计算机视觉-全景图像拼接

目录

1.全景拼接

2.RANSAC算法

3.图像配准 

4.图割方法

5.图像融合

6.APAP算法

7.代码实现

---

1.全景拼接

将SIFT应用到图像拼接上，根据特征点匹配的方式，则利用这些匹配的点来估算单应矩阵使用RANSAC算法，也就是把其中一张通过个关联性和另一张匹配的方法。通过单应矩阵H，可以将原图像中任意像素点坐标转换为新坐标点，转换后的图像即为适合拼接的结果图像。
可以简单分为以下几步:

1. 根据给定图像/集，实现特征匹配。
2. 通过匹配特征计算图像之间的变换结构。
3. 利用图像变换结构，实现图像映射。
4. 针对叠加后的图像，采用APAP之类的算法，对齐特征点。(图像配准)
5. 通过图割方法，自动选取拼接缝。
6. 根据multi-band blending策略实现融合。

2.RANSAC算法

RANSAC[1] (随机抽样一致)是一种迭代算法，该算法从一组包含“外点(outlier)”的观测数据中估计数学模型的参数。“外点”指观测数据中的无效数据，通常为噪声或错误数据，比如图像匹配中的误匹配点和曲线拟合中的离群点。与“外点”相对应的是“内点(inlier)”，即用来估计模型参数的有效数据。因此，RANSAC也是一种“外点”检测算法。此外，RANSAC算法是一种非确定算法，它只能在一定概率下产生可信的结果，当迭代次数增加时，准确的概率也会增加。

RANSAC算法是用来找到正确模型来拟合带有噪声数据的迭代方法。
基本思想：数据中包含正确的点和噪声点，合理的模型应该能够在描述正确数据点的同时摈弃噪声点。

RANSAC的基本思想和算法流程如下：

• 随机采样K个点，K是求解模型参数的最少点个数；
• 使用K个点估计模型参数；
• 计算剩余点到估计模型的距离，距离小于阈值则为内点，统计内点的数目；
• 重复步骤1~3，重复次数M且保留数目最多的内点；
• 使用所有的内点重新估计模型。
   

举例:RANSAC拟合直线

1.随机选取K=2个点

2.拟合直线

3.统计内点个数

4.重复步骤1-3，重复次数M且保留数目最多的内点