opencv Python 立体图像拼接代码

以下是一个简单的立体图像拼接代码示例，使用Python和OpenCV库实现：

import cv2
import numpy as np

# 读取左右图像
img_left = cv2.imread('left.jpg')
img_right = cv2.imread('right.jpg')

# 转换为灰度图像
gray_left = cv2.cvtColor(img_left, cv2.COLOR_BGR2GRAY)
gray_right = cv2.cvtColor(img_right, cv2.COLOR_BGR2GRAY)

# 初始化SIFT检测器
sift = cv2.xfeatures2d.SIFT_create()

# 使用SIFT检测关键点和描述符
kp_left, des_left = sift.detectAndCompute(gray_left, None)
kp_right, des_right = sift.detectAndCompute(gray_right, None)

# 使用FLANN匹配器进行关键点匹配
flann = cv2.FlannBasedMatcher()
matches = flann.knnMatch(des_left, des_right, k=2)

# 根据Lowe's ratio test进行筛选
good_matches = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good_matches.append(m)

# 从匹配的关键点中提取左右图像的对应点
pts_left = np.float32([kp_left[m.queryIdx].pt for m in good_matches])
pts_right = np.float32([kp_right[m.trainIdx].pt for m in good_matches])

# 计算基础矩阵
F, mask = cv2.findFundamentalMat(pts_left, pts_right, cv2.FM_RANSAC)

# 从基础矩阵中提取左右图像的对应点
pts_left = pts_left[mask.ravel() == 1]
pts_right = pts_right[mask.ravel() == 1]

# 根据对应点计算左右图像的单应性矩阵
H_left, _ = cv2.findHomography(pts_left, pts_right, cv2.RANSAC, 5.0)
H_right, _ = cv2.findHomography(pts_right, pts_left, cv2.RANSAC, 5.0)

# 将左右图像进行单应性变换
img_left_warped = cv2.warpPerspective(img_left, H_left, (img_left.shape[1], img_left.shape[0]))
img_right_warped = cv2.warpPerspective(img_right, H_right, (img_right.shape[1], img_right.shape[0]))

# 将两幅图像拼接在一起
result = np.zeros((img_left.shape[0], img_left.shape[1]*2, img_left.shape[2]), dtype=np.uint8)
result[:, :img_left.shape[1], :] = img_left_warped
result[:, img_left.shape[1]:, :] = img_right_warped

# 显示拼接结果
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

这段代码首先读取左右图像，然后将它们转换为灰度图像，并使用SIFT检测器检测关键点和描述符。然后使用FLANN匹配器进行关键点匹配，并根据Lowe's ratio test进行筛选，提取出左右图像的对应点。

接下来，使用OpenCV的`findFundamentalMat`函数计算基础矩阵，并从基础矩阵中提取左右图像的对应点。然后使用`findHomography`函数分别计算左右图像的单应性矩阵，并将它们应用到左右图像上，使它们对齐。

最后，将左右图像拼接在一起，并显示拼接结果。