计算机视觉-图像拼接

本文深入探讨图像拼接技术,基于RANSAC原理,介绍APAP算法,详细阐述最小割问题和最大流问题在找拼接缝中的应用,并讨论multi-band blending图像融合方法。实验分析部分展示不同场景下图像拼接的效果和遇到的问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、原理介绍

在上一章博客中我们介绍了RANSAC原理,本章是在RANSAC原理的基础上面对进行进一步研究,本章博客要介绍的是图像拼接。主要采用APAP算法。

1.1 拼接流程

1.提取两张图片的sift特征点
2.对两张图片的特征点进行匹配
3.匹配后,使用RANSAC算法进行特征点对的筛选,排除错误点。筛选后的特征点基本能够一一对应。
4.使用DLT算法,将剩下的特征点对进行透视变换矩阵的估计。
5.因为得到的透视变换矩阵是基于全局特征点对进行的,即一个刚性的单应性矩阵完成配准。为提高配准的精度,Apap将图像切割成无数多个小方块,对每个小方块进行单应性矩阵变换。

1.2最小割问题(最大流问题)–找拼接缝

当两张图像拼接完成后,可能会出现一下情况:两张图像之间的过度不连续,也就是存在拼接缝隙,拼接线两侧的灰度变化较为明显。最小割问题可以解决这个问题
在这里插入图片描述
(一)最小割问题
  割是网络中定点的一个划分,它把网络中的所有顶点划分成两个顶点集合S和T,其中源点s∈S,汇点t∈T。记为CUT(S,T),满足条件的从S到T的最小割(Min cut)。
  在有向图所有的割中,边权值和最小的割为最小割。也就是说,在最小割位置,A,B两幅图在当前像素点差别最小。
在这里插入图片描述
(二)最大流问题
  给定指定的一个有向图,其中有两个特殊的点源S和汇源T,每条边有权值,为正,也叫容量,求满足条件的从S到T的最大流(MaxFlow)。
在这里插入图片描述有以下性质:
一个st-flow(简称flow)是为每条边附一个值,这个值需要满足两个条件
1 、0<=边的flow <<边的capacity
2、除了s和t外,每个顶点的inflow要等于outflow

1.3 multi-band bleing

在找完拼接缝后,由于图像噪声、光照、曝光度、模型匹配误差等因素,直接进行图像合成会在图像重叠区域的拼接处出现比较明显的边痕迹。

这些边痕迹需要使用图像融合算法来消除。这里介绍一种方法—multi-band bleing
思想:采用的方法是直接对带拼接的两个图片进行拉普拉斯金字塔分解,后一半对前一半进行融合。
步骤:
(1)首先计算当前待拼接图像和已合成图像的重叠部分。并对图像A、B 重叠部分进行高斯金字塔和拉普拉斯金字塔分解
在这里插入图片描述
G0为原始图像,G1表示对G0做reduce操作。Reduce操作定义如下:
对G1进行扩展后与G0相减,可以得到拉普拉斯金字塔的第一层L0。同理,拉普拉斯金字塔的L2、L3等层也可以按照这种方法来计算。
两幅图像的融合过程:分别构建图像A、B的高斯金字塔和拉普拉斯金字塔,然后进行加权融合。
其中,LA0LA3为图像A的拉普拉斯金字塔,LB1LB3为图像B的拉普拉斯金字塔。
(2)对加权后的拉普拉斯金字塔进行重构,最后得到的LS0*就是重叠区域的像素值。

2、实验分析

2.1 实验代码

# ch3_panorama_test.py
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

import os
root=os.getcwd()+"\\"

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

# set paths to data folder
featname = ['picture2/' + str(i + 1) + '.sift' for i in range(5)]
imname = ['picture2/' + str(i + 1) + '.jpg' for i in range(5)]

# extract features and match
l = {
   
   }
d = {
   
   }
for i in range(5<
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值