基於OpenCV的圖像配準之後的透視變換

  在通過SIFT、SURF或者ORB進行特徵點檢測，生成了特徵點和特徵點描述子的vector後，如何進一步的進行對於圖像的矯正。這個時候就用到了opencv的另外兩個函數findHomography和perspectiveTransform。
  findHomography是用來計算兩張圖像的單應性矩陣的。opencv的官方文檔中有詳細的使用說明：

  前兩個參數分別是通過之前的特徵檢測找到的特徵點，第三個參數爲計算單應性矩陣的方法，默認爲使用所有的點。第四個參數僅在第三個參數爲CV_RANSAC時使用，爲最大允許的特徵點對間二次投影的誤差。
  perspectiveTransform函數爲通過單應性矩陣生成校正之後的圖像。

  前兩個參數爲原始圖像和矯正之後的圖像的點的集合。只能爲2維或3維的向量。這裏的點的集合指的是圖像的位置排布，和像素值沒有任何關係。第三個參數即爲之前求出的單應性矩陣。
  注意：生成的矯正圖像爲點的集合，即爲vector向量，並不是圖像，生成的只是原始圖像與校正圖像的位置對應關係，圖像的生成在下面的例子中會說明。
示例：

int main()  
{  
    Mat img_1 = imread("00068.jpg");  
    Mat img_2 = imread("00069.jpg");  
    if (!img_1.data || !img_2.data)  
    {  
        cout << "error reading images " << endl;  
        return -1;  
    }  

    ORB orb;  
    vector<KeyPoint> keyPoints_1, keyPoints_2;  
    Mat descriptors_1, descriptors_2;  

    orb(img_1, Mat(), keyPoints_1, descriptors_1);  
    orb(img_2, Mat(), keyPoints_2, descriptors_2);  

    BruteForceMatcher<HammingLUT> matcher;  
    vector<DMatch> matches;  
    matcher.match(descriptors_1, descriptors_2, matches);  

    double max_dist = 0; double min_dist = 100;  
    //-- Quick calculation of max and min distances between keypoints  
    for( int i = 0; i < descriptors_1.rows; i++ )  
    {   
        double dist = matches[i].distance;  
        if( dist < min_dist ) min_dist = dist;  
        if( dist > max_dist ) max_dist = dist;  
    }  
    printf("-- Max dist : %f \n", max_dist );  
    printf("-- Min dist : %f \n", min_dist );  
    //-- Draw only "good" matches (i.e. whose distance is less than 0.6*max_dist )  
    //-- PS.- radiusMatch can also be used here.  
    std::vector< DMatch > good_matches;
    vector<Point2f> leftPoint,rightPoint;
    for( int i = 0; i < descriptors_1.rows; i++ )  
    {   
        if( matches[i].distance < 0.6*max_dist )  
        {   
            good_matches.push_back( matches[i]);
            leftPoint.push_back(keyPoints_1[matches[i].queryIdx].pt);//保存左圖像的關鍵點
            rightPoint.push_back(keyPoints_2[matches[i].trainIdx].pt);//保存右圖像的關鍵點
        }  
    }  


    Mat Homography = findHomography(leftPoint,rightPoint,CV_RANSAC,3);//生成單應性矩陣
    cout<<Homography<<endl;
    vector<Point2f> CorrectImg;//根據單應性矩陣校正之後的點
    vector<Point2f> ponits;//保存圖像的所有的點
    for(int i=0;i<img_1.rows;i++)
    {  
        for(int j=0;j<img_2.cols;j++)
        {  
            ponits.push_back(Point2f(j,i));  
        }  
    }
    perspectiveTransform(ponits,CorrectImg,Homography);//生成對應關係
    imshow("left",img_1);
    imshow("right",img_2);
     Mat img_trans = Mat::zeros(img_1.rows,img_1.cols,CV_8UC3);  //矯正後的圖像
    int count = 0;  
    for(int i=0;i<img_1.rows;i++)
    {  
        uchar* p = img_1.ptr<uchar>(i);  
        for(int j=0;j<img_1.cols;j++)
        {  
            int y = CorrectImg[count].y;  
            int x = CorrectImg[count].x;  
            if (y < 0 || x < 0 || x >= img_1.cols || y >= img_1.rows)
            {
                count++;
                continue;
            }
            uchar* t = img_trans.ptr<uchar>(y);  
            t[x*3]  = p[j*3];  
            t[x*3+1]  = p[j*3+1];  
            t[x*3+2]  = p[j*3+2];  
            count++;  
        }  
    }  

    imshow("CorrectImg",img_trans);
    waitKey();

    return 0;  
}