这是使用python实现的第二个综合性的案例了，希望自己能够坚持下去，也希望能够帮到有需要的朋友们。
图像拼接的的主要原理呢就是使用特征点匹配。简单点说呢，就是两幅图像中会有相同的部分，我们就是根据图像中相同的特征，进行图像的拼接，有些也被称为合并。
具体来说分为四个步骤：

1. 读取文件并重置尺寸。读取文件大家都理解，之所以要重置尺寸呢就是因为如果两张图像的尺寸不同（img1是360p，img2是720p）会造成后续操作的不便捷。具体代码如下：

import cv2
import numpy as np

#读取两张图片
img1 = cv2.imread("./img/airplane1.jpg")
img2 = cv2.imread("./img/airplane2.jpg")

if (img1 is None) or (img2 is None):
    print("路径问题")
else:
    img1 = cv2.resize(img1,(430,480))
    img2 = cv2.resize(img2,(430,480))
    #把数据压到栈中
    inputs = np.hstack((img1,img2))
    cv2.imshow('input img',inputs)
    cv2.waitKey()

结果如图所示：

2. 根据特征点和计算描述子，得到单应矩阵
   这一步骤主要就是平时所学的特征点检测和匹配的基础知识的运用，具体的在代码中有详细的介绍，这里为了后期使用的方便，把获取单应性矩阵封装为一个函数，代码如下：

def get_homo(img1,img2):
    #创建特征转换对象
    sift = cv2.xfeatures2d.SIFT_create()
    #获取特征点和描述子
    k1,d1 = sift.detectAndCompute(img1,None)
    k2,d2 = sift.detectAndCompute(img2,None)
    #创建特征匹配器
    bf = cv2.BFMatcher()
    #使用描述子进行一对多的描述子匹配
    maches = bf.knnMatch(d1,d2,k=2)
    #筛选有效的特征描述子存入数组中
    verify_matches = []
    for m1,m2 in maches:
        if m1.distance <0.8*m2.distance:
            verify_matches.append(m1)
    #单应性矩阵需要最低四个特征描述子坐标点进行计算，判断数组中是否有足够,这里设为6更加充足
    if len(verify_matches) > 6:
        #存放求取单应性矩阵所需的img1和img2的特征描述子坐标点
        img1_pts = []
        img2_pts = []
        for m in verify_matches:
        #通过使用循环获取img1和img2图像优化后描述子所对应的特征点
            img1_pts.append(k1[m.queryIdx].pt)
            img2_pts.append(k2[m.trainIdx].pt)
        #得到的坐标是[(x1,y1),(x2,y2),....]
        #计算需要的坐标格式：[[x1,y1],[x2,y2],....]所以需要转化
        img1_pts = np.float(img1_pts).reshape(-1,1,2)
        img2_pts = np.float(img2_pts).reshape(-1,1,2)
        #计算单应性矩阵用来优化特征点
        H,mask = cv2.findHomography(img1_pts,img2_pts,cv2.RANSAC,5.0)
        return H
    else:
        print("error")

3. 根据单应性矩阵对图像进行变换，然后平移
   4.图像拼接显示图像
   两个步封装到一个函数中，方便调用调试，重点是在变换过程中存在的平移需要使用齐次变换矩阵。
   代码如下：

def stitch_image(img1,img2,H):
    #1、获得每张图片的四个角点
    #2、对图片进行变换，（单应性矩阵使）
    #3、创建大图，将两张图拼接到一起
    #4、将结果输出
    #获取原始图的高、宽
    h1,w1 = img1.shape[:2]
    h2,w2 = img2.shape[:2]
    #获取四个点的坐标，变换数据类型便于计算
    img1_dims = np.float32([[0,0],[0,h1],[h1,w1],[w1,0]]).reshape(-1,1,2)
    img2_dims = np.float32([[0,0],[0,h2],[h2,w2],[w2,0]]).reshape(-1,1,2)
    #获取根据单应性矩阵透视变换后的图像四点坐标
    img1_transform = cv2.perspectiveTransform(img1_dims,H)
    #img2_transform = cv2.perspectiveTransform(img2_dims,H)

    #合并矩阵  获取最大x和最小x，最大y和最小y  根据最大最小计算合并后图像的大小；
    # #计算方式： 最大-最小
    result_dims = np.concatenate((img2_dims,img1_transform),axis = 0)

    #使用min获取横向最小坐标值，ravel将二维转换为一维，强转为int型，
    # 最小-0.5，最大+0.5防止四舍五入造成影响
    [x_min,y_min] = np.int32(result_dims.min(axis=0).ravel()-0.5)
    [x_max,y_max] = np.int32(result_dims.max(axis=0).ravel()+0.5)
    #平移距离
    transform_dist = [-x_min, -y_min]
    #齐次变换矩阵
    transform_arary = np.array([[1,0,transform_dist[0]],
                                [0,1,transform_dist[1]],
                                [0,0,1]])
    #输出图像的尺寸
    ww = x_max-x_min
    hh = y_max-y_min
    #透视变换实现平移
    result_img = cv2.warpPerspective(img1,transform_arary.dot(H),(ww,hh))
    #将img2添加进平移后的图像
    result_img[transform_dist[1]:transform_dist[1]+h2,
                transform_dist[0]:transform_dist[0]+w2] = img2
    return result_img

在最后分别调用两个函数，测试结果如下图：

    H = get_homo(img1,img2)
    result_img = stitch_image(img1,img2,H)

如果觉得文章还不错，请点赞支持，创作不易，转载请标注，谢谢