以下是一个使用Python和OpenCV实现SIFT特征拼接的示例代码，前提是你的OpenCV版本在4.4.0及以上，因为在此版本中SIFT是可用的。该代码遵循图像拼接“特征提取→特征匹配→透视变换→图像融合”的核心流程： ```python import cv2 import numpy as np def stitch_images(img1, img2): # 1. 特征提取：使用SIFT检测器 sift = cv2.SIFT_create() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) # 2. 特征匹配：使用FLANN匹配器 FLANN_INDEX_KDTREE = 1 index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) matches = flann.knnMatch(des1, des2, k=2) # 筛选好的匹配点 good_matches = [] for m, n in matches: if m.distance < 0.7 * n.distance: good_matches.append(m) # 3. 透视变换：计算变换矩阵 src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2) dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2) M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0) # 拼接图像 h, w = img1.shape[:2] result = cv2.warpPerspective(img1, M, (img2.shape[1] + img1.shape[1], img2.shape[0])) result[0:img2.shape[0], 0:img2.shape[1]] = img2 return result # 读取图像 img1 = cv2.imread('image1.jpg') img2 = cv2.imread('image2.jpg') # 确保输入的两张图像有重叠区域 if img1 is not None and img2 is not None: stitched_image = stitch_images(img1, img2) cv2.imshow('Stitched Image', stitched_image) cv2.waitKey(0) cv2.destroyAllWindows() else: print("图像读取失败，请检查图像路径。") ``` ### 代码说明： 1. **特征提取**：使用`cv2.SIFT_create()`创建SIFT检测器，并对两张输入图像分别检测关键点并计算描述符。 2. **特征匹配**：使用`cv2.FlannBasedMatcher`进行特征匹配，并通过比率测试筛选出好的匹配点。 3. **透视变换**：使用`cv2.findHomography`计算变换矩阵，然后使用`cv2.warpPerspective`将第一张图像进行透视变换。 4. **图像融合**：将第二张图像放置在变换后的图像上，完成拼接。 ### 注意事项： - 请确保输入的两张图像有重叠区域，这样才能成功拼接。 - 如果图像较大，可以考虑对图像进行缩放，以提高处理速度。 - 请将代码中的`'image1.jpg'`和`'image2.jpg'`替换为你实际的图像路径。