之前的写了好几篇文,什么特征点检测,匹配,RANSAC之类的乱七八糟的,就是为了做这个应用。了解原理之后用NI Vision实现,数图的课程设计算是交差了~~全景图像融合使用到SIFT算子(特征点检测和匹配)、单应矩阵(立体几何)和RANSAC(随机抽样一致性)之类的内容,了解其中的领域和原理还是需要花点时间的。
![img_6030fe7ecc2b67e0d8c4f0b17afedbe3.png](https://yqfile.alicdn.com/img_6030fe7ecc2b67e0d8c4f0b17afedbe3.png?x-oss-process=image/resize,w_1400/format,webp)
1.单应矩阵
![img_d0e5cfb06c2fca5be911c2378c160516.png](https://yqfile.alicdn.com/img_d0e5cfb06c2fca5be911c2378c160516.png?x-oss-process=image/resize,w_1400/format,webp)
单应(Homography)是射影几何中的概念,又称为 射影变换。它把一个射影平面上的点(三维齐次矢量)映射到另一个射影平面上。单应是关于三维齐次矢量的一种线性变换,可以用一个3×3的非奇异矩阵H表示,这个矩阵H称为 单应矩阵。使用这个矩阵,就可以将射影平面上的一个点投影到另一个平面上(图中的 m 投影到 m‘)。
![img_5b55ddedfa372128585728229d8209ea.png](https://yqfile.alicdn.com/img_5b55ddedfa372128585728229d8209ea.png?x-oss-process=image/resize,w_1400/format,webp)
平面上的点为三维齐次矢量,即
![img_78d8f49d1f7fa0b8519dac149c2b58ee.png](https://yqfile.alicdn.com/img_78d8f49d1f7fa0b8519dac149c2b58ee.png?x-oss-process=image/resize,w_1400/format,webp)
2.与基础矩阵的区别
基础矩阵体现的是两个图像间的对极约束(详细见我之前的一篇文章)。两个图像之间的对极约束与场景的结构无关,也就是说你拍摄的物体可以是一个球,或者其他奇形怪状的物体。基础矩阵不能给出两幅图像的像点的一一对应的关系,只能给出像点到另一幅图像的对极线的映射关系。
基础矩阵F描述的实际是一种点和线的映射关系,而不是点对点的关系,不能给出另一个点的确切位置。
也就说,三维点如果不是在同一个平面上,可以使用基础矩阵F来计算图像上像点在另一幅图像上对应的对极线,而不能使用单应矩阵H得到对应点的确切位置。在实际应用中,当被拍摄物体深度Z比较大的时候,可以视为一个平面来处理,也可以使用单应矩阵来进行点对点的映射。
从公式推导中,我们可以得到,当射影平面之间只有旋转无平移时,也可以使用单应矩阵来进行映射,这里不进行推导。
如果拍摄物体不为平面(或不能视为平面来处理)并且射影平面之间不只有旋转关系时时,强行估算单应矩阵,会产生巨大偏差。
假设强行使用单应矩阵
![img_d9b205a7cb73b0e5e6deb8949b5c4b58.png](https://yqfile.alicdn.com/img_d9b205a7cb73b0e5e6deb8949b5c4b58.png?x-oss-process=image/resize,w_1400/format,webp)
通过平面P上的匹配点得到了单应矩阵H之后,再用来估计不在平面P上的点 p' 的位置,就会出现这样的情况。
3.通过匹配点来计算单应矩阵
关于特征点匹配的内容可以看我之前的文章(为了今天算是磨刀三月- -),为了提高匹配准确率,这里使用的是SIFT算子配合上RANSAC算法的方式进行估计。
两图像上的像点 p1(x1,y1) p2(x2,y2) 是一对匹配的点对,其单应矩阵为H,则有
![img_d4362104ef3f8b9dfed433d0f092c868.png](https://yqfile.alicdn.com/img_d4362104ef3f8b9dfed433d0f092c868.png?x-oss-process=image/resize,w_1400/format,webp)
展开得
![img_23825060d67e52ccdcdd81337d42db17.png](https://yqfile.alicdn.com/img_23825060d67e52ccdcdd81337d42db17.png?x-oss-process=image/resize,w_1400/format,webp)
那么就至少需要4对匹配点(4个方程组)进行计算(任意三点不共线)
4.代码实现
/********************************************************************
* Created by 杨帮杰 on 10/12/18
* Right to use this code in any way you want without
* warranty, support or any guarantee of it working
* E-mail: yangbangjie1998@qq.com
* Association: SCAU 华南农业大学
********************************************************************/
#include <iostream>
#include <vector>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/features2d.hpp>
#include <opencv2/calib3d.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <opencv2/stitching.hpp>
#define PARLIAMENT01 "/home/jacob/图片/images/parliament1.jpg"
#define PARLIAMENT02 "/home/jacob/图片/images/parliament2.jpg"
using namespace cv;
using namespace std;
int main()
{
Mat image1= imread(PARLIAMENT01,0);
Mat image2= imread(PARLIAMENT02,0);
if (!image1.data || !image2.data)
return 0;
imshow("Image 1",image1);
imshow("Image 2",image2);
vector<KeyPoint> keypoints1;
vector<KeyPoint> keypoints2;
Mat descriptors1, descriptors2;
//创建SIFT检测器
Ptr<Feature2D> ptrFeature2D = xfeatures2d::SIFT::create(74);
//检测SIFT特征并生成描述子
ptrFeature2D->detectAndCompute(image1, noArray(), keypoints1, descriptors1);
ptrFeature2D->detectAndCompute(image2, noArray(), keypoints2, descriptors2);
cout << "Number of feature points (1): " << keypoints1.size() << endl;
cout << "Number of feature points (2): " << keypoints2.size() << endl;
//使用欧氏距离和交叉匹配策略进行图像匹配
BFMatcher matcher(NORM_L2, true);
vector<DMatch> matches;
matcher.match(descriptors1,descriptors2,matches);
Mat imageMatches;
drawMatches(image1,keypoints1, // 1st image and its keypoints
image2,keypoints2, // 2nd image and its keypoints
matches, // the matches
imageMatches, // the image produced
Scalar(255,255,255), // color of the lines
Scalar(255,255,255), // color of the keypoints
vector<char>(),
2);
imshow("Matches (pure rotation case)",imageMatches);
//将keypoints类型转换为Point2f
vector<Point2f> points1, points2;
for (vector<DMatch>::const_iterator it= matches.begin();
it!= matches.end(); ++it)
{
float x= keypoints1[it->queryIdx].pt.x;
float y= keypoints1[it->queryIdx].pt.y;
points1.push_back(Point2f(x,y));
x= keypoints2[it->trainIdx].pt.x;
y= keypoints2[it->trainIdx].pt.y;
points2.push_back(Point2f(x,y));
}
cout << "number of points: " << points1.size() << " & " << points2.size() << endl;
//使用RANSAC算法估算单应矩阵
vector<char> inliers;
Mat homography= findHomography(
points1,points2, // corresponding points
inliers, // outputed inliers matches
RANSAC, // RANSAC method
1.); // max distance to reprojection point
//画出局内匹配项
drawMatches(image1, keypoints1, // 1st image and its keypoints
image2, keypoints2, // 2nd image and its keypoints
matches, // the matches
imageMatches, // the image produced
Scalar(255, 255, 255), // color of the lines
Scalar(255, 255, 255), // color of the keypoints
inliers,
2);
imshow("Homography inlier points", imageMatches);
//用单应矩阵对图像进行变换
Mat result;
warpPerspective(image1, // input image
result, // output image
homography, // homography
Size(2*image1.cols,image1.rows)); // size of output image
//拼接
Mat half(result,Rect(0,0,image2.cols,image2.rows));
image2.copyTo(half);
imshow("Image mosaic",result);
waitKey();
return 0;
}
结果如下
![img_395817e9ddb9fa537af7a9d38ab50756.png](https://yqfile.alicdn.com/img_395817e9ddb9fa537af7a9d38ab50756.png?x-oss-process=image/resize,w_1400/format,webp)
![img_5d5d088ed76258a3a1b450035444ea76.png](https://yqfile.alicdn.com/img_5d5d088ed76258a3a1b450035444ea76.png?x-oss-process=image/resize,w_1400/format,webp)
可以看到通过变换视角,可以对图像进行拼接。当然距离真正的全景图像的合成还有点距离,比如说有明显边界,扭曲严重等问题。OpenCV3中提供了一个函数叫stitcher,可以得到比较好的拼接效果。接下来的一段时间就需要我去研究一下里面的实现了,敬请期待吧 →_→!
References:
SLAM入门之视觉里程计(5):单应矩阵
Opencv Sift和Surf特征实现图像无缝拼接生成全景图像
opencv计算机视觉编程攻略(第三版) —— Robert Laganiere