python+opencv读取两张图像进行拼接图像

Question

python+opencv读取两张图像进行拼接图像
图像一左边(200x5000)和图像二(4800x
5000)右边有重叠区域，大概占图像的五分之一，两张图像的像素比较大(5000x5000)，将图像一左边大概固定区域(200x5000)和图像二右边大概固定区域(4800x5000)计算一个刚性变换的矩阵，将图像二向图像一往右移动(消除重叠)，使用一张空白(10000x10000)的图像将这两张图像进行拼接

Answer 1

让【宝码香车】来帮您解答，本回答参考DeepSeek编写，并整理提供。

如果答案让您满意，请采纳、点赞、关注，非常感谢！
.
每日一句正能量，让它带给您好心情：你现在的努力，是为了以后能有更多的自由。
.

Python + OpenCV 图像拼接方案

针对您的大尺寸图像拼接需求，以下是完整的解决方案：

思路分析

1. 两张图像有重叠区域（约1/5宽度）
2. 需要计算刚性变换矩阵（旋转+平移）
3. 使用大画布（10000×10000）进行最终拼接

完整代码实现

import cv2
import numpy as np


def stitch_images(image1_path, image2_path, output_path):
    """
    拼接两张有重叠区域的大尺寸图像
    
    Args:
        image1_path: 左侧图像路径 (200x5000)
        image2_path: 右侧图像路径 (4800x5000)
        output_path: 输出图像路径
    """
    
    # 读取图像
    img1 = cv2.imread(image1_path)  # 左侧图像
    img2 = cv2.imread(image2_path)  # 右侧图像
    
    if img1 is None or img2 is None:
        print("错误：无法读取图像文件")
        return
    
    print(f"图像1尺寸: {img1.shape}")
    print(f"图像2尺寸: {img2.shape}")
    
    # 定义重叠区域（假设重叠区域占图像2宽度的1/5）
    overlap_ratio = 0.2
    overlap_width = int(img2.shape[1] * overlap_ratio)
    
    # 从图像1提取右侧特征区域（用于匹配）
    img1_features = img1[:, -overlap_width:] if img1.shape[1] > overlap_width else img1
    
    # 从图像2提取左侧特征区域（用于匹配）
    img2_features = img2[:, :overlap_width]
    
    # 转换为灰度图进行特征检测
    gray1 = cv2.cvtColor(img1_features, cv2.COLOR_BGR2GRAY)
    gray2 = cv2.cvtColor(img2_features, cv2.COLOR_BGR2GRAY)
    
    # 使用SIFT特征检测器
    sift = cv2.SIFT_create()
    keypoints1, descriptors1 = sift.detectAndCompute(gray1, None)
    keypoints2, descriptors2 = sift.detectAndCompute(gray2, None)
    
    # 特征匹配
    bf = cv2.BFMatcher()
    matches = bf.knnMatch(descriptors1, descriptors2, k=2)
    
    # 应用Lowe's比率测试筛选好的匹配点
    good_matches = []
    for match_pair in matches:
        if len(match_pair) == 2:
            m, n = match_pair
            if m.distance < 0.7 * n.distance:
                good_matches.append(m)
    
    print(f"找到 {len(good_matches)} 个好的匹配点")
    
    if len(good_matches) < 4:
        print("错误：匹配点不足，无法计算变换矩阵")
        return
    
    # 提取匹配点的坐标
    src_pts = np.float32([keypoints1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    dst_pts = np.float32([keypoints2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    
    # 注意：由于我们提取的是局部区域，需要调整坐标到完整图像坐标系
    src_pts[:, 0, 0] += img1.shape[1] - overlap_width  # 图像1的特征区域在右侧
    dst_pts[:, 0, 0] += 0  # 图像2的特征区域在左侧
    
    # 计算刚性变换矩阵（只包含旋转和平移）
    M, mask = cv2.estimateAffinePartial2D(dst_pts, src_pts, method=cv2.RANSAC, ransacReprojThreshold=5.0)
    
    if M is None:
        print("错误：无法计算变换矩阵")
        return
    
    print(f"变换矩阵:\n{M}")
    
    # 创建大画布 (10000x10000)
    canvas = np.zeros((10000, 10000, 3), dtype=np.uint8)
    
    # 计算图像2变换后的位置
    height2, width2 = img2.shape[:2]
    corners = np.array([[0, 0], [width2, 0], [width2, height2], [0, height2]], dtype=np.float32)
    transformed_corners = cv2.transform(corners.reshape(1, -1, 2), M).reshape(-1, 2)
    
    # 计算画布中的偏移量，确保两张图像都能完整显示
    min_x = min(0, transformed_corners[:, 0].min())
    min_y = min(0, transformed_corners[:, 1].min())
    
    offset_x = int(abs(min_x)) + 100  # 添加边距
    offset_y = int(abs(min_y)) + 100
    
    # 将图像1放置到画布上
    h1, w1 = img1.shape[:2]
    canvas[offset_y:offset_y+h1, offset_x:offset_x+w1] = img1
    
    # 变换图像2并放置到画布上
    # 调整变换矩阵以包含偏移
    M_adjusted = M.copy()
    M_adjusted[0, 2] += offset_x
    M_adjusted[1, 2] += offset_y
    
    # 应用变换
    warped_img2 = cv2.warpAffine(img2, M_adjusted, (canvas.shape[1], canvas.shape[0]), 
                                flags=cv2.INTER_LINEAR, borderMode=cv2.BORDER_TRANSPARENT)
    
    # 创建掩码并融合图像
    mask1 = np.zeros((canvas.shape[0], canvas.shape[1]), dtype=np.uint8)
    mask1[offset_y:offset_y+h1, offset_x:offset_x+w1] = 255
    
    mask2 = (warped_img2.sum(axis=2) > 0).astype(np.uint8) * 255
    
    # 简单融合：直接覆盖（对于刚性变换通常效果很好）
    result = canvas.copy()
    result[warped_img2 > 0] = warped_img2[warped_img2 > 0]
    
    # 裁剪掉多余的黑色区域
    non_black_mask = (result.sum(axis=2) > 0)
    coords = np.argwhere(non_black_mask)
    if len(coords) > 0:
        y_min, x_min = coords.min(axis=0)
        y_max, x_max = coords.max(axis=0)
        result = result[y_min:y_max+1, x_min:x_max+1]
    
    # 保存结果
    cv2.imwrite(output_path, result)
    print(f"拼接完成，结果保存至: {output_path}")
    print(f"最终图像尺寸: {result.shape}")


# 使用示例
if __name__ == "__main__":
    # 替换为您的实际图像路径
    image1_path = "left_image.jpg"  # 左侧图像 (200x5000)
    image2_path = "right_image.jpg" # 右侧图像 (4800x5000)
    output_path = "stitched_result.jpg"
    
    stitch_images(image1_path, image2_path, output_path)

关键步骤说明

1. 特征提取与匹配

• 使用SIFT算法检测特征点
• 通过BFMatcher进行特征匹配
• 应用Lowe's比率测试筛选优质匹配点

2. 刚性变换计算

• 使用estimateAffinePartial2D计算只包含旋转和平移的变换矩阵
• RANSAC算法提高变换矩阵的鲁棒性

3. 图像拼接

• 创建10000×10000的大画布
• 将变换后的图像2与图像1进行融合
• 自动裁剪黑色边界区域

优化建议

1. 内存优化：对于5000×5000的大图像，可以考虑分块处理
2. 特征检测参数：根据图像特性调整SIFT参数
3. 融合方式：可以尝试多频段融合以获得更平滑的过渡

这个方案应该能够很好地处理您的大尺寸图像拼接需求。如果遇到具体问题，可以进一步调整参数。