FLANN匹配特征点）

SIFI/SURF检测特征点，BF/FLANN匹配特征点，stitch缝接图片，并进行视角变换。
先创建一个Stitcher类：
import numpy as np
import cv2
class Stitcher:
    # 拼接函数
    def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False):
        # 获取输入图片
        (imageB, imageA) = images
        # 检测A、B图片的SIFT关键特征点，并计算特征描述子
        (kpsA, featuresA) = self.detectAndDescribe(imageA)
        (kpsB, featuresB) = self.detectAndDescribe(imageB)
        # 匹配两张图片的所有特征点，返回匹配结果
        M = self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)
        # 如果返回结果为空，没有匹配成功的特征点，退出算法
        if M is None:
            return None
        # 否则，提取匹配结果
        # H是3x3视角变换矩阵
        (matches, H, status) = M
        # 将图片A进行视角变换，result是变换后图片
        result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
        self.cv_show('result', result)
        # 将图片B传入result图片最左端
        result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
        self.cv_show('result', result)
        # 检测是否需要显示图片匹配
        if showMatches:
            # 生成匹配图片
            vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
            # 返回结果
            return (result, vis)
        # 返回匹配结果
        return result
    def cv_show(self, name, img):
        cv2.imshow(name, img)
        cv2.waitKey(0)
        cv2.destroyAllWindows()
    def detectAndDescribe(self, image):
        # 将彩色图片转换成灰度图
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        # SURF生成器
        descriptor = cv2.xfeatures2d.SURF_create()
        kps, features = descriptor.detectAndCompute(image, None)
        # # 建立SIFT生成器
        # descriptor = cv2.xfeatures2d.SIFT_create()
        # # 检测SIFT特征点，并计算描述子
        # (kps, features) = descriptor.detectAndCompute(image, None)
        # 将结果转换成NumPy数组
        kps = np.float32([kp.pt for kp in kps])
        # 返回特征点集，及对应的描述特征
        return (kps, features)
    # def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):
    #     # 建立暴力匹配器
    #     matcher = cv2.BFMatcher()
    #     # 使用KNN检测来自A、B图的SIFT特征匹配对，K=2
    #     rawMatches = matcher.knnMatch(featuresA, featuresB, 2)
    #     matches = []
    #     for m in rawMatches:
    #         # 当最近距离跟次近距离的比值小于ratio值时，保留此匹配对
    #         if len(m) == 2 and m[0].distance < m[1].distance * ratio:
    #             # 存储两个点在featuresA, featuresB中的索引值
    #             matches.append((m[0].trainIdx, m[0].queryIdx))
    #     # 当筛选后的匹配对大于4时，计算视角变换矩阵
    #     if len(matches) > 4:
    #         # 获取匹配对的点坐标
    #         ptsA = np.float32([kpsA[i] for (_, i) in matches])
    #         ptsB = np.float32([kpsB[i] for (i, _) in matches])
    #         # 计算视角变换矩阵
    #         (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)
    #         # 返回结果
    #         return (matches, H, status)
    #     # 如果匹配对小于4时，返回None
    #     return None
    def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):
        # FLANN匹配参数,定义FLANN匹配器，使用KNN算法实现匹配
        # 这里使用FLANN_INDEX_KDTREE，5kd-trees和50 checks迭代
        FLANN_INDEX_KDTREE = 1
        indexParams = dict(algorithm=1, trees=5)
        searchParams = dict(check=100)
        flann = cv2.FlannBasedMatcher(indexParams, searchParams)
        rawMatches = flann.knnMatch(featuresA, featuresB, k=2)
        matches = []
        for m in rawMatches:
            # 当最近距离跟次近距离的比值小于ratio值时，保留此匹配对
            if len(m) == 2 and m[0].distance < m[1].distance * ratio:
                # 存储两个点在featuresA, featuresB中的索引值
                matches.append((m[0].trainIdx, m[0].queryIdx))
        # 当筛选后的匹配对大于4时，计算视角变换矩阵
        if len(matches) > 4:
            # 获取匹配对的点坐标
            ptsA = np.float32([kpsA[i] for (_, i) in matches])
            ptsB = np.float32([kpsB[i] for (i, _) in matches])
            # 计算视角变换矩阵
            (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)
            # 返回结果
            return (matches, H, status)
        # 如果匹配对小于4时，返回None
        return None
    def drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status):
        # 初始化可视化图片，将A、B图左右连接到一起
        (hA, wA) = imageA.shape[:2]
        (hB, wB) = imageB.shape[:2]
        vis = np.zeros((max(hA, hB), wA + wB, 3), dtype="uint8")
        vis[0:hA, 0:wA] = imageA
        vis[0:hB, wA:] = imageB
        # 联合遍历，画出匹配对
        for ((trainIdx, queryIdx), s) in zip(matches, status):
            # 当点对匹配成功时，画到可视化图上
            if s == 1:
                # 画出匹配对
                ptA = (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))
                ptB = (int(kpsB[trainIdx][0]) + wA, int(kpsB[trainIdx][1]))
                cv2.line(vis, ptA, ptB, (0, 255, 0), 1)
        # 返回可视化结果
        return vis
import cv2
from Stitcher import Stitcher
from matplotlib import pyplot as plt
imageA = cv2.imread("img/left_01.png")
imageB = cv2.imread("img/right_01.png")
# 把图像拼接成全景图
stitcher = Stitcher()
(result, vis) = stitcher.stitch([imageA, imageB], showMatches=True)
# 显示所有图片
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()
参考视频：
 
https://www.bilibili.com/video/av61678672/?p=13
                    opencv_python Stitcher拼接图像实例（SIFT/SURF检测特征点，BF/FLANN匹配特征点）SIFI/SURF检测特征点，BF/FLANN匹配特征点，stitch缝接图片，并进行视角变换。先创建一个Stitcher类：import numpy as npimport cv2class Stitcher:    # 拼接函数    def stitch(se...
#include "highgui/highgui.hpp"  
#include "opencv2/nonfree/nonfree.hpp"  
#include "opencv2/legacy/legacy.hpp" 
using namespace cv;
				文章目录什么是全景图像拼接实现全景图像拼接需要哪些步骤？相关介绍1.RANSAC2.稳健的单应性矩阵估计实现图像集源码拼接后的全景图其他测试总结
什么是全景图像拼接
全景图像拼接顾名思义就是将多张存在重叠部分的图像拼成一幅全景图像。个人能理解为：两幅图像之间存在匹配的点的情况下，可以通过特征匹配得到对应点，将这些对应点坐标重合而保留两张图像其他的部分，就可以得到两幅图像的拼接结果，以这种方式循环，通过两两拼接的方式最终拼接成一幅全景图。
实现全景图像拼接需要哪些步骤？
可以简单分为以下几步：
				用sift实现的简单视频去抖动python代码
最近写了一个简单的去抖动代码，主要是了解了sift返回值的结构。代码里面用的是序列图像，如果要做视频去抖可以换成视频
import cv2 as cv
import glob
import os
import numpy as np
# 1.使用SIFT算子检测角点
# 图像所在文件夹及图像文件名获取
img_path = r'E:\HUMAN\frames\rgb/'
fileList = glob.glob(img_path + '/*.jpg')
				之前折腾过一段时间配准发现自己写的一点都不准，最近需要进行图像的拼接，偶然的机会查到了opencv原来有拼接的库，发现opencv处理配准之外还做了许多的操作，就这个机会查找了相关的资料，同时也研究了以下他的源代码，做一个简单的总结。
Stitching
因为OpenCV已经将算法进行了高度的封装，所以用起来跟OpenGL类似，遵循了一条管线进行处理。
上图是OpenCV官方网站中提供的流程图。
从这个图中我们也能看出这是一个很复杂的过程，源代码中提到了七个部分：
Features Finding an
				文章目录1. 全景图像拼接1.1 基本介绍1.2 图像拼接整体流程1.3 基本原理1.3.1 特征匹配算法1.3.1 RANSAC算法1.3.1.1 RANSAC算法基本思想1.3.1.2 RANSAC 求解单应矩阵1.3.2 APAP算法1.3.2.1算法流程：1.3.3 寻找最佳拼接缝（Seam Finding）1.3.3.1 使用最大流最小割算法寻找拼接缝1.3.4 根据multi-band bleing策略实现图像融合2. 实验过程2.1 实验代码2.2 实验结果及分析
1. 全景图像拼接
# 检测关键点和描述符
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
# 创建 BFMatcher 匹配器
bf = cv2.BFMatcher()
# 匹配描述符
matches = bf.knnMatch(des1, des2, k=2)
# 应用比率测试
good_matches = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good_matches.append([m])
# 绘制匹配结果
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good_matches, None, flags=2)
# 显示结果
cv2.imshow('Matches', img3)
cv2.waitKey(0)
cv2.destroyAllWindows()
希望这可以帮助你！