前言

  • 全景图像拼接主要分为如下几个步骤
    1. 读入两张图片并分别提取SIFT特征；
    2. 利用k-d tree和BBF算法进行特征匹配查找；
    3. 利用RANSAC算法筛选匹配点并计算变换矩阵；
    4. 图像融合。

      实验环境

  • vs2017、QT的版本是Qt5.6.3，OpenCV版本是2.4.9.

    SIFT特征提取

  • 直接调用RobHess源码(RobHess的SIFT源码分析：综述)中的sift_features()函数进行默认参数的SIFT特征提取，主要代码如下：
img1_Feat = cvCloneImage(img1);//复制图1，深拷贝，用来画特征点  
img2_Feat = cvCloneImage(img2);//复制图2，深拷贝，用来画特征点  

//默认提取的是LOWE格式的SIFT特征点  
//提取并显示第1幅图片上的特征点  
n1 = sift_features( img1, &feat1 );//检测图1中的SIFT特征点,n1是图1的特征点个数  
export_features("feature1.txt",feat1,n1);//将特征向量数据写入到文件  
draw_features( img1_Feat, feat1, n1 );//画出特征点  
cvNamedWindow(IMG1_FEAT);//创建窗口  
cvShowImage(IMG1_FEAT,img1_Feat);//显示  

//提取并显示第2幅图片上的特征点  
n2 = sift_features( img2, &feat2 );//检测图2中的SIFT特征点，n2是图2的特征点个数  
export_features("feature2.txt",feat2,n2);//将特征向量数据写入到文件  
draw_features( img2_Feat, feat2, n2 );//画出特征点  
cvNamedWindow(IMG2_FEAT);//创建窗口  
cvShowImage(IMG2_FEAT,img2_Feat);//显示
  • 评价两幅图像中特征点的品质重要的指标是重复度，基于SIFT提取特征点如下所示：

利用k-d tree和BBF算法进行特征匹配查找

  • 特征点检测出来后，使用最近距离比次近距离算法（BBF）做特征点匹配。
  • 主要思想是先将图像1中的特征点建立k-d树，找到图像2中每个特征点到与图像1中点的最近邻距离d0和次近邻距离d1，淘汰d0/d1大于某个阈值的点，再把两幅图像中剩下的对应特征点匹配起来。
  • 也是调用RobHess源码中的函数，加上之后的一些筛选处理，主要代码如下：
//根据图1的特征点集feat1建立k-d树，返回k-d树根给kd_root  
kd_root = kdtree_build( feat1, n1 );  
Point pt1,pt2;//连线的两个端点  
double d0,d1;//feat2中每个特征点到最近邻和次近邻的距离  
int matchNum = 0;//经距离比值法筛选后的匹配点对的个数  
//遍历特征点集feat2，针对feat2中每个特征点feat，选取符合距离比值条件的匹配点，放到feat的fwd_match域中  
for(int i = 0; i < n2; i++ )  
{  
	feat = feat2+i;//第i个特征点的指针  
	//在kd_root中搜索目标点feat的2个最近邻点，存放在nbrs中，返回实际找到的近邻点个数  
	int k = kdtree_bbf_knn( kd_root, feat, 2, &nbrs, KDTREE_BBF_MAX_NN_CHKS );  
	if( k == 2 )  
	{  
		d0 = descr_dist_sq( feat, nbrs[0] );//feat与最近邻点的距离的平方  
		d1 = descr_dist_sq( feat, nbrs[1] );//feat与次近邻点的距离的平方  
		//若d0和d1的比值小于阈值NN_SQ_DIST_RATIO_THR，则接受此匹配，否则剔除  
		if( d0 < d1 * NN_SQ_DIST_RATIO_THR )  
		{   //将目标点feat和最近邻点作为匹配点对  
			pt2 = Point( cvRound( feat->x ), cvRound( feat->y ) );//图2中点的坐标  
			pt1 = Point( cvRound( nbrs[0]->x ), cvRound( nbrs[0]->y ) );//图1中点的坐标(feat的最近邻点)  
			pt2.x += img1->width;//由于两幅图是左右排列的，pt2的横坐标加上图1的宽度，作为连线的终点  
			cvLine( stacked, pt1, pt2, CV_RGB(255,0,255), 1, 8, 0 );//画出连线  
			matchNum++;//统计匹配点对的个数  
			feat2[i].fwd_match = nbrs[0];//使点feat的fwd_match域指向其对应的匹配点  
		}  
	}  
	free( nbrs );//释放近邻数组  
}  
//显示并保存经距离比值法筛选后的匹配图  
cvNamedWindow(IMG_MATCH1);//创建窗口  
cvShowImage(IMG_MATCH1,stacked);//显示
  • 匹配结果如下：

利用RANSAC算法筛选匹配点并计算变换矩阵

  • 利用随机采样一致算法（RANSAC），筛选匹配点，RANSAC算法是目前使用的很广泛的剔除误配点的方法。

  • 此部分最主要的是RobHess源码中的ransac_xform()函数，此函数实现了用RANSAC算法筛选匹配点，返回结果是计算好的变换矩阵，若能成功计算出变换矩阵，即两幅图中有共同区域，可以进行拼接。

  • 程序中计算出的变换矩阵H用来将img2中的点变换为img1中的点，无论img1和img2的左右顺序，计算出的变换矩阵H永远是将img2中的特征点变换为其匹配点，即将img2中的点变换为img1中的对应点。

  • 此部分中，我利用匹配点的坐标关系，对输入的两幅图像的左右关系进行了判断，并根据结果选择使用矩阵H或H的逆阵进行变换。

  • 所以读入的两幅要拼接的图像的左右位置关系可以随意，程序中可自动调整。

  • 主要代码如下：

//利用RANSAC算法筛选匹配点,计算变换矩阵H，  
//无论img1和img2的左右顺序，计算出的H永远是将feat2中的特征点变换为其匹配点，即将img2中的点变换为img1中的对应点  
H = ransac_xform(feat2,n2,FEATURE_FWD_MATCH,lsq_homog,4,0.01,homog_xfer_err,3.0,&inliers,&n_inliers);  
//若能成功计算出变换矩阵，即两幅图中有共同区域  
if( H )  
{  
	qDebug()<<tr("经RANSAC算法筛选后的匹配点对个数：")<<n_inliers<<endl; //输出筛选后的匹配点对个数  
	int invertNum = 0;//统计pt2.x > pt1.x的匹配点对的个数，来判断img1中是否右图  
	//遍历经RANSAC算法筛选后的特征点集合inliers，找到每个特征点的匹配点，画出连线  
	for(int i=0; i<n_inliers; i++)  
	{  
		feat = inliers[i];//第i个特征点  
		pt2 = Point(cvRound(feat->x), cvRound(feat->y));//图2中点的坐标  
		pt1 = Point(cvRound(feat->fwd_match->x), cvRound(feat->fwd_match->y));//图1中点的坐标(feat的匹配点)  
		//qDebug()<<"pt2:("<<pt2.x<<","<<pt2.y<<")--->pt1:("<<pt1.x<<","<<pt1.y<<")";//输出对应点对  
		//统计匹配点的左右位置关系，来判断图1和图2的左右位置关系  
		if(pt2.x > pt1.x)  
			invertNum++;  
		pt2.x += img1->width;//由于两幅图是左右排列的，pt2的横坐标加上图1的宽度，作为连线的终点  
		cvLine(stacked_ransac,pt1,pt2,CV_RGB(255,0,255),1,8,0);//在匹配图上画出连线  
	}  
	cvNamedWindow(IMG_MATCH2);//创建窗口  
	cvShowImage(IMG_MATCH2,stacked_ransac);//显示经RANSAC算法筛选后的匹配图  
	/*程序中计算出的变换矩阵H用来将img2中的点变换为img1中的点，正常情况下img1应该是左图，img2应该是右图。 
	  此时img2中的点pt2和img1中的对应点pt1的x坐标的关系基本都是：pt2.x < pt1.x 
	  若用户打开的img1是右图，img2是左图，则img2中的点pt2和img1中的对应点pt1的x坐标的关系基本都是：pt2.x > pt1.x 
	  所以通过统计对应点变换前后x坐标大小关系，可以知道img1是不是右图。 
	  如果img1是右图，将img1中的匹配点经H的逆阵H_IVT变换后可得到img2中的匹配点*/  
	//若pt2.x > pt1.x的点的个数大于内点个数的80%，则认定img1中是右图  
	if(invertNum > n_inliers * 0.8)  
	{  
		CvMat * H_IVT = cvCreateMat(3, 3, CV_64FC1);//变换矩阵的逆矩阵  
		//求H的逆阵H_IVT时，若成功求出，返回非零值  
		if( cvInvert(H,H_IVT) )  
		{  
			cvReleaseMat(&H);//释放变换矩阵H，因为用不到了  
			H = cvCloneMat(H_IVT);//将H的逆阵H_IVT中的数据拷贝到H中  
			cvReleaseMat(&H_IVT);//释放逆阵H_IVT  
			//将img1和img2对调  
			IplImage * temp = img2;  
			img2 = img1;  
			img1 = temp;  
			ui->mosaicButton->setEnabled(true);//激活全景拼接按钮  
		}  
		else//H不可逆时，返回0  
		{  
			cvReleaseMat(&H_IVT);//释放逆阵H_IVT  
			QMessageBox::warning(this,tr("警告"),tr("变换矩阵H不可逆"));  
		}  
	}  
	else  
		ui->mosaicButton->setEnabled(true);//激活全景拼接按钮  
}  
else //无法计算出变换矩阵，即两幅图中没有重合区域  
{  
	QMessageBox::warning(this,tr("警告"),tr("两图中无公共区域"));  
}
  • 经RANSAC筛选后的匹配结果如下图：

图像融合

  • 这里的拼接的方法有两种：

    1. 简易拼接方法的过程是：首先将右图img2经变换矩阵H变换到一个新图像中，然后直接将左图img1加到新图像中，这样拼接出来会有明显的拼接缝，但也是一个初步的成品了。

    2. 另一种方法首先也是将右图img2经变换矩阵H变换到一个新图像中，然后图像的融合过程将目标图像分为三部分，最左边完全取自img1中的数据，中间的重合部分是两幅图像的加权平均，重合区域右边的部分完全取自img2经变换后的图像。加权平均的权重选择也有好多方法，比如可以使用最基本的取两张图像的平均值，但这样会有明显的拼接缝。这里首先计算出拼接区域的宽度，设d1，d2分别是重叠区域中的点到重叠区域左边界和右边界的距离，则使用如下公式计算重叠区域的像素值：

      , 这样就可以实现平滑过渡。

  • 主要代码如下：

//若能成功计算出变换矩阵，即两幅图中有共同区域，才可以进行全景拼接  
if(H)  
{  
	//拼接图像，img1是左图，img2是右图  
	CalcFourCorner();//计算图2的四个角经变换后的坐标  
	//为拼接结果图xformed分配空间,高度为图1图2高度的较小者，根据图2右上角和右下角变换后的点的位置决定拼接图的宽度  
	xformed = cvCreateImage(cvSize(MIN(rightTop.x,rightBottom.x),MIN(img1->height,img2->height)),IPL_DEPTH_8U,3);  
	//用变换矩阵H对右图img2做投影变换(变换后会有坐标右移)，结果放到xformed中  
	cvWarpPerspective(img2,xformed,H,CV_INTER_LINEAR + CV_WARP_FILL_OUTLIERS,cvScalarAll(0));  
	cvNamedWindow(IMG_MOSAIC_TEMP); //显示临时图,即只将图2变换后的图  
	cvShowImage(IMG_MOSAIC_TEMP,xformed);  
	//简易拼接法：直接将将左图img1叠加到xformed的左边  
	xformed_simple = cvCloneImage(xformed);//简易拼接图，克隆自xformed  
	cvSetImageROI(xformed_simple,cvRect(0,0,img1->width,img1->height));  
	cvAddWeighted(img1,1,xformed_simple,0,0,xformed_simple);  
	cvResetImageROI(xformed_simple);  
	cvNamedWindow(IMG_MOSAIC_SIMPLE);//创建窗口  
	cvShowImage(IMG_MOSAIC_SIMPLE,xformed_simple);//显示简易拼接图  
	//处理后的拼接图，克隆自xformed  
	xformed_proc = cvCloneImage(xformed);  
	//重叠区域左边的部分完全取自图1  
	cvSetImageROI(img1,cvRect(0,0,MIN(leftTop.x,leftBottom.x),xformed_proc->height));  
	cvSetImageROI(xformed,cvRect(0,0,MIN(leftTop.x,leftBottom.x),xformed_proc->height));  
	cvSetImageROI(xformed_proc,cvRect(0,0,MIN(leftTop.x,leftBottom.x),xformed_proc->height));  
	cvAddWeighted(img1,1,xformed,0,0,xformed_proc);  
	cvResetImageROI(img1);  
	cvResetImageROI(xformed);  
	cvResetImageROI(xformed_proc);  
	cvNamedWindow(IMG_MOSAIC_BEFORE_FUSION);  
	cvShowImage(IMG_MOSAIC_BEFORE_FUSION,xformed_proc);//显示融合之前的拼接图  
	//采用加权平均的方法融合重叠区域  
	int start = MIN(leftTop.x,leftBottom.x) ;//开始位置，即重叠区域的左边界  
	double processWidth = img1->width - start;//重叠区域的宽度  
	double alpha = 1;//img1中像素的权重  
	for(int i=0; i<xformed_proc->height; i++)//遍历行  
	{  
		const uchar * pixel_img1 = ((uchar *)(img1->imageData + img1->widthStep * i));//img1中第i行数据的指针  
		const uchar * pixel_xformed = ((uchar *)(xformed->imageData + xformed->widthStep * i));//xformed中第i行数据的指针  
		uchar * pixel_xformed_proc = ((uchar *)(xformed_proc->imageData + xformed_proc->widthStep * i));//xformed_proc中第i行数据的指针  
		for(int j=start; j<img1->width; j++)//遍历重叠区域的列  
		{  
			//如果遇到图像xformed中无像素的黑点，则完全拷贝图1中的数据  
			if(pixel_xformed[j*3] < 50 && pixel_xformed[j*3+1] < 50 && pixel_xformed[j*3+2] < 50 )  
			{  
				alpha = 1;  
			}  
			else  
			{   //img1中像素的权重，与当前处理点距重叠区域左边界的距离成正比  
				alpha = (processWidth-(j-start)) / processWidth ;  
			}  
			pixel_xformed_proc[j*3] = pixel_img1[j*3] * alpha + pixel_xformed[j*3] * (1-alpha);//B通道  
			pixel_xformed_proc[j*3+1] = pixel_img1[j*3+1] * alpha + pixel_xformed[j*3+1] * (1-alpha);//G通道  
			pixel_xformed_proc[j*3+2] = pixel_img1[j*3+2] * alpha + pixel_xformed[j*3+2] * (1-alpha);//R通道  
		}  
	}  
	cvNamedWindow(IMG_MOSAIC_PROC);//创建窗口  
	cvShowImage(IMG_MOSAIC_PROC,xformed_proc);//显示处理后的拼接图  
	/*重叠区域取两幅图像的平均值，效果不好 
		//设置ROI，是包含重叠区域的矩形 
		cvSetImageROI(xformed_proc,cvRect(MIN(leftTop.x,leftBottom.x),0,img1->width-MIN(leftTop.x,leftBottom.x),xformed_proc->height)); 
		cvSetImageROI(img1,cvRect(MIN(leftTop.x,leftBottom.x),0,img1->width-MIN(leftTop.x,leftBottom.x),xformed_proc->height)); 
		cvSetImageROI(xformed,cvRect(MIN(leftTop.x,leftBottom.x),0,img1->width-MIN(leftTop.x,leftBottom.x),xformed_proc->height)); 
		cvAddWeighted(img1,0.5,xformed,0.5,0,xformed_proc); 
		cvResetImageROI(xformed_proc); 
		cvResetImageROI(img1); 
		cvResetImageROI(xformed); //*/  
	/*对拼接缝周围区域进行滤波来消除拼接缝，效果不好 
		//在处理前后的图上分别设置横跨拼接缝的矩形ROI 
		cvSetImageROI(xformed_proc,cvRect(img1->width-10,0,img1->width+10,xformed->height)); 
		cvSetImageROI(xformed,cvRect(img1->width-10,0,img1->width+10,xformed->height)); 
		cvSmooth(xformed,xformed_proc,CV_MEDIAN,5);//对拼接缝周围区域进行中值滤波 
		cvResetImageROI(xformed); 
		cvResetImageROI(xformed_proc); 
		cvShowImage(IMG_MOSAIC_PROC,xformed_proc);//显示处理后的拼接图 */  
	/*想通过锐化解决变换后的图像失真的问题，对于扭曲过大的图像，效果不好 
		double a[]={  0, -1,  0, -1,  5, -1, 0, -1,  0  };//拉普拉斯滤波核的数据 
		CvMat kernel = cvMat(3,3,CV_64FC1,a);//拉普拉斯滤波核 
		cvFilter2D(xformed_proc,xformed_proc,&kernel);//滤波 
		cvShowImage(IMG_MOSAIC_PROC,xformed_proc);//显示处理后的拼接图*/  

}
  • 实验结果如下：

源码下载