图像拼接：理论

（1）图像配准：相对配准和绝对配准（先定义一个控制网格）

基于灰度信息（互相关法（模板匹配），序贯相似度检测匹配法，交互信息），基于变换域，基于特征

（2）图像中的其次坐标：黎曼几何

    显然一个向量的齐次表示是不唯一的，齐次坐标的ħ取不同的值都表示的是同一个点，比如齐次坐标[8,4,2]，[4,2,1]表示的都是二维点[4,2]。

“齐次坐标表示是计算机图形学的重要手段之一，它既能够用来明确区分向量和点，同时也更易用于进行仿射（线性）几何变换。”

于是我们知道，其重要性，主要有二，其一是区分向量和点，其二是易于进行仿射变化（Affine Transformation）  [1]    。

许多图形应用涉及到 几何变换 ，主要包括平移，旋转，缩放。以矩阵表达式计算这些变换时，平移是矩阵相加，旋转和缩放则是矩阵相乘，综合起来可以表示为p'= m1 * p + m2（注：因为习惯的原因，实际使用时一般使用变化矩阵左乘向量）（m1旋转缩放矩阵，m2为平移矩阵，p为原向量，p'为变换后的向量）坐标的目的主要是合并矩阵运算中的乘法和加法，表示为p'= p * M的形式。即它提供了用矩阵运算把 二维 ，三维甚至 高维空间 中的一个点集从一个坐标系变换到另一个坐标系的有效方法。

其次，它可以表示无穷远的点.N + 1维的齐次坐标中如果H = 0，实际上就表示了Ñ空间维的一个 无穷远点 。对于齐次坐标（A，B，H），保持A，b不变，| V | =（x1 * x1，y1 * y1，z1 * z1）^ 1/2的过程就表示标准坐标系中的一个点沿直线ax-by = 0逐渐走向无穷远处的过程。

 对于一个向量v以及基oabc