特征点匹配于图像拼接的应用——基于Opencv3.4的SURF算法图像拼接

本文链接：https://blog.youkuaiyun.com/Winder_Sky/article/details/79891154

本文介绍了如何利用OpenCV3.4中的SURF算法进行图像拼接。首先，对比了SIFT和SURF在特征点检测上的差异，然后阐述了如何结合RANSAC算法去除误匹配点，并通过加权平均优化拼接线，最终实现图像的无缝拼接。代码示例展示了整个过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近一直在学习关于特征点和图像拼接这一块的知识，相比说道特征点匹配，大家能想到的最最经典的便是1999年由David Lowe提出的SIFT（尺度不变特征变换Scale-invariant feature transform），虽然这种算法对于特征点的匹配程度最高，效果较好，然而由于其对于计算量的问题，难以实现高效率的描述生成，所以为满足实时条件的需求，针对SIFT的改进算法SURF应运而生。个人认为，SURF方面对于SIFT的较大改进是特征点检测阶段，使用了Hessian矩阵代替了SIFT中的高斯变换，获取极值点。当然在方向定位和对特征的描述子的定义方面，也有一定的出入。

当SURF用于图像拼接过程中，单一的SURF算法，仅仅能够获取图像的特征点，方向，及其对应的描述子，而在这个过程中，需要有一个误匹配点筛选过程，这里我们使用常用的RANSAC算法来对误匹配点进行筛选，这个算法的大概原理就是，随机抽取一定的特征点进行数学建模，再用模型评估其他匹配点，如此迭代直到得到的模型符合绝大多数的匹配点为止。而在映射拼接后，我们需要对拼接线进行优化处理，这里用到了加权平均的方法。

程序如下：

#include <stdio.h>
#include <iostream>
#include<vector>