ORB特征匹配与图像拼接李雅峰95课件讲解.pptxVIP

计算机视觉应用ORB特征匹配与图像拼接主讲人：李雅峰

计算机视觉应用

ORB特征匹配与图像拼接

图像拼接

图像拼接图像拼接技术ORB特征匹配单应性矩阵

项目目标与准备工作第一部分

“学什么”“备什么”

1.项目目标掌握特征匹配→单应性矩阵→图像拼接的完整流程；1.理解单应性矩阵在图像映射中的作用；2.实现两张重叠图像的简单拼接，为全景图制作打下基础。3.

2.准备工作拍摄两张有50%重叠的风景图如从左到右拍摄同一场景，命名为scene_left.jpg、scene_right.jpg；素材方面用到4个核心技术ORB特征检测（快速特征）暴力匹配（特征对应）单应性矩阵（几何变换）图像映射（坐标转换）

核心步骤拆解代码逐行解释第二部分

“为什么这么写”“参数是什么意思”

1.核心步骤拆解导入两个必要的库导入两个必要的库OpenCV核心库处理数组新建一个叫exp2_orb_stitching.py的文件

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第一步：读取图像+灰度转换读左图读右图

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第一步：读取图像+灰度转换分别读取左右两张图像scene_left.jpgscene_right.jpg

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第一步：读取图像+灰度转换读左图读右图加判断确保两张图像都读取成功关键步骤为什么要转灰度？因为ORB特征检测在灰度图上效果更好，计算速度更快。

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第二步：ORB特征检测创建ORB检测器检测关键点和描述子设置检测1000个特征点，保证有足够的匹配点；为两张图像分别提取特征

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第三步：暴力匹配与筛选创建匹配器执行K近邻匹配适用于ORB特征的距离度量为什么用k=2？为了后续进行RatioTest筛选；RatioTest筛选只保留质量高的匹配对，减少误匹配。

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第四步：匹配结果可视化绘制匹配结果添加标注只显示前50个最佳匹配用红色文字标注

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第五步：计算单应性矩阵（核心变换）提取对应点坐标为什么要reshape？因为findHomography函数需要特定格式的输入；计算单应性矩阵使用随机抽样一致性算法去除外点重投影误差阈值

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第六步：图像映射与拼接

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第六步：图像映射与拼接

1.核心步骤拆解img_left=cv2.imread(scene_left.jpg,cv2.IMREAD_COLOR)第七步：结果显示与保存添加最终标注用绿色文字标注保存结果图像scene_panorama.jpgscene_matches.jpg

运行验证与结果分析第三部分

图像拼接的关键规律单应性矩阵描述图像间的投影变换关系RANSAC算法能有效去除错误匹配

3.结果与分析cv2.findHomography()的RANSAC算法能去除错误匹配（外点），提高映射精度；描述了右图到左图的投影变换关系，是图像映射的核心；单应性矩阵

3.结果与分析合并时需避免右图的黑色背景覆盖左图；全景图的宽度需足够大，确保映射后的右图能完整显示；拼接关键

3.结果与分析重叠区域匹配均匀且无缝拼接

总结“图像拼接怎么做”“单应性矩阵怎么用”“特征匹配怎么实现”

总结掌握了图像拼接流程，以后遇到全景图制作、虚拟现实等应用都能轻松应对！记住：计算机视觉落地不是靠复杂算法，而是把基础技术用对地方。