點擊上方“小白學視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

前面寫了一篇關(guān)于單應(yīng)性矩陣的相關(guān)文章，結(jié)尾說到基于特征的圖像拼接跟對象檢測中單應(yīng)性矩陣應(yīng)用場景。得到很多人留言反饋，讓我繼續(xù)寫，于是就有這篇文章。這里有兩張照片(我手機拍的)，背景是我老家的平房，周圍是一片開闊地帶，都是麥子。有圖為證：

圖一：

圖二：

這里是兩張圖像的拼接，多張圖像與此類似。主要是應(yīng)用特征提取模塊的AKAZE圖像特征點與描述子提取，當然你也可以選擇ORB、SIFT、SURF等特征提取方法。匹配方法主要是基于暴力匹配/FLANN+KNN完成，圖像對齊與配準通過RANSAC跟透視變換實現(xiàn)，最后通過簡單的權(quán)重圖像疊加實現(xiàn)融合、得到拼接之后得全景圖像。這個其中單應(yīng)性矩陣發(fā)現(xiàn)是很重要的一步，如果不知道這個是什么請看這里：

OpenCV單應(yīng)性矩陣發(fā)現(xiàn)參數(shù)估算方法詳解

1.加載輸入圖像

2.創(chuàng)建AKAZE特征提取器

3.提取關(guān)鍵點跟描述子特征

4.描述子匹配并提取匹配較好的關(guān)鍵點

5.單應(yīng)性矩陣圖像對齊

6.創(chuàng)建融合遮罩層，準備開始融合

7.圖像透視變換與融合操作

8.輸出拼接之后的全景圖

在具體代碼實現(xiàn)步驟之前，先說一下軟件版本

-VS2015-OpenCV4.2-Windows 10 64位

代碼實現(xiàn)：提取特征與描述子

1// 提取特征點與描述子
2vector<KeyPoint> keypoints_right, keypoints_left;
3Mat descriptors_right, descriptors_left;
4auto detector = AKAZE::create();
5detector->detectAndCompute(left, Mat(), keypoints_left, descriptors_left);
6detector->detectAndCompute(right, Mat(), keypoints_right, descriptors_right);

提取好的匹配描述子

 1// 暴力匹配
 2vector<DMatch> matches;
 3auto matcher = DescriptorMatcher::create(DescriptorMatcher::BRUTEFORCE);
 4
 5// 發(fā)現(xiàn)匹配
 6std::vector< std::vector<DMatch> > knn_matches;
 7matcher->knnMatch(descriptors_left, descriptors_right, knn_matches, 2);
 8const float ratio_thresh = 0.7f;
 9std::vector<DMatch> good_matches;
10for (size_t i = 0; i < knn_matches.size(); i++)
11{
12      if (knn_matches[i][0].distance < ratio_thresh * knn_matches[i][1].distance)
13      {
14              good_matches.push_back(knn_matches[i][0]);
15      }
16}
17printf("total good match points : %d\n", good_matches.size());
18std::cout << std::endl;
19
20Mat dst;
21drawMatches(left, keypoints_left, right, keypoints_right, good_matches, dst);

創(chuàng)建mask對象

 1// create mask
 2int win_size = 800;
 3int h1 = left.rows;
 4int w1 = left.cols;
 5int h2 = right.rows;
 6int w2 = right.cols;
 7int h = max(h1, h2);
 8int w = w1 + w2;
 9Mat mask1 = Mat::ones(Size(w, h), CV_32FC1);
10Mat mask2 = Mat::ones(Size(w, h), CV_32FC1);
11Rect roi;
12roi.height = h;
13roi.width = win_size;
14roi.y = 0;
15roi.x = w1 - win_size;
16
17// left mask
18Mat temp = mask1(roi);
19linspace(temp, 1, 0, win_size);
20
21// right mask
22temp = mask2(roi);
23linspace(temp, 0, 1, win_size);

對齊生成全景圖像

 1// generate panorama
 2Mat panorama_01 = Mat::zeros(Size(w, h), CV_8UC3);
 3roi.x = 0;
 4roi.y = 0;
 5roi.width = w1;
 6roi.height = h1;
 7left.copyTo(panorama_01(roi));
 8Mat m1;
 9vector<Mat> mv;
10mv.push_back(mask1);
11mv.push_back(mask1);
12mv.push_back(mask1);
13merge(mv, m1);
14panorama_01.convertTo(panorama_01, CV_32F);
15multiply(panorama_01, m1, panorama_01);
16
17
18Mat panorama_02;
19warpPerspective(right, panorama_02, H, Size(w, h));
20mv.clear();
21mv.push_back(mask2);
22mv.push_back(mask2);
23mv.push_back(mask2);
24Mat m2;
25merge(mv, m2);
26panorama_02.convertTo(panorama_02, CV_32F);
27multiply(panorama_02, m2, panorama_02);

上述代碼中panorama_01實現(xiàn)對第一張圖像內(nèi)容提取與mask權(quán)重生成混合，panorama_02完成對第二張圖的內(nèi)容透視變換與mask權(quán)重生成混合。特別注意的是順序很重要。單應(yīng)性矩陣發(fā)現(xiàn)代碼可以看之前文章即可，這里不再贅述。

合并全景圖像

1// 合并全景圖
2Mat panorama;
3add(panorama_01, panorama_02, panorama);
4panorama.convertTo(panorama, CV_8U);
5imwrite("D:/panorama.png", panorama);

程序運行->特征點匹配如下：

最終拼接的全景圖如下：

想知道如何改進這個輸出結(jié)果，讓輸出結(jié)果融合的根據(jù)自然與真實，請聽下回再說吧！過年了終于有點時間寫點干貨回報一下大家！請大家多多支持！多多反饋！