快捷導(dǎo)航

opencv實踐項目之圖像拼接詳細(xì)步驟

更新時間：2023年05月09日 10:05:28 作者：wyw0000

OpenCV的應(yīng)用領(lǐng)域非常廣泛,包括圖像拼接、圖像降噪、產(chǎn)品質(zhì)檢、人機交互、人臉識別、動作識別、動作跟蹤、無人駕駛等,下面這篇文章主要給大家介紹了關(guān)于opencv實踐項目之圖像拼接的相關(guān)資料,需要的朋友可以參考下

1.簡介

圖像拼接是計算機視覺中最成功的應(yīng)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OpenCV進(jìn)行圖像拼接。也就是，給定兩張共享某些公共區(qū)域的圖像，目標(biāo)是“縫合”它們并創(chuàng)建一個全景圖像場景。當(dāng)然也可以是給定多張圖像，但是總會轉(zhuǎn)換成兩張共享某些公共區(qū)域圖像拼接的問題。

2. 步驟

拼接的兩幅圖

2.1 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(chuàng)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(qū)域。當(dāng)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(qū)域，但是同樣還可能存在縮放、旋轉(zhuǎn)、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。

2.2 關(guān)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(guān)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(yīng)的關(guān)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(zhuǎn)圖像，該角點仍將存
在。

但是，如果我們旋轉(zhuǎn)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(zhuǎn)和縮放不變的特征。那就是更強大的方法（如SIFT，SURF和ORB）。

2.3 關(guān)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(nèi)核來檢測圖像上的感興趣區(qū)域（角）。不難看出，當(dāng)我們縮放圖像時，該內(nèi)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(yīng)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(guān)鍵點和相應(yīng)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(xùn)練圖像。最初，我們首先從兩者中提取關(guān)鍵點和描述符。通過使用OpenCV detectAndCompute()函數(shù)，我們可以一步完成它。請注意，為了使用detectAndCompute()，我們需要一個關(guān)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(zhuǎn)換為灰度。

代碼：

void detectAndDescribe(const cv::Mat &image, Extract_Features_Method method, std::vector<KeyPoint> &keypoints, cv::Mat &descriptor)
{
	switch (method)
	{
	case Extract_Features_Method::METHOD_SIFT:
	{
		Ptr<cv::SIFT> detector = cv::SIFT::create(800);
		detector->detectAndCompute(image, cv::Mat(), keypoints, descriptor);
		break;
	}
	case Extract_Features_Method::METHOD_SURF:
	{
		int minHessian = 400;
		Ptr<cv::xfeatures2d::SURF> detector = cv::xfeatures2d::SURF::create(minHessian);
		detector->detectAndCompute(image, cv::Mat(), keypoints, descriptor);
		break;
	}
	case Extract_Features_Method::METHOD_BRISK:
	{
		int minHessian = 400;
		
		Ptr<BRISK> detector = BRISK::create(minHessian);
		detector->detectAndCompute(image, cv::Mat(), keypoints, descriptor);
		break;
	}
	case Extract_Features_Method::METHOD_ORB:
	{
		int minHessian = 400;

		Ptr<ORB> detector = ORB::create(minHessian);
		detector->detectAndCompute(image, cv::Mat(), keypoints, descriptor);
		break;
	}
	default:
		break;
	}
}

我們?yōu)閮蓚€圖像都設(shè)置了一組關(guān)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(guān)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。

2.4 特征匹配

現(xiàn)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(jìn)行比較。默認(rèn)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(chuàng)建BruteForce Matcher，一般情況下，我們只需要指定2個參數(shù)即可。第一個是距離度量。第二個是是否進(jìn)行交叉檢測的布爾參數(shù)。

具體代碼如下：

auto createMatcher(Extract_Features_Method method, bool crossCheck)
{
	if (method == Extract_Features_Method::METHOD_SIFT || method == Extract_Features_Method::METHOD_SURF)
	{
		return cv::BFMatcher(cv::NORM_L2, crossCheck);
	}
	return cv::BFMatcher(cv::NORM_HAMMING, crossCheck);
}

交叉檢查布爾參數(shù)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(rèn)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(jìn)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(yù)先定義。如我們所料，KNN提供了更多的候選功能。但是，在進(jìn)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。

2.5 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(shù)。一般情況下，我們遍歷KNN得到匹配對，之后再執(zhí)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(nèi)，則將其保留，否則將其丟棄。同樣，必須手動選擇比率值。

本質(zhì)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(rèn)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(jié)果。我們選擇僅顯示100個匹配點以清晰顯示。

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(yīng)矩陣。簡而言之，單應(yīng)性是一個3x3矩陣，可用于許多應(yīng)用中，例如相機姿態(tài)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。

2.6 估計單應(yīng)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(shè)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(shù)據(jù)。但是，普通最小二乘法對異常值非常敏感。如果異常值數(shù)量很大，則可能會失敗。RANSAC通過僅使用數(shù)據(jù)中的一組數(shù)據(jù)估計參數(shù)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(shù)據(jù)集包含相當(dāng)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(shù)據(jù)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(yīng)矩陣。事實證明，單應(yīng)矩陣對我們傳遞給它的數(shù)據(jù)質(zhì)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(shù)據(jù)分布的點中篩選出明顯屬于數(shù)據(jù)分布的點。

估計了單應(yīng)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(yīng)用透視變換。透視變換可以組合一個或多個操作，例如旋轉(zhuǎn)，縮放，平移或剪切。我們可以使用OpenCV warpPerspective()函數(shù)。它以圖像和單應(yīng)矩陣作為輸入。

3. 完整代碼

typedef enum
{
	METHOD_SIFT,
	METHOD_SURF,
	METHOD_BRISK,
	METHOD_ORB
}Extract_Features_Method;

void detectAndDescribe(const cv::Mat &image, Extract_Features_Method method, std::vector<KeyPoint> &keypoints, cv::Mat &descriptor)
{
	switch (method)
	{
	case Extract_Features_Method::METHOD_SIFT:
	{
		Ptr<cv::SIFT> detector = cv::SIFT::create(800);
		detector->detectAndCompute(image, cv::Mat(), keypoints, descriptor);
		break;
	}
	case Extract_Features_Method::METHOD_SURF:
	{
		int minHessian = 400;
		Ptr<cv::xfeatures2d::SURF> detector = cv::xfeatures2d::SURF::create(minHessian);
		detector->detectAndCompute(image, cv::Mat(), keypoints, descriptor);
		break;
	}
	case Extract_Features_Method::METHOD_BRISK:
	{
		int minHessian = 400;
		
		Ptr<BRISK> detector = BRISK::create(minHessian);
		detector->detectAndCompute(image, cv::Mat(), keypoints, descriptor);
		break;
	}
	case Extract_Features_Method::METHOD_ORB:
	{
		int minHessian = 400;

		Ptr<ORB> detector = ORB::create(minHessian);
		detector->detectAndCompute(image, cv::Mat(), keypoints, descriptor);
		break;
	}
	default:
		break;
	}
}

auto createMatcher(Extract_Features_Method method, bool crossCheck)
{

	if (method == Extract_Features_Method::METHOD_SIFT || method == Extract_Features_Method::METHOD_SURF)
	{
		return cv::BFMatcher(cv::NORM_L2, crossCheck);
	}

	return cv::BFMatcher(cv::NORM_HAMMING, crossCheck);
}

int main()//stich_demo()
{
	string imgPath1 = "E:\\code\\Yolov5_Tensorrt_Win10-master\\pictures\\stich1.jpg";
	string imgPath2 = "E:\\code\\Yolov5_Tensorrt_Win10-master\\pictures\\stich2.jpg";
	Mat img1 = imread(imgPath1, IMREAD_GRAYSCALE);
	Mat img2 = imread(imgPath2, IMREAD_GRAYSCALE);

	std::vector<cv::KeyPoint> keypoint1;
	cv::Mat describe1;
	detectAndDescribe(img1, Extract_Features_Method::METHOD_SIFT, keypoint1, describe1);

	std::vector<cv::KeyPoint> keypoint2;
	cv::Mat describe2;
	detectAndDescribe(img2, Extract_Features_Method::METHOD_SIFT, keypoint2, describe2);

	auto matcher = createMatcher(Extract_Features_Method::METHOD_SIFT, false);

	vector<DMatch> firstMatches;
	matcher.match(describe1, describe2, firstMatches);
	
	vector<cv::Point2f> points1, points2;
	for (vector<DMatch>::const_iterator it = firstMatches.begin(); it != firstMatches.end(); ++it)
	{
		points1.push_back(keypoint1.at(it->queryIdx).pt);
		points2.push_back(keypoint2.at(it->trainIdx).pt);
	}

	auto inliers = vector<uchar>(keypoint1.size(), 0);
	cv::Mat h12 = cv::findHomography(points1, points2, inliers, RANSAC, 1.0);
	Mat h21;
	invert(h12, h21, DECOMP_LU);
	
	Mat canvas;
	Mat img1_color = imread(imgPath1);
	Mat img2_color = imread(imgPath2);

	warpPerspective(img2_color, canvas, h21, Size(img1.cols * 2, img1.rows));
	imshow("warp", canvas);
	img1_color.copyTo(canvas(Range::all(), Range(0, img1.cols)));

	imshow("canvas", canvas);

	waitKey(0);

	return 0;
}

生成的全景圖像如下所示。如我們所見，結(jié)果中包含了兩個圖像中的內(nèi)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(yīng)有關(guān)的問題。理想情況下，我們可以執(zhí)行一些處理技術(shù)來標(biāo)準(zhǔn)化亮度，例如直方圖匹配，這會使結(jié)果看起來更真實和自然一些。