全景拼接图像的实现

全景拼接图像

全景拼接图像是指在同一位置（即图像的照相机位置相同）拍摄的两幅或者多幅图像用某种方式拼接起来。
基本步骤如下：
实验步骤：
步骤一：输入图像;
步骤二：应用SIFT算法对图像进行特征提取, 提取图像的特征点, 粗匹配特征点;
步骤三：用RANSAC方法对变换矩阵进行求解与精炼，并去除匹配错误点;
步骤四：根据最后计算出的变化矩阵进行图像拼接。

1.RANSAC算法原理

在用SIFT算法找到了匹配点，但这里面还存在着错误的匹配对，我们采用RANSAC算法对这些错误的匹配对再次进行剔除，从而得到有较高正确度的匹配对。RANSAC算法是依据一个容许误差将所有的粗匹配特征点分成内、外点，再利用内点的数据与准确的特点进行参数估计比较，从而剔除错误特征点。
采用RANSAC算法剔除误匹配点对，需要计算出待匹配图像之间的坐标转换关系。根据找到的匹配特点对，可计算出图像间的坐标转换关系，即两幅图像之间的变换矩阵。设图像间的变换为投影变换，那么

若ｐ＝（x,y），ｑ＝（x’,y’）是 匹 配 的 特 征 点 对，则投影变换公式为:

由投影变换公式可计算出Ｈ的各自由度参数(i=0,…,7)，并以此作为初始值，通过迭代精炼Ｈ，可进一步确定特征点的对应，直到对应点数目不变为止，从而完成图像配准。
RANSAC算法的思想是：首先随机地选择两个点，这两个点确定了一条直线，并且称在这条直线的一定范围内的点为这条直线的支撑。这样的随机选择重复数次，然后，具有最大支撑集的直线被确认为是样本点集的拟合。在拟合的误差距离范围内的点被认为是内点，它们构成一致集，反之则为外点。
RANSAC算法剔除错误匹配对实现:
步骤一：设定初始最佳内点数为 0。从N对预匹配特征点中随机选取 4 对点建立方程组，求解出变换矩阵H的4组特征点的值。
步骤二：计算其余N对特征点经过变化矩阵H 的坐标值与预匹配点之间的距离 dv 。
步骤三：若 dv 小于设定的阈值T，则定这个预匹配为内点，反之为外点。
步骤四：统计当前的内点数目，若数目大于预设的最低匹配点个数，则记录当前变换矩阵H
步骤五：另选 4 对预匹配点，重复步骤一 ～ 四 若干次后，选择内点最多的变换矩阵作为参考变换矩阵，此时的变换矩阵为最佳结果。

2.实验过程详解

2.1 稳健的单应性矩阵估计
在使用RANSAC算法得出最佳变换矩阵之前，我们需要先使用SIFT特征自动找到匹配对应，在这个基础上删去错误的匹配点，得到最佳的变换矩阵。

import sift
#设置图像位置
featname = ['C:/Users/LENOVO/Desktop/计算机视觉/pcv-book-code-master/ch03/images/'+str(i+1)+'.sift' for i in range(5)] 
imname = ['C:/Users/LENOVO/Desktop/计算机视觉/pcv-book-code-master/ch03/images/'+str(i+1)+'.jpg' for i in range(5)]

#提取特征点并提取
l = {
   }
d = {
   }
for i in range(5): 
    sift.process_image(imname[i],featname[i])
    l[i],d[i] = sift.read_features_from_file(featname[i])

matches = {
   }
for i in range(4)