【图像拼接】论文精读：Shape-Preserving Half-Projective Warps for Image Stitching（SPHP）

---

摘要

文章提出了一个新的参数变换——投影变换和相似变换结合。给定两张输入图片的投影变换，基于投影变换分析，该方法计算重叠区域的投影变换和非重叠区域都是平滑的，并且结果的扭曲会从投影到相似逐渐改变。这种变换加强了投影和相似变换。，当图片作为相似变换时的透视效果被保护时，投影变换有很好的拼接准确度。也可以和更先进的基于局部扭曲的配准方法APAP结合达到更高的准确度。在这种方法下，拼接图的视野会扩大，投影损失更少。（形状拉伸，大小更大）

1.介绍

图像拼接是一个把几张图片结合成一张视野范围更广泛大图的过程。为了鲁棒性更强，图像拼接问题被很好地解决通过全局参数扭曲，使图片拼接更准。全局扭曲的广泛选择包括相似性，仿射和投影变换。尽管它们的鲁棒性很强，但是全局扭曲对于所有类型的场景和运动并不是足够灵活。例如，投影扭曲只在平面场景或无视差相机运动情况下才能配准。

为了解决全局扭曲模型不充足问题和改善匹配的准确度，最近有几种局部扭曲模型被提出，例如SVA、APAP。为了更好的准确度，而不是依赖单一全局扭曲，这些方法在重叠区域采用多局部参数扭曲来解决拼接不准的问题。对于非重叠区域，投影（仿射）正则化平滑地推算图像重叠以外的变换，类似于一个整体的全局变换。例如，APAP使用移动DLT局部投影变换平滑地在非重叠区域推算局部投影变换。因此，扭曲的结果是全局投影，允许局部脱离模型的不足。然而，虽然APAP类似于一个全局投影变换，它也有于投影变换相同的问题，就是形状/区域损失——拼接图的一部分拉伸严重，图片大小扩大的不统一。