import cv2 as cv
import numpy as np
def cv_show(name,img):
cv.imshow(name,img)
cv.waitKey(0)
cv.destroyAllWindows()
def detectAndDescribe(image):
gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
sift = cv.xfeatures2d.SIFT_create()
(kps,features)=sift.detectAndCompute(image,None)#这里的kps是一个特征点对象,<class 'list'>，属性有.pt关键点坐标
#.angle关键点方向 .response响应强度 .size该点的直径大小
kps = np.float32([kp.pt for kp in kps])#此刻得到kps特征点对象中每一个特征点的坐标。
return (kps,features)
def matchKeypoints(kpsA,kpsB,features1,features2,ratio):
bf = cv.BFMatcher()
rawMatches = bf.knnMatch(features1,features2,2)#rawMatcher是一个Dmatch型对象，属性有.distance描述符间距离
#.trainIdx样本图像特征点标识符，.queryIdx测试图像的特征点标识符，.imgIdx训练图像的索引
matches = []
for m,n in rawMatches:
if m.distance <n.distance *ratio:
matches.append((m.trainIdx,m.queryIdx)) #在match数组中将rawMatches对象匹配得到的样本图像的特征点下标和
# 对应的测试图像的特征点下标给储存下来
if len(matches)>4:
pts1 = np.float32([kpsA[i] for (_,i) in matches])#将测试图像的坐标储存到Pts1里
pts2 = np.float32([kpsB[i] for (i,_) in matches])#将样本图像的坐标储存到pts2里
# 计算视角变换矩阵H
#参数一，测试图像的特征点坐标，参数二，样本图像的特征点坐标，参数三，RANSAC算法：
#RANSCA原理， 因为拟合一条直线只需要两个点，因此我们每次随机选取两个点，做出直线，划定一个距离，判断落在直线周围距离范围点的个数，
# 不断的迭代，直到找出拟合的直线，使得点落在上面最多的拟合曲线
#参数四：参数范围1~10，原图像的点经过变换后点与目标图像上对应点的误差，超过了就是outlier
(H, status) = cv.findHomography(pts1, pts2, cv.RANSAC, 5)
return (matches, H, status)
return None
imageA = cv.imread("E:/opencv/picture/right1.jpg")
imageB = cv.imread("E:/opencv/picture/left1.png")
(kpsA,features1)=detectAndDescribe(imageA)
(kpsB,features2)=detectAndDescribe(imageB)
M = matchKeypoints(kpsA, kpsB, features1, features2, 0.75)
(matches, H, status) = M
# 将图片A进行视角变换，result是变换后图片
result = cv.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageB.shape[0]))
cv_show('result1',result)
result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
cv_show('result2', result)
经常遇到的一个错误：
new style getargs format but argument is not a tuple
针对这句代码：result = cv.warpPerspective(imageA,M,[imageA.shape[1]+imageB.shape[1],max(imageA.shape[0],imageB.shape[0])])
原因是size那个参数应该是tuple()，而不是list[]。即应该是（）而不是[]。
下面讲一下这个案例的大体过程：
1.首先我们是通过SIFT算法找到两张图（right,left）的特征点及特征向量，并把特征点的坐标储存起来。
2.通过蛮力匹配算法的得到kWmatches对象，将kWmatches对象的queryIdx和trainIdx给存起来，其中features1对应的图像为样本图像
3.求出样本图像的特征点坐标和测试图像的特征点坐标，找出这两坐标矩阵的H变换公式（利用RANSAC算法），将H变换公式对right图像做透视变换，得到拼接后的右边图像
4.将left原图赋给result对应的ROI区域，大功告成。
在这个图像处理案例中，主要涉及了使用OpenCV库在Python中进行图像拼接的过程，具体包含以下几个关键知识点：
1. **SIFT特征检测**：`SIFT`（Scale-Invariant Feature Transform，尺度不变特征变换）是一种强大的图像特征检测算法。在`detectAndDescribe()`函数中，首先将图像转换为灰度图像，然后使用`SIFT_create()`创建SIFT对象。`detectAndCompute()`方法用于在图像中检测关键点和计算它们的描述符。返回的关键点对象`kps`包含了每个关键点的位置（`.pt`）、方向（`.angle`）、响应强度（`.response`）和大小（`.size`）。
2. **特征匹配**：特征匹配是图像拼接中的重要步骤。`BFMatcher`（Brute-Force Matcher）是一个用于匹配特征点的简单算法。`knnMatch()`方法寻找最近邻匹配，返回`Dmatch`对象，包含匹配的距离（`.distance`）、样本图像特征点标识符（`.trainIdx`）和测试图像特征点标识符（`.queryIdx`）。设置参数`2`表示返回每个测试点的前两个最近邻。
3. **匹配过滤**：通过设定一个匹配比例阈值（`ratio`），过滤掉非最佳匹配。如果一个匹配点与其第二近邻的距离小于其最佳匹配距离的`ratio`倍，则认为是有效匹配。这部分通过`if m.distance < n.distance * ratio:`条件实现。
4. **RANSAC（Random Sample Consensus）**：RANSAC是一种用于估计数学模型参数的迭代算法，用于去除异常值。在这里，`findHomography()`函数利用RANSAC来估计图像间的透视变换矩阵`H`。参数包括两组匹配的特征点、RANSAC迭代次数和最大允许的点位移误差。
5. **透视变换**：利用找到的透视变换矩阵`H`，通过`warpPerspective()`函数对图像A进行透视变换，将其调整到与图像B相同的坐标系中，从而实现图像拼接。需要注意的是，`warpPerspective()`的第三个参数必须是一个包含宽度和高度的元组，而不是列表。
6. **图像拼接**：最终的图像拼接操作是将图像A经过透视变换后的结果与原图像B进行合并。通过设置子图像的ROI（Region of Interest）并赋值给结果图像的相应区域，完成拼接。
在这个案例中，由于原始代码中`warpPerspective()`函数的参数错误，使用了列表而不是元组，导致程序报错。修正这个问题后，可以正确执行图像拼接操作。整个流程从特征提取、匹配、透视变换到最后的图像融合，展示了OpenCV在图像处理中的强大功能。
