C++ OpenCV實戰(zhàn)之圖像全景拼接
更新時間：2022年01月04日 16:23:42 作者：Zero___Chen
本文主要介紹了如何使用OpenCV C++ 進行圖像全景拼接，文中的示例代碼講解詳細，對我們學(xué)習(xí)OpenCV有一定的幫助，感興趣的可以了解一下
前言
本文將使用OpenCV C++ 進行圖像全景拼接。目前使用OpenCV對兩幅圖像進行拼接大致可以分為兩類。
一、使用OpenCV內(nèi)置API Stitcher 進行拼接。
二、使用特征檢測算法匹配兩幅圖中相似的點、計算變換矩陣、最后對其進行透視變換就可以了。
一、OpenCV Stitcher
imageA
imageB
原圖如圖所示。本案例的需求是將上述兩幅圖片拼接成一幅圖像。首先使用OpenCV提供的Stitcher進行拼接。關(guān)于Stitcher的具體原理請大家自行查找相關(guān)資料。
1.功能源碼
bool OpenCV_Stitching(Mat imageA, Mat imageB)
{
vector<Mat>images;
images.push_back(imageA);
images.push_back(imageB);
Ptr<Stitcher>stitcher = Stitcher::create();
Mat result;
Stitcher::Status status = stitcher->stitch(images, result);// 使用stitch函數(shù)進行拼接
if (status != Stitcher::OK) return false;
imshow("OpenCV圖像全景拼接", result);
return true;
}
2.效果
這就是使用OpenCV 內(nèi)置Stitcher拼接出來的效果。
二、圖像全景拼接
1.特征檢測
使用方法二進行圖像全景拼接。目前網(wǎng)上教程大致流程歸為：
1、使用特征檢測算子提取兩幅圖像的關(guān)鍵點，然后進行特征描述子匹配。我這里使用的是SURF算子。當然SIFT等其他特征檢測算子也可以。
//創(chuàng)建SURF特征檢測器 int Hessian = 800; Ptr<SURF>detector = SURF::create(Hessian); //進行圖像特征檢測、特征描述 vector<KeyPoint>keypointA, keypointB; Mat descriptorA, descriptorB; detector->detectAndCompute(imageA, Mat(), keypointA, descriptorA); detector->detectAndCompute(imageB, Mat(), keypointB, descriptorB); //使用FLANN算法進行特征描述子的匹配 FlannBasedMatcher matcher; vector<DMatch>matches; matcher.match(descriptorA, descriptorB, matches);
如圖為使用FLANN算法進行特征描述子匹配的結(jié)果。我們需要把那些匹配程度高的關(guān)鍵點篩選出來用以下面計算兩幅圖像的單應(yīng)性矩陣。
2、篩選出匹配程度高的關(guān)鍵點
double Max = 0.0;
for (int i = 0; i < matches.size(); i++)
{
//float distance –>代表這一對匹配的特征點描述符（本質(zhì)是向量）的歐氏距離，數(shù)值越小也就說明兩個特征點越相像。
double dis = matches[i].distance;
if (dis > Max)
{
Max = dis;
}
}
//篩選出匹配程度高的關(guān)鍵點
vector<DMatch>goodmatches;
vector<Point2f>goodkeypointA, goodkeypointB;
for (int i = 0; i < matches.size(); i++)
{
double dis = matches[i].distance;
if (dis < 0.15*Max)
{
//int queryIdx –>是測試圖像的特征點描述符（descriptor）的下標，同時也是描述符對應(yīng)特征點（keypoint)的下標。
goodkeypointA.push_back(keypointA[matches[i].queryIdx].pt);
//int trainIdx –> 是樣本圖像的特征點描述符的下標，同樣也是相應(yīng)的特征點的下標。
goodkeypointB.push_back(keypointB[matches[i].trainIdx].pt);
goodmatches.push_back(matches[i]);
}
}
如圖為imageA篩選出來的關(guān)鍵點。
如圖為imageB篩選出來的關(guān)鍵點。
從上圖可以看出，我們已經(jīng)篩選出imageA，imageB共有的關(guān)鍵點部分。接下來，我們需要使用這兩個點集計算兩幅圖的單應(yīng)性矩陣。
2.計算單應(yīng)性矩陣
計算單應(yīng)性變換矩陣
//獲取圖像A到圖像B的投影映射矩陣，尺寸為3*3
Mat H = findHomography(goodkeypointA, goodkeypointB, RANSAC);
Mat M = (Mat_<double>(3, 3) << 1.0, 0, imageA.cols, 0, 1.0, 0, 0, 0, 1.0);
Mat Homo = M * H;
3.透視變換
根據(jù)計算出來的單應(yīng)性矩陣對imageA進行透視變換
//進行透視變換
Mat DstImg;
warpPerspective(imageA, DstImg, Homo, Size(imageB.cols + imageA.cols, imageB.rows));
imshow("透視變換", DstImg);
如圖所示為imageA進行透視變換得到的結(jié)果。
4.圖像拼接
根據(jù)上述操作，我們已經(jīng)得到了經(jīng)透視變換的imageA，接下來只需將imageA與imageB拼接起來就可以了。
imageB.copyTo(DstImg(Rect(imageA.cols, 0, imageB.cols, imageB.rows)));
imshow("圖像全景拼接", DstImg);
5.功能源碼
bool Image_Stitching(Mat imageA, Mat imageB, bool draw)
{
//創(chuàng)建SURF特征檢測器
int Hessian = 800;
Ptr<SURF>detector = SURF::create(Hessian);
//進行圖像特征檢測、特征描述
vector<KeyPoint>keypointA, keypointB;
Mat descriptorA, descriptorB;
detector->detectAndCompute(imageA, Mat(), keypointA, descriptorA);
detector->detectAndCompute(imageB, Mat(), keypointB, descriptorB);
//使用FLANN算法進行特征描述子的匹配
FlannBasedMatcher matcher;
vector<DMatch>matches;
matcher.match(descriptorA, descriptorB, matches);
double Max = 0.0;
for (int i = 0; i < matches.size(); i++)
{
//float distance –>代表這一對匹配的特征點描述符（本質(zhì)是向量）的歐氏距離，數(shù)值越小也就說明兩個特征點越相像。
double dis = matches[i].distance;
if (dis > Max)
{
Max = dis;
}
}
//篩選出匹配程度高的關(guān)鍵點
vector<DMatch>goodmatches;
vector<Point2f>goodkeypointA, goodkeypointB;
for (int i = 0; i < matches.size(); i++)
{
double dis = matches[i].distance;
if (dis < 0.15*Max)
{
//int queryIdx –>是測試圖像的特征點描述符（descriptor）的下標，同時也是描述符對應(yīng)特征點（keypoint)的下標。
goodkeypointA.push_back(keypointA[matches[i].queryIdx].pt);
//int trainIdx –> 是樣本圖像的特征點描述符的下標，同樣也是相應(yīng)的特征點的下標。
goodkeypointB.push_back(keypointB[matches[i].trainIdx].pt);
goodmatches.push_back(matches[i]);
}
}
if (draw)
{
Mat result;
drawMatches(imageA, keypointA, imageB, keypointB, goodmatches, result);
imshow("特征匹配", result);
Mat temp_A = imageA.clone();
for (int i = 0; i < goodkeypointA.size(); i++)
{
circle(temp_A, goodkeypointA[i], 3, Scalar(0, 255, 0), -1);
}
imshow("goodkeypointA", temp_A);
Mat temp_B = imageB.clone();
for (int i = 0; i < goodkeypointB.size(); i++)
{
circle(temp_B, goodkeypointB[i], 3, Scalar(0, 255, 0), -1);
}
imshow("goodkeypointB", temp_B);
}
//findHomography計算單應(yīng)性矩陣至少需要4個點
/*
計算多個二維點對之間的最優(yōu)單映射變換矩陣H（3x3），使用MSE或RANSAC方法，找到兩平面之間的變換矩陣
*/
if (goodkeypointA.size() < 4 || goodkeypointB.size() < 4) return false;
//獲取圖像A到圖像B的投影映射矩陣，尺寸為3*3
Mat H = findHomography(goodkeypointA, goodkeypointB, RANSAC);
Mat M = (Mat_<double>(3, 3) << 1.0, 0, imageA.cols, 0, 1.0, 0, 0, 0, 1.0);
Mat Homo = M * H;
//進行透視變換
Mat DstImg;
warpPerspective(imageA, DstImg, Homo, Size(imageB.cols + imageA.cols, imageB.rows));
imshow("透視變換", DstImg);
imageB.copyTo(DstImg(Rect(imageA.cols, 0, imageB.cols, imageB.rows)));
imshow("圖像全景拼接", DstImg);
return true;
}
6.效果
最終拼接效果如圖所示。
三、源碼
#include<iostream>
#include<opencv2/opencv.hpp>
#include<opencv2/xfeatures2d.hpp>
#include<opencv2/stitching.hpp>
using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;
//1、使用特征檢測算法找到兩張圖像中相似的點，計算變換矩陣
//2、將A透視變換后得到的圖片與B拼接
bool Image_Stitching(Mat imageA, Mat imageB, bool draw)
{
//創(chuàng)建SURF特征檢測器
int Hessian = 800;
Ptr<SURF>detector = SURF::create(Hessian);
//進行圖像特征檢測、特征描述
vector<KeyPoint>keypointA, keypointB;
Mat descriptorA, descriptorB;
detector->detectAndCompute(imageA, Mat(), keypointA, descriptorA);
detector->detectAndCompute(imageB, Mat(), keypointB, descriptorB);
//使用FLANN算法進行特征描述子的匹配
FlannBasedMatcher matcher;
vector<DMatch>matches;
matcher.match(descriptorA, descriptorB, matches);
double Max = 0.0;
for (int i = 0; i < matches.size(); i++)
{
//float distance –>代表這一對匹配的特征點描述符（本質(zhì)是向量）的歐氏距離，數(shù)值越小也就說明兩個特征點越相像。
double dis = matches[i].distance;
if (dis > Max)
{
Max = dis;
}
}
//篩選出匹配程度高的關(guān)鍵點
vector<DMatch>goodmatches;
vector<Point2f>goodkeypointA, goodkeypointB;
for (int i = 0; i < matches.size(); i++)
{
double dis = matches[i].distance;
if (dis < 0.15*Max)
{
//int queryIdx –>是測試圖像的特征點描述符（descriptor）的下標，同時也是描述符對應(yīng)特征點（keypoint)的下標。
goodkeypointA.push_back(keypointA[matches[i].queryIdx].pt);
//int trainIdx –> 是樣本圖像的特征點描述符的下標，同樣也是相應(yīng)的特征點的下標。
goodkeypointB.push_back(keypointB[matches[i].trainIdx].pt);
goodmatches.push_back(matches[i]);
}
}
if (draw)
{
Mat result;
drawMatches(imageA, keypointA, imageB, keypointB, goodmatches, result);
imshow("特征匹配", result);
Mat temp_A = imageA.clone();
for (int i = 0; i < goodkeypointA.size(); i++)
{
circle(temp_A, goodkeypointA[i], 3, Scalar(0, 255, 0), -1);
}
imshow("goodkeypointA", temp_A);
Mat temp_B = imageB.clone();
for (int i = 0; i < goodkeypointB.size(); i++)
{
circle(temp_B, goodkeypointB[i], 3, Scalar(0, 255, 0), -1);
}
imshow("goodkeypointB", temp_B);
}
//findHomography計算單應(yīng)性矩陣至少需要4個點
/*
計算多個二維點對之間的最優(yōu)單映射變換矩陣H（3x3），使用MSE或RANSAC方法，找到兩平面之間的變換矩陣
*/
if (goodkeypointA.size() < 4 || goodkeypointB.size() < 4) return false;
//獲取圖像A到圖像B的投影映射矩陣，尺寸為3*3
Mat H = findHomography(goodkeypointA, goodkeypointB, RANSAC);
Mat M = (Mat_<double>(3, 3) << 1.0, 0, imageA.cols, 0, 1.0, 0, 0, 0, 1.0);
Mat Homo = M * H;
//進行透視變換
Mat DstImg;
warpPerspective(imageA, DstImg, Homo, Size(imageB.cols + imageA.cols, imageB.rows));
imshow("透視變換", DstImg);
imageB.copyTo(DstImg(Rect(imageA.cols, 0, imageB.cols, imageB.rows)));
imshow("圖像全景拼接", DstImg);
return true;
}
bool OpenCV_Stitching(Mat imageA, Mat imageB)
{
vector<Mat>images;
images.push_back(imageA);
images.push_back(imageB);
Ptr<Stitcher>stitcher = Stitcher::create();
Mat result;
Stitcher::Status status = stitcher->stitch(images, result);// 使用stitch函數(shù)進行拼接
if (status != Stitcher::OK) return false;
imshow("OpenCV圖像全景拼接", result);
return true;
}
int main()
{
Mat imageA = imread("image1.jpg");
Mat imageB = imread("image2.jpg");
if (imageA.empty() || imageB.empty())
{
cout << "No Image!" << endl;
system("pause");
return -1;
}
if (!Image_Stitching(imageA, imageB, true))
{
cout << "can not stitching the image!" << endl;
}
if (!OpenCV_Stitching(imageA, imageB))
{
cout << "can not stitching the image!" << endl;
}
waitKey(0);
system("pause");
return 0;
}
總結(jié)
本文使用OpenCV C++進行圖像全景拼接，關(guān)鍵步驟有以下幾點。
1、使用特征檢測算子提取兩幅圖像的關(guān)鍵點，然后進行特征描述子匹配。
2、篩選出匹配程度高的關(guān)鍵點計算兩幅圖的單應(yīng)性矩陣。
3、利用計算出來的單應(yīng)性矩陣對其中一張圖片進行透視變換。
4、將透視變換的圖片與另一張圖片進行拼接。
以上就是C++ OpenCV實戰(zhàn)之圖像全景拼接的詳細內(nèi)容，更多關(guān)于 OpenCV圖像全景拼接的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章主要為大家介紹了C++實現(xiàn)簡單的信息管理系統(tǒng)，具有一定的參考價值，感興趣的小伙伴們可以參考一下2016-04-04
這篇文章主要給大家介紹了關(guān)于C/C++經(jīng)典算法之約瑟夫問題的相關(guān)資料,約瑟夫環(huán)問題是一道經(jīng)典的數(shù)據(jù)結(jié)構(gòu)的題目,本文介紹了解決約瑟夫問題的三種方法,需要的朋友可以參考下2021-07-07
這篇文章主要為大家詳細介紹了C語言設(shè)計三子棋小游戲，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-04-04
C++學(xué)習(xí)進階篇之類大小計算和this指針
this是C++中的一個關(guān)鍵字,也是一個const指針,它指向當前對象,通過它可以訪問當前對象的所有成員,下面這篇文章主要給大家介紹了關(guān)于C++學(xué)習(xí)進階篇之類大小計算和this指針的相關(guān)資料,需要的朋友可以參考下2023-04-04
C++使用fdk-aac實現(xiàn)將音頻PCM編碼成aac
mp4的音頻流通常是aac編碼,我們做音視頻采集的時候就需要將,采集的音頻PCM編碼成aac,本文就來為大家介紹一下C++如何使用fdk-aac實現(xiàn)將音頻PCM編碼成aac吧2023-11-11
C++標準庫是一組C++模板類,提供了通用的編程數(shù)據(jù)結(jié)構(gòu)和函數(shù)，本文簡單講解C++標準庫包含的一些內(nèi)容，可能會對小伙伴的學(xué)習(xí)或工作有一定的幫助，大家一起來看看吧2021-08-08
C語言中strspn()函數(shù)和strcspn()函數(shù)的對比使用
這篇文章主要介紹了C語言中strspn()函數(shù)和strcspn()函數(shù)的對比使用,strspn是計算屬于字符串的字符數(shù)而strcspn則是判斷不屬于,需要的朋友可以參考下2015-08-08
c++實現(xiàn)一個簡易的網(wǎng)絡(luò)緩沖區(qū)的實踐
這篇文章主要介紹了c++實現(xiàn)一個簡易的網(wǎng)絡(luò)緩沖區(qū)的實踐，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-12-12
這篇文章主要介紹了C語言中初始、增加和刪除進程信號的操作方法簡介,分別是sigemptyset函數(shù)、sigaddset函數(shù)和sigdelset函數(shù)的用法,需要的朋友可以參考下2015-09-09
這篇文章主要介紹了C語言中使用lex統(tǒng)計文本文件字符數(shù),本文直接給出實現(xiàn)代碼,需要的朋友可以參考下2015-04-04