紙のメモ「グローバル類似前でステッチ自然画像」（）
【[email protected]] @（シンドバッド）
将来のメモリの最適化アルゴリズムに基づいて、画像の位置合わせグリッドの概要の記録方法の処理ステップ。
VSグローバルホモグラフィメッシュ最適化
2D画像ステッチングは、多くの場合、画像間のマッピング関係を得るために、仮定そのシーンモデルホモグラフィ近似上に設けられた平面にカメラや撮影シーンによって純粋な回転運動を行っています。多くの場合、十分な唯一のグローバルイメージアライメントホモグラフィを使用している場合。2011年以降の画像位置合わせグリッドベースの最適化方法の別の実施後。その結果、画質の劣化を特徴、APAPの方法は、ローカルホモグラフィ複数の正確な位置合わせを達成するために利用するが、部分的にしか拘束変換画像ホモグラフィにおける可能性の高い原因画像歪み。GSP相似変換の方法は、優先順位のアイデアを提案され、合理的なを使用してカメラの動きモデル推定は、画像歪み制約は、パフォーマンスがより自然な画像モザイクを得ることができるように、2Dスケールファクタと回転角度を分解しました。組み合わせは、画像の正確な位置合わせのより一般的な問題を解決するためのローカル類似性を最適化します。実際には、最も広くそれは電話パノラマ画像ステッチとより、火災、最近のビデオ画像安定化にする必要があります両方向に使用。自動パノラマイメージは不変を使用してステッチングのプロトタイプ、基準紙がグローバルホモグラフィ変換に基づくステッチパノラマ機能として、パノラマ合成がステッチアルゴリズムOpenCVのに基づいています前に、私はあなたが電話でネイティブのカメラをGoogleに参照することができ、その後、オーバーラップ境界が融合しピラミッド、推測します。私は、インターネット検索プロバイダーパノラマステッチアルゴリズムTOPクラス、パノラマ合成が再定義されるようになった当初からの電話かわからない-最も有名な日本のモルフォは、メッシュ最適化方式を使用すると推定されます。
アルゴリズムのプロセス
- []特徴検出及びマッチング
- 【図マッチング検証画像二十から二
- [] APAPマッチングポイントを生成する方法
- []、推定焦点距離を3次元回転角推定
- 【】スケールおよび回転角推定
- []メッシュの最適化
- 図中のテクスチャマッピング結果の[]合成。
GSPアルゴリズムについて
アルゴリズムは、主に世界的類似性低減歪み自然モザイク画像を確実にするために、ローカル類似性制約で、非重複領域を平滑化することにより、結合したオーバーラップ領域の特徴によってグリッド画像、整合的に変形します。理解を容易にするグリッド機能解析からのエネルギー、最適化されたエネルギー関数の特定の分析項目用に構成され、それぞれが、最適化されたこの章を示しています。
物品の総エネルギーコスト関数：
アライメント誤差項であり、Ψ_a（V）、Ψ_l（V）を、グローバル類似アイテムのための部分的な類似アイテム、Ψ_g（V）であり、λ_lは部分的重みパラメータ関連商品です。
二つの相互画像I_1、I_2、画像グリッドを重ねてベクターを使用すると、
mは頂点の数である、グリッドIの頂点の座標を表します。2枚の画像は、頂点の座標として表現することができる
整列項目：
私たちは、それらのほとんどは、アライメント特徴マッチングを考えるが、ここでは代わりに、試合後の特徴点のマッチング点の座標を使用するだろうことを知っているが、APAP紙は、入力としての位置合わせを提案しました。効果は、以下に示します。
ヒント：画像中の特徴点の分布に関して、多くの均一性にポイントを合わせます。グリッドの頂点に対応するマッチング点は、（？）は、特にクワッドグリッドであるか、または頂点が、コードの中心点を詳しく見てメッシュ。論文のAPAPのプレゼンテーションを生成する方法を見てする必要があります。核となるアイデアは、画像グリッド、各グリッド独立解決ローカルホモグラフィモーメントH_Lに基づいています。独立した部分モーメントホモグラフィちょうどシングルアトピー個々のグローバルモーメント係数プラス瞬間前に、単一のグローバルホモグラフィモーメントと同様の方法を解決するためのソルバーので、単一のグローバルホモグラフィ解決方法は、DLTモーメントと呼ばれていることを、ローカルH_Lを解決することはムービングDLTと呼ばれている。詳細は記事の背後に配置され、両方を解決します。
原則的に表現揃え項目は、二つのグラフのオンライン比較を示した画像が、少しアウトを見つけるに結合しました。
さらなる参照について説明します。
两者的区别在于第一个是当求解I_1图像变形后的网格时，设I_1网格做warp得到的新的feature point坐标为未知，I_2网格做warp后feature point坐标点为测量值计算最小误差。同理反过来求解I_2图像变形后的网格。由于优化的是网格顶点（matching point）,因此，将特征点表达成其所有网格的四个顶点的双边线性组合：p=∑(k=1)^4▒〖a_k v_k 〗。其中，a_k(k=1,2,3,4)代表各自所占的面积比重，例如：p越靠近v_2远离v_3，则v_2越大，而a_3越小。而变换后的特征点表达为：p ̂=∑(k=1)^4▒〖a_k v ̂_k 〗，其中a_k(k=1,2,3,4)变换前后保持不变。
求解方法上，对齐项可以简化为A_a V ̂=0求解线性方程组。A_a表示在顶点集V ̂下的雅可比矩阵。所以A_a为其所在网格4个顶点差值权值矩阵。
补充说明1.
*1.单个全局单应性
图像q到p的单应性近似模型表达为
矩阵表达形式为
对公式进行展开可以得到两个线性方程，如下公式
对公式进行直接线性变换（DLT, Direct Linear Transformation）,将带估计的单应性矩阵H转变成变量向量h=〖(h_1 h_2… h_9)〗^T,同时将匹配特征点对p与q的已知变量关系转换已知线性变量矩阵
因而可以得到如下公式
通常，在两幅图像图像上可以有着上百或者上千对的匹配特征点对。因而，实际上在求解h时通常是通过使得累积平方和误差最小来评估（最小二乘法），如下公式所示。
此处，上式是一个超定方程的最小二乘解（当n>4时）。其利用‖h‖=1来限制h的自由度为8，其中A=[a_1^T a_2^T… a_i^T… a_n^T ]^T。其表示所有a_i (i=1,2,…,n)的纵向排列，大小为2n×9。
通常，利用SVD分解A矩阵，则可以很容易地获得最小二乘解h ̂，其值为最小奇异值对应的特征向量。事实上，为了避免误匹配带来的影响，通常也可以利用RANSAC结合单应性评估的四点法（最小采样四个匹配特征点对，通常为了保证高置信度，就仅采样四个匹配特征点对），来求解问题。
*2. 多个局部单应性
为了获得多个局部单应性，首先将图像进行网格划分。然后，根据每对匹配特征点对距离当前网格中心点的远近来进行加权，从而评估加权平方和误差最小，如下公式所示：
进而
m表示网格个数，需要评估m个局部单应性h ̂^((k) ) (k=1,2,…,m)。矩阵W^((k))是权重w_i^((k) ) (i=1,2,…,n)的对角组合
另外，权重
其中，点（x^((k) )，y^((k) )）表示查询图上第k个网格的中心点，点（x_i，y_i）表示查询图像上第i个特征点，参数σ是高斯函数的尺度因子，参数γ是一个阈值参数。该公式表明：一、特征点越靠近网格中心，则其对当前网格单应性估计的贡献越大；二、由于实际中多数特征点都是远离网格中心的，其权重趋近于0，为了避免这些特征点的贡献消失，设置阈值参数γ用于确立最小权重不低于该阈值。
另外，可以看到：假如γ=1，则w_i^((k) )=1，W^((k))=I退化成单位矩阵，于是，所有的局部单应性估计结果都会退化成全局单应性。从这个角度来看，阈值参数γ代表着局部单应性往全局单应性的趋近程度。