1. sift.detectAndComputer(gray， None) # 计算出图像的关键点和sift特征向量
参数说明：gray表示输入的图片
2.cv2.findHomography(kpA, kpB, cv2.RANSAC, reproThresh) # 计算出单应性矩阵
参数说明：kpA表示图像A关键点的坐标, kpB图像B关键点的坐标, 使用随机抽样一致性算法来进行迭代，reproThresh表示每次抽取样本的个数
3.cv2.warpPespective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0])) # 获得根据单应性矩阵变化后的图像
参数说明：image表示输入图像，H表示单应性的矩阵，(imageA.shape[1] + imageB.shape[1], imageA.shape[0])表示矩阵变化后的维度
4. cv2.line(imageA, kpsA, imageB, kpsB, (0,0,255), 2) 进行画出直线的操作
参数说明：imageA和imageB表示输入图片, kpsA和kpsB表示关键点的坐标(x, y) ,(0, 0, 255)表示颜色, 2表示直线的宽度
RANSAC算法(随机抽样一致性算法)， 对于左边的图，可以看到使用最小二乘法尽可能多的满足点可以分布在拟合曲线周围，减小均分根误差，因此拟合的曲线在一定程度上容易发生偏离，而RANSAC却不会出现这种情况
RANSCA原理， 因为拟合一条直线只需要两个点，因此我们每次随机选取两个点，做出直线，划定一个距离，判断落在直线周围距离范围点的个数，不断的迭代，直到找出拟合的直线，使得点落在上面最多的拟合曲线
图像拼接的关键是在于对图像进行变化，变化后的点与需要拼接的图片中的sift点，越接近，即欧式距离越短，对图像拼接的过程中，至少需要有4对特征点，求取变化矩阵Hi
我们使用RANSAC不断去取随机从两个图像中取4对的sift特征点，计算出H，定义损失值，即x’，与x的距离，即y‘与y的距离之和是否是最小值，不断迭代，找出最佳的H
上述就是计算出来了H值，也就是变化矩阵
代码思路：
第一步：对图像进行灰度化，使用sift.detectAndCompute(image， None) 进行ksp关键点，dpSIFT特征向量，将kps进行向量化操作,即kps.pt
第二步：构建BMFmatch匹配器，获得符合条件的匹配值，matches获得的是ksp关键点的匹配值得索引，使用索引获得符合条件的kspA和kspB
第三步：使用cv2.findHomography(k