详解C++ OpenCV实现图像拼接的原理及方法

目录

• 前言
• 一、图像拼接相关原理 
• 图像特征采集
• 特征提取算法
• 透视变换
• 透视矩阵
• 图像拷贝
• 二、案例实现
• Step1：导入目标图片
• Step2：特征点提取和匹配 
• Step3：图像配准
• Step4：图像拷贝
• Step5：图像融合
• 完整代码
• 三、总结

前言

本文以实现图像拼接为目标，把分割开的图像进行拼接还原，核心的内容包括：OpenCV图像拼接相关原理以及OpenCV图像拼接案例的实现

一、图像拼接相关原理 

图像特征采集

一幅图中总存在着一些独特的像素点，这些点我们可以认为就是这幅图的特征，即为特征点

如何确定左边的是狼，右边的是猪？ 

获取一幅图中存在的一些独特的像素点，需要解决两个问题：

• 解决尺度不变性问题，不同大小的图片获取到的特征是一样的
• 提取到的特征点要稳定，能被精确定位 

特征提取算法

名称支持尺寸不变性速度SURF支持快SIFT支持比SURF慢ORB不支持SURF算法快10倍FAST没有尺度不变性比ORB快

透视变换

透视变换是按照物体成像投影规律进行变换，即将物体重新投影到新的成像平面

透视变换常用于机器人视觉导航研究中，由于相机视场与地面存在倾斜角使得物体成像产生畸变，通常通过透视变换实现对物体图像的校正

透视矩阵

[u,v,w] 表示当前平面坐标的x,y,z，如果是平面，那么z=1

[x',y',z'] 表示目标平面坐标的x,y,z，如果是平面，那么z=1

以上公式，我们可以理解为，透视矩阵是原始平面可目标平面之间的一种转换关系

图像拷贝

将一副图像拷贝到另一副图像上的过程

二、案例实现

这是本案例所用到的素材，如下图所示： 

我们将上图进行分割，用于实现拼接还原，如下图所示： 

Step1：导入目标图片

设置需要处理的两张图片，进行拼接准备工作 

    Mat left=imread("C:/Users/86177/Desktop/image/a11.png");//左侧：图片路径
    Mat right=imread("C:/Users/86177/Desktop/image/a22.png");//右侧：图片路径
 
    imshow("left",left);
    imshow("right",right);

Step2：特征点提取和匹配 

用SIFT算法来实现图像拼接是很常用的方法，虽说SURF精确度和稳定性不及SIFT，但是其综合能力还是优越一些

    //创建SURF对象
    Ptr<SURF>surf;   //可以容纳800个特征点
    surf = SURF::create(800);//参数 查找的海森矩阵 create 海森矩阵阀值
 
    //暴力匹配器
    BFMatcher matcher;
 
    vector<KeyPoint>key1,key2;
    Mat c,d;
 
    //寻找特征点
    surf->detectAndCompute(left,Mat(),key2,d);
    surf->detectAndCompute(right,Mat(),key1,c);
 
    //特征点对比，保存下来
    vector<DMatch>matches;//DMatch 点和点之间的关系
    //使用暴力匹配器匹配特征点，找到存来
    matcher.match(d,c,matches);
 
    //排序 从小到大
    sort(matches.begin(),matches.end());
 
    //保留最优的特征点对象
    vector<DMatch>good_matches;//最优
 
    //设置比例
    int ptrPoint = std::min(50,(int)(matches.size()*0.15));
 
    for(int i = 0;i < ptrPoint;i++)
    {
        good_matches.push_back(matches[i]);
    }
 
    //最佳匹配的特征点连成线
    Mat outimg;
 
    drawMatches(left,key2,right,key1,good_matches,outimg,
                Scalar::all(-1),Scalar::all(-1),
                vector<char>(),DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
 
    imshow("outimg",outimg);

Step3：图像配准

我们就可以得到了两幅待拼接图的匹配点集，接下来我们进行图像的配准，即将两张图像转换为同一坐标下

    //特征点配准
    vector<Point2f>imagepoint1,imagepoint2;
 
    for(int i = 0;i<good_matches.size();i++)
    {
        imagepoint1.push_back(key1[good_matches[i].trainIdx].pt);
        imagepoint2.push_back(key2[good_matches[i].queryIdx].pt);
    }
 
    //透视转换
    Mat homo = findHomography(imagepoint1,imagepoint2,CV_RANSAC);
 
    imshow("homo",homo);

Step4：图像拷贝

将我们的左图拷贝到设置好的配准图（右图）上 

    //创建拼接后的图，计算图的大小
    int dst_width = imageTranForm.cols;//获取最右点为拼接图长度
    int dst_height = left.rows;
 
    Mat dst(dst_height,dst_width,CV_8UC3);
    dst.setTo(0);
 
    imageTranForm.copyTo(dst(Rect(0,0,imageTranForm.cols,imageTranForm.rows)));
    left.copyTo(dst(Rect(0,0,left.cols,left.rows)));
            
    imshow("dst",dst);

Step5：图像融合

去裂缝处理，让我们的优化两图的连接处，使得拼接自然

PS：上面拼接完的图片看不太出来，拼接处理中，还是建议用上

//优化两图的连接处，使得拼接自然
void OptimizeSeam(Mat& img1, Mat& trans, Mat& dst)
{
    int start = MIN(corners.left_top.x, corners.left_bottom.x);//开始位置，即重叠区域的左边界
 
    double processWidth = img1.cols - start;//重叠区域的宽度
    int rows = dst.rows;
    int cols = img1.cols; //注意，是列数*通道数
    double alpha = 1;//img1中像素的权重
    for (int i = 0; i < rows; i++)
    {
        uchar* p = img1.ptr<uchar>(i);  //获取第i行的首地址
        uchar* t = trans.ptr<uchar>(i);
        uchar* d = dst.ptr<uchar>(i);
        for (int j = start; j < cols; j++)
        {
            //如果遇到图像trans中无像素的黑点，则完全拷贝img1中的数据
            if (t[j * 3] == 0 && t[j * 3 + 1] == 0 && t[j * 3 + 2] == 0)
            {
                alpha = 1;
            }
            else
            {
                //img1中像素的权重，与当前处理点距重叠区域左边界的距离成正比，实验证明，这种方法确实好
                alpha = (processWidth - (j - start)) / processWidth;
            }
 
            d[j * 3] = p[j * 3] * alpha + t[j * 3] * (1 - alpha);
            d[j * 3 + 1] = p[j * 3 + 1] * alpha + t[j * 3 + 1] * (1 - alpha);
            d[j * 3 + 2] = p[j * 3 + 2] * alpha + t[j * 3 + 2] * (1 - alpha);
 
        }
    }
 
}

其他图片拼接效果，如下图所示：

完整代码

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <opencv2/calib3d.hpp>
#include <opencv2/imgproc.hpp>
 
using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;
 
typedef struct
{
    //四个顶点
    Point2f left_top;
    Point2f left_bottom;
    Point2f right_top;
    Point2f right_bottom;
}four_corners_t;
 
four_corners_t corners;
 
//计算配准图的四个顶点坐标
void CalcCorners(const Mat& H, const Mat& src)
{
    double v2[] = { 0, 0, 1 };//左上角
    double v1[3];//变换后的坐标值
    Mat V2 = Mat(3, 1, CV_64FC1, v2);  //列向量
    Mat V1 = Mat(3, 1, CV_64FC1, v1);  //列向量
 
    V1 = H * V2;
    //左上角(0,0,1)
    cout << "V2: " << V2 << endl;
    cout << "V1: " << V1 << endl;
    corners.left_top.x = v1[0] / v1[2];
    corners.left_top.y = v1[1] / v1[2];
 
    //左下角(0,src.rows,1)
    v2[0] = 0;
    v2[1] = src.rows;
    v2[2] = 1;
    V2 = Mat(3, 1, CV_64FC1, v2);  //列向量
    V1 = Mat(3, 1, CV_64FC1, v1);  //列向量
    V1 = H * V2;
    corners.left_bottom.x = v1[0] / v1[2];
    corners.left_bottom.y = v1[1] / v1[2];
 
    //右上角(src.cols,0,1)
    v2[0] = src.cols;
    v2[1] = 0;
    v2[2] = 1;
    V2 = Mat(3, 1, CV_64FC1, v2);  //列向量
    V1 = Mat(3, 1, CV_64FC1, v1);  //列向量
    V1 = H * V2;
    corners.right_top.x = v1[0] / v1[2];
    corners.right_top.y = v1[1] / v1[2];
 
    //右下角(src.cols,src.rows,1)
    v2[0] = src.cols;
    v2[1] = src.rows;
    v2[2] = 1;
    V2 = Mat(3, 1, CV_64FC1, v2);  //列向量
    V1 = Mat(3, 1, CV_64FC1, v1);  //列向量
    V1 = H * V2;
    corners.right_bottom.x = v1[0] / v1[2];
    corners.right_bottom.y = v1[1] / v1[2];
 
}
 
//优化两图的连接处，使得拼接自然
void OptimizeSeam(Mat& img1, Mat& trans, Mat& dst)
{
    int start = MIN(corners.left_top.x, corners.left_bottom.x);//开始位置，即重叠区域的左边界
 
    double processWidth = img1.cols - start;//重叠区域的宽度
    int rows = dst.rows;
    int cols = img1.cols; //注意，是列数*通道数
    double alpha = 1;//img1中像素的权重
    for (int i = 0; i < rows; i++)
    {
        uchar* p = img1.ptr<uchar>(i);  //获取第i行的首地址
        uchar* t = trans.ptr<uchar>(i);
        uchar* d = dst.ptr<uchar>(i);
        for (int j = start; j < cols; j++)
        {
            //如果遇到图像trans中无像素的黑点，则完全拷贝img1中的数据
            if (t[j * 3] == 0 && t[j * 3 + 1] == 0 && t[j * 3 + 2] == 0)
            {
                alpha = 1;
            }
            else
            {
                //img1中像素的权重，与当前处理点距重叠区域左边界的距离成正比，实验证明，这种方法确实好
                alpha = (processWidth - (j - start)) / processWidth;
            }
 
            d[j * 3] = p[j * 3] * alpha + t[j * 3] * (1 - alpha);
            d[j * 3 + 1] = p[j * 3 + 1] * alpha + t[j * 3 + 1] * (1 - alpha);
            d[j * 3 + 2] = p[j * 3 + 2] * alpha + t[j * 3 + 2] * (1 - alpha);
 
        }
    }
 
}
 
int main(int argc, char *argv[])
{
    Mat left=imread("C:/Users/86177/Desktop/image/test(1).png");//左侧：图片路径
    Mat right=imread("C:/Users/86177/Desktop/image/test(2).png");//右侧：图片路径
 
    imshow("left",left);
    imshow("right",right);
 
    //创建SURF对象
    Ptr<SURF>surf;   //可以容纳800个特征点
    surf = SURF::create(800);//参数 查找的海森矩阵 create 海森矩阵阀值
 
    //暴力匹配器
    BFMatcher matcher;
 
    vector<KeyPoint>key1,key2;
    Mat c,d;
 
    //寻找特征点
    surf->detectAndCompute(left,Mat(),key2,d);
    surf->detectAndCompute(right,Mat(),key1,c);
 
    //特征点对比，保存下来
    vector<DMatch>matches;//DMatch 点和点之间的关系
    //使用暴力匹配器匹配特征点，找到存来
    matcher.match(d,c,matches);
 
    //排序 从小到大
    sort(matches.begin(),matches.end());
 
    //保留最优的特征点对象
    vector<DMatch>good_matches;//最优
 
    //设置比例
    int ptrPoint = std::min(50,(int)(matches.size()*0.15));
 
    for(int i = 0;i < ptrPoint;i++)
    {
        good_matches.push_back(matches[i]);
    }
 
    //最佳匹配的特征点连成线
    Mat outimg;
 
    drawMatches(left,key2,right,key1,good_matches,outimg,
                Scalar::all(-1),Scalar::all(-1),
                vector<char>(),DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
 
    imshow("outimg",outimg);
 
    //特征点配准
    vector<Point2f>imagepoint1,imagepoint2;
 
    for(int i = 0;i<good_matches.size();i++)
    {
        imagepoint1.push_back(key1[good_matches[i].trainIdx].pt);
        imagepoint2.push_back(key2[good_matches[i].queryIdx].pt);
    }
 
    //透视转换
    Mat homo = findHomography(imagepoint1,imagepoint2,CV_RANSAC);
 
    imshow("homo",homo);
 
    //四个顶点坐标的转换计算
    CalcCorners(homo,right);
 
    Mat imageTranForm;
    warpPerspective(right,imageTranForm,homo,
                    Size(MAX(corners.right_top.x,
                             corners.right_bottom.x),
                         left.rows));
 
    imshow("imageTranForm",imageTranForm);
 
    //创建拼接后的图，计算图的大小
    int dst_width = imageTranForm.cols;//获取最右点为拼接图长度
    int dst_height = left.rows;
 
    Mat dst(dst_height,dst_width,CV_8UC3);
    dst.setTo(0);
 
    imageTranForm.copyTo(dst(Rect(0,0,imageTranForm.cols,imageTranForm.rows)));
    left.copyTo(dst(Rect(0,0,left.cols,left.rows)));
 
    //优化拼接，主要目的去除黑边
    OptimizeSeam(left,imageTranForm, dst);
 
    imshow("dst",dst);
 
    waitKey(0);
 
    return 0;
}

三、总结

本文的核心内容包括：OpenCV图像拼接相关原理以及OpenCV图像拼接案例的实现

图像拼接在我们日常生活中运用其实算是非常广了，比如说我们现在经常见到的无人机航拍，以及我们手机相机的全景拍摄

图像拼接是我们对图像进行其他处理的基础条件，图像拼接的好坏，将会直接影响了咱们出图的效果！所以学会拼接算法对图像进行拼接处理，很重要！

以上就是详解C++ OpenCV实现图像拼接的原理及方法的详细内容，更多关于C++ OpenCV图像拼接的资料请关注自由互联其它相关文章！