基于RANSAC的图像全景拼接

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（即从一个平面到另一个平面的投影映射）相关的。使用该约束将图片缝补起来，拼成一个大图像来创建全景图像，本次试验基于sift算子的特征点匹配和ransac算法估计单应性矩阵。
主要分为以下几个步骤：

(1) 读入两张图片并分别提取SIFT特征

在这里，直接读入图片，并调用PCV库中的sift包中的process_image函数，提取图像特征并形成sift文件。

# set paths to data folder
featname = ['D:/python2019/code/cutpaste/'+str(i+1)+'.sift' for i in range(3)]
imname = ['D:/python2019/code/cutpaste/12'+str(i+1)+'.jpg' for i in range(3)]

# extract features and match
l = {}
d = {}
for i in range(3):
    sift.process_image(imname[i],featname[i])
    l[i],d[i] = sift.read_features_from_file(featname[i])

(2) 利用RANSAC算法筛选匹配点并计算变换矩阵

RANSAC算法的输入是一组观测数据（往往含有较大的噪声或无效点），一个用于解释观测数据的参数化模型以及一些可信的参数。RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点。
RANSAC的基本假设是：
（1）数据由“局内点”组成，例如：数据的分布可以用一些模型参数来解释；
（2）“局外点”是不能适应该模型的数据；
（3）除此之外的数据属于噪声。
局外点产生的原因有：噪声的极值；错误的测量方法；对数据的错误假设。

假设观测数据中包含局内点和局外点，其中局内点近似的被直线所通过，而局外点远离于直线。简单的最小二乘法不能找到适应于局内点的直线，原因是最小二乘法尽量去适应包括局外点在内的所有点。相反，RANSAC能得出一个仅仅用局内点计算出模型，并且概率还足够高。

算法原理：
OpenCV中滤除误匹配对采用RANSAC算法寻找一个最佳单应性矩阵H，矩阵大小为3×3。RANSAC目的是找到最优的参数矩阵使得满足该矩阵的数据点个数最多，通常令h33=1h33=1来归一化矩阵。由于单应性矩阵有8个未知参数，至少需要8个线性方程求解，对应到点位置信息上，一组点对可以列出两个方程，则至少包含4组匹配点对。