import cv2 as cv  # 導(dǎo)入opencv包
import numpy as np# 導(dǎo)入numpy包，圖像處理中的矩陣運算需要用到

# 檢測圖像的SIFT關(guān)鍵特征點
def sift_keypoints_detect(image):
 # 處理圖像一般很少用到彩色信息，通常直接將圖像轉(zhuǎn)換為灰度圖
 gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
 # 獲取圖像特征sift-SIFT特征點,實例化對象sift
 sift = cv.xfeatures2d.SIFT_create() 
 
 # keypoints:特征點向量,向量內(nèi)的每一個元素是一個KeyPoint對象，包含了特征點的各種屬性信息(角度、關(guān)鍵點坐標(biāo)等)
 # features:表示輸出的sift特征向量，通常是128維的
 keypoints, features = sift.detectAndCompute(image, None)
 
 # cv.drawKeyPoints():在圖像的關(guān)鍵點部位繪制一個小圓圈
 # 如果傳遞標(biāo)志flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,它將繪制一個大小為keypoint的圓圈并顯示它的方向
 # 這種方法同時顯示圖像的坐標(biāo)，size和方向，是最能顯示特征的一種繪制方式
 keypoints_image = cv.drawKeypoints(
  gray_image, keypoints, None, flags=cv.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)
 
 # 返回帶關(guān)鍵點的圖像、關(guān)鍵點和sift的特征向量
 return keypoints_image, keypoints, features

# 使用KNN檢測來自左右圖像的SIFT特征，隨后進行匹配
def get_feature_point_ensemble(features_right, features_left):
 # 創(chuàng)建BFMatcher對象解決匹配
 bf = cv.BFMatcher()
 # knnMatch()函數(shù)：返回每個特征點的最佳匹配k個匹配點
 matches = bf.knnMatch(features_right, features_left, k=2)  # des1為模板圖，des2為匹配圖
 # 利用sorted()函數(shù)對matches對象進行升序(默認(rèn))操作
 matches = sorted(matches, key=lambda x: x[0].distance / x[1].distance)
 # x:x[]字母可以隨意修改，排序方式按照中括號[]里面的維度進行排序，[0]按照第一維排序，[2]按照第三維排序
 # 建立列表good用于存儲匹配的點集
 good = []
 for m, n in matches:
 # ratio的值越大，匹配的線條越密集，但錯誤匹配點也會增多
 	ratio=0.6
  if m.distance < ratio * n.distance:
good.append(m)
 return good

# 計算視角變換矩陣H，用H對右圖進行變換并返回全景拼接圖像
def Panorama_stitching(image_right, image_left):
 _, keypoints_right, features_right = sift_keypoints_detect(image_right)
 _, keypoints_left, features_left = sift_keypoints_detect(image_left)
 goodMatch = get_feature_point_ensemble(features_right, features_left)
 # 當(dāng)篩選項的匹配對大于4對(因為homography單應(yīng)性矩陣的計算需要至少四個點)時,計算視角變換矩陣
 if len(goodMatch) > 4:
  # 獲取匹配對的點坐標(biāo)
  ptsR = np.float32(
[keypoints_right[m.queryIdx].pt for m in goodMatch]).reshape(-1, 1, 2)
  ptsL = np.float32(
[keypoints_left[m.trainIdx].pt for m in goodMatch]).reshape(-1, 1, 2)
  
  # ransacReprojThreshold：將點對視為內(nèi)點的最大允許重投影錯誤閾值(僅用于RANSAC和RHO方法時),若srcPoints和dstPoints是以像素為單位的，該參數(shù)通常設(shè)置在1到10的范圍內(nèi)
  ransacReprojThreshold = 4
  
  # cv.findHomography():計算多個二維點對之間的最優(yōu)單映射變換矩陣 H(3行x3列),使用最小均方誤差或者RANSAC方法
  # 函數(shù)作用:利用基于RANSAC的魯棒算法選擇最優(yōu)的四組配對點，再計算轉(zhuǎn)換矩陣H(3*3)并返回,以便于反向投影錯誤率達到最小
  Homography, status = cv.findHomography(
ptsR, ptsL, cv.RANSAC, ransacReprojThreshold)
  # cv.warpPerspective()：透視變換函數(shù)，用于解決cv2.warpAffine()不能處理視場和圖像不平行的問題
  # 作用：就是對圖像進行透視變換，可保持直線不變形，但是平行線可能不再平行
  result = cv.warpPerspective(
image_right, Homography, (image_right.shape[1] + image_left.shape[1], image_right.shape[0]))
  
  cv.imshow("扭曲變換后的右圖", result)
  cv.waitKey(0)
  cv.destroyAllWindows()
  # 將左圖加入到變換后的右圖像的左端即獲得最終圖像
  result[0:image_left.shape[0], 0:image_left.shape[1]] = image_left
  
  # 返回全景拼接的圖像
  return result

if __name__ == '__main__':
 # 讀取需要拼接的圖像,需要注意圖像左右的順序
 image_left = cv.imread("./Left.jpg")
 image_right = cv.imread("./Right.jpg")
 # 通過調(diào)用cv2.resize()使用插值的方式來改變圖像的尺寸，保證左右兩張圖像大小一致
 # cv.resize()函數(shù)中的第二個形參dsize表示輸出圖像大小尺寸，當(dāng)設(shè)置為0(None)時，則表示按fx與fy與原始圖像大小相乘得到輸出圖像尺寸大小
 image_right = cv.resize(image_right, None, fx=0.4, fy=0.24)
 image_left = cv.resize(image_left, (image_right.shape[1], image_right.shape[0]))
 # 獲取檢測到關(guān)鍵點后的圖像的相關(guān)參數(shù)
 keypoints_image_right, keypoints_right, features_right = sift_keypoints_detect(image_right)
 keypoints_image_left, keypoints_left, features_left = sift_keypoints_detect(image_left)
 # 利用np.hstack()函數(shù)同時將原圖和繪有關(guān)鍵點的圖像沿著豎直方向(水平順序)堆疊起來
 cv.imshow("左圖關(guān)鍵點檢測", np.hstack((image_left, keypoints_image_left)))
 # 一般在imshow后設(shè)置 waitKey(0) , 代表按任意鍵繼續(xù)
 cv.waitKey(0)
 # 刪除先前建立的窗口
 cv.destroyAllWindows()
 cv.imshow("右圖關(guān)鍵點檢測", np.hstack((image_right, keypoints_image_right)))
 cv.waitKey(0)
 cv.destroyAllWindows()
 goodMatch = get_feature_point_ensemble(features_right, features_left)
 # cv.drawMatches():在提取兩幅圖像特征之后，畫出匹配點對連線
 # matchColor – 匹配的顏色（特征點和連線),若matchColor==Scalar::all(-1),顏色隨機
 all_goodmatch_image = cv.drawMatches(
  image_right, keypoints_right, image_left, keypoints_left, goodMatch, None, None, None, None, flags=2)
 cv.imshow("所有匹配的SIFT關(guān)鍵特征點連線", all_goodmatch_image)
 cv.waitKey(0)
 cv.destroyAllWindows()
 # 把圖片拼接成全景圖并保存
 result = Panorama_stitching(image_right, image_left)
 cv.namedWindow("全景圖", cv.WINDOW_AUTOSIZE)
 cv.imshow("全景圖", result)
 cv.imwrite("./全景圖.jpg", result)
 cv.waitKey(0)
 cv.destroyAllWindows()