Con base en el panorama Costura de la imagen RANSAC
algoritmo RANSAC
RANSAC es un algoritmo iterativo, para los datos observados para estimar los parámetros del modelo matemático, en base al grupo al que se pueden separar de los valores atípicos. En general, los datos se observa que a menudo simplemente habrá mucho ruido, como partido de cribar a veces debido a que diferentes lugares tienen un patrón similar que lleva a falta de coincidencia. Ver todos los datos y después la cantidad de error es el RANSAC por muestreo repetido, que son datos de números aleatorios para estimar los parámetros del modelo extraídas de los datos de observación enteras, y toman el mínimo error como el mejor y aíslan los valores atípicos.
Panorama cosido principio introducción
- Toma / múltiple de secuencias de imágenes de una escena
- Caracterizado por coincidencia (SIFT de juego) calculado mediante la siguiente transformación estructural entre una imagen y la imagen anterior.
- mapa de imagen, la siguiente imagen a un sistema de coordenadas en una imagen superpuesta
- Fusión después de la conversión / síntesis
- Repita los pasos anteriores
Dos mosaico de imagen panorámica de los pasos más importantes:
- punto de coincidencia de funciones
Esta parte utiliza el algoritmo SIFT, antes de la introducción del blog ya no se describe en detalle, sobre todo con el fin de encontrar los mismos dos puntos, y será su partido de la imagen característica.
- coincidente foto
comparación de imágenes es encontrar toda la parte de solapamiento entre las imágenes, que se puede obtener después de empalmar una panorámica.
El registro de imágenes
El registro de imágenes está transformando la imagen para que la imagen se puede transformar en buen sistema de costura de coordenadas en una imagen en. Para ser capaz de contraste de imagen y análisis de imagen más sofisticadas, el registro de imágenes es un paso importante en la operación de la imagen porque no son diferentes entre el plano y el plano de inclinación o dos imágenes de la profundidad de campo (cerca de la mucho más pequeña), dos imágenes serán directamente transformación mapeo dará lugar a partes del objeto en la imagen no es el efecto fantasma (fantasma). Para minimizar esta situación, el algoritmo de registro de la imagen se divide en pequeñas áreas de la imagen, respectivamente, en la coincidencia de la imagen y el mapeo de área pequeña
optimización global y sin problemas
- Panorama de enderezamiento: La imagen corregida captura de cámara 3D rotación relativa, se debe principalmente a que la cámara no esté en el mismo nivel, y diferentes grados de inclinación para tomar una foto, omita este paso puede resultar en el panorama se convierte en forma ondulada.
- compensación de ecualizador gráfico: el equilibrio global del tono ligero y todas las imágenes.
- banda de imagen de fusión: borde de aplicación todavía puede existir entre las imágenes, viñetas (luminosidad o saturación de la parte periférica más baja que el centro de la zona de la imagen), el efecto de paralaje (ya que el movimiento de la lente de la cámara causa) después de la etapa 4.
Código de ensayo:
La recolección de datos Fotografías (5)
Característica resultados coincidentes:
Resultando en un sesgada, lagunas y sombreado, la primera ejecución no es satisfactoria
可以发现，图片的拼接顺序出现了错误，最右侧的图片与左侧的图片直接相连接，调过来中间的图片，导致了三张图片堆积在左边，而右侧缺失了两张图片
大致猜想是因为5张图片的范围过小，导致每张图片之间的重叠部分过多，导致每张图片都有大量的特征点匹配，导致图片重叠，造成缺失。
建议图片范围取大一些，不要有太多的重叠部分。
调整照片后再次进行拼接：
图片没有缝隙，很平滑，也没有明显的曝光，对比原图，位置是正确的，广告牌也拼接上了，但是左侧图片被拉伸了，虽然拉伸程度不大。可能是因为位移量不够，所以拉伸了图片进行填充
重新拍照后测试：
没有发生图片错位，但是扭曲拉伸严重，大体上完成了拼接，不过效果一般，存才鬼影现象，比较模糊，提升原图清晰度可以有效改善此结果
远近不同图片的拼接
测试图片（2张）
远景：
近景：
运行结果：
远景中的建筑物也被拼接进了近景中的图片，位置也是正确的，且没有明显的曝光的痕迹，相较于上一组实验，这组实验的照片较为稳定和清晰，特征点匹配的准确，拼接的顺滑，没有缝隙
总结
- 图像配准虽然能够较好地完成配准，但非常依赖于特征点对。若图像高频信息较少，特征点对过少，配准将完全失效，并且对大尺度的图像进行配准，其效果也不是很好，特征点对的数量对拼接效果有很大的影响。
- 拍摄时曝光不均导致画面分割明显
- 拼接图像部分歪斜，可能是因为拍摄时角度的偏差，导致当该图像填充时目标图像中点的坐标也变化了。
- 原始图片的像素值很大程度上决定了特征点的寻找，像素值太低，将导致寻找到的特征点过少，不利于后续的拼接效果，而像素值过高会导致代码的运行时间过长，加重算法的负荷，运行时间长达5分钟...个人建议别超过1M，不然真的运行太慢了，当然要是电脑好就当我没说
-
全景拼接的一个关键点就是sift特征点的匹配，只有寻找到正确且数量较多的特征点，在后续的拼接中才能更好的完成，拼接的更自然。
-
基于RANSAC算法的图像拼接存在的问题可以从上面的拼接结果看出来，不同图像之间的连接部分出现不连贯以及由于图像曝光不同而出现的边缘效应的情况。而且还可以看出RANSAC算法只是将图像进行简单的扭曲（从矩形变成四边形），导致图像拼接得非常生硬
- 最好不要拍摄对称性很高的建筑物，以为两边的的特征点长的几乎一样的，这样会使算法的匹配出现失误，第一组实验就是间隔太小，导致最右侧的图片拼接到了最左边。
报错处理
若代码出现次错误，进入到PCV\geometry\warp.py文件中，
1.将第一行的
import matplotlib.delaunay as md
替换成
from scipy.spatial import Delaunay
2.把以下代码
triangulate_points(x,y)
里面的代码替换成
tri = Delaunay(np.c_[x,y]).simplices
这样就能运行了