如何使用OpenCV進行圖像全景拼接

這篇文章主要講解了“如何使用OpenCV進行圖像全景拼接”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“如何使用OpenCV進行圖像全景拼接”吧！

圖像拼接是計算機視覺中最成功的應用之一。如今，很難找到不包含此功能的手機或圖像處理API。在本文中，我們將討論如何使用Python和OpenCV進行圖像拼接。也就是，給定兩張共享某些公共區域的圖像，目標是“縫合”它們并創建一個全景圖像場景。當然也可以是給定多張圖像，但是總會轉換成兩張共享某些公共區域圖像拼接的問題，因此本文以最簡單的形式進行介紹。

本文主要的知識點包含一下內容：

• 關鍵點檢測

• 局部不變描述符（SIFT，SURF等）

• 特征匹配

• 使用RANSAC進行單應性估計

• 透視變換

我們需要拼接的兩張圖像如下：

特征檢測與提取

給定上述一對圖像，我們希望將它們縫合以創建全景場景。重要的是要注意，兩個圖像都需要有一些公共區域。當然，我們上面給出的兩張圖像時比較理想的，有時候兩個圖像雖然具有公共區域，但是同樣還可能存在縮放、旋轉、來自不同相機等因素的影響。但是無論哪種情況，我們都需要檢測圖像中的特征點。

關鍵點檢測

最初的并且可能是幼稚的方法是使用諸如Harris Corners之類的算法來提取關鍵點。然后，我們可以嘗試基于某種相似性度量（例如歐幾里得距離）來匹配相應的關鍵點。眾所周知，角點具有一個不錯的特性：角點不變。這意味著，一旦檢測到角點，即使旋轉圖像，該角點仍將存在。

但是，如果我們旋轉然后縮放圖像怎么辦？在這種情況下，我們會很困難，因為角點的大小不變。也就是說，如果我們放大圖像，先前檢測到的角可能會變成一條線！

總而言之，我們需要旋轉和縮放不變的特征。那就是更強大的方法（如SIFT，SURF和ORB）。

關鍵點和描述符

諸如SIFT和SURF之類的方法試圖解決角點檢測算法的局限性。通常，角點檢測器算法使用固定大小的內核來檢測圖像上的感興趣區域（角）。不難看出，當我們縮放圖像時，該內核可能變得太小或太大。為了解決此限制，諸如SIFT之類的方法使用高斯差分（DoD）。想法是將DoD應用于同一圖像的不同縮放版本。它還使用相鄰像素信息來查找和完善關鍵點和相應的描述符。

首先，我們需要加載2個圖像，一個查詢圖像和一個訓練圖像。最初，我們首先從兩者中提取關鍵點和描述符。通過使用OpenCV detectAndCompute()函數，我們可以一步完成它。請注意，為了使用detectAndCompute()，我們需要一個關鍵點檢測器和描述符對象的實例。它可以是ORB，SIFT或SURF等。此外，在將圖像輸入給detectAndCompute()之前，我們將其轉換為灰度。

def detectAndDescribe(image, method=None):    """    Compute key points and feature descriptors using an specific method    """
    assert method is not None, "You need to define a feature detection method. Values are: 'sift', 'surf'"
    # detect and extract features from the image    if method == 'sift':        descriptor = cv2.xfeatures2d.SIFT_create()    elif method == 'surf':        descriptor = cv2.xfeatures2d.SURF_create()    elif method == 'brisk':        descriptor = cv2.BRISK_create()    elif method == 'orb':        descriptor = cv2.ORB_create()
    # get keypoints and descriptors    (kps, features) = descriptor.detectAndCompute(image, None)
    return (kps, features)

我們為兩個圖像都設置了一組關鍵點和描述符。如果我們使用SIFT作為特征提取器，它將為每個關鍵點返回一個128維特征向量。如果選擇SURF，我們將獲得64維特征向量。下圖顯示了使用SIFT，SURF，BRISK和ORB得到的結果。

使用ORB和漢明距離檢測關鍵點和描述符

使用SIFT檢測關鍵點和描述符

使用BRISK和漢明距離檢測關鍵點和描述符

特征匹配

如我們所見，兩個圖像都有大量特征點。現在，我們想比較兩組特征，并盡可能顯示更多相似性的特征點對。使用OpenCV，特征點匹配需要Matcher對象。在這里，我們探索兩種方式：暴力匹配器（BruteForce）和KNN（k最近鄰）。

BruteForce（BF）Matcher的作用恰如其名。給定2組特征（來自圖像A和圖像B），將A組的每個特征與B組的所有特征進行比較。默認情況下，BF Matcher計算兩點之間的歐式距離。因此，對于集合A中的每個特征，它都會返回集合B中最接近的特征。對于SIFT和SURF，OpenCV建議使用歐幾里得距離。對于ORB和BRISK等其他特征提取器，建議使用漢明距離。我們要使用OpenCV創建BruteForce Matcher，一般情況下，我們只需要指定2個參數即可。第一個是距離度量。第二個是是否進行交叉檢測的布爾參數。具體代碼如下：

def createMatcher(method,crossCheck):    "Create and return a Matcher Object"
    if method == 'sift' or method == 'surf':        bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=crossCheck)    elif method == 'orb' or method == 'brisk':        bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=crossCheck)    return bf

交叉檢查布爾參數表示這兩個特征是否具有相互匹配才視為有效。換句話說，對于被認為有效的一對特征（f1，f2），f1需要匹配f2，f2也必須匹配f1作為最接近的匹配。此過程可確保提供更強大的匹配功能集，這在原始SIFT論文中進行了描述。

但是，對于要考慮多個候選匹配的情況，可以使用基于KNN的匹配過程。KNN不會返回給定特征的單個最佳匹配，而是返回k個最佳匹配。需要注意的是，k的值必須由用戶預先定義。如我們所料，KNN提供了更多的候選功能。但是，在進一步操作之前，我們需要確保所有這些匹配對都具有魯棒性。

比率測試

為了確保KNN返回的特征具有很好的可比性，SIFT論文的作者提出了一種稱為比率測試的技術。一般情況下，我們遍歷KNN得到匹配對，之后再執行距離測試。對于每對特征（f1，f2），如果f1和f2之間的距離在一定比例之內，則將其保留，否則將其丟棄。同樣，必須手動選擇比率值。

本質上，比率測試與BruteForce Matcher的交叉檢查選項具有相同的作用。兩者都確保一對檢測到的特征確實足夠接近以至于被認為是相似的。下面2個圖顯示了BF和KNN Matcher在SIFT特征上的匹配結果。我們選擇僅顯示100個匹配點以清晰顯示。

使用KNN和SIFT的定量測試進行功能匹配

在SIFT特征上使用暴力匹配器進行特征匹配

需要注意的是，即使做了多種篩選來保證匹配的正確性，也無法完全保證特征點完全正確匹配。盡管如此，Matcher算法仍將為我們提供兩幅圖像中最佳（更相似）的特征集。接下來，我們利用這些點來計算將兩個圖像的匹配點拼接在一起的變換矩陣。

這種變換稱為單應矩陣。簡而言之，單應性是一個3x3矩陣，可用于許多應用中，例如相機姿態估計，透視校正和圖像拼接。它將點從一個平面（圖像）映射到另一平面。

估計單應性

隨機采樣一致性（RANSAC）是用于擬合線性模型的迭代算法。與其他線性回歸器不同，RANSAC被設計為對異常值具有魯棒性。

像線性回歸這樣的模型使用最小二乘估計將最佳模型擬合到數據。但是，普通最小二乘法對異常值非常敏感。如果異常值數量很大，則可能會失敗。RANSAC通過僅使用數據中的一組數據估計參數來解決此問題。下圖顯示了線性回歸和RANSAC之間的比較。需要注意數據集包含相當多的離群值。

我們可以看到線性回歸模型很容易受到異常值的影響。那是因為它試圖減少平均誤差。因此，它傾向于支持使所有數據點到模型本身的總距離最小的模型。包括異常值。相反，RANSAC僅將模型擬合為被識別為點的點的子集。

這個特性對我們的用例非常重要。在這里，我們將使用RANSAC來估計單應矩陣。事實證明，單應矩陣對我們傳遞給它的數據質量非常敏感。因此，重要的是要有一種算法（RANSAC），該算法可以從不屬于數據分布的點中篩選出明顯屬于數據分布的點。

估計了單應矩陣后，我們需要將其中一張圖像變換到一個公共平面上。在這里，我們將對其中一張圖像應用透視變換。透視變換可以組合一個或多個操作，例如旋轉，縮放，平移或剪切。我們可以使用OpenCV warpPerspective()函數。它以圖像和單應矩陣作為輸入。

# Apply panorama correctionwidth = trainImg.shape[1] + queryImg.shape[1]height = trainImg.shape[0] + queryImg.shape[0]
result = cv2.warpPerspective(trainImg, H, (width, height))result[0:queryImg.shape[0], 0:queryImg.shape[1]] = queryImg
plt.figure(figsize=(20,10))plt.imshow(result)
plt.axis('off')plt.show()

生成的全景圖像如下所示。如我們所見，結果中包含了兩個圖像中的內容。另外，我們可以看到一些與照明條件和圖像邊界邊緣效應有關的問題。理想情況下，我們可以執行一些處理技術來標準化亮度，例如直方圖匹配，這會使結果看起來更真實和自然一些。

感謝各位的閱讀，以上就是“如何使用OpenCV進行圖像全景拼接”的內容了，經過本文的學習后，相信大家對如何使用OpenCV進行圖像全景拼接這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！