stitcher优缺点：

优点：适应部分倾斜/尺度变换和畸变情形，拼接效果好，使用简单，可以一次拼接多张图片。

缺点：需要有足够的相同特征区域进行匹配，速度较慢(和图像大小有关)。

软件：pycharm 解释器：python3.7

导入图片：

mainFolder = 'images'
# 遍历images文件夹下的所有文件夹
myFolders = os.listdir(mainFolder)
# 输出所有子文件夹的名称
print(myFolders)

# 准备遍历每个子文件夹下的图片
for folder in myFolders:
    path = mainFolder + '/' + folder
    images = []
    # 遍历子文件夹下的图片名称
    myList = os.listdir(path)
    # 输出子文件内有多少张图片
    print(f'total number of images detected {len(myList)}')
    # 读取每张图片
    for imgName in myList:
        curImg = cv2.imread(f'{path}/{imgName}')
        curImg = cv2.resize(curImg,(0,0),None,0.2,0.2)  # 重新设置图片大小
        images.append(curImg)  # 将每个子文件夹下的图片存进images数组中

调用stitcher类进行拼接：

stitcher = cv2.Stitcher.create()  # 创建一个stitcher实例     
(status, result) = stitcher.stitch(images)   
    if (status == 0):       # 状态码为0的时候，进行处理
        print('Panorma Generated')
        cv2.imshow(folder, result)
    else:
        print('Panorma Generated Unsuccessful')
cv2.waitkey(0)

stitch：

作用：拼接指定的图像，images格式都为array。

输出：status退出状态码，为0代表正常；result为最终的全景图。

全景拼接结果：

原图：

拼接后：

由于两张原图的大小不一致，导致拼接图会出现黑边。接下来进行黑边处理步骤：

提取黑边轮廓：

stitched = cv2.copyMakeBorder(result, 10, 10, 10, 10, cv2.BORDER_CONSTANT, (0,0,0))
gray = cv2.cvtColor(stitched, cv2.COLOR_BGR2GRAY)    #图片灰度化
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY)[1]

copyMakeBorder：

作用：扩充边界

cv2.copyMakeBorder(result, 10, 10, 10, 10, cv2.BORDER_CONSTANT, (0,0,0))：让全景图的上下左右分别扩充10像素的黑色边框。

threshold：

作用：灰度大于某个数值像素点保留

cv2.threshold(src, thresh, maxval, type[, dst])，返回值为retval, dst。

参数：src是灰度图像；thresh是阈值；maxval是最大值；type是定义如何处理数据与阈值的关系。

返回值：第一个返回的是输入的thresh值；第二个返回的是处理后的二值化图像。

在代码cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY)中，如果像素值大于0的，则像素变为白色（255），其他像素值位置变为黑色（0）。图像像素值范围为[0,255]，因此，除了黑色区域，其他部位全为白色。

计算最大的轮廓边界：

cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]
mask = np.zeros(thresh.shape, dtype="uint8") # 生成一个全黑的、大小和黑白图一致的蒙版
(x, y, w, h) = cv2.boundingRect(cnts[0])  
cv2.rectangle(mask, (x, y), (x + w, y + h), 255, -1)

findContours:

作用：寻找图像的轮廓

返回值：返回两个值，第一个为轮廓的点集，第二个是各层轮廓的索引。

cv2.RETR_EXTERNAL：表示只检测外轮廓

cv2.CHAIN_APPROX_SIMPLE：压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息

boundingRect：

作用：用一个最小的矩形，把找到的轮廓包起来

返回值：x，y是矩形左上点的坐标，w，h是矩形的宽和高

cv2.rectangle：

作用：画出矩形

（x,y）：左上角的坐标

（x + w, y + h）：右下角的坐标

-1：厚度-1像素将以指定的颜色填充矩形形状

结果：此边界框是整个全景图可以容纳的最小矩形区域。

寻找全景图内部最大的矩形区域：

这里巧妙的地方就在于创建了两个蒙版，循环使用腐蚀-像素相减，从而得到全景图内部最大的矩形区域。

minRect :将逐渐缩小，直到它可以放入全景图内部。
sub:将用于确定是否需要继续减小minRect的大小。

minRect = mask.copy()
sub = mask.copy()
while cv2.countNonZero(sub) > 0:
      minRect = cv2.erode(minRect, None)
      sub = cv2.subtract(minRect, thresh)

cv2.countNonZero()：

作用：返回灰度值不为0的像素数，用来判断图像是否全黑。

cv2.subtract()：

作用：两个图像像素相减。

灰度图像素值范围0-255，如果两个数相减得到负数的话，会直接将其置为0；如果两个数相加，结果超过了255的话，则直接置为255。

minRect最终结果图：

寻找这个矩形框的轮廓，最后进行裁剪：

cnts = cv2.findContours(minRect.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[0]
(x, y, w, h) = cv2.boundingRect(cnts[0])

# ROI裁剪
stitched = stitched[y:y + h, x:x + w]

结果：

拼接图：

黑边处理后的图：

完整代码：

import cv2
import os
import numpy as np

mainFolder = 'images'
myFolders = os.listdir(mainFolder)
print(myFolders)

for folder in myFolders:
    path = mainFolder + '/' + folder
    images = []
    myList = os.listdir(path)
    print(f'total number of images detected {len(myList)}')
    for imgName in myList:
        curImg = cv2.imread(f'{path}/{imgName}')
        curImg = cv2.resize(curImg,(0,0),None,0.2,0.2)
        images.append(curImg)

    stitcher = cv2.Stitcher.create()       # 创建一个stitcher实例
    (status, result) = stitcher.stitch(images)  
    if (status == 0):       # 状态码为0的时候，进行处理
        print('Panorma Generated')
        # cv2.imshow(folder, result)

        # 黑边处理
        stitched = cv2.copyMakeBorder(result, 10, 10, 10, 10, cv2.BORDER_CONSTANT, (0,0,0))
        gray = cv2.cvtColor(stitched, cv2.COLOR_BGR2GRAY)    #图片灰度化
        thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY)[1]    

        # 计算最大轮廓边界
        cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]
        mask = np.zeros(thresh.shape, dtype="uint8")
        (x, y, w, h) = cv2.boundingRect(cnts[0])  # 取出list中的轮廓二值图，类型为numpy.ndarray
        cv2.rectangle(mask, (x, y), (x + w, y + h), 255, -1)

        # 腐蚀处理，直到minRect的像素值都为0
        minRect = mask.copy()
        sub = mask.copy()
        while cv2.countNonZero(sub) > 0:
            minRect = cv2.erode(minRect, None)
            sub = cv2.subtract(minRect, thresh)
        cv2.imshow('minRect', minRect)

        # 寻找这个矩形框的轮廓
        cnts = cv2.findContours(minRect.copy(), cv2.RETR_EXTERNAL,
                                cv2.CHAIN_APPROX_SIMPLE)[0]
        (x, y, w, h) = cv2.boundingRect(cnts[0])

        # ROI裁剪
        stitched = stitched[y:y + h, x:x + w]

        cv2.imshow(f'ori {folder}', result)
        cv2.imshow(folder, stitched)
    else:
        print('Panorma Generated Unsuccessful')
cv2.waitKey(0)