特徵匹配用來計算影象之間的對映關係，得到每個匹配影象對之間的單應矩陣，結合上一步的對映模型，我們可以得到最終的影象變換序列，結合前面所提到的特徵，選取sift特徵描述子(關於sift描述，可以看之前的文章)
一幅圖可以變化成另一幅影象處於相同座標系的影象，有：
平移變換模型：只對影象進行相對於x軸和y軸的整體平移。仿射變換模型(仿射變換模型共有6個自由度，只要三對對應變換點即可求出乙個仿射變換模型。
仿射模型：具有平行保持性，也就是原來平行的直線經過變換後依舊是平行的)投影
變換模型：用於描述相機的平移，旋轉，角度變換，變焦等一系列運動。通常使用齊次座標。投影變換只具有直線保持性，原來是直線投影後一九是直線。
在影象拼接中可以將影象投影到不同平面，如平面模型，柱狀，球形等
平面模型：簡單通用，進過影象配準後，使用變換模型直接將拼接影象對映到基準圖形平面座標系上。
柱面模型：先將平面圖形對映到柱面上，完成拼接後再將結果對映回平面座標系。
影象配準是將兩張場景相關的影象進行對映，尋找其中的關係。apap流程：提取兩張的sift特徵點對兩張的特徵點進行匹配， 匹配後，仍有很多錯誤點， ransac的改進演算法進行特徵點對的篩選。篩選後的特徵點基本能夠一一對應。使用dlt演算法，將剩下的特徵點對進行透視變換矩陣的估計。因為得到的透視變換矩陣是基於全域性特徵點對進行的，即乙個剛性的單應性矩陣完成配準。為提高配準的精度，apap將影象切割成無數多個小方塊，對每個小方塊的變換矩陣逐一估計。非常依賴於特徵點對。若影象高頻資訊較少，特徵點對過少，配准將完全失效，並且對大尺度的影象進行配準，其效果也不是很好，一切都決定於特徵點對的數量。
圖是乙個具有權值的有向結構，通常採用一些節點，一些有向連線線表示，這些節點是畫素值，或其他特徵點。尋找代價最小的分割，典型演算法是最小割最大流演算法。最大流幾句詩將圖內帶權值看作帶有流量值的管道，將最大量水從源點送到匯點。
融合目的在於拼縫消除, multi-band能夠達到比較好的融合效果，但是效率低，採用laplacian（拉普拉斯）金字塔，通過對相鄰兩層的高斯金字塔進行差分，將原圖分解成不同尺度的子圖，對每乙個之圖進行加權平均，得到每一層的融合結果，最後進行金字塔的反向重建，得到最終融合效果過程。
計算機視覺方向簡介 二 陣列相機立體全景拼接
全景相機 詳見 5分鐘了解全景相機 現在在日常生活中已經比較常見，不同的全景相機外觀 效能 等差別還是挺大的 詳見 全景相機哪家強？消費級全景相機主要用於生活 個人直播等，而專業級全景相機可用於專業全景直播 專業vr內容製作 影視拍攝等。先來看看硬體設計方案。主要有如下兩種設計方案 a 切向設計和 ...
（計算機視覺）計算機視覺基礎
opencv cximage cimg freeimage opencv中vc庫的版本與visual studio版本的對應關係 vc8 2005 vc9 2008 vc10 2010 vc11 2012 vc12 2013 vc14 2015 vc15 2017 visual studio中的輔助...
全景視覺空間直線檢測 計算機視覺 演算法與應用
2 塞利斯基,艾海舟.計算機視覺 演算法與應用 m 清華大學出版社,2012.作者給出的章節結構圖如下 從左至右分別是基於影象 2d 基於幾何形狀 3d 和基於光度學 表現 從上至下，建模和抽象的層次在增加，下層的方法基於上面所提的演算法基礎上發展。其中的處理和依賴關係不是嚴格有序的，還存在其它精細...