深圳黄页企业联系方式_内蒙古自治区住房和城乡建设厅官网_抖音seo招商_百度优化

核心思路：

读取匹配点：使用匹配点信息计算图像之间的变换矩阵。
图像变换：通过变换矩阵将图像对齐。
图像合并：将对齐后的图像拼接到最终大图中。

import cv2
import numpy as npdef stitch_images(image_list, keypoints_list):"""拼接图像的函数。:param image_list: 包含所有图像的列表:param keypoints_list: 每两个相邻图像的匹配点信息，格式为：[((src_pts_1, dst_pts_1), (src_pts_2, dst_pts_2), ...)]其中 src_pts 和 dst_pts 分别是两图的匹配点。:return: 拼接完成的大图。"""# 初始化拼接结果，先以第一张图像为基础stitched_image = image_list[0].copy()h, w = stitched_image.shape[:2]# 初始化最终大图的画布canvas_height = h * 2canvas_width = w * len(image_list)final_canvas = np.zeros((canvas_height, canvas_width, 3), dtype=np.uint8)# 将第一张图像放置在画布中央offset = (canvas_width // 4, canvas_height // 4)final_canvas[offset[1]:offset[1] + h, offset[0]:offset[0] + w] = stitched_image# 当前图像的变换矩阵current_transform = np.eye(3)# 遍历相邻图像，依次拼接for i in range(len(keypoints_list)):src_pts, dst_pts = keypoints_list[i]# 计算变换矩阵（透视变换或仿射变换）if len(src_pts) >= 4:transform_matrix, _ = cv2.findHomography(np.array(src_pts), np.array(dst_pts), cv2.RANSAC)else:transform_matrix = cv2.estimateAffine2D(np.array(src_pts), np.array(dst_pts))[0]transform_matrix = np.vstack([transform_matrix, [0, 0, 1]])# 更新当前变换矩阵current_transform = current_transform @ transform_matrix# 对下一张图像进行变换next_image = image_list[i + 1]warped_image = cv2.warpPerspective(next_image, current_transform, (canvas_width, canvas_height))# 将变换后的图像叠加到画布mask = (warped_image > 0).astype(np.uint8)  # 避免覆盖已有内容final_canvas = cv2.add(final_canvas, warped_image * mask)return final_canvas# 示例用法
if __name__ == "__main__":# 示例图像和匹配点images = [cv2.imread(f"image_{i}.jpg") for i in range(4)]  # 替换为实际的图像路径keypoints = [([(50, 50), (200, 50), (50, 200)], [(10, 10), (160, 10), (10, 160)]),([(10, 10), (160, 10), (10, 160)], [(20, 20), (180, 20), (20, 180)]),# 添加更多相邻图像的匹配点]result = stitch_images(images, keypoints)cv2.imwrite("stitched_image.jpg", result)cv2.imshow("Stitched Image", result)cv2.waitKey(0)cv2.destroyAllWindows()

1. 计算变换矩阵的两种方法

在图像拼接中，使用匹配点计算变换矩阵是关键步骤。常用的方法有透视变换（Homography）和仿射变换（Affine Transformation）。选择哪种变换方法，取决于匹配点的数量和图像内容的几何关系。

1.1 透视变换（Homography）

函数：cv2.findHomography()

适用场景：两张图像为投影变换；匹配点数量不少于4；能处理平面旋转、缩放、平移以及透视失真。

公式：

$\begin{bmatrix} {x}'\\ {y}'\\ 1\\ \end{bmatrix} =H \cdot \begin{bmatrix} x\\ y\\ 1 \end{bmatrix}$

其中H为3×3矩阵

代码解释：

transform_matrix, _ = cv2.findHomography(np.array(src_pts), np.array(dst_pts), cv2.RANSAC)

src_pts: 源图像中的点集合（形状为 n×2）。
dst_pts: 目标图像中的点集合。
cv2.RANSAC: 使用随机抽样一致性算法来剔除错误的匹配点。
transform_matrix: 计算出的3×3 变换矩阵。

优点

能处理复杂的透视变换关系。

缺点

需要至少 4 个匹配点，匹配点数量较少时可能会不稳定。

1.2 仿射变换

函数：cv2.estimateAffine2D

适用场景：

当两张图像之间的关系是仿射变换。
匹配点数量不少于 3。
仿射变换仅支持缩放、旋转、平移，不支持透视失真。

公式：

$\begin{bmatrix} {x}'\\ {y}' \end{bmatrix} = A \cdot \begin{bmatrix} x\\ y \end{bmatrix} + t$

其中 A 是 2×2 的旋转缩放矩阵，t 是平移向量。

代码解释：

transform_matrix = cv2.estimateAffine2D(np.array(src_pts), np.array(dst_pts))[0]

src_pts: 源图像中的点集合。
dst_pts: 目标图像中的点集合。
返回的矩阵是 2×32 \times 32×3 仿射变换矩阵。

transform_matrix = np.vstack([transform_matrix, [0, 0, 1]])

仿射变换矩阵需要扩展为 3×3 矩阵，方便后续统一处理

2.图像变换

warped_image = cv2.warpPerspective(next_image, current_transform, (canvas_width, canvas_height))

next_image: 需要变换的源图像。
current_transform: 当前的 3×3变换矩阵。
(canvas_width, canvas_height): 输出图像的尺寸。