图像全景拼接

最新推荐文章于 2026-04-14 09:29:14 发布

原创最新推荐文章于 2026-04-14 09:29:14 发布 · 2.8k 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

视觉相关专栏收录该内容

245 篇文章

订阅专栏

博客介绍了多个国外开源的图像拼接相关链接，包括代码和博客。还阐述了图像全景拼接中Homographies的概念，通过特征点检测（如SIFT）获取对应点，计算单应性矩阵，将源图像透视扭曲后与目标图像合并，完成图像拼接。

这个效果待测：

https://github.com/balancehy/Computer-vision/blob/master/image-stitching/src/stitch.py

这个也待测：

https://github.com/AVINASH793/Video-Stabilization-and-image-mosaicing

opencv+MFC实现图像拼接

https://download.csdn.net/download/weixin_37753215/10727499

https://github.com/ferdyandannes/Video-Stitching-OpenCV-CUDA

这个无代码：

https://download.csdn.net/download/qq_28901541/10747238

sift特征：

https://github.com/royangkr/Video-stitching-python

image stitch(国外开源的图像拼接)

https://blog.csdn.net/yangpan011/article/details/81387299

https://blog.csdn.net/red_ear/article/details/81566252

图像全景拼接--Using Homographies

这里总结一下Homographies：

假设我们有两个相同平面对象的图像，它们之间有一些重叠（存在对应点）。让P1成为第一图像中的点的像素坐标[P1x，P1y，1 ]，P2是第二图像中的点的像素坐标[P2X，P2Y，1 ]。我们将第一图像称为目的图像，第二图像称为源图像。单应性1H2是将第二图像中的每个像素坐标与第一图像中的像素坐标映射关系。

P1 = 1H2 * P2

获取对应点

可以使用特征点检测，如 SIFT,SURF,ORB等，这里，我们使用sift，虽然慢，但是相比于其他，这个是最准确的。

1，两张有重叠部分的图

2 如果我们想把源图像的像素粘贴在一个大的画布上，我们需要考虑在更大的画布上的目标图像。

int offsetx = 800;

int offsety = 1000;

Mat trans_mat = (Mat_<double>(2, 3) << 1, 0, offsetx, 0, 1, offsety);

warpAffine(im1, im1, trans_mat, Size(3 * im1.cols, 3 * im1.rows));

结果

SIFT特征检测

cv::Ptr<Feature2D> f2d = xfeatures2d::SIFT::create();
// Step 1: Detect the keypoints:
std::vector<KeyPoint> keypoints_1, keypoints_2;
f2d->detect( im_1, keypoints_1 );
f2d->detect( im_2, keypoints_2 );
// Step 2: Calculate descriptors (feature vectors)
Mat descriptors_1, descriptors_2;
f2d->compute( im_1, keypoints_1, descriptors_1 );
f2d->compute( im_2, keypoints_2, descriptors_2 );
// Step 3: Matching descriptor vectors using BFMatcher :
BFMatcher matcher;
std::vector< DMatch > matches;
matcher.match( descriptors_1, descriptors_2, matches );
// Keep 200 best matches only.
// We sort distance between descriptor matches
Mat index;
int nbMatch = int(matches.size());
Mat tab(nbMatch, 1, CV_32F);
for (int i = 0; i < nbMatch; i++)
tab.at<float>(i, 0) = matches[i].distance;
sortIdx(tab, index, SORT_EVERY_COLUMN + SORT_ASCENDING);
vector<DMatch> bestMatches;
for (int i = 0; i < 200; i++)
bestMatches.push_back(matches[index.at < int > (i, 0)]);

匹配对应点

计算单应性矩阵

// 1st image is the destination image and the 2nd image is the src image
std::vector<Point2f> dst_pts; //1st
std::vector<Point2f> source_pts; //2nd
for (vector<DMatch>::iterator it = bestMatches.begin(); it != bestMatches.end(); ++it) {
//-- Get the keypoints from the good matches
dst_pts.push_back( keypoints_1[ it->queryIdx ].pt );
source_pts.push_back( keypoints_2[ it->trainIdx ].pt );
}
Mat H = findHomography( source_pts, dst_pts, CV_RANSAC );
cout << H << endl;