opencv自帶的stitching速度很慢，而且對多圖容易出錯，好象對豎着拍攝的圖（高>寬）不能用。
其中一個最大的原因是每一張圖都要和其它的圖去比對，如果有10張圖，除去自身不用比對外，
要比對 10X(10-1) = 90 次。是以慢得不能忍受。（等了很久很久，咚的出錯，這感受真的不好）
我們拍攝全景圖的時候都是從左到右，或者從右到左，前後兩張圖一般有部分重合。
是以我們這裡隻對前後兩張圖比對，然後連成一串。
流程：
1。從清單(list.txt)檔案裝載圖像檔案名
2。前後比對
3。計算比對圖像的相對位置
4。以第一張圖左上角點為原點，找到所有圖的位置（同一坐标系）
5。再計算最小，最大邊界，并建構一個大圖
6。再把所有圖像放到一個大圖中
main:
int main ()
{
/* 特征點的提取與比對 */
vector<string> image_names; // image_names[i]表示第i個圖像的名稱
LoadImageNamesFromFile("list0.txt",image_names);//從list.txt檔案裝載圖像檔案名
vector<vector<KeyPoint>> image_keypoints; // image_keypoints[i]表示第i個圖像的特征點
vector<Mat> image_descriptor; // image_descriptor[i]表示第i個圖像的特征向量描述符
//vector<vector<Vec3b>> image_colors; // image_colors[i]表示第i個圖像特征點的顔色
vector<vector<DMatch>> image_matches; // image[i]表示第i幅圖像和第i+1幅圖像特征點比對的結果
extract_features (image_names, image_keypoints, image_descriptor/*, image_colors*/); // 提取特征點
match_features2 (image_descriptor, image_matches); // 特征點比對
//gms_match_features(image_keypoints,img0.size(),image_matches);
//單應性過濾特征點
for (unsigned int i=0;i<image_matches.size ();i++)
{
refineMatchesWithHomography( image_keypoints[i], image_keypoints[i+1],1.0, image_matches[i] );
}
image_descriptor.swap(vector<Mat>());//比對完清除記憶體
Mat img0 = imread(image_names[0]);//讀出一個圖
img0= mynarrow(img0);//如果太大縮小一點。（>2400*1200的）
//顯示比對
//for (unsigned int i=0;i<image_matches.size ();i++)
//{
// Mat img1 = imread(image_names[i]);
// Mat img2 = imread(image_names[i+1]);//讀出一個圖
// Mat show = DrawInlier(img1, img2, image_keypoints[i], image_keypoints[i+1], image_matches[i], 1);
// imshow("比對圖", show);
// char wname[255];
// sprintf(wname,"met%d.jpg",i);
// imwrite(String(wname),show);
// waitKey();
//}
vector<cv::Point2f> position_da; // position_da[i]表示第i個圖像在大圖中的位置(左上角)
Point2f position_s=Point2f(0,0);
position_da.push_back (position_s); // 第1個圖像為原點
for (unsigned int i=0;i<image_matches.size ();i++)
{
if(image_matches[i].size ()==0)break;//如果無比對點，則後面的就取消了
//得到比對點坐标
vector<Point2f> points1, points2;
get_match_points (image_keypoints[i], image_keypoints[i+1] ,image_matches[i], points1, points2);
unsigned int shi=image_matches[i].size ();
shi=(shi>10)?10:shi;//隻取前十個
Point2f a;
for(unsigned int j=0;j<shi;j++)
{
a.x+=points1[j].x-points2[j].x;
a.y+=points1[j].y-points2[j].y;
}
a.x /=shi;a.y /=shi;//取平均值
cout << "兩個相差："<<a<< endl;
//在大圖的位置
position_s.x=position_s.x+a.x;
position_s.y=position_s.y+a.y;
position_da.push_back (position_s);
cout << "目前位置："<<position_s<< endl;
}
vector<vector<KeyPoint>>().swap(image_keypoints);//已經用不到了,清除容器并最小化它的容量
//再計算最小，最大邊界
int xmin=0,xmax=0,ymin=0,ymax=0;
for (unsigned int i=1;i<position_da.size ();i++)
{
xmin=(position_da[i].x<xmin)?position_da[i].x:xmin;
xmax=(position_da[i].x>xmax)?position_da[i].x:xmax;
ymin=(position_da[i].y<ymin)?position_da[i].y:ymin;
ymax=(position_da[i].y>ymax)?position_da[i].y:ymax;
}
//計算大圖寬高
int h = img0.rows + ymax-ymin;//拼接圖行數(高度)
int w = img0.cols + xmax-xmin;//拼接圖列數（寬度）
Mat stitch = Mat::zeros(h, w, CV_8UC3);
//再把所有圖像放到一個大圖中(拼接)
for (unsigned int i=0;i<position_da.size ();i++)
{
img0 = imread(image_names[i]);//讀出一個圖//左圖像
img0= mynarrow(img0);//如果太大縮小一點。
Mat roi2(stitch, Rect(position_da[i].x-xmin, position_da[i].y-ymin, img0.cols, img0.rows));
img0(Range(0, img0.rows), Range(0, img0.cols)).copyTo(roi2);
}
imshow("拼接結果", stitch);
imwrite("stitch.jpg", stitch);
waitKey();
return 0;
} 用到的函數：
//如果圖像太大縮小一半
Mat mynarrow(Mat img)
{
Mat dst ;//讀出一個圖
if(img.rows*img.cols>2400*1200)
resize(img,dst,Size(),0.5,0.5);
else
dst=img.clone();
return dst;
}
在所有讀圖的地方都要用上。
過濾函數：
//用單應性過濾比對
bool refineMatchesWithHomography(const std::vector<cv::KeyPoint>& queryKeypoints,
const std::vector<cv::KeyPoint>& trainKeypoints,
float reprojectionThreshold,
std::vector<cv::DMatch>& matches//,
//cv::Mat& homography
)
{ cv::Mat homography;
const int minNumberMatchesAllowed = 4;
if (matches.size() < minNumberMatchesAllowed)
return false;
// 為 cv::findHomography 準備資料
std::vector<cv::Point2f> queryPoints(matches.size());
std::vector<cv::Point2f> trainPoints(matches.size());
for (size_t i = 0; i < matches.size(); i++)
{
queryPoints[i] = queryKeypoints[matches[i].queryIdx].pt;
trainPoints[i] = trainKeypoints[matches[i].trainIdx].pt;
}
// 查找單應矩陣并擷取内點掩碼
std::vector<unsigned char> inliersMask(matches.size());
homography = cv::findHomography(queryPoints,
trainPoints,
CV_FM_RANSAC,
reprojectionThreshold,
inliersMask);
std::vector<cv::DMatch> inliers;
for (size_t i=0; i<inliersMask.size(); i++)
{
if (inliersMask[i])
inliers.push_back(matches[i]);
}
matches.swap(inliers);
//Mat homoShow;
//drawMatches(src,queryKeypoints,frameImg,trainKeypoints,matches,homoShow,Scalar::all(-1),CV_RGB(255,255,255),Mat(),2);
//imshow("homoShow",homoShow);
return matches.size() > minNumberMatchesAllowed;
} 其它的在前一個文章中
效果圖：
38個圖合成
75個圖合成
由于原始圖像太大，上傳是縮小了。雖然效果不是很理想，但速度很快
第一個拍了2圈，第二個拍了3圈，如果分别分成2次和3次合成，可能不一樣。
結束
-----------------------分隔線---------------------------------
應有人要完整的程式，現修改一下：
請把-main- "複制" 儲存為 “快主main函數.cpp”
再把-mynarrow函數- "複制" 儲存為 "mynarrow函數.cpp"
把-過濾函數- "複制" 儲存為 "過濾函數.cpp"
最後把下面的函數- "複制" 儲存為 "擷取比對點坐标.cpp"
//擷取比對點坐标
/********************************************************************************************************
參數：
keypoints1 第一張圖檔的特征點; keypoints2 第二張圖檔的特征點; matches 比對的結果; (points1[i], points2[i]) 第
i個比對的特征點對。
功能：
利用兩張圖檔的特征點keypoints1、keypoints2和比對的結果matches，可以得到兩個數組points1和points2，
(points1[i], points2[i])表示第i個比對的特征點對。
*********************************************************************************************************/
void get_match_points (
vector<KeyPoint> keypoints1,
vector<KeyPoint> keypoints2,
vector<DMatch> matches,
vector<Point2f>& points1,
vector<Point2f>& points2
)
{
for (int i = 0; i < matches.size (); i++)
{
points1.push_back (keypoints1[matches[i].queryIdx].pt);
points2.push_back (keypoints2[matches[i].trainIdx].pt);
}
}
完整的程式為：
#include "頭包含.cpp"
#include "用到的函數.cpp"
//#include "主main函數.cpp"
//=================分隔線（之前在上一篇中）=======================
#include "mynarrow函數.cpp"
#include "過濾函數.cpp"
#include "擷取比對點坐标.cpp"
#include "快主main函數.cpp"