计算机视觉——实验四-全景图像拼接

一、创建全景图

        同一位置（即图像的照相机位置相同）拍摄的两幅或者多幅图像是单应性相关的。
        我们经常使用该约束将很多图像缝补起来，拼成一个大的图像来创建全景图。
1.图像拼接整体流程

    根据给定图像/集，实现特征匹配
    通过匹配特征计算图像之间的变换结构
    利用图像变换结构，实现图像映射
    针对叠加后的图像，采用APAP之类的算法，对齐特征点
    通过图割方法，自动选取拼接缝
    根据multi-band blending策略实现融合

2.RANSAC算法

RANSAC(随机抽样一致)是一种迭代算法，该算法从一组包含“外点(outlier)”的观测数据中估计数学模型的参数。“外点”指观测数据中的无效数据，通常为噪声或错误数据，比如图像匹配中的误匹配点和曲线拟合中的离群点。与“外点”相对应的是“内点(inlier)”，即用来估计模型参数的有效数据。因此，RANSAC也是一种“外点”检测算法。此外，RANSAC算法是一种非确定算法，它只能在一定概率下产生可信的结果，当迭代次数增加时，准确的概率也会增加。

RANSAC算法是用来找到正确模型来拟合带有噪声数据的迭代方法。
基本思想：数据中包含正确的点和噪声点，合理的模型应该能够在描述正确数据点的同时摈弃噪声点。

RANSAC流程如下：
随机采样K个点，K是求解模型参数的最少点个数；
使用K个点估计模型参数；
计算剩余点到估计模型的距离，距离小于阈值则为内点，统计内点的数目；
重复步骤1~3，重复次数M且保留数目最多的内点；
使用所有的内点重新估计模型。

3.图像配准

        图像配准是对图像进行变换，使变换后的图像能够在常见的坐标系中对齐。为了能够进行图像对比和更精细的图像分析，图像配准是一步非常重要的操作。图像配准的方法有很多，这里以APAP算法为例：
1.提取两张图片的sift特征点
2.对两张图片的特征点进行匹配
3.匹配后，仍有很多错误点，此时用RANSAC进行特征点对的筛选。筛选后的特征点基本能够一一对应。
4.使用DLT算法，将剩下的特征点对进行透视变换矩阵的估计。
5.因为得到的透视变换矩阵是基于全局特征点对进行的，即一个刚性的单应性矩阵完成配准。为提高配准的精度，APAP将图像切割成无数多个小方块，对每个小方块的变换矩阵逐一估计。

4.图割方法

最大流最小割算法原理:
（1）最小割问题
        一个有向图，并有一个源顶点（source vertex）和目标顶点（target vertex）.边的权值