图像拼接

TANGZAIX

于 2019-04-01 18:58:54 发布

阅读量788

点赞数 1

本文链接：https://blog.csdn.net/sinat_38925719/article/details/88938866

版权

本文介绍了如何利用SIFT特征进行图像拼接，包括图像拼接的流程、RANSAC算法的应用，以及实际操作中遇到的问题和解决方法。通过调整图片像素，实现了不同程度的拼接效果，尽管仍存在色差和竖线问题，但总体上能够识别出建筑物的全景。

摘要由CSDN通过智能技术生成

【SIFT】实例图像拼接 Image Stitching
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是单应性相关的。我们经常用该约束来拼接图像，创建全景图像。
一、原理解释
1、图像拼接流程
①加载图片，提取SIFT特征点
②两张图片的SIFT特征匹配
③估计图片的几何变换（一张图作为模范图，另外一张图作为移动图，也就是对移动图进行拉伸旋转等几何变换）
④图片融合（最大密度投影法等）
2、RANSAC
RANSAC是“RANdom SAmple Consensus（随机一致性采样）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。用来找到正确模型来拟合带有噪声数据的点集，想要提高正确概率必须提高迭代次数。核心思想就是随机性和假设性，随机性用于减少计算，循环次数是利用正确数据出现的概率。所谓的假设性，就是说随机抽出来的数据都认为是正确的，并以此去计算其他点，获得其他满足变换关系的点，然后利用投票机制，选出获票最多的那一个变换。
二、运行过程
代码如下所示

from pylab import *
from numpy import *
from PIL import Image

# If you have PCV installed, these imports should work
from PCV.geometry import homography, warp
from PCV.localdescriptors import sift

"""
This is the panorama example from section 3.3.
"""

# set paths to data folder
fea