内点对，外点对。 内点；指与估计模型非常接近的数据点，通常是正确匹魔或真实数据。 (H, mask) = cv2.findHomography(ptsB, ptsA, cv2.RANSAC, 10)else: print('图片找不到4个以上的匹配点') sys.exit()。

输出：

•  。

5.图像融合。

合成转换后的图像，缝隙可以通过加权平均、渐变等方式平滑拼接。

result = cv2.warpPerspective(imageB, H, (imageB.shape[1] + imageA.shape[1], imageB.shape[0]))cv_show("resultB", result)# 将图片A输入result图片最左轩result[00:imageA.shape[0], 0:imageA.shape[1]] = imageAcv_show("result", result)。输出：