图像拼接——APAP算法[通俗易懂]

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

1.图像拼接技术

1.1 基本介绍

*图像拼接是将同一场景的多个重叠图像拼接成较大的图像的一种方法，在医学成像、计算机视觉、卫星数据、军事目标自动识别等领域具有重要意义。图像拼接的输出是两个输入图像的并集。
*图像配准（image alignment）和图像融合是图像拼接的两个关键技术。图像配准是图像融合的基础,而且图像配准算法的计算量一般非常大,因此图像拼接技术的发展很大程度上取决于图像配准技术的创新。早期的图像配准技术主要采用点匹配法,这类方法速度慢、精度低,而且常常需要人工选取初始匹配点,无法适应大数据量图像的融合。图像拼接的方法很多,不同的算法步骤会有一定差异,但大致的过程是相同的。
*图像拼接通常用到五个步骤：
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，对齐特征点
5、通过图割方法，自动选取拼接缝

2.APAP算法

2.1算法流程：

1.SIFT得到两幅图像的匹配点对
2.通过RANSAC剔除外点，得到N对内点
3.利用DLT和SVD计算全局单应性
4.将源图划分网格，取网格中心点，计算每个中心点和源图上内点之间的欧式距离和权重
5.将权重放到DLT算法的A矩阵中，构建成新的W*A矩阵，重新SVD分解，自然就得到了当前网格的局部单应性矩阵
6.遍历每个网格，利用局部单应性矩阵映射到全景画布上，就得到了APAP变换后的源图
7.最后就是进行拼接线的加权融合

3.实验过程及分析

3.1 情景一：拼接视差变化小

*数据集：
*特征匹配结果：


*拼接结果：

*实验分析：

• 这组实验的数据集是在固定点位下拍摄的，距离，角度，光线大致相同（靠窗一侧光线较强），这组图片的景物和纹理相对单一，视察变化仅在桌子边沿部分。
• 从拼接结果图中可以看到桌子边缘被完美的衔接在一起，实现了我们想要的全景拼接效果，这得益于SIFT 特征匹配点的精准匹配和RANSAC算法适当删除不匹配点的功劳，再加上后期的图像融合，才让我们看到这个效果。
• 不足的是右侧有一条明显的拼接缝隙，左右两边的光线差异很明显，这表明算法对光线变化不做检测处理，仅对图中角点进行特征匹配，为了让全景拼接技术更出色，可以考虑改进算法，让他检测到光线的变化，这样让有光线渐变的场景拼接效果更惊艳。
• 左下角有一条不规则的黑色条状物体，这部分成像应该是三张数据源在拼接时进行角度调整形成的（因为手持移动手机拍摄，所以有一定的角度差异）。

3.2 情景二：拼接视差变化大

*数据集：

*匹配结果：

*拼接结果：

*分析：

• 这组数据集是在切换拍摄角度，旋转角度和一定距离差异的情况下拍的，由于手机摄像头成像的原因，第二张照片色调会比较暗。
• 从匹配结果来看，算法检测到的匹配点并不多，但从保留下的匹配点来看，准确度是极高的，凭自己肉眼判断，没发现错误匹配点，但这势必会影响到图片拼接的效果。
• 从拼接结果来看，左侧窗户下沿和右侧的窗帘拼接缝隙很明显，并没有成功连接起来，一是匹配点不够多，两张图片对应点检测到的很少，单靠少数的匹配点很难得到成功的拼接效果；二是拍摄角度和距离有一定变化；两张图窗户的大小不同，算法是对图像进行切割连接，并不对图像进行大小改变的处理，所以拍摄角度和距离会对拼接效果产生影响。

4.总结实验

1.算法没办法检测光线的变化，拍摄角度，远近距离和特征点对算法结果都有影响；
2.Apap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，一切都决定于特征点对的数量。