Python计算机视觉--全景图像拼接

目录

一、RANSAC算法

1.1RANSAC算法简介

1.2RANSAC算法基本思想和流程

1.3RANSAC求解单应性矩阵

二、图像映射与全景拼接

2.1简介

2.2计算第一张图像与第二章图像之间的关系

2.3将第二章图片叠加到第一张图片的坐标里

2.4图像映射的流程

2.5图像拼接流程

三、全景拼接

3.1代码

3.2拼接效果

一、RANSAC算法

1.1RANSAC算法简介

RANSAC算法的基本假设是样本中包含正确数据(inliers，可以被模型描述的数据)，也包含异常数据(outliers，偏离正常范围很远、无法适应数学模型的数据)，即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时RANSAC也假设，给定一组正确的数据，存在可以计算出符合这些数据的模型参数的方法

1.2RANSAC算法基本思想和流程

RANSAC是通过反复选择数据集去估计出模型，一直迭代到估计出认为比较好的模型。具体的实现步骤可以分为以下几步：

（1）随机采样K个点，K是求解模型参数的最少点个数(对于直线拟合来说就是两个点（两点确定一条直线），对于拟合圆就是3个点)

（2）使用采样出的k个点估计模型参数，得到数据模型；

（3）将所有数据带入这个模型，计算出“内点”的数目；(累加在一定误差范围内的适合当前迭代得出的模型的数据)；

（4）比较当前模型和之前推出的最好的模型的“内点“的数量，记录最大“内点”数的模型参数和“内点”数；

（5）重复1-4步，直到迭代结束或者当前模型已经足够好了(“内点数目大于一定数量”)。
 

1.3RANSAC求解单应性矩阵

单应性变换：是将一个平面内的点映射到另一个平面内的二维投影变换。

RANSAC 循环：

（1）随机选择四对匹配特征

（2）根据DLT计算单应矩阵 H (唯一解)

（3）对所有匹配点，计算映射误差ε= ||p i ’, H p i ||

（4）根据误差阈值，确定inliers（例如3-5像素）

（5）针对最大inliers集合，重新计算单应矩阵 H。
 

二、图像映射与全景拼接

2.1简介

首先是在连续图像对间使用SIFT特征寻找匹配对应点对，SIFT是具有较强稳健性的描述子，能够比其他描述子产生更少的错误点，但是该方法仍不是很完美；使用RANSAC算法估计出图像间的单应性矩阵，判定哪些点对是正确的，哪些点对是错误的，即使用一个阈值来决定哪些单应性矩阵是合理的；然后将所有的图像扭曲到一个公共的图像平面上。

        通常，这里的公共平面为中心图像平面。一种方法是创建一个很大的图像，比如将图像中全部填充0，使其和中心图像平行，然后