文章目录
单目相机标定(基于Python OpenCV)
1.上期填坑
在开始本篇博客之前，先填一下上一篇博客【计算机视觉】基于ORB角点+RANSAC算法实现图像全景拼接的坑(不算填吧，算做一个记录，因为并没有解决问题，留着看以后有没有空解决??)，不想看的可以直接跳到下一节。
首先解决如何拼接多张图像(上篇博客只能拼接两张图像，多张图像需要保存两张图像的匹配结果，再重新读取计算角点)
改进的方法的基本思路是，仅计算当前两张图像的单应变换M_current，通过先前的单应矩阵M_before再计算一个累积变换，最终通过矩阵乘法得到的M的变换就延续了当前变换的累积变换矩阵:
- # 一开始无先前变换，因此设置为单位阵
- M_before = np.eye(3,3)
- result = cv2.imread('datas/1.jpg')
- # result = CalcUndistort(result, mtx, dist)
- result,_,_ = utils.auto_reshape(result, 1080)
- img2 = result
- cors2, desc2= extraORBfromImg(orb, img2)
- for i in range(1,6):
- print(i)
- img1 = cv2.imread('datas/'+str(i+1)+'.jpg')
- # img1 = CalcUndistort(img1, mtx, dist)
- img1,_,_ = utils.auto_reshape(img1, 1080)
- cors1, desc1= extraORBfromImg(orb, img1)
-
- match_dist, match_idx = ORBMatch(match, desc1, desc2)
- # 得到匹配点对的坐标
- match_pts = findMatchCord(match_idx, cors1, cors2)
- # 可视化匹配点
- # utils.drawMatches(img1, img2, cors1, cors2, match_idx)
- # RANSAC迭代去除异常点对
- update_match_pts = RANSAC(match_pts)
- # 最小二乘方法计算单应矩阵
- M = calc_homography(update_match_pts)
- # 图像拼接结果可视化, 并传递累积单应变换矩阵M ,返回先前累积拼接结果result
- result, M = homography_trans(M, M_before, img1, result)
- M_before = M
- # 不用再提取一遍:
- img2 = img1
- cors2, desc2 = cors1, desc1
相应的，函数homography_trans也要做修改:
[code]# 可视化图像对映射效果def homography_trans(M, M_before, img1, img2): M = M_before @ M # out_img 第一张图像映射到第二张 x_min, x_max, y_min, y_max, M2 = calc_border(M, img1.shape) # 透视变换+平移变换(使得图像在正中央) M = M2 @ M w, h = int(round(x_max)-round(x_min)), int(round(y_max)-round(y_min)) out_img = cv2.warpPerspective(img1, M, (w, h)) # print(out_img.shape) # cv2.imshow('ww',out_img) # cv2.waitKey(0) # 调整两张图像位姿一致： # x方向 out_img_blank_x = np.zeros((out_img.shape[0], abs(round(x_min)), 3)).astype(np.uint8) img2_blank_x = np.zeros((img2.shape[0], abs(round(x_min)), 3)).astype(np.uint8) if(x_min>0): # print(1) out_img = cv2.hconcat((out_img_blank_x, out_img)) if(x_min0): # print(3) out_img = cv2.vconcat((out_img, out_img_blank_y)) if(y_min |
