【OpenCV实现多图像拼接】

1 OpenCV 图像拼接核心原理

图像拼接（Image Stitching）是将多张具有重叠区域的图像合并为一张全景图的技术。核心流程如下：

1. 特征检测与描述符提取

   • 使用 SIFT、SURF 或 ORB 等算法检测关键点
   • 计算关键点的特征描述符（特征向量）

2. 特征匹配

   • 通过 BFMatcher 或 FlannBasedMatcher 匹配不同图像的特征点
   • 使用 KNN 算法筛选优质匹配点

3. 单应性矩阵估计

   • 使用 RANSAC 算法从匹配点计算单应性矩阵（Homography）
   • 消除错误匹配（离群点）

4. 图像变换与融合

   • 应用单应性矩阵进行透视变换
   • 使用加权融合或拉普拉斯金字塔融合消除接缝

---

2 OpenCV 图像拼接实现代码

方法一：使用 OpenCV 内置 Stitcher 类（推荐）

import cv2
import numpy as np

# 读取图像
img1 = cv2.imread('img1.jpg')
img2 = cv2.imread('img2.jpg')

# 创建拼接器
stitcher = cv2.Stitcher_create()  # 或 cv2.createStitcher()（旧版本）

# 执行拼接
(status, panorama) = stitcher.stitch([img1, img2])

if status == cv2.Stitcher_OK:
    cv2.imshow('Panorama', panorama)
    cv2.imwrite('panorama.jpg', panorama)
    cv2.waitKey(0)
else:
    print(f"拼接失败，错误代码: {
     
     status}")

方法二：手动实现核心步骤

import cv2
import numpy as np

def stitch_images(img1, img2):
    # 1. 特征检测与描述符提取
    detector = cv2.SIFT_create()
    kp1, des1 = detector.detectAndCompute(img1, None)
    kp2, des2 = detector.detectAndCompute(img2, None)
    
    # 2. 特征匹配
    matcher = cv2.BFMatcher()
    matches = matcher.knnMatch(des1, des2, k=2)
    
    # 3. 筛选优质匹配（Lowe's ratio test）
    good = []
    for m, n in matches:
        if m.distance < 0.75 * n.distance:
            good.append(m)
    
    # 4. 计算单应性矩阵
    src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2)
    dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)
    
    H, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
    
    # 5. 透视变换与融合
    h1, w1 = img1.shape[:2]
    h2, w2 = img2.shape[:2]
    
    # 计算拼接后图像尺寸
    corners1 = np.float32([[0,0], [0,h1], [w1,h1], [w1,0]]).reshape(-1,1,2)
    corners2 = np.float32([[0,0], [0,h2], [w2,h2], [w2,0]]).reshape(-1,1,2)
    warped_corners = cv2.perspectiveTransform(corners2, H)
    
    all_corners = np.concatenate((corners1, warped_corners), axis=0)
    [x_min, y_min] = np.int32(all_corners.min(axis=0).ravel() - 0.5)
    [x_max, y_max] = np.int32(all_corners.max(axis=0)