溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹了怎么使用C++ OpenCV實現圖像拼接的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇怎么使用C++ OpenCV實現圖像拼接文章都會有所收獲，下面我們一起來看看吧。
一幅圖中總存在著一些獨特的像素點，這些點我們可以認為就是這幅圖的特征，即為特征點
獲取一幅圖中存在的一些獨特的像素點，需要解決兩個問題：
解決尺度不變性問題，不同大小的圖片獲取到的特征是一樣的
提取到的特征點要穩定，能被精確定位
| 名稱 | 支持尺寸不變性 | 速度 |
| SURF | 支持 | 快 |
| SIFT | 支持 | 比SURF慢 |
| ORB | 不支持 | SURF算法快10倍 |
| FAST | 沒有尺度不變性 | 比ORB快 |
透視變換是按照物體成像投影規律進行變換，即將物體重新投影到新的成像平面
透視變換常用于機器人視覺導航研究中，由于相機視場與地面存在傾斜角使得物體成像產生畸變，通常通過透視變換實現對物體圖像的校正
[u,v,w] 表示當前平面坐標的x,y,z，如果是平面，那么z=1
[x',y',z'] 表示目標平面坐標的x,y,z，如果是平面，那么z=1
以上公式，我們可以理解為，透視矩陣是原始平面可目標平面之間的一種轉換關系
將一副圖像拷貝到另一副圖像上的過程
設置需要處理的兩張圖片，進行拼接準備工作
Mat left=imread("C:/Users/86177/Desktop/image/a11.png");//左側：圖片路徑
Mat right=imread("C:/Users/86177/Desktop/image/a22.png");//右側：圖片路徑
imshow("left",left);
imshow("right",right);用SIFT算法來實現圖像拼接是很常用的方法，雖說SURF精確度和穩定性不及SIFT，但是其綜合能力還是優越一些
//創建SURF對象
Ptr<SURF>surf; //可以容納800個特征點
surf = SURF::create(800);//參數 查找的海森矩陣 create 海森矩陣閥值
//暴力匹配器
BFMatcher matcher;
vector<KeyPoint>key1,key2;
Mat c,d;
//尋找特征點
surf->detectAndCompute(left,Mat(),key2,d);
surf->detectAndCompute(right,Mat(),key1,c);
//特征點對比，保存下來
vector<DMatch>matches;//DMatch 點和點之間的關系
//使用暴力匹配器匹配特征點，找到存來
matcher.match(d,c,matches);
//排序 從小到大
sort(matches.begin(),matches.end());
//保留最優的特征點對象
vector<DMatch>good_matches;//最優
//設置比例
int ptrPoint = std::min(50,(int)(matches.size()*0.15));
for(int i = 0;i < ptrPoint;i++)
{
good_matches.push_back(matches[i]);
}
//最佳匹配的特征點連成線
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);我們就可以得到了兩幅待拼接圖的匹配點集，接下來我們進行圖像的配準，即將兩張圖像轉換為同一坐標下
//特征點配準
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);
}
//透視轉換
Mat homo = findHomography(imagepoint1,imagepoint2,CV_RANSAC);
imshow("homo",homo);將我們的左圖拷貝到設置好的配準圖（右圖）上
//創建拼接后的圖，計算圖的大小
int dst_width = imageTranForm.cols;//獲取最右點為拼接圖長度
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);去裂縫處理，讓我們的優化兩圖的連接處，使得拼接自然
PS：上面拼接完的圖片看不太出來，拼接處理中，還是建議用上
//優化兩圖的連接處，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);//開始位置，即重疊區域的左邊界
double processWidth = img1.cols - start;//重疊區域的寬度
int rows = dst.rows;
int cols = img1.cols; //注意，是列數*通道數
double alpha = 1;//img1中像素的權重
for (int i = 0; i < rows; i++)
{
uchar* p = img1.ptr<uchar>(i); //獲取第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++)
{
//如果遇到圖像trans中無像素的黑點，則完全拷貝img1中的數據
if (t[j * 3] == 0 && t[j * 3 + 1] == 0 && t[j * 3 + 2] == 0)
{
alpha = 1;
}
else
{
//img1中像素的權重，與當前處理點距重疊區域左邊界的距離成正比，實驗證明，這種方法確實好
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);
}
}
}#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
{
//四個頂點
Point2f left_top;
Point2f left_bottom;
Point2f right_top;
Point2f right_bottom;
}four_corners_t;
four_corners_t corners;
//計算配準圖的四個頂點坐標
void CalcCorners(const Mat& H, const Mat& src)
{
double v2[] = { 0, 0, 1 };//左上角
double v1[3];//變換后的坐標值
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];
}
//優化兩圖的連接處，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);//開始位置，即重疊區域的左邊界
double processWidth = img1.cols - start;//重疊區域的寬度
int rows = dst.rows;
int cols = img1.cols; //注意，是列數*通道數
double alpha = 1;//img1中像素的權重
for (int i = 0; i < rows; i++)
{
uchar* p = img1.ptr<uchar>(i); //獲取第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++)
{
//如果遇到圖像trans中無像素的黑點，則完全拷貝img1中的數據
if (t[j * 3] == 0 && t[j * 3 + 1] == 0 && t[j * 3 + 2] == 0)
{
alpha = 1;
}
else
{
//img1中像素的權重，與當前處理點距重疊區域左邊界的距離成正比，實驗證明，這種方法確實好
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");//左側：圖片路徑
Mat right=imread("C:/Users/86177/Desktop/image/test(2).png");//右側：圖片路徑
imshow("left",left);
imshow("right",right);
//創建SURF對象
Ptr<SURF>surf; //可以容納800個特征點
surf = SURF::create(800);//參數 查找的海森矩陣 create 海森矩陣閥值
//暴力匹配器
BFMatcher matcher;
vector<KeyPoint>key1,key2;
Mat c,d;
//尋找特征點
surf->detectAndCompute(left,Mat(),key2,d);
surf->detectAndCompute(right,Mat(),key1,c);
//特征點對比，保存下來
vector<DMatch>matches;//DMatch 點和點之間的關系
//使用暴力匹配器匹配特征點，找到存來
matcher.match(d,c,matches);
//排序 從小到大
sort(matches.begin(),matches.end());
//保留最優的特征點對象
vector<DMatch>good_matches;//最優
//設置比例
int ptrPoint = std::min(50,(int)(matches.size()*0.15));
for(int i = 0;i < ptrPoint;i++)
{
good_matches.push_back(matches[i]);
}
//最佳匹配的特征點連成線
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);
//特征點配準
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);
}
//透視轉換
Mat homo = findHomography(imagepoint1,imagepoint2,CV_RANSAC);
imshow("homo",homo);
//四個頂點坐標的轉換計算
CalcCorners(homo,right);
Mat imageTranForm;
warpPerspective(right,imageTranForm,homo,
Size(MAX(corners.right_top.x,
corners.right_bottom.x),
left.rows));
imshow("imageTranForm",imageTranForm);
//創建拼接后的圖，計算圖的大小
int dst_width = imageTranForm.cols;//獲取最右點為拼接圖長度
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)));
//優化拼接，主要目的去除黑邊
OptimizeSeam(left,imageTranForm, dst);
imshow("dst",dst);
waitKey(0);
return 0;
}關于“怎么使用C++ OpenCV實現圖像拼接”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“怎么使用C++ OpenCV實現圖像拼接”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
