图像拼接——最佳seam2

13’ Seam-Driven Image Stitching

paper：https://yu-li.github.io/paper/eg13_stitching.pdf

1、传统图像拼接存在问题

传统 Image stitching 对齐方式对 target image 和 reference image 有两点假设：

• 图像采集场景足够远，可以认为两幅图像的场景来自同一平面。
• 相机绕投影中心旋转采集图像，避免存在较大视差。

2、作者方法

2.1、实现方式

• 上半图是传统方式：特征检测、特征匹配，估计得到鲁棒最佳的$H$，然后对target 和 reference image 作 warp 变换，最后seam-cut 得到拼接结果。
• 下半图是本文方式：本文对RANSAC算法作出修改，得到一组有差异的 待选$H$；逐个$H$作图像变换，并seam-cut得到拼接结果，选出其中最佳的拼接结果。

2.2、得到 Homography candidates

• 传统RANSAC方式难以对图片中所有的匹配特征点对进行穷举采样，通常是类似背景的主导平面的特征点被大量采样。
• 作者提出的RANSAC修改版：
  1、首先实施原始RANSAC算法，迭代次数n设置为较大的500次，用于拟合图像中的dominant(主)平面。
  2、除dominant(主)平面的中的样本点，以迭代次数n为50的情况下进行一系列RANSAC步骤得到一些不同的$H$矩阵。

作者认为这样可以得到能够拟合一些更小的平面结构，这些结构对于拼接结果感官较为重要。

2.3、计算拼缝（seam-cut）

计算方式参考文献：Interactive Digital Photomontage

能量函数：

   where：$E_d$是反应像素显著性的数据损耗能量。平滑能量 E s