如何利用OpenCV详细解析并实现高效图像拼接技术？

本文共计2859个文字，预计阅读时间需要12分钟。

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+图像复制+二、案例实现+Step1：导入目标图像+Step2：特征点提取和匹配+Step3：图像配准+Step4：图像复制

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！