【计算机视觉】stitching_detail算法介绍

已经不负责图像拼接相关工作，有技术问题请自己解决，谢谢。

一、stitching_detail程序运行流程

      1.命令行调用程序，输入源图像以及程序的参数

      2.特征点检测，判断是使用surf还是orb，默认是surf。

      3.对图像的特征点进行匹配，使用最近邻和次近邻方法，将两个最优的匹配的置信度保存下来。

      4.对图像进行排序以及将置信度高的图像保存到同一个集合中，删除置信度比较低的图像间的匹配，得到能正确匹配的图像序列。这样将置信度高于门限的所有匹配合并到一个集合中。

     5.对所有图像进行相机参数粗略估计，然后求出旋转矩阵

     6.使用光束平均法进一步精准的估计出旋转矩阵。

     7.波形校正，水平或者垂直

     8.拼接

     9.融合，多频段融合，光照补偿，

二、stitching_detail程序接口介绍

    img1 img2 img3 输入图像

     --preview  以预览模式运行程序，比正常模式要快，但输出图像分辨率低，拼接的分辨率compose_megapix 设置为0.6

     --try_gpu  (yes|no)  是否使用GPU(图形处理器)，默认为no

/* 运动估计参数 */

    --work_megapix <--work_megapix <float>> 图像匹配的分辨率大小，图像的面积尺寸变为work_megapix*100000，默认为0.6

    --features (surf|orb) 选择surf或者orb算法进行特征点计算，默认为surf

    --match_conf <float> 特征点检测置信等级，最近邻匹配距离与次近邻匹配距离的比值，surf默认为0.65，orb默认为0.3

    --conf_thresh <float> 两幅图来自同一全景图的置信度，默认为1.0

    --ba (reproj|ray) 光束平均法的误差函数选择，默认是ray方法

    --ba_refine_mask (mask)  ---------------

    --wave_correct (no|horiz|vert) 波形校验 水平，垂直或者没有 默认是horiz

     --save_graph <file_name> 将匹配的图形以点的形式保存到文件中， Nm代表匹配的数量，NI代表正确匹配的数量，C表示置信度

/*图像融合参数:*/

    --warp (plane|cylindrical|spherical|fisheye|stereographic|compressedPlaneA2B1|compressedPlaneA1.5B1|compressedPlanePortraitA2B1

|compressedPlanePortraitA1.5B1|paniniA2B1|paniniA1.5B1|paniniPortraitA2B1|paniniPortraitA1.5B1|mercator|transverseMercator)

    选择融合的平面，默认是球形

    --seam_megapix <float> 拼接缝像素的大小 默认是0.1 ------------

    --seam (no|voronoi|gc_color|gc_colorgrad) 拼接缝隙估计方法 默认是gc_color

    --compose_megapix <float> 拼接分辨率，默认为-1

    --expos_comp (no|gain|gain_blocks) 光照补偿方法，默认是gain_blocks

    --blend (no|feather|multiband) 融合方法，默认是多频段融合

    --blend_strength <float> 融合强度，0-100.默认是5.

   --output <result_img> 输出图像的文件名，默认是result,jpg

    命令使用实例，以及程序运行时的提示：

三、程序代码分析

    1.参数读入

     程序参数读入分析，将程序运行是输入的参数以及需要拼接的图像读入内存，检查图像是否多于2张。

[cpp]  view plain  copy

1. int retval = parseCmdArgs(argc, argv);  
2. if (retval)  
3.     return retval;  
4.   
5. // Check if have enough images  
6. int num_images = static_cast<int>(img_names.size());  
7. if (num_images < 2)  
8. {  
9.     LOGLN("Need more images");  
10.     return -1;  
11. }  

      2.特征点检测

      判断选择是surf还是orb特征点检测（默认是surf）以及对图像进行预处理（尺寸缩放），然后计算每幅图形的特征点，以及特征点描述子

      2.1 计算work_scale，将图像resize到面积在work_megapix*10^6以下，（work_megapix 默认是0.6）

[cpp]  view plain  copy

1. work_scale = min(1.0, sqrt(work_megapix * 1e6 / full_img.size().area()));  

[cpp]  view plain  copy

1. resize(full_img, img, Size(), work_scale, work_scale);  

      图像大小是740*830，面积大于6*10^5，所以计算出work_scale = 0.98,然后对图像resize。 

     

     2.2 计算seam_scale，也是根据图像的面积小于seam_megapix*10^6，（seam_megapix 默认是0.1），seam_work_aspect目前还没用到

[cpp]  view plain  copy

1. seam_scale = min(1.0, sqrt(seam_megapix * 1e6 / full_img.size().area()));  
2. seam_work_aspect = seam_scale / work_scale; //seam_megapix = 0.1 seam_work_aspect = 0.69  

     
    2.3 计算图像特征点，以及计算特征点描述子，并将img_idx设置为i。

[cpp]  view plain  copy

1. (*finder)(img, features[i]);//matcher.cpp 348  
2. features[i].img_idx = i;  

    特征点描述的结构体定义如下：

[cpp]  view plain  copy

1. struct detail::ImageFeatures  
2. Structure containing image keypoints and descriptors.  
3. struct CV_EXPORTS ImageFeatures  
4. {  
5.     int img_idx;//   
6.     Size img_size;  
7.     std::vector<KeyPoint> keypoints;  
8.     Mat descriptors;  
9. };  

    
     2.4 将源图像resize到seam_megapix*10^6，并存入image[]中

[cpp]  view plain  copy

1. resize(full_img, img, Size(), seam_scale, seam_scale);  
2. images[i] = img.clone();  

    3.图像匹配

       对任意两副图形进行特征点匹配，然后使用查并集法，将图片的匹配关系找出，并删除那些不属于同一全景图的图片。

    3.1 使用最近邻和次近邻匹配，对任意两幅图进行特征点匹配。

[cpp]  view plain  copy

1. vector<MatchesInfo> pairwise_matches;//Structure containing information about matches between two images.   
2. BestOf2NearestMatcher matcher(try_gpu, match_conf);//最近邻和次近邻法  
3. matcher(features, pairwise_matches);//对每两个图片进行matcher，20-》400 matchers.cpp 502  

    介绍一下BestOf2NearestMatcher 函数：

[cpp]  view plain  copy

1.    //Features matcher which finds two best matches for each feature and leaves the best one only if the ratio between descriptor distances is greater than the threshold match_conf.  
2.   detail::BestOf2NearestMatcher::BestOf2NearestMatcher(bool try_use_gpu=false,float match_conf=0.3f,  
3.                                                    intnum_matches_thresh1=6, int num_matches_thresh2=6)  
4.   Parameters:   try_use_gpu – Should try to use GPU or not  
5. match_conf – Match distances ration threshold  
6. num_matches_thresh1 – Minimum number of matches required for the 2D projective  
7. transform estimation used in the inliers classification step  
8. num_matches_thresh2 – Minimum number of matches required for the 2D projective  
9. transform re-estimation on inliers  

     函数的定义（只是设置一下参数，属于构造函数）：

[cpp]  view plain  copy

1. BestOf2NearestMatcher::BestOf2NearestMatcher(bool try_use_gpu, float match_conf, int num_matches_thresh1, int num_matches_thresh2)  
2. {  
3. #ifdef HAVE_OPENCV_GPU  
4.     if (try_use_gpu && getCudaEnabledDeviceCount() > 0)  
5.         impl_ = new GpuMatcher(match_conf);  
6.     else  
7. #else  
8.     (void)try_use_gpu;  
9. #endif  
10.         impl_ = new CpuMatcher(match_conf);  
11.   
12.     is_thread_safe_ = impl_->isThreadSafe();  
13.     num_matches_thresh1_ = num_matches_thresh1;  
14.     num_matches_thresh2_ = num_matches_thresh2;  
15. }  

     以及MatchesInfo的结构体定义：

[cpp]  view plain  copy

1. Structure containing information about matches between two images. It’s assumed that there is a homography between those images.  
2.     struct CV_EXPORTS MatchesInfo  
3.     {  
4.         MatchesInfo();  
5.         MatchesInfo(const MatchesInfo &other);  
6.         const MatchesInfo& operator =(const MatchesInfo &other);  
7.         int src_img_idx, dst_img_idx; // Images indices (optional)  
8.         std::vector<DMatch> matches;  
9.         std::vector<uchar> inliers_mask; // Geometrically consistent matches mask  
10.         int num_inliers; // Number of geometrically consistent matches  
11.         Mat H; // Estimated homography  
12.         double confidence; // Confidence two images are from the same panorama  
13.     };  

      求出图像匹配的结果如下（具体匹配参见sift特征点匹配），任意两幅图都进行匹配（3*3=9），其中1-》2和2-》1只计算了一次，以1-》2为准，：

     

       3.2 根据任意两幅图匹配的置信度，将所有置信度高于conf_thresh（默认是1.0）的图像合并到一个全集中。

       我们通过函数的参数 save_graph打印匹配结果如下（我稍微修改了一下输出）：

[cpp]  view plain  copy

1. "outimage101.jpg" -- "outimage102.jpg"[label="Nm=866, Ni=637, C=2.37864"];  
2. "outimage101.jpg" -- "outimage103.jpg"[label="Nm=165, Ni=59, C=1.02609"];  
3. "outimage102.jpg" -- "outimage103.jpg"[label="Nm=460, Ni=260, C=1.78082"];  

      Nm代表匹配的数量，NI代表正确匹配的数量，C表示置信度

      通过查并集方法，查并集介绍请参见博文：

      http://blog.csdn.net/skeeee/article/details/20471949

[cpp]  view plain  copy

1. vector<int> indices = leaveBiggestComponent(features, pairwise_matches, conf_thresh);//将置信度高于门限的所有匹配合并到一个集合中  
2. vector<Mat> img_subset;  
3. vector<string> img_names_subset;  
4. vector<Size> full_img_sizes_subset;  
5. for (size_t i = 0; i < indices.size(); ++i)  
6. {  
7.     img_names_subset.push_back(img_names[indices[i]]);  
8.     img_subset.push_back(images[indices[i]]);  
9.     full_img_sizes_subset.push_back(full_img_sizes[indices[i]]);  
10. }  
11.   
12. images = img_subset;  
13. img_names = img_names_subset;  
14. full_img_sizes = full_img_sizes_subset;  

       4.根据单应性矩阵粗略估计出相机参数（焦距）

        4.1 焦距参数的估计

        根据前面求出的任意两幅图的匹配，我们根据两幅图的单应性矩阵H，求出符合条件的f，（4副图，16个匹配，求出8个符合条件的f），然后求出f的均值或者中值当成所有图形的粗略估计的f。

[cpp]  view plain  copy

1. estimateFocal(features, pairwise_matches, focals);  

       函数的主要源码如下：

[cpp]  view plain  copy

1.  for (int i = 0; i < num_images; ++i)  
2.  {  
3.      for (int j = 0; j < num_images; ++j)  
4.      {  
5.          const MatchesInfo &m = pairwise_matches[i*num_images + j];  
6.          if (m.H.empty())  
7.              continue;  
8.          double f0, f1;  
9.          bool f0ok, f1ok;  
10. focalsFromHomography(m.H, f0, f1, f0ok, f1ok);//Tries to estimate focal lengths from the given homography  79  
11. //under the assumption that the camera undergoes rotations around its centre only.  
12.          if (f0ok && f1ok)  
13.              all_focals.push_back(sqrt(f0 * f1));  
14.      }  
15.  }  

      其中函数focalsFromHomography的定义如下：

[cpp]  view plain  copy

1. Tries to estimate focal lengths from the given homography  
2.     under the assumption that the camera undergoes rotations around its centre only.    
3.     Parameters  
4.     H – Homography.  
5.     f0 – Estimated focal length along X axis.  
6.     f1 – Estimated focal length along Y axis.  
7.     f0_ok – True, if f0 was estimated successfully, false otherwise.  
8.     f1_ok – True, if f1 was estimated successfully, false otherwise.  

     函数的源码：

[cpp]  view plain  copy

1. void focalsFromHomography(const Mat& H, double &f0, double &f1, bool &f0_ok, bool &f1_ok)  
2. {  
3.     CV_Assert(H.type() == CV_64F && H.size() == Size(3, 3));//Checks a condition at runtime and throws exception if it fails  
4.   
5.     const double* h = reinterpret_cast<const double*>(H.data);//强制类型转换  
6.   
7.     double d1, d2; // Denominators  
8.     double v1, v2; // Focal squares value candidates  
9.   
10.     //具体的计算过程有点看不懂啊  
11.     f1_ok = true;  
12.     d1 = h[6] * h[7];  
13.     d2 = (h[7] - h[6]) * (h[7] + h[6]);  
14.     v1 = -(h[0] * h[1] + h[3] * h[4]) / d1;  
15.     v2 = (h[0] * h[0] + h[3] * h[3] - h[1] * h[1] - h[4] * h[4]) / d2;  
16.     if (v1 < v2) std::swap(v1, v2);  
17.     if (v1 > 0 && v2 > 0) f1 = sqrt(std::abs(d1) > std::abs(d2) ? v1 : v2);  
18.     else if (v1 > 0) f1 = sqrt(v1);  
19.     else f1_ok = false;  
20.   
21.     f0_ok = true;  
22.     d1 = h[0] * h[3] + h[1] * h[4];  
23.     d2 = h[0] * h[0] + h[1] * h[1] - h[3] * h[3] - h[4] * h[4];  
24.     v1 = -h[2] * h[5] / d1;  
25.     v2 = (h[5] * h[5] - h[2] * h[2]) / d2;  
26.     if (v1 < v2) std::swap(v1, v2);  
27.     if (v1 > 0 && v2 > 0) f0 = sqrt(std::abs(d1) > std::abs(d2) ? v1 : v2);  
28.     else if (v1 > 0) f0 = sqrt(v1);  
29.     else f0_ok = false;  
30. }  

      求出的焦距有8个

     

      求出的焦距取中值或者平均值，然后就是所有图片的焦距。

      并构建camera参数，将矩阵写入camera：

[cpp]  view plain  copy

1. cameras.assign(num_images, CameraParams());  
2. for (int i = 0; i < num_images; ++i)  
3.     cameras[i].focal = focals[i];  

     4.2 根据匹配的内点构建最大生成树，然后广度优先搜索求出根节点，并求出camera的R矩阵，K矩阵以及光轴中心

      camera其他参数：

     aspect = 1.0，ppx，ppy目前等于0，最后会赋值成图像中心点的。

      K矩阵的值：

[cpp]  view plain  copy

1. Mat CameraParams::K() const  
2. {  
3.     Mat_<double> k = Mat::eye(3, 3, CV_64F);  
4.     k(0,0) = focal; k(0,2) = ppx;  
5.     k(1,1) = focal * aspect; k(1,2) = ppy;  
6.     return k;  
7. }  

      R矩阵的值：

     

[cpp]  view plain  copy

1. void operator ()(const GraphEdge &edge)  
2. {  
3.     int pair_idx = edge.from * num_images + edge.to;  
4.   
5.     Mat_<double> K_from = Mat::eye(3, 3, CV_64F);  
6.     K_from(0,0) = cameras[edge.from].focal;  
7.     K_from(1,1) = cameras[edge.from].focal * cameras[edge.from].aspect;  
8.     K_from(0,2) = cameras[edge.from].ppx;  
9.     K_from(0,2) = cameras[edge.from].ppy;  
10.   
11.     Mat_<double> K_to = Mat::eye(3, 3, CV_64F);  
12.     K_to(0,0) = cameras[edge.to].focal;  
13.     K_to(1,1) = cameras[edge.to].focal * cameras[edge.to].aspect;  
14.     K_to(0,2) = cameras[edge.to].ppx;  
15.     K_to(0,2) = cameras[edge.to].ppy;  
16.   
17.     Mat R = K_from.inv() * pairwise_matches[pair_idx].H.inv() * K_to;  
18.     cameras[edge.to].R = cameras[edge.from].R * R;  
19. }  

         光轴中心的值

[cpp]  view plain  copy

1. for (int i = 0; i < num_images; ++i)  
2. {  
3.     cameras[i].ppx += 0.5 * features[i].img_size.width;  
4.     cameras[i].ppy += 0.5 * features[i].img_size.height;  
5. }  

      5.使用Bundle Adjustment方法对所有图片进行相机参数校正

      Bundle Adjustment（光束法平差）算法主要是解决所有相机参数的联合。这是全景拼接必须的一步，因为多个成对的单应性矩阵合成全景图时，会忽略全局的限制，造成累积误差。因此每一个图像都要加上光束法平差值，使图像被初始化成相同的旋转和焦距长度。

      光束法平差的目标函数是一个具有鲁棒性的映射误差的平方和函数。即每一个特征点都要映射到其他的图像中，计算出使误差的平方和最小的相机参数。具体的推导过程可以参见Automatic Panoramic Image Stitching using Invariant Features.pdf的第五章，本文只介绍一下opencv实现的过程（完整的理论和公式 暂时还没看懂，希望有人能一起交流）

     opencv中误差描述函数有两种如下：（opencv默认是BundleAdjusterRay ）：

[cpp]  view plain  copy

1. BundleAdjusterReproj // BundleAdjusterBase(7, 2)//最小投影误差平方和  
2. Implementation of the camera parameters refinement algorithm which minimizes sum of the reprojection error squares  
3.   
4. BundleAdjusterRay //  BundleAdjusterBase(4, 3)//最小特征点与相机中心点的距离和  
5. Implementation of the camera parameters refinement algorithm which minimizes sum of the distances between the  
6. rays passing through the camera center and a feature.  

      5.1 首先计算cam_params_的值：

[cpp]  view plain  copy

1. setUpInitialCameraParams(cameras);  

      函数主要源码：

[cpp]  view plain  copy

1. cam_params_.create(num_images_ * 4, 1, CV_64F);  
2. SVD svd;//奇异值分解  
3. for (int i = 0; i < num_images_; ++i)  
4. {  
5.     cam_params_.at<double>(i * 4, 0) = cameras[i].focal;  
6.   
7.     svd(cameras[i].R, SVD::FULL_UV);  
8.     Mat R = svd.u * svd.vt;  
9.     if (determinant(R) < 0)  
10.         R *= -1;  
11.   
12.     Mat rvec;  
13.     Rodrigues(R, rvec);  
14.     CV_Assert(rvec.type() == CV_32F);  
15.     cam_params_.at<double>(i * 4 + 1, 0) = rvec.at<float>(0, 0);  
16.     cam_params_.at<double>(i * 4 + 2, 0) = rvec.at<float>(1, 0);  
17.     cam_params_.at<double>(i * 4 + 3, 0) = rvec.at<float>(2, 0);  
18. }  

      计算cam_params_的值，先初始化cam_params(num_images_*4,1,CV_64F);

      cam_params_[i*4+0] =  cameras[i].focal;

      cam_params_后面3个值，是cameras[i].R先经过奇异值分解，然后对u*vt进行Rodrigues运算，得到的rvec第一行3个值赋给cam_params_。

     奇异值分解的定义：

在矩阵M的奇异值分解中 M = UΣV*

·U的列(columns)组成一套对M的正交"输入"或"分析"的基向量。这些向量是MM*的特征向量。

·V的列(columns)组成一套对M的正交"输出"的基向量。这些向量是M*M的特征向量。

·Σ对角线上的元素是奇异值，可视为是在输入与输出间进行的标量的"膨胀控制"。这些是M*M及MM*的奇异值，并与U和V的行向量相对应。

     5.2 删除置信度小于门限的匹配对

[cpp]  view plain  copy

1. // Leave only consistent image pairs  
2. edges_.clear();  
3. for (int i = 0; i < num_images_ - 1; ++i)  
4. {  
5.     for (int j = i + 1; j < num_images_; ++j)  
6.     {  
7.         const MatchesInfo& matches_info = pairwise_matches_[i * num_images_ + j];  
8.         if (matches_info.confidence > conf_thresh_)  
9.             edges_.push_back(make_pair(i, j));  
10.     }  
11. }  

       5.3 使用LM算法计算camera参数。

       首先初始化LM的参数（具体理论还没有看懂）

[cpp]  view plain  copy

1. //计算所有内点之和  
2.     for (size_t i = 0; i < edges_.size(); ++i)  
3.         total_num_matches_ += static_cast<int>(pairwise_matches[edges_[i].first * num_images_ +  
4.                                                                 edges_[i].second].num_inliers);  
5.   
6.     CvLevMarq solver(num_images_ * num_params_per_cam_,  
7.                      total_num_matches_ * num_errs_per_measurement_,  
8.                      term_criteria_);  
9.   
10.     Mat err, jac;  
11.     CvMat matParams = cam_params_;  
12.     cvCopy(&matParams, solver.param);  
13.   
14.     int iter = 0;  
15.     for(;;)//类似于while（1）,但是比while（1）效率高  
16.     {  
17.         const CvMat* _param = 0;  
18.         CvMat* _jac = 0;  
19.         CvMat* _err = 0;  
20.   
21.         bool proceed = solver.update(_param, _jac, _err);  
22.   
23.         cvCopy(_param, &matParams);  
24.   
25.         if (!proceed || !_err)  
26.             break;  
27.   
28.         if (_jac)  
29.         {  
30.             calcJacobian(jac); //构造雅阁比行列式  
31.             CvMat tmp = jac;  
32.             cvCopy(&tmp, _jac);  
33.         }  
34.   
35.         if (_err)  
36.         {  
37.             calcError(err);//计算err  
38.             LOG_CHAT(".");  
39.             iter++;  
40.             CvMat tmp = err;  
41.             cvCopy(&tmp, _err);  
42.         }  
43.     }  

       计算camera

[cpp]  view plain  copy

1. obtainRefinedCameraParams(cameras);//Gets the refined camera parameters.  

       函数源代码：

[cpp]  view plain  copy

1. void BundleAdjusterRay::obtainRefinedCameraParams(vector<CameraParams> &cameras) const  
2. {  
3.     for (int i = 0; i < num_images_; ++i)  
4.     {  
5.         cameras[i].focal = cam_params_.at<double>(i * 4, 0);  
6.   
7.         Mat rvec(3, 1, CV_64F);  
8.         rvec.at<double>(0, 0) = cam_params_.at<double>(i * 4 + 1, 0);  
9.         rvec.at<double>(1, 0) = cam_params_.at<double>(i * 4 + 2, 0);  
10.         rvec.at<double>(2, 0) = cam_params_.at<double>(i * 4 + 3, 0);  
11.         Rodrigues(rvec, cameras[i].R);  
12.   
13.         Mat tmp;  
14.         cameras[i].R.convertTo(tmp, CV_32F);  
15.         cameras[i].R = tmp;  
16.     }  
17. }  

       求出根节点，然后归一化旋转矩阵R

[cpp]  view plain  copy

1. // Normalize motion to center image  
2. Graph span_tree;  
3. vector<int> span_tree_centers;  
4. findMaxSpanningTree(num_images_, pairwise_matches, span_tree, span_tree_centers);  
5. Mat R_inv = cameras[span_tree_centers[0]].R.inv();  
6. for (int i = 0; i < num_images_; ++i)  
7.     cameras[i].R = R_inv * cameras[i].R;  

     6 波形校正

     前面几节把相机旋转矩阵计算出来，但是还有一个因素需要考虑，就是由于拍摄者拍摄图片的时候不一定是水平的，轻微的倾斜会导致全景图像出现飞机曲线，因此我们要对图像进行波形校正，主要是寻找每幅图形的“上升向量”（up_vector），使他校正成。

波形校正的效果图

         opencv实现的源码如下（也是暂时没看懂，囧）

[cpp]  view plain  copy

1. <span style="white-space:pre">    </span>vector<Mat> rmats;  
2.        for (size_t i = 0; i < cameras.size(); ++i)  
3.            rmats.push_back(cameras[i].R);  
4.        waveCorrect(rmats, wave_correct);//Tries to make panorama more horizontal (or vertical).  
5.        for (size_t i = 0; i < cameras.size(); ++i)  
6.            cameras[i].R = rmats[i];  

       其中waveCorrect(rmats, wave_correct)源码如下：

[cpp]  view plain  copy

1. void waveCorrect(vector<Mat> &rmats, WaveCorrectKind kind)  
2. {  
3.     LOGLN("Wave correcting...");  
4. #if ENABLE_LOG  
5.     int64 t = getTickCount();  
6. #endif  
7.   
8.     Mat moment = Mat::zeros(3, 3, CV_32F);  
9.     for (size_t i = 0; i < rmats.size(); ++i)  
10.     {  
11.         Mat col = rmats[i].col(0);  
12.         moment += col * col.t();//相机R矩阵第一列转置相乘然后相加  
13.     }  
14.     Mat eigen_vals, eigen_vecs;  
15.     eigen(moment, eigen_vals, eigen_vecs);//Calculates eigenvalues and eigenvectors of a symmetric matrix.  
16.   
17.     Mat rg1;  
18.     if (kind == WAVE_CORRECT_HORIZ)  
19.         rg1 = eigen_vecs.row(2).t();//如果是水平校正，去特征向量的第三行  
20.     else if (kind == WAVE_CORRECT_VERT)  
21.         rg1 = eigen_vecs.row(0).t();//如果是垂直校正，特征向量第一行  
22.     else  
23.         CV_Error(CV_StsBadArg, "unsupported kind of wave correction");  
24.   
25.     Mat img_k = Mat::zeros(3, 1, CV_32F);  
26.     for (size_t i = 0; i < rmats.size(); ++i)  
27.         img_k += rmats[i].col(2);//R函数第3列相加  
28.     Mat rg0 = rg1.cross(img_k);//rg1与img_k向量积  
29.     rg0 /= norm(rg0);//归一化？  
30.   
31.     Mat rg2 = rg0.cross(rg1);  
32.   
33.     double conf = 0;  
34.     if (kind == WAVE_CORRECT_HORIZ)  
35.     {  
36.         for (size_t i = 0; i < rmats.size(); ++i)  
37.             conf += rg0.dot(rmats[i].col(0));//Computes a dot-product of two vectors.数量积  
38.         if (conf < 0)  
39.         {  
40.             rg0 *= -1;  
41.             rg1 *= -1;  
42.         }  
43.     }  
44.     else if (kind == WAVE_CORRECT_VERT)  
45.     {  
46.         for (size_t i = 0; i < rmats.size(); ++i)  
47.             conf -= rg1.dot(rmats[i].col(0));  
48.         if (conf < 0)  
49.         {  
50.             rg0 *= -1;  
51.             rg1 *= -1;  
52.         }  
53.     }  
54.   
55.     Mat R = Mat::zeros(3, 3, CV_32F);  
56.     Mat tmp = R.row(0);  
57.     Mat(rg0.t()).copyTo(tmp);  
58.     tmp = R.row(1);  
59.     Mat(rg1.t()).copyTo(tmp);  
60.     tmp = R.row(2);  
61.     Mat(rg2.t()).copyTo(tmp);  
62.   
63.     for (size_t i = 0; i < rmats.size(); ++i)  
64.         rmats[i] = R * rmats[i];  
65.   
66.     LOGLN("Wave correcting, time: " << ((getTickCount() - t) / getTickFrequency()) << " sec");  
67. }  

     7.单应性矩阵变换

      由图像匹配，Bundle Adjustment算法以及波形校验，求出了图像的相机参数以及旋转矩阵，接下来就对图形进行单应性矩阵变换，亮度的增量补偿以及多波段融合（图像金字塔）。首先介绍的就是单应性矩阵变换：

      源图像的点（x，y，z=1），图像的旋转矩阵R，图像的相机参数矩阵K，经过变换后的同一坐标（x_,y_,z_），然后映射到球形坐标（u，v，w），他们之间的关系如下：

[cpp]  view plain  copy

1. void SphericalProjector::mapForward(float x, float y, float &u, float &v)  
2. {  
3.     float x_ = r_kinv[0] * x + r_kinv[1] * y + r_kinv[2];  
4.     float y_ = r_kinv[3] * x + r_kinv[4] * y + r_kinv[5];  
5.     float z_ = r_kinv[6] * x + r_kinv[7] * y + r_kinv[8];  
6.   
7.     u = scale * atan2f(x_, z_);  
8.     float w = y_ / sqrtf(x_ * x_ + y_ * y_ + z_ * z_);  
9.     v = scale * (static_cast<float>(CV_PI) - acosf(w == w ? w : 0));  
10. }  

    

       根据映射公式，对图像的上下左右四个边界求映射后的坐标，然后确定变换后图像的左上角和右上角的坐标，

       如果是球形拼接，则需要再加上判断（暂时还没研究透）：

[cpp]  view plain  copy

1. float tl_uf = static_cast<float>(dst_tl.x);  
2. float tl_vf = static_cast<float>(dst_tl.y);  
3. float br_uf = static_cast<float>(dst_br.x);  
4. float br_vf = static_cast<float>(dst_br.y);  
5.   
6. float x = projector_.rinv[1];  
7. float y = projector_.rinv[4];  
8. float z = projector_.rinv[7];  
9. if (y > 0.f)  
10. {  
11.     float x_ = (projector_.k[0] * x + projector_.k[1] * y) / z + projector_.k[2];  
12.     float y_ = projector_.k[4] * y / z + projector_.k[5];  
13.     if (x_ > 0.f && x_ < src_size.width && y_ > 0.f && y_ < src_size.height)  
14.     {  
15.         tl_uf = min(tl_uf, 0.f); tl_vf = min(tl_vf, static_cast<float>(CV_PI * projector_.scale));  
16.         br_uf = max(br_uf, 0.f); br_vf = max(br_vf, static_cast<float>(CV_PI * projector_.scale));  
17.     }  
18. }  
19.   
20. x = projector_.rinv[1];  
21. y = -projector_.rinv[4];  
22. z = projector_.rinv[7];  
23. if (y > 0.f)  
24. {  
25.     float x_ = (projector_.k[0] * x + projector_.k[1] * y) / z + projector_.k[2];  
26.     float y_ = projector_.k[4] * y / z + projector_.k[5];  
27.     if (x_ > 0.f && x_ < src_size.width && y_ > 0.f && y_ < src_size.height)  
28.     {  
29.         tl_uf = min(tl_uf, 0.f); tl_vf = min(tl_vf, static_cast<float>(0));  
30.         br_uf = max(br_uf, 0.f); br_vf = max(br_vf, static_cast<float>(0));  
31.     }  
32. }  

      然后利用反投影将图形反投影到变换的图像上，像素计算默认是二维线性插值。

     反投影的公式：

[cpp]  view plain  copy

1. void SphericalProjector::mapBackward(float u, float v, float &x, float &y)  
2. {  
3.     u /= scale;  
4.     v /= scale;  
5.   
6.     float sinv = sinf(static_cast<float>(CV_PI) - v);  
7.     float x_ = sinv * sinf(u);  
8.     float y_ = cosf(static_cast<float>(CV_PI) - v);  
9.     float z_ = sinv * cosf(u);  
10.   
11.     float z;  
12.     x = k_rinv[0] * x_ + k_rinv[1] * y_ + k_rinv[2] * z_;  
13.     y = k_rinv[3] * x_ + k_rinv[4] * y_ + k_rinv[5] * z_;  
14.     z = k_rinv[6] * x_ + k_rinv[7] * y_ + k_rinv[8] * z_;  
15.   
16.     if (z > 0) { x /= z; y /= z; }  
17.     else x = y = -1;  
18. }  

然后将反投影求出的x，y值写入Mat矩阵xmap和ymap中

[cpp]  view plain  copy

1. xmap.create(dst_br.y - dst_tl.y + 1, dst_br.x - dst_tl.x + 1, CV_32F);  
2.    ymap.create(dst_br.y - dst_tl.y + 1, dst_br.x - dst_tl.x + 1, CV_32F);  
3.   
4.    float x, y;  
5.    for (int v = dst_tl.y; v <= dst_br.y; ++v)  
6.    {  
7.        for (int u = dst_tl.x; u <= dst_br.x; ++u)  
8.        {  
9.            projector_.mapBackward(static_cast<float>(u), static_cast<float>(v), x, y);  
10.            xmap.at<float>(v - dst_tl.y, u - dst_tl.x) = x;  
11.            ymap.at<float>(v - dst_tl.y, u - dst_tl.x) = y;  
12.        }  
13.    }  

最后使用opencv自带的remap函数将图像重新绘制:

[cpp]  view plain  copy

1. remap(src, dst, xmap, ymap, interp_mode, border_mode);//重映射，xmap，yamp分别是u，v反投影对应的x，y值，默认是双线性插值  

       
      8.光照补偿

      图像拼接中，由于拍摄的图片有可能因为光圈或者光线的问题，导致相邻图片重叠区域出现亮度差，所以在拼接时就需要对图像进行亮度补偿，（opencv只对重叠区域进行了亮度补偿，这样会导致图像融合处虽然光照渐变，但是图像整体的光强没有柔和的过渡）。

      首先，将所有图像，mask矩阵进行分块（大小在32*32附近）。

[cpp]  view plain  copy

1. for (int img_idx = 0; img_idx < num_images; ++img_idx)  
2.   {  
3.       Size bl_per_img((images[img_idx].cols + bl_width_ - 1) / bl_width_,  
4.                       (images[img_idx].rows + bl_height_ - 1) / bl_height_);  
5.       int bl_width = (images[img_idx].cols + bl_per_img.width - 1) / bl_per_img.width;  
6.       int bl_height = (images[img_idx].rows + bl_per_img.height - 1) / bl_per_img.height;  
7.       bl_per_imgs[img_idx] = bl_per_img;  
8.       for (int by = 0; by < bl_per_img.height; ++by)  
9.       {  
10.           for (int bx = 0; bx < bl_per_img.width; ++bx)  
11.           {  
12.               Point bl_tl(bx * bl_width, by * bl_height);  
13.               Point bl_br(min(bl_tl.x + bl_width, images[img_idx].cols),  
14.                           min(bl_tl.y + bl_height, images[img_idx].rows));  
15.   
16.               block_corners.push_back(corners[img_idx] + bl_tl);  
17.               block_images.push_back(images[img_idx](Rect(bl_tl, bl_br)));  
18.               block_masks.push_back(make_pair(masks[img_idx].first(Rect(bl_tl, bl_br)),  
19.                                               masks[img_idx].second));  
20.           }  
21.       }  
22.   }  

      然后，求出任意两块图像的重叠区域的平均光强，

[cpp]  view plain  copy

1. //计算每一块区域的光照均值sqrt(sqrt（R）+sqrt(G)+sqrt(B))  
2.     //光照均值是对称矩阵，所以一次循环计算两个光照值，（i，j），与（j，i）  
3.     for (int i = 0; i < num_images; ++i)  
4.     {  
5.         for (int j = i; j < num_images; ++j)  
6.         {  
7.             Rect roi;  
8.             //判断image[i]与image[j]是否有重叠部分  
9.             if (overlapRoi(corners[i], corners[j], images[i].size(), images[j].size(), roi))  
10.             {  
11.                 subimg1 = images[i](Rect(roi.tl() - corners[i], roi.br() - corners[i]));  
12.                 subimg2 = images[j](Rect(roi.tl() - corners[j], roi.br() - corners[j]));  
13.   
14.                 submask1 = masks[i].first(Rect(roi.tl() - corners[i], roi.br() - corners[i]));  
15.                 submask2 = masks[j].first(Rect(roi.tl() - corners[j], roi.br() - corners[j]));  
16.                 intersect = (submask1 == masks[i].second) & (submask2 == masks[j].second);  
17.   
18.                 N(i, j) = N(j, i) = max(1, countNonZero(intersect));  
19.   
20.                 double Isum1 = 0, Isum2 = 0;  
21.                 for (int y = 0; y < roi.height; ++y)  
22.                 {  
23.                     const Point3_<uchar>* r1 = subimg1.ptr<Point3_<uchar> >(y);  
24.                     const Point3_<uchar>* r2 = subimg2.ptr<Point3_<uchar> >(y);  
25.                     for (int x = 0; x < roi.width; ++x)  
26.                     {  
27.                         if (intersect(y, x))  
28.                         {  
29.                             Isum1 += sqrt(static_cast<double>(sqr(r1[x].x) + sqr(r1[x].y) + sqr(r1[x].z)));  
30.                             Isum2 += sqrt(static_cast<double>(sqr(r2[x].x) + sqr(r2[x].y) + sqr(r2[x].z)));  
31.                         }  
32.                     }  
33.                 }  
34.                 I(i, j) = Isum1 / N(i, j);  
35.                 I(j, i) = Isum2 / N(i, j);  
36.             }  
37.         }  
38.     }  

     建立方程，求出每个光强的调整系数

[cpp]  view plain  copy

1. Mat_<double> A(num_images, num_images); A.setTo(0);  
2. Mat_<double> b(num_images, 1); b.setTo(0);//beta*N(i,j)  
3. for (int i = 0; i < num_images; ++i)  
4. {  
5.     for (int j = 0; j < num_images; ++j)  
6.     {  
7.         b(i, 0) += beta * N(i, j);  
8.         A(i, i) += beta * N(i, j);  
9.         if (j == i) continue;  
10.         A(i, i) += 2 * alpha * I(i, j) * I(i, j) * N(i, j);  
11.         A(i, j) -= 2 * alpha * I(i, j) * I(j, i) * N(i, j);  
12.     }  
13. }  
14.   
15. solve(A, b, gains_);//求方程的解A*gains = B  

        gains_原理分析:

num_images ：表示图像分块的个数，零num_images = n

N矩阵，大小n*n，N(i,j)表示第i幅图像与第j幅图像重合的像素点数，N(i,j)=N(j,i)

I矩阵，大小n*n，I(i,j)与I(j,i)表示第i，j块区域重合部分的像素平均值，I(i，j)是重合区域中i快的平均亮度值，

参数alpha和beta，默认值是alpha=0.01，beta=100.

A矩阵，大小n*n，公式图片不全

b矩阵，大小n*1，

然后根据求解矩阵

gains_矩阵，大小1*n，A*gains = B

        然后将gains_进行线性滤波

[cpp]  view plain  copy

1.   Mat_<float> ker(1, 3);  
2.   ker(0,0) = 0.25; ker(0,1) = 0.5; ker(0,2) = 0.25;  
3.   
4.   int bl_idx = 0;  
5.   for (int img_idx = 0; img_idx < num_images; ++img_idx)  
6.   {  
7. Size bl_per_img = bl_per_imgs[img_idx];  
8. gain_maps_[img_idx].create(bl_per_img);  
9.   
10.       for (int by = 0; by < bl_per_img.height; ++by)  
11.           for (int bx = 0; bx < bl_per_img.width; ++bx, ++bl_idx)  
12.               gain_maps_[img_idx](by, bx) = static_cast<float>(gains[bl_idx]);  
13. //用分解的核函数对图像做卷积。首先，图像的每一行与一维的核kernelX做卷积；然后，运算结果的每一列与一维的核kernelY做卷积  
14.       sepFilter2D(gain_maps_[img_idx], gain_maps_[img_idx], CV_32F, ker, ker);  
15.       sepFilter2D(gain_maps_[img_idx], gain_maps_[img_idx], CV_32F, ker, ker);  
16.   }  

      然后构建一个gain_maps的三维矩阵，gain_main[图像的个数][图像分块的行数][图像分块的列数]，然后对没一副图像的gain进行滤波。

   

   9.Seam Estimation

     缝隙估计有6种方法，默认就是第三种方法，seam_find_type == "gc_color"，该方法是利用最大流方法检测。

[cpp]  view plain  copy

1.  if (seam_find_type == "no")  
2.         seam_finder = new detail::NoSeamFinder();//Stub seam estimator which does nothing.  
3.     else if (seam_find_type == "voronoi")  
4.         seam_finder = new detail::VoronoiSeamFinder();//Voronoi diagram-based seam estimator. 泰森多边形缝隙估计  
5.     else if (seam_find_type == "gc_color")  
6.     {  
7. #ifdef HAVE_OPENCV_GPU  
8.         if (try_gpu && gpu::getCudaEnabledDeviceCount() > 0)  
9.             seam_finder = new detail::GraphCutSeamFinderGpu(GraphCutSeamFinderBase::COST_COLOR);  
10.         else  
11. #endif  
12.             seam_finder = new detail::GraphCutSeamFinder(GraphCutSeamFinderBase::COST_COLOR);//Minimum graph cut-based seam estimator  
13.     }  
14.     else if (seam_find_type == "gc_colorgrad")  
15.     {  
16. #ifdef HAVE_OPENCV_GPU  
17.         if (try_gpu && gpu::getCudaEnabledDeviceCount() > 0)  
18.             seam_finder = new detail::GraphCutSeamFinderGpu(GraphCutSeamFinderBase::COST_COLOR_GRAD);  
19.         else  
20. #endif  
21.             seam_finder = new detail::GraphCutSeamFinder(GraphCutSeamFinderBase::COST_COLOR_GRAD);  
22.     }  
23.     else if (seam_find_type == "dp_color")  
24.         seam_finder = new detail::DpSeamFinder(DpSeamFinder::COLOR);  
25.     else if (seam_find_type == "dp_colorgrad")  
26.         seam_finder = new detail::DpSeamFinder(DpSeamFinder::COLOR_GRAD);  
27.     if (seam_finder.empty())  
28.     {  
29.         cout << "Can't create the following seam finder '" << seam_find_type << "'\n";  
30.         return 1;  
31.     }  

      程序解读可参见：

http://blog.csdn.net/chlele0105/article/details/12624541

http://blog.csdn.net/zouxy09/article/details/8534954

http://blog.csdn.net/yangtrees/article/details/7930640

     

     10.多波段融合

      由于以前进行处理的图片都是以work_scale（3.1节有介绍）进行缩放的，所以图像的内参，corner（同一坐标后的顶点），mask（融合的掩码）都需要重新计算。以及将之前计算的光照增强的gain也要计算进去。

[cpp]  view plain  copy

1. // Read image and resize it if necessary  
2.       full_img = imread(img_names[img_idx]);  
3.       if (!is_compose_scale_set)  
4.       {  
5.           if (compose_megapix > 0)  
6.               compose_scale = min(1.0, sqrt(compose_megapix * 1e6 / full_img.size().area()));  
7.           is_compose_scale_set = true;  
8.   
9.           // Compute relative scales  
10.           //compose_seam_aspect = compose_scale / seam_scale;  
11.           compose_work_aspect = compose_scale / work_scale;  
12.   
13.           // Update warped image scale  
14.           warped_image_scale *= static_cast<float>(compose_work_aspect);  
15.           warper = warper_creator->create(warped_image_scale);  
16.   
17.           // Update corners and sizes  
18.           for (int i = 0; i < num_images; ++i)  
19.           {  
20.               // Update intrinsics  
21.               cameras[i].focal *= compose_work_aspect;  
22.               cameras[i].ppx *= compose_work_aspect;  
23.               cameras[i].ppy *= compose_work_aspect;  
24.   
25.               // Update corner and size  
26.               Size sz = full_img_sizes[i];  
27.               if (std::abs(compose_scale - 1) > 1e-1)  
28.               {  
29.                   sz.width = cvRound(full_img_sizes[i].width * compose_scale);//取整  
30.                   sz.height = cvRound(full_img_sizes[i].height * compose_scale);  
31.               }  
32.   
33.               Mat K;  
34.               cameras[i].K().convertTo(K, CV_32F);  
35.               Rect roi = warper->warpRoi(sz, K, cameras[i].R);//Returns Projected image minimum bounding box  
36.               corners[i] = roi.tl();//! the top-left corner  
37.               sizes[i] = roi.size();//! size of the real buffer  
38.           }  
39.       }  
40.       if (abs(compose_scale - 1) > 1e-1)  
41.           resize(full_img, img, Size(), compose_scale, compose_scale);  
42.       else  
43.           img = full_img;  
44.       full_img.release();  
45.       Size img_size = img.size();  
46.   
47.       Mat K;  
48.       cameras[img_idx].K().convertTo(K, CV_32F);  
49.   
50.       // Warp the current image  
51.       warper->warp(img, K, cameras[img_idx].R, INTER_LINEAR, BORDER_REFLECT, img_warped);  
52.       // Warp the current image mask  
53.       mask.create(img_size, CV_8U);  
54.       mask.setTo(Scalar::all(255));  
55.       warper->warp(mask, K, cameras[img_idx].R, INTER_NEAREST, BORDER_CONSTANT, mask_warped);  
56.       // Compensate exposure  
57.       compensator->apply(img_idx, corners[img_idx], img_warped, mask_warped);//光照补偿  
58.       img_warped.convertTo(img_warped_s, CV_16S);  
59.       img_warped.release();  
60.       img.release();  
61.       mask.release();  
62.   
63.       dilate(masks_warped[img_idx], dilated_mask, Mat());  
64.       resize(dilated_mask, seam_mask, mask_warped.size());  
65.       mask_warped = seam_mask & mask_warped;  

     对图像进行光照补偿，就是将对应区域乘以gain：

[cpp]  view plain  copy

1. //块光照补偿  
2. void BlocksGainCompensator::apply(int index, Point /*corner*/, Mat &image, const Mat &/*mask*/)  
3. {  
4.     CV_Assert(image.type() == CV_8UC3);  
5.   
6.     Mat_<float> gain_map;  
7.     if (gain_maps_[index].size() == image.size())  
8.         gain_map = gain_maps_[index];  
9.     else  
10.         resize(gain_maps_[index], gain_map, image.size(), 0, 0, INTER_LINEAR);  
11.   
12.     for (int y = 0; y < image.rows; ++y)  
13.     {  
14.         const float* gain_row = gain_map.ptr<float>(y);  
15.         Point3_<uchar>* row = image.ptr<Point3_<uchar> >(y);  
16.         for (int x = 0; x < image.cols; ++x)  
17.         {  
18.             row[x].x = saturate_cast<uchar>(row[x].x * gain_row[x]);  
19.             row[x].y = saturate_cast<uchar>(row[x].y * gain_row[x]);  
20.             row[x].z = saturate_cast<uchar>(row[x].z * gain_row[x]);  
21.         }  
22.     }  
23. }  

     进行多波段融合，首先初始化blend，确定blender的融合的方式，默认是多波段融合MULTI_BAND，以及根据corners顶点和图像的大小确定最终全景图的尺寸。

[cpp]  view plain  copy

1. <span>    </span>//初始化blender  
2.         if (blender.empty())  
3.         {  
4.             blender = Blender::createDefault(blend_type, try_gpu);  
5.             Size dst_sz = resultRoi(corners, sizes).size();//计算最后图像的大小  
6.             float blend_width = sqrt(static_cast<float>(dst_sz.area())) * blend_strength / 100.f;  
7.             if (blend_width < 1.f)  
8.                 blender = Blender::createDefault(Blender::NO, try_gpu);  
9.             else if (blend_type == Blender::MULTI_BAND)  
10.             {  
11.                 MultiBandBlender* mb = dynamic_cast<MultiBandBlender*>(static_cast<Blender*>(blender));  
12.                 mb->setNumBands(static_cast<int>(ceil(log(blend_width)/log(2.)) - 1.));  
13.                 LOGLN("Multi-band blender, number of bands: " << mb->numBands());  
14.             }  
15.             else if (blend_type == Blender::FEATHER)  
16.             {  
17.                 FeatherBlender* fb = dynamic_cast<FeatherBlender*>(static_cast<Blender*>(blender));  
18.                 fb->setSharpness(1.f/blend_width);  
19.                 LOGLN("Feather blender, sharpness: " << fb->sharpness());  
20.             }  
21.             blender->prepare(corners, sizes);//根据corners顶点和图像的大小确定最终全景图的尺寸  
22.         }  

      然后对每幅图图形构建金字塔，层数可以由输入的系数确定，默认是5层。

      先对顶点以及图像的宽和高做处理，使其能被2^num_bands除尽，这样才能将进行向下采样num_bands次，首先从源图像pyrDown向下采样，在由最底部的图像pyrUp向上采样，把对应层得上采样和下采样的相减，就得到了图像的高频分量，存储到每一个金字塔中。然后根据mask，将每幅图像的各层金字塔分别写入最终的金字塔层src_pyr_laplace中。

      最后将各层的金字塔叠加，就得到了最终完整的全景图。

[cpp]  view plain  copy

1. blender->feed(img_warped_s, mask_warped, corners[img_idx]);//将图像写入金字塔中  

      源码：

[cpp]  view plain  copy

1. void MultiBandBlender::feed(const Mat &img, const Mat &mask, Point tl)  
2. {  
3.     CV_Assert(img.type() == CV_16SC3 || img.type() == CV_8UC3);  
4.     CV_Assert(mask.type() == CV_8U);  
5.   
6.     // Keep source image in memory with small border  
7.     int gap = 3 * (1 << num_bands_);  
8.     Point tl_new(max(dst_roi_.x, tl.x - gap),  
9.                  max(dst_roi_.y, tl.y - gap));  
10.     Point br_new(min(dst_roi_.br().x, tl.x + img.cols + gap),  
11.                  min(dst_roi_.br().y, tl.y + img.rows + gap));  
12.   
13.     // Ensure coordinates of top-left, bottom-right corners are divided by (1 << num_bands_).  
14.     // After that scale between layers is exactly 2.  
15.     //  
16.     // We do it to avoid interpolation problems when keeping sub-images only. There is no such problem when  
17.     // image is bordered to have size equal to the final image size, but this is too memory hungry approach.  
18.     //将顶点调整成能被2^num_bank次方除尽的值  
19.     tl_new.x = dst_roi_.x + (((tl_new.x - dst_roi_.x) >> num_bands_) << num_bands_);  
20.     tl_new.y = dst_roi_.y + (((tl_new.y - dst_roi_.y) >> num_bands_) << num_bands_);  
21.     int width = br_new.x - tl_new.x;  
22.     int height = br_new.y - tl_new.y;  
23.     width += ((1 << num_bands_) - width % (1 << num_bands_)) % (1 << num_bands_);  
24.     height += ((1 << num_bands_) - height % (1 << num_bands_)) % (1 << num_bands_);  
25.     br_new.x = tl_new.x + width;  
26.     br_new.y = tl_new.y + height;  
27.     int dy = max(br_new.y - dst_roi_.br().y, 0);  
28.     int dx = max(br_new.x - dst_roi_.br().x, 0);  
29.     tl_new.x -= dx; br_new.x -= dx;  
30.     tl_new.y -= dy; br_new.y -= dy;  
31.   
32.     int top = tl.y - tl_new.y;  
33.     int left = tl.x - tl_new.x;  
34.     int bottom = br_new.y - tl.y - img.rows;  
35.     int right = br_new.x - tl.x - img.cols;  
36.   
37.     // Create the source image Laplacian pyramid  
38.     Mat img_with_border;  
39.     copyMakeBorder(img, img_with_border, top, bottom, left, right,  
40.                    BORDER_REFLECT);//给图像设置一个边界，BORDER_REFLECT边界颜色任意  
41.     vector<Mat> src_pyr_laplace;  
42.     if (can_use_gpu_ && img_with_border.depth() == CV_16S)  
43.         createLaplacePyrGpu(img_with_border, num_bands_, src_pyr_laplace);  
44.     else  
45.         createLaplacePyr(img_with_border, num_bands_, src_pyr_laplace);//创建高斯金字塔，每一层保存的全是高频信息  
46.   
47.     // Create the weight map Gaussian pyramid  
48.     Mat weight_map;  
49.     vector<Mat> weight_pyr_gauss(num_bands_ + 1);  
50.   
51.     if(weight_type_ == CV_32F)  
52.     {  
53.         mask.convertTo(weight_map, CV_32F, 1./255.);//将mask的0，255归一化成0,1  
54.     }  
55.     else// weight_type_ == CV_16S  
56.     {  
57.         mask.convertTo(weight_map, CV_16S);  
58.         add(weight_map, 1, weight_map, mask != 0);  
59.     }  
60.   
61.     copyMakeBorder(weight_map, weight_pyr_gauss[0], top, bottom, left, right, BORDER_CONSTANT);  
62.   
63.     for (int i = 0; i < num_bands_; ++i)  
64.         pyrDown(weight_pyr_gauss[i], weight_pyr_gauss[i + 1]);  
65.   
66.     int y_tl = tl_new.y - dst_roi_.y;  
67.     int y_br = br_new.y - dst_roi_.y;  
68.     int x_tl = tl_new.x - dst_roi_.x;  
69.     int x_br = br_new.x - dst_roi_.x;  
70.   
71.     // Add weighted layer of the source image to the final Laplacian pyramid layer  
72.     if(weight_type_ == CV_32F)  
73.     {  
74.         for (int i = 0; i <= num_bands_; ++i)  
75.         {  
76.             for (int y = y_tl; y < y_br; ++y)  
77.             {  
78.                 int y_ = y - y_tl;  
79.                 const Point3_<short>* src_row = src_pyr_laplace[i].ptr<Point3_<short> >(y_);  
80.                 Point3_<short>* dst_row = dst_pyr_laplace_[i].ptr<Point3_<short> >(y);  
81.                 const float* weight_row = weight_pyr_gauss[i].ptr<float>(y_);  
82.                 float* dst_weight_row = dst_band_weights_[i].ptr<float>(y);  
83.   
84.                 for (int x = x_tl; x < x_br; ++x)  
85.                 {  
86.                     int x_ = x - x_tl;  
87.                     dst_row[x].x += static_cast<short>(src_row[x_].x * weight_row[x_]);  
88.                     dst_row[x].y += static_cast<short>(src_row[x_].y * weight_row[x_]);  
89.                     dst_row[x].z += static_cast<short>(src_row[x_].z * weight_row[x_]);  
90.                     dst_weight_row[x] += weight_row[x_];  
91.                 }  
92.             }  
93.             x_tl /= 2; y_tl /= 2;  
94.             x_br /= 2; y_br /= 2;  
95.         }  
96.     }  
97.     else// weight_type_ == CV_16S  
98.     {  
99.         for (int i = 0; i <= num_bands_; ++i)  
100.         {  
101.             for (int y = y_tl; y < y_br; ++y)  
102.             {  
103.                 int y_ = y - y_tl;  
104.                 const Point3_<short>* src_row = src_pyr_laplace[i].ptr<Point3_<short> >(y_);  
105.                 Point3_<short>* dst_row = dst_pyr_laplace_[i].ptr<Point3_<short> >(y);  
106.                 const short* weight_row = weight_pyr_gauss[i].ptr<short>(y_);  
107.                 short* dst_weight_row = dst_band_weights_[i].ptr<short>(y);  
108.   
109.                 for (int x = x_tl; x < x_br; ++x)  
110.                 {  
111.                     int x_ = x - x_tl;  
112.                     dst_row[x].x += short((src_row[x_].x * weight_row[x_]) >> 8);  
113.                     dst_row[x].y += short((src_row[x_].y * weight_row[x_]) >> 8);  
114.                     dst_row[x].z += short((src_row[x_].z * weight_row[x_]) >> 8);  
115.                     dst_weight_row[x] += weight_row[x_];  
116.                 }  
117.             }  
118.             x_tl /= 2; y_tl /= 2;  
119.             x_br /= 2; y_br /= 2;  
120.         }  
121.     }  
122. }  

        其中，金字塔构建的源码：

[cpp]  view plain  copy

1. void createLaplacePyr(const Mat &img, int num_levels, vector<Mat> &pyr)  
2. {  
3. #ifdef HAVE_TEGRA_OPTIMIZATION  
4.     if(tegra::createLaplacePyr(img, num_levels, pyr))  
5.         return;  
6. #endif  
7.   
8.     pyr.resize(num_levels + 1);  
9.   
10.     if(img.depth() == CV_8U)  
11.     {  
12.         if(num_levels == 0)  
13.         {  
14.             img.convertTo(pyr[0], CV_16S);  
15.             return;  
16.         }  
17.   
18.         Mat downNext;  
19.         Mat current = img;  
20.         pyrDown(img, downNext);  
21.   
22.         for(int i = 1; i < num_levels; ++i)  
23.         {  
24.             Mat lvl_up;  
25.             Mat lvl_down;  
26.   
27.             pyrDown(downNext, lvl_down);  
28.             pyrUp(downNext, lvl_up, current.size());  
29.             subtract(current, lvl_up, pyr[i-1], noArray(), CV_16S);  
30.   
31.             current = downNext;  
32.             downNext = lvl_down;  
33.         }  
34.   
35.         {  
36.             Mat lvl_up;  
37.             pyrUp(downNext, lvl_up, current.size());  
38.             subtract(current, lvl_up, pyr[num_levels-1], noArray(), CV_16S);  
39.   
40.             downNext.convertTo(pyr[num_levels], CV_16S);  
41.         }  
42.     }  
43.     else  
44.     {  
45.         pyr[0] = img;  
46.         //构建高斯金字塔  
47.         for (int i = 0; i < num_levels; ++i)  
48.             pyrDown(pyr[i], pyr[i + 1]);//先高斯滤波，在亚采样，得到比pyr【i】缩小一半的图像  
49.         Mat tmp;  
50.         for (int i = 0; i < num_levels; ++i)  
51.         {  
52.             pyrUp(pyr[i + 1], tmp, pyr[i].size());//插值（偶数行，偶数列赋值为0），然后高斯滤波，核是5*5。  
53.             subtract(pyr[i], tmp, pyr[i]);//pyr[i] = pyr[i]-tmp，得到的全是高频信息  
54.         }  
55.     }  
56. }  

      最终把所有层得金字塔叠加的程序：

[cpp]  view plain  copy

1. Mat result, result_mask;  
2. blender->blend(result, result_mask);//将多层金字塔图形叠加  

     源码：

[cpp]  view plain  copy

1. void MultiBandBlender::blend(Mat &dst, Mat &dst_mask)  
2. {  
3.     for (int i = 0; i <= num_bands_; ++i)  
4.         normalizeUsingWeightMap(dst_band_weights_[i], dst_pyr_laplace_[i]);  
5.   
6.     if (can_use_gpu_)  
7.         restoreImageFromLaplacePyrGpu(dst_pyr_laplace_);  
8.     else  
9.         restoreImageFromLaplacePyr(dst_pyr_laplace_);  
10.   
11.     dst_ = dst_pyr_laplace_[0];  
12.     dst_ = dst_(Range(0, dst_roi_final_.height), Range(0, dst_roi_final_.width));  
13.     dst_mask_ = dst_band_weights_[0] > WEIGHT_EPS;  
14.     dst_mask_ = dst_mask_(Range(0, dst_roi_final_.height), Range(0, dst_roi_final_.width));  
15.     dst_pyr_laplace_.clear();  
16.     dst_band_weights_.clear();  
17.   
18.     Blender::blend(dst, dst_mask);  
19. }