Opencv Sift和Surf特征实现图像无缝拼接生成全景图像

转自：https://blog.csdn.net/dcrmg/article/details/52629856

Sift和Surf算法实现两幅图像拼接的过程是一样的，主要分为4大部分：

• 1. 特征点提取和描述

• 2. 特征点配对，找到两幅图像中匹配点的位置

• 3. 通过配对点，生成变换矩阵，并对图像1应用变换矩阵生成对图像2的映射图像

• 4. 图像2拼接到映射图像上，完成拼接

过程1、2、3没啥好说的了，关键看看步骤4中的拼接部分。这里先采用比较简单一点的拼接方式来实现：

• 1. 找到图像1和图像2中最强的匹配点所在的位置

• 2. 通过映射矩阵变换，得到图像1的最强匹配点经过映射后投影到新图像上的位置坐标

• 3. 在新图像上的最强匹配点的映射坐标处，衔接两幅图像，该点左侧图像完全是图像1，右侧完全是图像2

这里拼接的正确与否完全取决于特征点的选取，如果选取的是错误匹配的特征点，拼接一定失败，所以这里选了排在第一个的最强的匹配点，作为拼接点。

测试用例一原图1：

测试用例一原图2：

Sift拼接效果：

Surf拼接效果：

本例中最强匹配点的位置在图中红色小汽车附近，可以看到有一条像折痕一样的线条，这个就是两个图片的拼接线，并且如果图1和图2在拼接处的光线条件有变化的还，拼接后在衔接处左右就会显得很突兀，如Surf拼接中。拼接效果Sift貌似要比Surf好一点。

测试用例二原图1：

测试用例二原图2：

Sift拼接效果：

Surf拼接效果：

以下是Opencv实现：

#include "highgui/highgui.hpp"  
#include "opencv2/nonfree/nonfree.hpp"  
#include "opencv2/legacy/legacy.hpp" 
 
using namespace cv;
 
//计算原始图像点位在经过矩阵变换后在目标图像上对应位置
Point2f getTransformPoint(const Point2f originalPoint,const Mat &transformMaxtri);
 
int main(int argc,char *argv[])  
{  
	Mat image01=imread(argv[1]);  
	Mat image02=imread(argv[2]);
	imshow("拼接图像1",image01);
	imshow("拼接图像2",image02);
 
	//灰度图转换
	Mat image1,image2;  
	cvtColor(image01,image1,CV_RGB2GRAY);
	cvtColor(image02,image2,CV_RGB2GRAY);
 
	//提取特征点  
	SiftFeatureDetector siftDetector(800);  // 海塞矩阵阈值
	vector<KeyPoint> keyPoint1,keyPoint2;  
	siftDetector.detect(image1,keyPoint1);  
	siftDetector.detect(image2,keyPoint2);	
 
	//特征点描述，为下边的特征点匹配做准备  
	SiftDescriptorExtractor siftDescriptor;  
	Mat imageDesc1,imageDesc2;  
	siftDescriptor.compute(image1,keyPoint1,imageDesc1);  
	siftDescriptor.compute(image2,keyPoint2,imageDesc2);	
 
	//获得匹配特征点，并提取最优配对  	
	FlannBasedMatcher matcher;
	vector<DMatch> matchePoints;  
	matcher.match(imageDesc1,imageDesc2,matchePoints,Mat());
	sort(matchePoints.begin(),matchePoints.end()); //特征点排序	
	//获取排在前N个的最优匹配特征点
	vector<Point2f> imagePoints1,imagePoints2;
	for(int i=0;i<10;i++)
	{		
		imagePoints1.push_back(keyPoint1[matchePoints[i].queryIdx].pt);		
		imagePoints2.push_back(keyPoint2[matchePoints[i].trainIdx].pt);		
	}
 
	//获取图像1到图像2的投影映射矩阵，尺寸为3*3
	Mat homo=findHomography(imagePoints1,imagePoints2,CV_RANSAC);		
	Mat adjustMat=(Mat_<double>(3,3)<<1.0,0,image01.cols,0,1.0,0,0,0,1.0);
	Mat adjustHomo=adjustMat*homo;
 
	//获取最强配对点在原始图像和矩阵变换后图像上的对应位置，用于图像拼接点的定位
	Point2f originalLinkPoint,targetLinkPoint,basedImagePoint;
	originalLinkPoint=keyPoint1[matchePoints[0].queryIdx].pt;
	targetLinkPoint=getTransformPoint(originalLinkPoint,adjustHomo);
	basedImagePoint=keyPoint2[matchePoints[0].trainIdx].pt;
 
	//图像配准
	Mat imageTransform1;
	warpPerspective(image01,imageTransform1,adjustMat*homo,Size(image02.cols+image01.cols+10,image02.rows));
 
	//在最强匹配点的位置处衔接，最强匹配点左侧是图1，右侧是图2，这样直接替换图像衔接不好，光线有突变
	Mat ROIMat=image02(Rect(Point(basedImagePoint.x,0),Point(image02.cols,image02.rows)));	
	ROIMat.copyTo(Mat(imageTransform1,Rect(targetLinkPoint.x,0,image02.cols-basedImagePoint.x+1,image02.rows)));
 
	namedWindow("拼接结果",0);
	imshow("拼接结果",imageTransform1);	
	waitKey();  
	return 0;  
}
 
//计算原始图像点位在经过矩阵变换后在目标图像上对应位置
Point2f getTransformPoint(const Point2f originalPoint,const Mat &transformMaxtri)
{
	Mat originelP,targetP;
	originelP=(Mat_<double>(3,1)<<originalPoint.x,originalPoint.y,1.0);
	targetP=transformMaxtri*originelP;
	float x=targetP.at<double>(0,0)/targetP.at<double>(2,0);
	float y=targetP.at<double>(1,0)/targetP.at<double>(2,0);
	return Point2f(x,y);
}

对于衔接处存在的缝隙问题，有一个解决办法是按一定权重叠加图1和图2的重叠部分，在重叠处图2的比重是1，向着图1的方向，越远离衔接处，图1的权重越来越大，图2的权重越来越低，实现平稳过渡。按照这个思路优化过的代码如下：

#include "highgui/highgui.hpp"  
#include "opencv2/nonfree/nonfree.hpp"  
#include "opencv2/legacy/legacy.hpp" 
 
using namespace cv;
 
//计算原始图像点位在经过矩阵变换后在目标图像上对应位置
Point2f getTransformPoint(const Point2f originalPoint,const Mat &transformMaxtri);
 
int main(int argc,char *argv[])  
{  
	Mat image01=imread(argv[1]);  
	Mat image02=imread(argv[2]);
	imshow("拼接图像1",image01);
	imshow("拼接图像2",image02);
 
	//灰度图转换
	Mat image1,image2;  
	cvtColor(image01,image1,CV_RGB2GRAY);
	cvtColor(image02,image2,CV_RGB2GRAY);
 
	//提取特征点  
	SiftFeatureDetector siftDetector(800);  // 海塞矩阵阈值
	vector<KeyPoint> keyPoint1,keyPoint2;  
	siftDetector.detect(image1,keyPoint1);  
	siftDetector.detect(image2,keyPoint2);	
 
	//特征点描述，为下边的特征点匹配做准备  
	SiftDescriptorExtractor siftDescriptor;  
	Mat imageDesc1,imageDesc2;  
	siftDescriptor.compute(image1,keyPoint1,imageDesc1);  
	siftDescriptor.compute(image2,keyPoint2,imageDesc2);	
 
	//获得匹配特征点，并提取最优配对  	
	FlannBasedMatcher matcher;
	vector<DMatch> matchePoints;  
	matcher.match(imageDesc1,imageDesc2,matchePoints,Mat());
	sort(matchePoints.begin(),matchePoints.end()); //特征点排序	
	//获取排在前N个的最优匹配特征点
	vector<Point2f> imagePoints1,imagePoints2;
	for(int i=0;i<10;i++)
	{		
		imagePoints1.push_back(keyPoint1[matchePoints[i].queryIdx].pt);		
		imagePoints2.push_back(keyPoint2[matchePoints[i].trainIdx].pt);		
	}
 
	//获取图像1到图像2的投影映射矩阵，尺寸为3*3
	Mat homo=findHomography(imagePoints1,imagePoints2,CV_RANSAC);		
	Mat adjustMat=(Mat_<double>(3,3)<<1.0,0,image01.cols,0,1.0,0,0,0,1.0);
	Mat adjustHomo=adjustMat*homo;
 
	//获取最强配对点在原始图像和矩阵变换后图像上的对应位置，用于图像拼接点的定位
	Point2f originalLinkPoint,targetLinkPoint,basedImagePoint;
	originalLinkPoint=keyPoint1[matchePoints[0].queryIdx].pt;
	targetLinkPoint=getTransformPoint(originalLinkPoint,adjustHomo);
	basedImagePoint=keyPoint2[matchePoints[0].trainIdx].pt;
 
	//图像配准
	Mat imageTransform1;
	warpPerspective(image01,imageTransform1,adjustMat*homo,Size(image02.cols+image01.cols+110,image02.rows));
 
	//在最强匹配点左侧的重叠区域进行累加，是衔接稳定过渡，消除突变
	Mat image1Overlap,image2Overlap; //图1和图2的重叠部分	
	image1Overlap=imageTransform1(Rect(Point(targetLinkPoint.x-basedImagePoint.x,0),Point(targetLinkPoint.x,image02.rows)));
	image2Overlap=image02(Rect(0,0,image1Overlap.cols,image1Overlap.rows));
	Mat image1ROICopy=image1Overlap.clone();  //复制一份图1的重叠部分
	for(int i=0;i<image1Overlap.rows;i++)
	{
		for(int j=0;j<image1Overlap.cols;j++)
		{
			double weight;
			weight=(double)j/image1Overlap.cols;  //随距离改变而改变的叠加系数
			image1Overlap.at<Vec3b>(i,j)[0]=(1-weight)*image1ROICopy.at<Vec3b>(i,j)[0]+weight*image2Overlap.at<Vec3b>(i,j)[0];
			image1Overlap.at<Vec3b>(i,j)[1]=(1-weight)*image1ROICopy.at<Vec3b>(i,j)[1]+weight*image2Overlap.at<Vec3b>(i,j)[1];
			image1Overlap.at<Vec3b>(i,j)[2]=(1-weight)*image1ROICopy.at<Vec3b>(i,j)[2]+weight*image2Overlap.at<Vec3b>(i,j)[2];
		}
	}
	Mat ROIMat=image02(Rect(Point(image1Overlap.cols,0),Point(image02.cols,image02.rows)));	 //图2中不重合的部分
	ROIMat.copyTo(Mat(imageTransform1,Rect(targetLinkPoint.x,0, ROIMat.cols,image02.rows))); //不重合的部分直接衔接上去
	namedWindow("拼接结果",0);
	imshow("拼接结果",imageTransform1);	
	imwrite("D:\拼接结果.jpg",imageTransform1);
	waitKey();  
	return 0;  
}
 
//计算原始图像点位在经过矩阵变换后在目标图像上对应位置
Point2f getTransformPoint(const Point2f originalPoint,const Mat &transformMaxtri)
{
	Mat originelP,targetP;
	originelP=(Mat_<double>(3,1)<<originalPoint.x,originalPoint.y,1.0);
	targetP=transformMaxtri*originelP;
	float x=targetP.at<double>(0,0)/targetP.at<double>(2,0);
	float y=targetP.at<double>(1,0)/targetP.at<double>(2,0);
	return Point2f(x,y);
}

Sift拼接效果：

Surf拼接效果：

拼接处的线条消失了，也没有见突兀的光线变化，基本实现了无缝拼接。

测试用例三原图1：

测试用例三原图2：

拼接效果：