关闭

stitching_detail算法介绍(转载)

664人阅读 评论(0) 收藏 举报
分类:

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。

  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)

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

  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。
  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:
  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

  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。

  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:
  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):
  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:

  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):

  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

  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。

  1. estimateFocal(features, pairwise_matches, focals);  
       函数的主要源码如下:
  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:
  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:
  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:

  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:


  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:

     

  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
  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 ):

  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:

  1. setUpInitialCameraParams(cameras);  

      函数主要源码:

  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

  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)

  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
  1. obtainRefinedCameraParams(cameras);//Gets the refined camera parameters.  
       函数源代码:
  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
  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)

  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:
  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:

  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):

  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:

  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
  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:
  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)。

  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,

  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
  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

  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。

  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。

  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:
  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。

  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。

  1. blender->feed(img_warped_s, mask_warped, corners[img_idx]);//将图像写入金字塔中  
      源码:
  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:
  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:
  1. Mat result, result_mask;  
  2. blender->blend(result, result_mask);//将多层金字塔图形叠加  
     源码:
  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. }  



 









0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:277438次
    • 积分:6232
    • 等级:
    • 排名:第3968名
    • 原创:332篇
    • 转载:144篇
    • 译文:1篇
    • 评论:63条
    腾腾的奋斗史
    最新评论