python图像拼接

图像拼接整体流程

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，
5. 对齐特征点
6. 通过图割方法， 自动选取拼接缝
7. 根据multi-band bleing策略实现融合

RANSAC 求解单应矩阵

RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数。

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。 
RANSAC也做了以下假设：给定一组（通常很小的）局内点，存在一个可以估计模型参数的过程；而该模型能够解释或者适用于局内点

流程

1. 随机选择四对匹配特征
2. 根据DLT计算单应矩阵 H (唯一解)
3. 对所有匹配点， 计算映射误差ε= ||pi’, H pi||
4. 根据误差阈值， 确定inliers（例如3-5像素）
5. 针对最大inliers集合， 重新计算单应矩阵 H
 

RANSAC简单例子

直线拟合
• 给定若干二维空间中的点， 求直线 y=ax+b ，
使得该直线对空间点的拟合误差最小。