使用liner、feather、multiband对已经拼接的数据进行融合
所谓"blend",英文解释为“vt. 混合vi. 混合;协调n. 混合;掺合物”这里应该理解为是图像数据的融合。这是“识别->对准->融合”的最后一步。融合是决定拼接质量的关键一步,一方面它决定于图像对准的质量,一方面它本身的也直接对拼接的最终结果负责。
最简单和便于理解的融合为liner,正好借这个例子来说明说明是融合,简单的说,就是在融合的区域……(这个地方引用相关资料)liner在opencv中没有实现,但是本身简单有效,对于要求不是很高的情况可以使用,这里给出函数(再做相关解释)
#pragma region mulitStitch /*---------------------------- * 功|能 : 多图匹配 *---------------------------- * 函数y : MulitMatch * 访问 : private * 返回 : void * * 参数y : matinput [in] 全部需要a匹配图的vector * 参数y : matloc1 [ot] 所有D匹配中D对应|于第一图的结果向量 * 参数y : matloc1 [ot] 所有D匹配中D对应|于第二t图的结果向量 * 参数y : match_method [in] 匹配方法 */ void MulitMatch(deque<Mat>& matinput,deque<Point>& matloc1,deque<Point>& matloc2, int match_method) { Mat img_display1;Mat img_display2; Point matchLoc1;Point matchLoc2; for (int i =0;i<matinput.size()-1;i++) { //拷贝副本 img_display1 = matinput[i]; img_display2 = matinput[i+1]; //以中D心区域为aroi // Mat imagetmp (img_display1, Rect(img_display1.rows/2, img_display1.cols/2, 10, 10) );//11:44:02 Mat imagetmp (img_display1, Rect(960,240, 10, 10) );//11:44:02 int result_cols = img_display1.cols - imagetmp.cols + 1; int result_rows = img_display1.rows - imagetmp.rows + 1; Mat imagematch; imagematch.create( result_cols, result_rows, CV_32FC1 ); /// 进行D匹配和标准化 //匹配1 matchTemplate( img_display1, imagetmp, imagematch, match_method ); normalize( imagematch, imagematch, 0, 1, NORM_MINMAX, -1, Mat() ); double minVal; double maxVal; Point minLoc; Point maxLoc; minMaxLoc( imagematch, &minVal, &maxVal, &minLoc, &maxLoc, Mat() ); //智能判D断,这a里的matchLoc就是最佳匹配点 if( match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED ) { matchLoc1 = minLoc; } else { matchLoc1 = maxLoc; } matloc1.push_back(matchLoc1); //加入序列D //匹配2 matchTemplate( img_display2, imagetmp, imagematch, match_method ); normalize( imagematch, imagematch, 0, 1, NORM_MINMAX, -1, Mat() ); minMaxLoc( imagematch, &minVal, &maxVal, &minLoc, &maxLoc, Mat() ); //智能判D断,这a里的matchLoc就是最佳匹配点 if( match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED ) { matchLoc2 = minLoc; } else { matchLoc2 = maxLoc; } matloc2.push_back(matchLoc2); //加入序列D } } /*---------------------------- * 功|能 : 多图对准 *---------------------------- * 函数y : MulitAlign * 访问 : private * 返回 : Mat * * 参数y : matinput [in] 全部需要a匹配图的vector * 参数y : matloc1 [ot] 所有D匹配中D对应|于第一图的结果向量 * 参数y : matloc1 [ot] 所有D匹配中D对应|于第二t图的结果向量 */ Mat MulitAlign(deque<Mat>& matinput,deque<Point>& matloc1,deque<Point>& matloc2) { Mat outImage; //待y输出图片 //计算图片大小 int nr = matinput[0].rows; int nl = matinput[0].cols*matinput[0].channels(); int ioffset = 0;int ioffsetdetail = 0; //计算offset for (int i =0;i<matloc1.size()-1;i++) { ioffset = ioffset+matloc1[i].y- matloc2[i].y; } outImage.create( matinput[0].rows+ioffset, matinput[0].cols, matinput[0].type()); for (int i=0;i<matloc1.size()-1;i++) { if (i == 0)//如果第一弹 { for (int a=0;a<nr;a++) //第一图 { const uchar* inData=matinput[0].ptr<uchar>(a); uchar* outData=outImage.ptr<uchar>(a); for(int j=0;j<nl;j++) { outData[j]=inData[j]; } } for (int b=0;b<nr;b++) //第二t图 { const uchar* inData=matinput[1].ptr<uchar>(b); uchar* outData=outImage.ptr<uchar>(b+matloc1[0].y-matloc2[0].y); for(int j=0;j<nl;j++) { outData[j]=inData[j]; } } ioffsetdetail += matloc1[0].y-matloc2[0].y; } else//如果不是第一弹 { for (int b=0;b<nr;b++) { const uchar* inData=matinput[i+1].ptr<uchar>(b); uchar* outData=outImage.ptr<uchar>(b+ioffsetdetail+matloc1[i].y-matloc2[i].y); for(int j=0;j<nl;j++) { outData[j]=inData[j]; } } ioffsetdetail += matloc1[i+1].y-matloc2[i].y; } } return outImage; } /*---------------------------- * 功|能 : 多图融合 *---------------------------- * 函数y : MulitBlend * 访问 : private * 返回 : Mat& * * 参数y : matinput [in] 图片输入序列D * 参数y : imagesrc [in] 已经-对准的图片 * 参数y : matloc1 [in] 第一图匹配位置 * 参数y : matloc2 [in] 第二t图匹配位置 */ Mat MulitBlend(deque<Mat>& matinput, const Mat& imagesrc,deque<Point>& matloc1,deque<Point>& matloc2) { Mat outImage; //待y输出图片 imagesrc.copyTo(outImage); //图像拷贝 int ioffsetdetail = 0; double dblend = 0.0; for (int i =0;i<matloc1.size()-1;i++) { dblend = 0.0; int ioffset = matloc1[i].y - matloc2[i].y;//row的偏移 for (int j = 0;j<100;j++)//这a个地方用i 和 j很不好 { outImage.row(ioffsetdetail+ioffset+j) = matinput[i].row(ioffset+j)*(1-dblend)+ matinput[i+1].row(j)*(dblend); dblend = dblend +0.01; } ioffsetdetail += ioffset; } return outImage; } #pragma endregion mulitStitch
在最新版的opencv中(至少在2.4.5之后),提供了mulitband和feather函数。jsxyhelu认为,总体来说,mulitband是目前最好的融合算法,(paper),在(2007)这篇经典的图像拼接论文中得到引用,需要提及的一点是opencv的stitch函数主要就是基于2007这篇论文实现的,它的算法实现的第一篇引用论文就是2007。当然,好的算法可能用起来比较麻烦,简单的算法也有其适合使用的地方。
。。。。。。pipleline
mulitblend的主要思想是小频率事件大空间划分,大频率事件小空间划分,具体内容参考论文。featherblend就是常见的所谓“羽化”,这里主要考虑工程实现。
首先参考image blander函数
detail::Blender class detail::Blender Base class for all blenders. class CV_EXPORTS Blender { public: virtual ~Blender() {} enum { NO, FEATHER, MULTI_blend }; static Ptr<Blender> createDefault(int type, bool try_gpu = false); void prepare(const std::vector<Point> &corners, const std::vector<Size> &sizes); virtual void prepare(Rect dst_roi); virtual void feed(const Mat &img, const Mat &mask, Point tl); virtual void blend(Mat &dst, Mat &dst_mask); protected: Mat dst_, dst_mask_; Rect dst_roi_; };
在detail空间中存在blender函数,是所有blender的基函数。可以实现的包括feather和multiblend两种方法。
blender = Blender::createDefault(blend_type, try_gpu);是创建函数,两个参数决定了采用哪一种blender方法,和是否采用gpu
detail::Blender::prepare
为blend准备相关数据
C++: void detail::Blender::prepare(const std::vector<Point>& corners, const std::vector<Size>&
sizes)
Parameters
corners – 原始图像文件的左上角点
sizes – 原始文件大小
注意这里的两点都是vector
detail::Blender::feed
处理图像
C++: void detail::Blender::feed(const Mat& img, const Mat& mask, Point tl)
Parameters
img –原始图像
mask – mask
处理图像
C++: void detail::Blender::feed(const Mat& img, const Mat& mask, Point tl)
Parameters
img –原始图像
mask – mask
tl topleft点
注意这里是一张一张处理图像的
detail::Blender::blend
处理blend操作,是最后最后输出操作 ,从blend结构体中返回pano全景图像了
C++: void detail::Blender::blend(Mat& dst, Mat& dst_mask)
Parameters
dst – Final pano
dst_mask – Final pano mask
处理blend操作,是最后最后输出操作 ,从blend结构体中返回pano全景图像了
C++: void detail::Blender::blend(Mat& dst, Mat& dst_mask)
Parameters
dst – Final pano
dst_mask – Final pano mask
detail::MultiBandBlender
class detail::MultiBandBlender : public detail::Blender
Blender which uses multi-band blending algorithm (see [BA83],就是前面提到的那篇论文).
class CV_EXPORTS MultiBandBlender : public Blender
{
public:
MultiBandBlender(int try_gpu = false, int num_bands = 5);
int numBands() const { return actual_num_bands_; }
void setNumBands(int val) { actual_num_bands_ = val; }
class detail::MultiBandBlender : public detail::Blender
Blender which uses multi-band blending algorithm (see [BA83],就是前面提到的那篇论文).
class CV_EXPORTS MultiBandBlender : public Blender
{
public:
MultiBandBlender(int try_gpu = false, int num_bands = 5);
int numBands() const { return actual_num_bands_; }
void setNumBands(int val) { actual_num_bands_ = val; }
void prepare(Rect dst_roi);
void feed(const Mat &img, const Mat &mask, Point tl);
void blend(Mat &dst, Mat &dst_mask);
private:
/* hidden */
};
See also:
detail::Blender
void feed(const Mat &img, const Mat &mask, Point tl);
void blend(Mat &dst, Mat &dst_mask);
private:
/* hidden */
};
See also:
detail::Blender
detail::FeatherBlender
class detail::FeatherBlender : public detail::Blender
Simple blender which mixes images at its borders.
class CV_EXPORTS FeatherBlender : public Blender
{
public:
FeatherBlender(float sharpness = 0.02f) { setSharpness(sharpness); }
float sharpness() const { return sharpness_; }
void setSharpness(float val) { sharpness_ = val; }
void prepare(Rect dst_roi);
void feed(const Mat &img, const Mat &mask, Point tl);
void blend(Mat &dst, Mat &dst_mask);
// Creates weight maps for fixed set of source images by their masks and top-left corners.
// Final image can be obtained by simple weighting of the source images.
Rect createWeightMaps(const std::vector<Mat> &masks, const std::vector<Point> &corners,
std::vector<Mat> &weight_maps);
private:
/* hidden */
};
See also:
detail::Blender
class detail::FeatherBlender : public detail::Blender
Simple blender which mixes images at its borders.
class CV_EXPORTS FeatherBlender : public Blender
{
public:
FeatherBlender(float sharpness = 0.02f) { setSharpness(sharpness); }
float sharpness() const { return sharpness_; }
void setSharpness(float val) { sharpness_ = val; }
void prepare(Rect dst_roi);
void feed(const Mat &img, const Mat &mask, Point tl);
void blend(Mat &dst, Mat &dst_mask);
// Creates weight maps for fixed set of source images by their masks and top-left corners.
// Final image can be obtained by simple weighting of the source images.
Rect createWeightMaps(const std::vector<Mat> &masks, const std::vector<Point> &corners,
std::vector<Mat> &weight_maps);
private:
/* hidden */
};
See also:
detail::Blender
这两个函数在文档中都没有详细的解释。这里进行补充说明。
基于cookbook第9章的estimateH.cpp继续前进
将其cv::Mat image1= cv::imread( "parliament1.bmp",1);
cv::Mat image2= cv::imread( "parliament2.bmp",1);
结果没有问题,拼接的出来了,但是缝合线也非常明显
将不需要的代码注释掉,需要注意的是,书中的代码认为图片是从右向左移动的
//需要a注意a的一点是,原-始文件t的图片是按照从右至左边进行D移动的。
cv::Point* p1 = new cv::Point(image1.cols,1);
cv::Point* p2 = new cv::Point(image1.cols,image2.rows-1);
cv::line(result,*p1,*p2,cv::Scalar(255,255,255),2);
cv::namedWindow( "After warping0");
cv::imshow( "After warping0",result);
画出一条白线,基本标注位置
cv::Mat result; cv::warpPerspective(image1, // input image result, // output image homography, // homography cv::Size(2*image1.cols,image1.rows)); // size of output image cv::Mat resultback; result.copyTo(resultback); // Copy image 1 on the first half of full image cv::Mat half(result,cv::Rect(0,0,image2.cols,image2.rows)); image2.copyTo(half); // Display the warp image cv::namedWindow( "After warping"); cv::imshow( "After warping",result); //需要a注意a的一点是,原-始文件t的图片是按照从右至左边进行D移动的。 // cv::Point* p1 = new cv::Point(image1.cols,1); // cv::Point* p2 = new cv::Point(image1.cols,image2.rows-1); // cv::line(result,*p1,*p2,cv::Scalar(255,255,255),2); // cv::namedWindow("After warping0"); // cv::imshow("After warping0",result); //进行Dliner的融合 Mat outImage; //待y输出图片 result.copyTo(outImage); //图像拷贝 double dblend = 0.0; int ioffset =image2.cols-100;//col的初始定位 for (int i = 0;i<100;i++) { outImage.col(ioffset+i) = image2.col(ioffset+i)*(1-dblend) + resultback.col(ioffset+i)*dblend; dblend = dblend +0.01; }
需要注意的是这里不是将image1和image2进行融合,而是将原始的result和image进行融合。
由于背景比较单一,而且图片分辨率不是很高,所以这个结果融合的结果非常不错