您好，我已经看过很多教程如何使用两张照片进行简单的图像拼接，这是没有问题的
但是，当我想从4-6张或更多的图像制作全景图时，该怎么办？
我有一个代码，可以接收图像文件列表（图像是从序列中的第一个图像到最后一个图像的顺序）。然后，我计算每个图像的SIFT特征描述符。但是我被卡住了，对于两幅图像，我将使用FLANN kd树设置一个匹配器，找到图像之间的匹配，并计算单应性。类似于本教程http://docs.opencv.org/trunk/doc/py_tutorials/py_feature2d/py_feature_homography/py_feature_homography.html#py-特征单应
但是在最后我没有显示特征点之间的线，而是使用了这个https://stackoverflow.com/a/20355545/622194函数可从2幅图像制作全景图。但我不知道当我想把第三张和第四张图片添加到全景图时该怎么办。
编辑：
根据答案，我尝试实现我的图像拼接脚本，以计算图像序列中相邻图像之间的单应矩阵。如果我有I1，I2，I3和I4，我现在有H_12，H_23和H_34。然后我开始用H_12缝合I1和I2。然后我想找到累积单应性，将I3缝合到当前全景图。我将H_13=H_12*H_23并将图像3缝合到当前全景图上，但在这里，我的全景图图像中有非常明显的间隙，当缝合下一个图像时，间隙更大，图像非常拉伸。
有人能告诉我，我在这方面是否使用了正确的方法，或者有人能发现错误或者看到我做错了什么吗。
一步一步地，假设您想要缝合四幅图像，I0，I1，I2，I3，您的目标是计算同音字H_0，H_1，H_2，H_3；
H_01，H_02，H_03，H_12，H_13，H_23，其中单形词H_01将图像I0扭曲为I1，等等 I1哪个位置将保持固定，即H_1=IdentityI1更好对齐的图像，例如I3H_3=H_1*inv（H_13）=inv（H_13）=H_31I1或I3的图像，例如I2匹配I3H_2=H_3*H_23I0请参阅本论文的第4节使用不变特征进行自动全景图像拼接，以获得更深入的解释。
根据您编写的函数，最简单的方法（虽然不是超高效的）是通过将全景图像与每个连续图像缝合来增加全景图像。类似这样的伪代码：
panorama = images[0]
for i in 1:len(images)-1
panorama = stitch(panorama,images[i])
这种方法基本上尝试将下一个图像匹配到当前全景的任何部分。它应该工作得很好，假设每个新图像都在当前全景的边界上，并且没有太多的透视失真。
另一个选择，如果你知道你想要缝合的顺序，是找到从一个图像到下一个图像的单应性，然后将它们相乘。结果是该图像到图像0的单应性。
例如：将图像3转换为与图像0对齐的H是H_03=H_01*H_12*H_23。其中H_01是将图像1转换为与图像0对齐的H。（根据他们的代码定义H的方式，您可能需要颠倒上述乘法顺序。）所以你可以乘上得到H_0i，然后用它来变换图像i，使之与图像0对齐。
有关为什么要乘转换的背景信息，请参阅：转换和矩阵乘法，特别是“转换的组成”部分。
我也有类似的问题，图像之间的差距。您应该做的第一件事是在第一帧将累积单应性矩阵初始化为恒等式。然后，对于每一个新帧，你应该将它乘以当前帧和下一帧之间的单应性矩阵。请注意使用Numpy矩阵，而不是Numpy数组。但是它们有不同的乘法例程。
这是我的密码：
def addFramePair(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False):
(imageA, imageB) = images
(kpsA, featuresA) = self.detectAndDescribe(imageA)
(kpsB, featuresB) = self.detectAndDescribe(imageB)
H = self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)
self.accHomography *= np.asmatrix(H)
result = cv2.warpPerspective(imageA, np.linalg.inv(self.accHomography), (1600, 900))
return result
图像A是当前的，图像B是下一个。
希望这有帮助。
