图像配准拼接算法

目录

一，问题背景

二，简单场景——绝对配准

1，基本代码

2，减少配准

3，实时配准

三，实际场景——非绝对配准

1，最小生成树

2，最优化

---

一，问题背景

在扫描一个区域图像时，由于各种原因，需要把一个区域划分成若干个小区域，各自单独扫描成图像。

由于扫描设备对小区域的定位存在误差，不能直接把小图拼成大图，需要配准拼接算法进行处理。

上游的把区域划分成小区域的算法，叫扫描规划算法。

配准拼接算法和扫描规划算法是息息相关，互相配合。

扫描规划算法会给出所有小图的理论位置（即所有小区域的位置），配准拼接算法会基于图像算出所有图片的实际位置，理论位置和实际位置的差值就是扫描设备的定位误差。

配准拼接算法的原理就是计算所有相邻两张小图的相对位置关系（即配准算法），再基于这个数据计算所有小图的位置。

因为配准算法的需要，扫描规划算法会让所有相邻两张小图之间都有重合区域。

二，简单场景——绝对配准

如果配准算法是绝对准确可靠的，那么根据配准算法的结果，用搜索算法即可得到完整大图。

1，基本代码

输入所有图片信息，计算所有配准结果，再拼接大图。

struct ImageInfo
{
	//图片内容和坐标等数据
};
struct Shift
{
	int x, y;//两张图片的配准结果
};
struct Pos
{
	int x, y;//小图坐标
};

class RegistrationStitch
{
public:
	RegistrationStitch(int row, int col, vector<ImageInfo>images) :row{ row }, col{ col }, images{ images }{}
	ImageInfo GetStitchImage()
	{
		Registration();
		vector<Pos> allPos = GetPos(shiftLR, shiftUD);
		return GetStitchImage(images, allPos);
	}
private:
	int GetId(int r, int c) //所有小图编号0到row*col-1
	{
		return r * col + c;
	}
	void Registration()//配准算法
	{
		for (int r = 0; r < row; r++) {
			for (int