1.图像拼接基础知识

 准备两张有关联关系的图片

课后作业：去除两张图片相接的边缘，对图像进行裁剪去除黑边

（1）图像合并的步骤

1. 读取文件并重置尺寸
2. 根据特征点和计算描述子，得到单应性矩阵
3. 图像变换
4. 图像拼接并输出图像

首先找到中心点

# 图像拼接大作业
import cv2
import numpy as np

# 第一步，读取文件，将图片设置成一样大小，640*480（跟实际图像最接近的尺寸）
img1 = cv2.imread(\'E:\\\\opencv_photo\\\\map1.png\')
img2 = cv2.imread(\'E:\\\\opencv_photo\\\\map2.png\')
img1 = cv2.resize(img1,(610,480))
img2 = cv2.resize(img2,(610,480))
# 将两张图排列在一起
inputs = np.hstack((img1, img2))
# 第二步，找特征点，计算描述子，计算单应性矩阵
# 第三步，根据单应性矩阵对图像进行变换，然后平移
# 第四步，拼接并输出最终结果

cv2.imshow(\'input img\',inputs)
cv2.waitKey()

# 图像拼接大作业
import cv2
import numpy as np

def stitch_image(img1, img2, H) :
    # 1.获得每张图片的4个角点
    # 2.对图片进行变换，通过单应性矩阵使图像进行旋转，然后进行平移
    # 3.创建一张大图，将两张图拼接到一起
    # 4.将结果输出

    h1, w1 = img1.shape[:2]     # 获得原始图的高和宽
    h2, w2 = img2.shape[:2]
    img1_dims = np.float32([[0,0],[0,h1],[w1,h1],[w1,0]]).reshape(-1,1,2) # 四个角点逆时针进行排序
    img2_dims = np.float32([[0,0],[0,h2],[w2,h2],[w2,0]]).reshape(-1,1,2)
    # 图像变换
    img1_transform = cv2.perspectiveTransform(img1_dims,H)
    # print(img1_dims)
    # print(img2_dims)
    # print(img1_transform)
    result_dims = np.concatenate((img2_dims, img1_transform), axis=0)   # 横向拼接，主要是为了求出图像的最大值最小值
    # print(result_dims)    # 混合后的结果

    [x_min, y_min] = np.int32(result_dims.min(axis=0).ravel()-0.5)  # axis=0按x轴获取数值，ravel()将二维变为一维，根据四舍五入的原则，最小值-0.5，最大值+0.5
    [x_max, y_max ] = np.int32(result_dims.max(axis=0).ravel()+0.5)
    # 平移的距离
    transform_dist = [-x_min, -y_min]  # 最小的x距离和y

    #[1, 0, dx]
    #[0, 1, dy]         
    #[0, 0, 1 ]
    # 矩阵平移的方法，乘以一个齐次矩阵
    transform_array = np.array([[1, 0, transform_dist[0]],
                                [0, 1, transform_dist[1]],
                                [0, 0, 1]])
    # 投影变换
    result_img = cv2.warpPerspective(img1, transform_array.dot(H), (x_max-x_min, y_max-y_min))

    result_img[transform_dist[1]:transform_dist[1]+h2, 
                transform_dist[0]:transform_dist[0]+w2] = img2

    return result_img

# 计算单应性矩阵的方法
def get_homo(img1, img2):
    # 1.创建特征转换对象
    sift = cv2.xfeatures2d.SIFT_create()
    # 2.通过特征转换对象获得特征点和描述子
    k1,d1 = sift.detectAndCompute(img1,None)    # k1为特征点，d1为描述子
    k2,d2 = sift.detectAndCompute(img2,None)
    # 3.创建特征匹配
    # 4.进行特征匹配
    # 5.过滤特征，找出有效的特征匹配点
    bf = cv2.BFMatcher()  # 采用暴力特征匹配
    matches = bf.knnMatch(d1,d2,k=2)    # 匹配特征点
    
    verify_ratio = 0.8  # 过滤
    verify_matches = []
    for m1, m2 in matches:  # m1,m2之间的距离越小越好，小于0.8认为有效，大于0.8无效
        if m1.distance < 0.8*m2.distance:
            verify_matches.append(m1)

    # 最小匹配数
    min_matches = 8
    if len(verify_matches) > min_matches:
        img1_pts = []
        img2_pts = []
        for m in verify_matches:
            img1_pts.append(k1[m.queryIdx].pt)  # 图像1的坐标特征点
            img2_pts.append(k2[m.trainIdx].pt)  # 图像2的坐标特征点
        #[(x1, y1), (x2, y2), ...]
        #[[x1, y1], [x2, y2], ...]

        img1_pts = np.float32(img1_pts).reshape(-1,1,2)    # 适应findHomography的格式
        img2_pts = np.float32(img2_pts).reshape(-1,1,2) 
        H, mask =  cv2.findHomography(img1_pts, img2_pts, cv2.RANSAC,5.0)  # 获取单应性矩阵
        return H
    else:
        print(\'error: Not enough matches!\')
        exit()
    
# 第一步，读取文件，将图片设置成一样大小，640*480（跟实际图像最接近的尺寸）
img1 = cv2.imread(\'E:\\\\opencv_photo\\\\map1.png\')
img2 = cv2.imread(\'E:\\\\opencv_photo\\\\map2.png\')
img1 = cv2.resize(img1,(640,480))
img2 = cv2.resize(img2,(640,480))
# 将两张图排列在一起
inputs = np.hstack((img1, img2))

# 第二步，找特征点，计算描述子，计算单应性矩阵
H = get_homo(img1, img2)    # 获得单应性矩阵

# 第三步，根据单应性矩阵对图像进行变换，然后平移
result_image = stitch_image(img1, img2, H)      # 进行图像拼接
# 第四步，拼接并输出最终结果

cv2.imshow(\'input img\',result_image)
cv2.waitKey()