stitching_detail算法介绍,的翻阅笔记

并没有都读完,但是感觉照旧有必不可少做一个笔记的,终归那只是小说不是文章,所以可以有多少写多少,也总算工作总计了,最主要的是其一还好能够,完毕有着有含义文书档案的物色,比起协调的word来说高级很多~~~。

业已不担负图像拼接相关工作,有技艺难题请本身化解,谢谢。

以下一些情节

一、stitching_detail程序运营流程

以下

      1.命令行调用程序,输入源图像以及程序的参数

全文翻译。然而本身实在是个别少于在读。。。

      2.特征点检查和测试,判断是利用surf依旧orb,暗中同意是surf。

http://www.docin.com/p-817312337.html

     
3.对图像的特征点举办匹配,使用以来邻和次近邻方法,将三个最优的匹配的置信度保存下来。

 

     
4.对图像实行排序以及将置信度高的图像保存到同二个集结中,删除置信度相比较低的图像间的分外,获得能正确匹配的图像连串。这样将置信度高于门限的具有匹配合并到2个集合中。

一、简介:

段一:大家的拼凑不必要手动校直。

段二:依照文献,图像自动对其和东拼西凑有两套方式:一 、间接的 二 、基于特征的

一贯的不二法门:① 、提供充足纯粹的一贯,贰 、但是要求开始化处理。

依据特征的配准:壹 、不需求伊始化,二 、然则可相信性上相差。(有恐怕是哈Rees)

段三:

我们的非常具有:

① 、可信赖匹配,在打转,缩放和光照都不平稳的情状下。

② 、给出非亲非故图,也能找到关于图之间的关联。【

有东西必要达成一下了,刚刚的拼凑,并不曾控制变量。

再试3回。

真的发现了autostitch具有更高的可信性,stitch会跑出尤其,不安定。不晓得 stitching_detail具有多高的安宁。

据此大家得以先stitch 然后再 detail 最后再 autostitch?

叁 、多波段融合,结果更是可相信。

肆 、增益补偿

⑤ 、自动校直

6、捆绑调整, 展示了对于多少个波段的重叠图像进行多波段融合。

 

段四:

其他部分结构如下:

第叁有的验证,所研讨难点的几何学,以及采用不变特征的案由。

其三片段介绍了:图像匹配方法(RANSAC)和认证图像匹配的可能率模型。

第4部分:描述图像对准算法(捆绑调整),共同优化录像头的参数。

五到七局地:处理进度 自动校直,增益补偿,多波段融合

【八片段去何地了?】

九有的:结论和前程展望

 

     5.对持有图像实行相机参数粗略推测,然后求出旋转矩阵

② 、特征匹配:

段一:

全景识别算法的首先步是在有着图像之间提取和匹配SITF特征点。

Sift特征监测子位于不相同尺度空间高斯差值函数的极值点处。

Sift特征点使得特征尺度和大势被明确。为度量提供了三个一般不变的布局。对于仿射变化全数自然的健壮性。【什么是放射变换?】

空间累积总计完毕活动不变性。

亮度不变性由梯度(消除偏差)

描述子矢量归一化(化解增益)

段二:sift在转动和规范变化时是不变的,因而得以处理缩放图像,旋转图像。

哈Rees角点图像修补的相关性特征匹配技术就不可能促成。

由此作者是否也要试一下旋转图像方向。

观念技艺达成的相关性在图像旋转时候是浮动的。

哈Rees不仅在旋转时候变化,在基准变换时,也是转变的。

段三:

如若相机绕光学中央旋转,图像的变化群是一个应和矩阵的万分规群。由三个旋转矢量图片 1和焦距将每一个录制头参数化,就付出了成对的应和矩阵,图片 2,其中

图片 3(1)

并且图片 4图片 5是均匀的图像右边(图片 6,其中图片 7是二维的图像坐标)。4参数相机模型定义为:

图片 8(2)

 

对旋转使用指数表示:

图片 9图片 10(3)

 

段四:

 

在那些变换群中,理想的规则下将会使用不变的图像特点。不过,在图像左边中对此小的变换表示如下:

 

图片 11(4)

要么等价于图片 12其中,

图片 13(5)

是经过3个有关图片 14的对应线性化得到的仿射变化。那代表种种小的图像修补经过逐一仿射变换,并且创设采纳了在仿射变换下局部不变的SIFT特征。

段五:

假诺从全数n个图像中领取特征点后(线性时间内),需对特征点实行匹配。由于多少个图像大概重叠在1个纯净的光泽上,在特色空间内各类特征点需和它近来的k个临域点协作(k=4),通过应用k-d树算法找到类似方今的临域点,时间复杂度为O(nlogn)。K-d树是一种周对其的二进制空间划分,它在平均最高方差维递归划分特征空间。

 

     6.使用光束平均法进一步精准的臆想出旋转矩阵。

③ 、图像匹配

段一:图像匹配的对象是找到全体匹配(例如重叠)图像,然后图像匹配联通集会成为全景图。由于各种图只怕和无限制其余多少个郎才女貌,那几个题材一起首就突显出是图像数的2回方。【所以那几个数字应该是几?对于我们曾经输入的n张图片来讲。】为了取得2个好的拼凑结果,对于图像而言,各种图像只要求和少数交汇的图像来合营。【假如重叠那拼接结果当然最好】

段一总计:难题难度巨大,假如有重叠就好办。

段二:从特征匹配步骤中,已经找出大批量同盟的图像间拥有大批量匹配点的图像。对于当前图像,大家将m幅图形作为大概的格外图像(假使m=6),那m幅图像与近来图像有最大数量的表征匹配点。首先,使用RANSAC算法选取一多级和图像间对应矩阵包容的内点,然后采取几率模型做尤其的认证。

段二总计:用RANSAC算法。

【备选图像有m张,那么到底要不要入选,需求RANSAC算法来决定】

     7.波形改进,水平依旧垂直

3.1选取RANSAC算法的强壮对应矩阵估算

段三:RANSAC(随机取样一致性算法)【RANSAC算法是选取最少的一组随机采样匹配点的一种健康推测进度,那几个看下原来的作品那那句话是想说,这种算法采取的匹配点少,并且也尤其强壮?】用来打量图像变换参数,并找到与数码颇具最好一致性的缓解方案。【使用RANSAC算法来测度图像变换参数,来找到最佳解决方案。】在全景图的动静下,选取r=4对匹配特征点,使用直接线性变换(DLT)方法总结图像间的呼应矩阵H。【r是怎么着?昂Cora代表匹配特征点,此处数量为4.】使用直接线性变换格局总括图像间的照应矩阵H。【什么事间接线性别变化换情势?图像间的应和矩阵又是指什么?】重复试验500次,选用内点数量最大的解决方案(在像素误差范围内,其猜度和H是同等的)。假如一对佳人才子图像间的表征匹配点的正确率(内点概率)为,n次试验后找到科学变换可能率为:

图片 15 (6)

 

因而大批量试验后,找到正确对应矩阵的可能率一点都不小。例如,对于内点概率图片 16=0.5,在500次试验后,未找到正确对应矩阵的概率为图片 17。【这那个地点我们是或不是足以稍微弄得小一些。以抓好运维的频率,抑或然因为一些用途,能够继承让那么些数字变小。然则肯定已经没有须求了,又大概我们得以调动这一个比重参数,在好几重合区域的图像内点概率就会十分大,那么实验次数就能够对应的小,来减小总括压力,对于有个别内点概率小,地点大家能够供给尝试次数尽量的大,所以什么是内点啊?】

 

段三总计:当内点选用某一数值的情景下,大家得以由此扩展试行次数来增加相应矩阵的协作程度。

 

段四:RANSAC算法本质上是一种猜测H的采集样品方法,假使用对数似然和的最大化代替内点数量的最大化,结果是最大似然估摸(MLE)。其它,假诺变换参数的先验值是有效的,能够总括出最大后验可能率(MAP)。那一个算法被分级成为MLESAC和MAPSAC。

 

段四计算:RANSAC本质上是一种估算图像间对应矩阵的采集样品方法。要是用对数似然和的最大化代替内点数量的最大化,结果是最大似然猜想(MLE)。即使参数先验值有效,能够测算出最大后验可能率MAP。对应的算法分别成为:MLESAC 和MAPSAC。可是为啥对数似然和的最大化为啥能够替代内点数量的最大化。内点指得是何许?

 

     8.拼接

3.2图像匹配关系验证的可能率模型

 

段五:对两两图像间是不是留存极度关系,大家应用一多元几何一样的特点匹配点(RANSAC内点)和一一日千里在重叠区域内,但不雷同的特征点(RANSAC外点)来验证。【小编就像想起来了,RANSAC貌似是一种算法,界外的正是外点,属于不合格的点,不相匹配的点,而RANSAC内点,就是特色匹配点。】验证模型通过比较那个科学匹配爆发的一层层内点和错误匹配发生的一二种外点的概率来展开验证。

 

段五总计:是不是匹配 通过
特征一致点和本性不同点来判定。这上面就要说判定方法了:

 

段六:对于一副给定的图像,重叠区域内总的匹配特征点数量为图片 18,内点数为图片 19。图像是不是有效合营通过二进制变量图片 20意味着。第i个匹配特征点图片 21是否为内点被假定为单身的伯努利分布,以便于内点总数遵循伯努利分部:

 

 

 

图片 22(7)

图片 23(8)

 

其中,图片 24是能够正确匹配图像时特征点内点的概率,图片 25是不可能兑现图像匹配时特征点为内点的可能率;图片 26

意味着特征匹配点变量的集纳图片 27,内点数图片 28图片 29是伯努利分部,表示如下:图片 30.(9)

 

选择图片 31=0.6,图片 32=0.1,则能够运用贝叶斯规则(式⑩ 、11)总结科学图像匹配的先验可能率。

图片 33(10)

       =图片 34(11)

只要满意图片 35

 

 

图片 36(12)

大家得以兑现图像拼接。假定图片 37图片 38,进一步得出正确图像匹配的判断条件:

图片 39 (13)

其中,图片 40=8.0,图片 41=0.3。尽管在那大家选拔了图片 42图片 43图片 44图片 45图片 46是大家如若的值,这几个数量我们得以更改的,或然是能够让她更为准确的。比如,大家得以经过在大的数量集中总计一部分匹配点和科学的附和矩阵相平等,来估计图片 47。末了只是为了总括那样1个公式图片 48,要想正确匹配,必须满足内点数大于这么1个与总匹配特征点的三个函数。倘诺低于等于,就不可能落到实处科学匹配。个中图片 49。(内点数必须低于总点数。)

段七:

尽管图像间的匹配点对
鲜明,笔者么你能够找到全景连串作为连接匹配图像集,它能够辨认图像集中的四个全景,拒绝
不般配的噪音 图像。(见图2)

图片 50

 

图片 51

(g)依据对应矩阵的图像对准

图1,从持有图像中领到SIFT特征点。使用k-d数非凡全体特征点后,对于1个加以图像,用最多特点匹配点的m幅图像实行图像匹配。首先执行RANSAC算法计算出对应矩阵,然后使用可能率模型验证基于内点数的图像匹配,在那几个事例中,输入图像是517*374,有24柒个科学特征匹配点。

图片 52

图片 53

图2,可辨识全景图。考虑2个本性匹配点的噪声集,我们选拔RANSAC算法好可能率验证进程找到同样的图像匹配(a),各种图像对 间的 箭头表示在图像对
间找到同样的特征匹配点集,图像匹配连接分量被找到(b),拼接成全景图(c);注意到该算法对 不属于全景图的噪音图像
不敏感。

 

 

捆绑调整下二个等级在拍卖。。。

 

     9.融合,多频段融合,光照补偿,

二、stitching_detail程序接口介绍

    img1 img2 img3 输入图像

     –preview
 以预览情势运作程序,比正规情势要快,但输出图像分辨率低,拼接的分辨率compose_megapix 设置为0.6

     –try_gpu  (yes|no)  是或不是使用GPU(图形处理器),私下认可为no

/* 运动臆度参数 */

    –work_megapix <–work_megapix <float>>
图像匹配的分辨率大小,图像的面积尺寸变为work_megapix*100000,默认为0.6

    –features (surf|orb) 选用surf大概orb算法实行特征点总计,私下认可为surf

    –match_conf <float>
特征点检查和测试置信等级,近日邻匹配距离与次近邻匹配距离的比率,surf默许为0.65,orb默许为0.3

    –conf_thresh <float> 两幅图来源同一全景图的置信度,暗中同意为1.0

    –ba (reproj|ray) 光束平均法的误差函数选取,暗许是ray方法

    –ba_refine_mask (mask)  —————

    –wave_correct (no|horiz|vert) 波形校验 水平,垂直也许尚未
默许是horiz

     –save_graph <file_name>
将匹配的图样以点的情势保留到文件中,
Nm代表匹配的数码,NI代表正确匹配的数码,C表示置信度

/*图像融合参数:*/

    –warp
(plane|cylindrical|spherical|fisheye|stereographic|compressedPlaneA2B1|compressedPlaneA1.5B1|compressedPlanePortraitA2B1

|compressedPlanePortraitA1.5B1|paniniA2B1|paniniA1.5B1|paniniPortraitA2B1|paniniPortraitA1.5B1|mercator|transverseMercator)

    采取融合的平面,私下认可是球形

    –seam_megapix <float> 拼接缝像素的尺寸 暗中同意是0.1

    –seam (no|voronoi|gc_color|gc_colorgrad) 拼接缝隙估摸方法
暗中认可是gc_color

    –compose_megapix <float> 拼接分辨率,暗许为-1

    –expos_comp (no|gain|gain_blocks)
光照补偿方法,暗中认可是gain_blocks

    –blend (no|feather|multiband) 融合方法,默许是多频段融合

    –blend_strength <float> 融合强度,0-100.暗中认可是5.

   –output <result_img> 输出图像的文书名,暗许是result,jpg

    命令使用实例,以及程序运维时的升迁:

图片 54

叁 、程序代码分析

    1.参数读入

   
 程序参数读入分析,将程序运转是输入的参数以及需求拼接的图像读入内部存款和储蓄器,检查图像是或不是多于2张。

    int retval = parseCmdArgs(argc, argv);
    if (retval)
        return retval;

    // Check if have enough images
    int num_images = static_cast<int>(img_names.size());
    if (num_images < 2)
    {
        LOGLN("Need more images");
        return -1;
    }

      2.特征点检查和测试

     
判断选用是surf照旧orb特征点检查和测试(暗中同意是surf)以及对图像举办预处理(尺寸缩放),然后总计每幅图形的特征点,以及特征点描述子

      2.1
计算work_scale,将图像resize到面积在work_megapix*10^6以下,(work_megapix
默认是0.6)

work_scale = min(1.0, sqrt(work_megapix * 1e6 / full_img.size().area()));

resize(full_img, img, Size(), work_scale, work_scale);

      图像大小是740*830,面积大于6*10^5,所以总结出work_scale =
0.98,然后对图像resize。 

     图片 55

     2.2
计算seam_scale,也是基于图像的面积小于seam_megapix*10^6,(seam_megapix
默认是0.1),seam_work_aspect近日还没用到

   seam_scale = min(1.0, sqrt(seam_megapix * 1e6 / full_img.size().area()));
   seam_work_aspect = seam_scale / work_scale; //seam_megapix = 0.1 seam_work_aspect = 0.69

     图片 56
    2.3 总计图像特征点,以及总计特征点描述子,并将img_idx设置为i。

  (*finder)(img, features[i]);//matcher.cpp 348
  features[i].img_idx = i;

    特征点描述的结构体定义如下:

   struct detail::ImageFeatures
    Structure containing image keypoints and descriptors.
    struct CV_EXPORTS ImageFeatures
    {
        int img_idx;// 
        Size img_size;
        std::vector<KeyPoint> keypoints;
        Mat descriptors;
    };

    图片 57
     2.4 将源图像resize到seam_megapix*10^6,并存入image[]中

        resize(full_img, img, Size(), seam_scale, seam_scale);
        images[i] = img.clone();

    3.图像匹配

     
 对随意两副图形进行特征点匹配,然后利用查并集法,将图纸的合作关系找出,并删除那多少个不属于同一全景图的图纸。

    3.1 使用以来邻和次近邻匹配,对私行两幅图进行特征点匹配。

    vector<MatchesInfo> pairwise_matches;//Structure containing information about matches between two images. 
    BestOf2NearestMatcher matcher(try_gpu, match_conf);//最近邻和次近邻法
    matcher(features, pairwise_matches);//对每两个图片进行matcher,20-》400 matchers.cpp 502

    介绍一下贝斯特Of2NearestMatcher 函数:

      //Features matcher which finds two best matches for each feature and leaves the best one only if the ratio between descriptor distances is greater than the threshold match_conf.
     detail::BestOf2NearestMatcher::BestOf2NearestMatcher(bool try_use_gpu=false,float match_conf=0.3f,
                                                         intnum_matches_thresh1=6, int num_matches_thresh2=6)
     Parameters:    try_use_gpu – Should try to use GPU or not
            match_conf – Match distances ration threshold
            num_matches_thresh1 – Minimum number of matches required for the 2D projective
            transform estimation used in the inliers classification step
            num_matches_thresh2 – Minimum number of matches required for the 2D projective
            transform re-estimation on inliers

     函数的概念(只是设置一下参数,属于构造函数):

BestOf2NearestMatcher::BestOf2NearestMatcher(bool try_use_gpu, float match_conf, int num_matches_thresh1, int num_matches_thresh2)
{
#ifdef HAVE_OPENCV_GPU
    if (try_use_gpu && getCudaEnabledDeviceCount() > 0)
        impl_ = new GpuMatcher(match_conf);
    else
#else
    (void)try_use_gpu;
#endif
        impl_ = new CpuMatcher(match_conf);

    is_thread_safe_ = impl_->isThreadSafe();
    num_matches_thresh1_ = num_matches_thresh1;
    num_matches_thresh2_ = num_matches_thresh2;
}

     以及MatchesInfo的结构体定义:

Structure containing information about matches between two images. It’s assumed that there is a homography between those images.
    struct CV_EXPORTS MatchesInfo
    {
        MatchesInfo();
        MatchesInfo(const MatchesInfo &other);
        const MatchesInfo& operator =(const MatchesInfo &other);
        int src_img_idx, dst_img_idx; // Images indices (optional)
        std::vector<DMatch> matches;
        std::vector<uchar> inliers_mask; // Geometrically consistent matches mask
        int num_inliers; // Number of geometrically consistent matches
        Mat H; // Estimated homography
        double confidence; // Confidence two images are from the same panorama
    };

     
求出图像匹配的结果如下(具体合营参见sift特征点匹配),任意两幅图都开展匹配(3*3=9),当中1-》2和2-》三头总计了一回,以1-》2为准,:

     图片 58

       3.2
依照随便两幅图匹配的置信度,将富有置信度高于conf_thresh(私下认可是1.0)的图像合并到一个全集中。

       大家由此函数的参数
save_graph打字与印刷匹配结果如下(笔者多少修改了一下出口):

"outimage101.jpg" -- "outimage102.jpg"[label="Nm=866, Ni=637, C=2.37864"];
"outimage101.jpg" -- "outimage103.jpg"[label="Nm=165, Ni=59, C=1.02609"];
"outimage102.jpg" -- "outimage103.jpg"[label="Nm=460, Ni=260, C=1.78082"];

      Nm代表匹配的多寡,NI代表正确匹配的数据,C表示置信度

      通过查并集方法,查并集介绍请参见博文:

      http://blog.csdn.net/skeeee/article/details/20471949

    vector<int> indices = leaveBiggestComponent(features, pairwise_matches, conf_thresh);//将置信度高于门限的所有匹配合并到一个集合中
    vector<Mat> img_subset;
    vector<string> img_names_subset;
    vector<Size> full_img_sizes_subset;
    for (size_t i = 0; i < indices.size(); ++i)
    {
        img_names_subset.push_back(img_names[indices[i]]);
        img_subset.push_back(images[indices[i]]);
        full_img_sizes_subset.push_back(full_img_sizes[indices[i]]);
    }

    images = img_subset;
    img_names = img_names_subset;
    full_img_sizes = full_img_sizes_subset;

       4.基于单应性矩阵粗略猜度出相机参数(焦距)

        4.1 焦距参数的揣度

       
依据前边求出的妄动两幅图的分外,大家依照两幅图的单应性矩阵H,求出符合条件的f,(4副图,十四个卓越,求出七个符合条件的f),然后求出f的均值也许中值当成全体图形的大约估摸的f。

estimateFocal(features, pairwise_matches, focals);

       函数的显要源码如下:

    for (int i = 0; i < num_images; ++i)
    {
        for (int j = 0; j < num_images; ++j)
        {
            const MatchesInfo &m = pairwise_matches[i*num_images + j];
            if (m.H.empty())
                continue;
            double f0, f1;
            bool f0ok, f1ok;
            focalsFromHomography(m.H, f0, f1, f0ok, f1ok);//Tries to estimate focal lengths from the given homography  79
            //under the assumption that the camera undergoes rotations around its centre only.
            if (f0ok && f1ok)
                all_focals.push_back(sqrt(f0 * f1));
        }
    }

      当中等学校函授数focalsFromHomography的概念如下:

Tries to estimate focal lengths from the given homography
    under the assumption that the camera undergoes rotations around its centre only.  
    Parameters
    H – Homography.
    f0 – Estimated focal length along X axis.
    f1 – Estimated focal length along Y axis.
    f0_ok – True, if f0 was estimated successfully, false otherwise.
    f1_ok – True, if f1 was estimated successfully, false otherwise.

     函数的源码:

void focalsFromHomography(const Mat& H, double &f0, double &f1, bool &f0_ok, bool &f1_ok)
{
    CV_Assert(H.type() == CV_64F && H.size() == Size(3, 3));//Checks a condition at runtime and throws exception if it fails

    const double* h = reinterpret_cast<const double*>(H.data);//强制类型转换

    double d1, d2; // Denominators
    double v1, v2; // Focal squares value candidates

    //具体的计算过程有点看不懂啊
    f1_ok = true;
    d1 = h[6] * h[7];
    d2 = (h[7] - h[6]) * (h[7] + h[6]);
    v1 = -(h[0] * h[1] + h[3] * h[4]) / d1;
    v2 = (h[0] * h[0] + h[3] * h[3] - h[1] * h[1] - h[4] * h[4]) / d2;
    if (v1 < v2) std::swap(v1, v2);
    if (v1 > 0 && v2 > 0) f1 = sqrt(std::abs(d1) > std::abs(d2) ? v1 : v2);
    else if (v1 > 0) f1 = sqrt(v1);
    else f1_ok = false;

    f0_ok = true;
    d1 = h[0] * h[3] + h[1] * h[4];
    d2 = h[0] * h[0] + h[1] * h[1] - h[3] * h[3] - h[4] * h[4];
    v1 = -h[2] * h[5] / d1;
    v2 = (h[5] * h[5] - h[2] * h[2]) / d2;
    if (v1 < v2) std::swap(v1, v2);
    if (v1 > 0 && v2 > 0) f0 = sqrt(std::abs(d1) > std::abs(d2) ? v1 : v2);
    else if (v1 > 0) f0 = sqrt(v1);
    else f0_ok = false;
}

      求出的焦距有几个

     图片 59

      求出的焦距取中值也许平均值,然后正是具有图片的焦距。

      并营造camera参数,将矩阵写入camera:

        cameras.assign(num_images, CameraParams());
        for (int i = 0; i < num_images; ++i)
            cameras[i].focal = focals[i];

     4.2
依照匹配的内点创设最大生成树,然后广度优先搜索求出根节点,并求出camera的福特Explorer矩阵,K矩阵以及光轴主旨

      camera其余参数:

     aspect = 1.0,ppx,ppy近来等于0,最终会赋值成图像焦点点的。

      K矩阵的值:

图片 60

Mat CameraParams::K() const
{
    Mat_<double> k = Mat::eye(3, 3, CV_64F);
    k(0,0) = focal; k(0,2) = ppx;
    k(1,1) = focal * aspect; k(1,2) = ppy;
    return k;
}

      昂科雷矩阵的值:

     图片 61

    void operator ()(const GraphEdge &edge)
    {
        int pair_idx = edge.from * num_images + edge.to;

        Mat_<double> K_from = Mat::eye(3, 3, CV_64F);
        K_from(0,0) = cameras[edge.from].focal;
        K_from(1,1) = cameras[edge.from].focal * cameras[edge.from].aspect;
        K_from(0,2) = cameras[edge.from].ppx;
        K_from(0,2) = cameras[edge.from].ppy;

        Mat_<double> K_to = Mat::eye(3, 3, CV_64F);
        K_to(0,0) = cameras[edge.to].focal;
        K_to(1,1) = cameras[edge.to].focal * cameras[edge.to].aspect;
        K_to(0,2) = cameras[edge.to].ppx;
        K_to(0,2) = cameras[edge.to].ppy;

        Mat R = K_from.inv() * pairwise_matches[pair_idx].H.inv() * K_to;
        cameras[edge.to].R = cameras[edge.from].R * R;
    }

         光轴中央的值

    for (int i = 0; i < num_images; ++i)
    {
        cameras[i].ppx += 0.5 * features[i].img_size.width;
        cameras[i].ppy += 0.5 * features[i].img_size.height;
    }

      5.运用Bundle Adjustment方法对富有图片展开相机参数修正

      Bundle
Adjustment(光束法平差)算法重借使缓解全部相机参数的二头。那是全景拼接必须的一步,因为八个成对的单应性矩阵合成全景图时,会忽略全局的范围,造成累积误差。由此每三个图像都要添加光束法平差值,使图像被初叶化成相同的转动和焦距长度。

     
光束法平差的对象函数是三个持有鲁棒性的映照误差的平方和函数。即每三个特征点都要映射到此外的图像中,总计出使误差的平方和微小的照相机参数。具体的推理进度可以参见Automatic
Panoramic Image Stitching using Invariant
Features.pdf的第6章,本文只介绍一下opencv实现的历程(完整的辩白和公式
一时半刻还没看懂,希望有人能一起调换)

   
 opencv中误差描述函数有二种如下:(opencv私下认可是BundleAdjusterRay ):

   BundleAdjusterReproj // BundleAdjusterBase(7, 2)//最小投影误差平方和
    Implementation of the camera parameters refinement algorithm which minimizes sum of the reprojection error squares

    BundleAdjusterRay //  BundleAdjusterBase(4, 3)//最小特征点与相机中心点的距离和
    Implementation of the camera parameters refinement algorithm which minimizes sum of the distances between the
    rays passing through the camera center and a feature.

      5.1 首先总括cam_params_的值:

    setUpInitialCameraParams(cameras);

      函数根本源码:

    cam_params_.create(num_images_ * 4, 1, CV_64F);
    SVD svd;//奇异值分解
    for (int i = 0; i < num_images_; ++i)
    {
        cam_params_.at<double>(i * 4, 0) = cameras[i].focal;

        svd(cameras[i].R, SVD::FULL_UV);
        Mat R = svd.u * svd.vt;
        if (determinant(R) < 0)
            R *= -1;

        Mat rvec;
        Rodrigues(R, rvec);
        CV_Assert(rvec.type() == CV_32F);
        cam_params_.at<double>(i * 4 + 1, 0) = rvec.at<float>(0, 0);
        cam_params_.at<double>(i * 4 + 2, 0) = rvec.at<float>(1, 0);
        cam_params_.at<double>(i * 4 + 3, 0) = rvec.at<float>(2, 0);
    }

     
计算cam_params_的值,先初步化cam_params(num_images_*4,1,CV_64F);

      cam_params_[i*4+0] =  cameras[i].focal;

     
cam_params_后面3个值,是cameras[i].Odyssey先经过奇异值分解,然后对u*vt实行罗德里gues运算,获得的rvec第3行3个值赋给cam_params_。

     奇异值分解的概念:

在矩阵M的奇异值分解中 M = UΣV*

·U的列(columns)组成一套对M的正交”输入”或”分析”的基向量。那一个向量是MM*的特征向量。

·V的列(columns)组成一套对M的正交”输出”的基向量。那么些向量是M*M的特征向量。

·Σ对角线上的因素是奇异值,可身为是在输入与输出间开始展览的标量的”膨胀控制”。那些是M*M及MM*的奇异值,并与U和V的行向量相呼应。

     5.2 删除置信度小于门限的合营对

    // Leave only consistent image pairs
    edges_.clear();
    for (int i = 0; i < num_images_ - 1; ++i)
    {
        for (int j = i + 1; j < num_images_; ++j)
        {
            const MatchesInfo& matches_info = pairwise_matches_[i * num_images_ + j];
            if (matches_info.confidence > conf_thresh_)
                edges_.push_back(make_pair(i, j));
        }
    }

       5.3 使用LM算法总结camera参数。

       首先初叶化LM的参数(具体理论还并未看懂)

//计算所有内点之和
    for (size_t i = 0; i < edges_.size(); ++i)
        total_num_matches_ += static_cast<int>(pairwise_matches[edges_[i].first * num_images_ +
                                                                edges_[i].second].num_inliers);

    CvLevMarq solver(num_images_ * num_params_per_cam_,
                     total_num_matches_ * num_errs_per_measurement_,
                     term_criteria_);

    Mat err, jac;
    CvMat matParams = cam_params_;
    cvCopy(&matParams, solver.param);

    int iter = 0;
    for(;;)//类似于while(1),但是比while(1)效率高
    {
        const CvMat* _param = 0;
        CvMat* _jac = 0;
        CvMat* _err = 0;

        bool proceed = solver.update(_param, _jac, _err);

        cvCopy(_param, &matParams);

        if (!proceed || !_err)
            break;

        if (_jac)
        {
            calcJacobian(jac); //构造雅阁比行列式
            CvMat tmp = jac;
            cvCopy(&tmp, _jac);
        }

        if (_err)
        {
            calcError(err);//计算err
            LOG_CHAT(".");
            iter++;
            CvMat tmp = err;
            cvCopy(&tmp, _err);
        }
    }

       计算camera

 obtainRefinedCameraParams(cameras);//Gets the refined camera parameters.

       函数源代码:

void BundleAdjusterRay::obtainRefinedCameraParams(vector<CameraParams> &cameras) const
{
    for (int i = 0; i < num_images_; ++i)
    {
        cameras[i].focal = cam_params_.at<double>(i * 4, 0);

        Mat rvec(3, 1, CV_64F);
        rvec.at<double>(0, 0) = cam_params_.at<double>(i * 4 + 1, 0);
        rvec.at<double>(1, 0) = cam_params_.at<double>(i * 4 + 2, 0);
        rvec.at<double>(2, 0) = cam_params_.at<double>(i * 4 + 3, 0);
        Rodrigues(rvec, cameras[i].R);

        Mat tmp;
        cameras[i].R.convertTo(tmp, CV_32F);
        cameras[i].R = tmp;
    }
}

       求出根节点,然后归一化旋转矩阵Sportage

    // Normalize motion to center image
    Graph span_tree;
    vector<int> span_tree_centers;
    findMaxSpanningTree(num_images_, pairwise_matches, span_tree, span_tree_centers);
    Mat R_inv = cameras[span_tree_centers[0]].R.inv();
    for (int i = 0; i < num_images_; ++i)
        cameras[i].R = R_inv * cameras[i].R;

     6 波形校对

   
 前边几节把相机旋转矩阵总括出来,可是还有2个因素须要考虑,正是出于拍戏者拍戏图片的时候不必然是程度的,轻微的倾斜会导致全景图像现身飞机曲线,由此我们要对图像进行波形纠正,主即使寻找每幅图形的“上涨向量”(up_vector),使她勘误成图片 62

图片 63

波形校订的法力图

         opencv落成的源码如下(也是暂且没看懂,囧)

   vector<Mat> rmats;
        for (size_t i = 0; i < cameras.size(); ++i)
            rmats.push_back(cameras[i].R);
        waveCorrect(rmats, wave_correct);//Tries to make panorama more horizontal (or vertical).
        for (size_t i = 0; i < cameras.size(); ++i)
            cameras[i].R = rmats[i];

       其中waveCorrect(rmats, wave_correct)源码如下:

void waveCorrect(vector<Mat> &rmats, WaveCorrectKind kind)
{
    LOGLN("Wave correcting...");
#if ENABLE_LOG
    int64 t = getTickCount();
#endif

    Mat moment = Mat::zeros(3, 3, CV_32F);
    for (size_t i = 0; i < rmats.size(); ++i)
    {
        Mat col = rmats[i].col(0);
        moment += col * col.t();//相机R矩阵第一列转置相乘然后相加
    }
    Mat eigen_vals, eigen_vecs;
    eigen(moment, eigen_vals, eigen_vecs);//Calculates eigenvalues and eigenvectors of a symmetric matrix.

    Mat rg1;
    if (kind == WAVE_CORRECT_HORIZ)
        rg1 = eigen_vecs.row(2).t();//如果是水平校正,去特征向量的第三行
    else if (kind == WAVE_CORRECT_VERT)
        rg1 = eigen_vecs.row(0).t();//如果是垂直校正,特征向量第一行
    else
        CV_Error(CV_StsBadArg, "unsupported kind of wave correction");

    Mat img_k = Mat::zeros(3, 1, CV_32F);
    for (size_t i = 0; i < rmats.size(); ++i)
        img_k += rmats[i].col(2);//R函数第3列相加
    Mat rg0 = rg1.cross(img_k);//rg1与img_k向量积
    rg0 /= norm(rg0);//归一化?

    Mat rg2 = rg0.cross(rg1);

    double conf = 0;
    if (kind == WAVE_CORRECT_HORIZ)
    {
        for (size_t i = 0; i < rmats.size(); ++i)
            conf += rg0.dot(rmats[i].col(0));//Computes a dot-product of two vectors.数量积
        if (conf < 0)
        {
            rg0 *= -1;
            rg1 *= -1;
        }
    }
    else if (kind == WAVE_CORRECT_VERT)
    {
        for (size_t i = 0; i < rmats.size(); ++i)
            conf -= rg1.dot(rmats[i].col(0));
        if (conf < 0)
        {
            rg0 *= -1;
            rg1 *= -1;
        }
    }

    Mat R = Mat::zeros(3, 3, CV_32F);
    Mat tmp = R.row(0);
    Mat(rg0.t()).copyTo(tmp);
    tmp = R.row(1);
    Mat(rg1.t()).copyTo(tmp);
    tmp = R.row(2);
    Mat(rg2.t()).copyTo(tmp);

    for (size_t i = 0; i < rmats.size(); ++i)
        rmats[i] = R * rmats[i];

    LOGLN("Wave correcting, time: " << ((getTickCount() - t) / getTickFrequency()) << " sec");
}

     7.单应性矩阵变换

      由图像匹配,Bundle
Adjustment算法以及波形校验,求出了图像的照相机参数以及旋转矩阵,接下去就对图纸举行单应性矩阵变换,亮度的增量补偿以及多波段融合(图像金字塔)。首先介绍的正是单应性矩阵变换:

     
源图像的点(x,y,z=1),图像的转动矩阵Enclave,图像的相机参数矩阵K,经过变换后的一致坐标(x_,y_,z_),然后映射到球形坐标(u,v,w),他们中间的关系如下:

void SphericalProjector::mapForward(float x, float y, float &u, float &v)
{
    float x_ = r_kinv[0] * x + r_kinv[1] * y + r_kinv[2];
    float y_ = r_kinv[3] * x + r_kinv[4] * y + r_kinv[5];
    float z_ = r_kinv[6] * x + r_kinv[7] * y + r_kinv[8];

    u = scale * atan2f(x_, z_);
    float w = y_ / sqrtf(x_ * x_ + y_ * y_ + z_ * z_);
    v = scale * (static_cast<float>(CV_PI) - acosf(w == w ? w : 0));
}

    图片 64

     
 根据映射公式,对图像的前后左右四个边界求映射后的坐标,然后明显变换后图像的左上角和右上角的坐标,

       假使是球形拼接,则必要再加上判断(一时还没商讨透):

    float tl_uf = static_cast<float>(dst_tl.x);
    float tl_vf = static_cast<float>(dst_tl.y);
    float br_uf = static_cast<float>(dst_br.x);
    float br_vf = static_cast<float>(dst_br.y);

    float x = projector_.rinv[1];
    float y = projector_.rinv[4];
    float z = projector_.rinv[7];
    if (y > 0.f)
    {
        float x_ = (projector_.k[0] * x + projector_.k[1] * y) / z + projector_.k[2];
        float y_ = projector_.k[4] * y / z + projector_.k[5];
        if (x_ > 0.f && x_ < src_size.width && y_ > 0.f && y_ < src_size.height)
        {
            tl_uf = min(tl_uf, 0.f); tl_vf = min(tl_vf, static_cast<float>(CV_PI * projector_.scale));
            br_uf = max(br_uf, 0.f); br_vf = max(br_vf, static_cast<float>(CV_PI * projector_.scale));
        }
    }

    x = projector_.rinv[1];
    y = -projector_.rinv[4];
    z = projector_.rinv[7];
    if (y > 0.f)
    {
        float x_ = (projector_.k[0] * x + projector_.k[1] * y) / z + projector_.k[2];
        float y_ = projector_.k[4] * y / z + projector_.k[5];
        if (x_ > 0.f && x_ < src_size.width && y_ > 0.f && y_ < src_size.height)
        {
            tl_uf = min(tl_uf, 0.f); tl_vf = min(tl_vf, static_cast<float>(0));
            br_uf = max(br_uf, 0.f); br_vf = max(br_vf, static_cast<float>(0));
        }
    }

     
然后选择反投影将图片反投影到变换的图像上,像素总括默许是二维线性插值。

     反投影的公式:

void SphericalProjector::mapBackward(float u, float v, float &x, float &y)
{
    u /= scale;
    v /= scale;

    float sinv = sinf(static_cast<float>(CV_PI) - v);
    float x_ = sinv * sinf(u);
    float y_ = cosf(static_cast<float>(CV_PI) - v);
    float z_ = sinv * cosf(u);

    float z;
    x = k_rinv[0] * x_ + k_rinv[1] * y_ + k_rinv[2] * z_;
    y = k_rinv[3] * x_ + k_rinv[4] * y_ + k_rinv[5] * z_;
    z = k_rinv[6] * x_ + k_rinv[7] * y_ + k_rinv[8] * z_;

    if (z > 0) { x /= z; y /= z; }
    else x = y = -1;
}

接下来将反投影求出的x,y值写入Mat矩阵xmap和ymap中

 xmap.create(dst_br.y - dst_tl.y + 1, dst_br.x - dst_tl.x + 1, CV_32F);
    ymap.create(dst_br.y - dst_tl.y + 1, dst_br.x - dst_tl.x + 1, CV_32F);

    float x, y;
    for (int v = dst_tl.y; v <= dst_br.y; ++v)
    {
        for (int u = dst_tl.x; u <= dst_br.x; ++u)
        {
            projector_.mapBackward(static_cast<float>(u), static_cast<float>(v), x, y);
            xmap.at<float>(v - dst_tl.y, u - dst_tl.x) = x;
            ymap.at<float>(v - dst_tl.y, u - dst_tl.x) = y;
        }
    }

最终动用opencv自带的remap函数将图像重新绘制:

remap(src, dst, xmap, ymap, interp_mode, border_mode);//重映射,xmap,yamp分别是u,v反投影对应的x,y值,默认是双线性插值

       
      8.光照补偿

     
图像拼接中,由于拍照的图片有大概因为光圈可能光线的标题,导致邻座图片重叠区域现身亮度差,所以在拼接时就须求对图像实行亮度补偿,(opencv只对重叠区域展开了亮度补偿,那样会促成图像融合处就算光照渐变,然则图像全体的光强没有和平的连接)。

      首先,将所有图像,mask矩阵举办分块(大小在32*32附近)。

  for (int img_idx = 0; img_idx < num_images; ++img_idx)
    {
        Size bl_per_img((images[img_idx].cols + bl_width_ - 1) / bl_width_,
                        (images[img_idx].rows + bl_height_ - 1) / bl_height_);
        int bl_width = (images[img_idx].cols + bl_per_img.width - 1) / bl_per_img.width;
        int bl_height = (images[img_idx].rows + bl_per_img.height - 1) / bl_per_img.height;
        bl_per_imgs[img_idx] = bl_per_img;
        for (int by = 0; by < bl_per_img.height; ++by)
        {
            for (int bx = 0; bx < bl_per_img.width; ++bx)
            {
                Point bl_tl(bx * bl_width, by * bl_height);
                Point bl_br(min(bl_tl.x + bl_width, images[img_idx].cols),
                            min(bl_tl.y + bl_height, images[img_idx].rows));

                block_corners.push_back(corners[img_idx] + bl_tl);
                block_images.push_back(images[img_idx](Rect(bl_tl, bl_br)));
                block_masks.push_back(make_pair(masks[img_idx].first(Rect(bl_tl, bl_br)),
                                                masks[img_idx].second));
            }
        }
    }

      然后,求出任意两块图像的重合区域的平均光强,

//计算每一块区域的光照均值sqrt(sqrt(R)+sqrt(G)+sqrt(B))
    //光照均值是对称矩阵,所以一次循环计算两个光照值,(i,j),与(j,i)
    for (int i = 0; i < num_images; ++i)
    {
        for (int j = i; j < num_images; ++j)
        {
            Rect roi;
            //判断image[i]与image[j]是否有重叠部分
            if (overlapRoi(corners[i], corners[j], images[i].size(), images[j].size(), roi))
            {
                subimg1 = images[i](Rect(roi.tl() - corners[i], roi.br() - corners[i]));
                subimg2 = images[j](Rect(roi.tl() - corners[j], roi.br() - corners[j]));

                submask1 = masks[i].first(Rect(roi.tl() - corners[i], roi.br() - corners[i]));
                submask2 = masks[j].first(Rect(roi.tl() - corners[j], roi.br() - corners[j]));
                intersect = (submask1 == masks[i].second) & (submask2 == masks[j].second);

                N(i, j) = N(j, i) = max(1, countNonZero(intersect));

                double Isum1 = 0, Isum2 = 0;
                for (int y = 0; y < roi.height; ++y)
                {
                    const Point3_<uchar>* r1 = subimg1.ptr<Point3_<uchar> >(y);
                    const Point3_<uchar>* r2 = subimg2.ptr<Point3_<uchar> >(y);
                    for (int x = 0; x < roi.width; ++x)
                    {
                        if (intersect(y, x))
                        {
                            Isum1 += sqrt(static_cast<double>(sqr(r1[x].x) + sqr(r1[x].y) + sqr(r1[x].z)));
                            Isum2 += sqrt(static_cast<double>(sqr(r2[x].x) + sqr(r2[x].y) + sqr(r2[x].z)));
                        }
                    }
                }
                I(i, j) = Isum1 / N(i, j);
                I(j, i) = Isum2 / N(i, j);
            }
        }
    }

     建立方程,求出各种光强的调整周全

    Mat_<double> A(num_images, num_images); A.setTo(0);
    Mat_<double> b(num_images, 1); b.setTo(0);//beta*N(i,j)
    for (int i = 0; i < num_images; ++i)
    {
        for (int j = 0; j < num_images; ++j)
        {
            b(i, 0) += beta * N(i, j);
            A(i, i) += beta * N(i, j);
            if (j == i) continue;
            A(i, i) += 2 * alpha * I(i, j) * I(i, j) * N(i, j);
            A(i, j) -= 2 * alpha * I(i, j) * I(j, i) * N(i, j);
        }
    }

    solve(A, b, gains_);//求方程的解A*gains = B

        gains_原理分析:

num_images :表示图像分块的个数,零num_images = n

N矩阵,大小n*n,N(i,j)表示第i幅图像与第j幅图像重合的像素点数,N(i,j)=N(j,i)

I矩阵,大小n*n,I(i,j)与I(j,i)表示第i,j块区域重合部分的像素平均值,I(i,j)是重合区域中i快的平分亮度值,

图片 65

参数alpha和beta,默许值是阿尔法=0.01,beta=100.

A矩阵,大小n*n,公式图片不全

图片 66

b矩阵,大小n*1,

图片 67

下一场依据求解矩阵

gains_矩阵,大小1*n,A*gains = B

        然后将gains_进展线性滤波

    Mat_<float> ker(1, 3);
    ker(0,0) = 0.25; ker(0,1) = 0.5; ker(0,2) = 0.25;

    int bl_idx = 0;
    for (int img_idx = 0; img_idx < num_images; ++img_idx)
    {
        Size bl_per_img = bl_per_imgs[img_idx];
        gain_maps_[img_idx].create(bl_per_img);

        for (int by = 0; by < bl_per_img.height; ++by)
            for (int bx = 0; bx < bl_per_img.width; ++bx, ++bl_idx)
                gain_maps_[img_idx](by, bx) = static_cast<float>(gains[bl_idx]);
        //用分解的核函数对图像做卷积。首先,图像的每一行与一维的核kernelX做卷积;然后,运算结果的每一列与一维的核kernelY做卷积
        sepFilter2D(gain_maps_[img_idx], gain_maps_[img_idx], CV_32F, ker, ker);
        sepFilter2D(gain_maps_[img_idx], gain_maps_[img_idx], CV_32F, ker, ker);
    }

     
然后构建一个gain_maps的三维矩阵,gain_main[图像的个数][图像分块的行数][图像分块的列数],然后对没一副图像的gain举行滤波。

   

   9.Seam Estimation

     缝隙猜想有6种方法,私下认可正是第三种办法,seam_find_type ==
“gc_color”,该方法是使用最大流方法检查和测试。

 if (seam_find_type == "no")
        seam_finder = new detail::NoSeamFinder();//Stub seam estimator which does nothing.
    else if (seam_find_type == "voronoi")
        seam_finder = new detail::VoronoiSeamFinder();//Voronoi diagram-based seam estimator. 泰森多边形缝隙估计
    else if (seam_find_type == "gc_color")
    {
#ifdef HAVE_OPENCV_GPU
        if (try_gpu && gpu::getCudaEnabledDeviceCount() > 0)
            seam_finder = new detail::GraphCutSeamFinderGpu(GraphCutSeamFinderBase::COST_COLOR);
        else
#endif
            seam_finder = new detail::GraphCutSeamFinder(GraphCutSeamFinderBase::COST_COLOR);//Minimum graph cut-based seam estimator
    }
    else if (seam_find_type == "gc_colorgrad")
    {
#ifdef HAVE_OPENCV_GPU
        if (try_gpu && gpu::getCudaEnabledDeviceCount() > 0)
            seam_finder = new detail::GraphCutSeamFinderGpu(GraphCutSeamFinderBase::COST_COLOR_GRAD);
        else
#endif
            seam_finder = new detail::GraphCutSeamFinder(GraphCutSeamFinderBase::COST_COLOR_GRAD);
    }
    else if (seam_find_type == "dp_color")
        seam_finder = new detail::DpSeamFinder(DpSeamFinder::COLOR);
    else if (seam_find_type == "dp_colorgrad")
        seam_finder = new detail::DpSeamFinder(DpSeamFinder::COLOR_GRAD);
    if (seam_finder.empty())
    {
        cout << "Can't create the following seam finder '" << seam_find_type << "'\n";
        return 1;
    }

      程序解读可参见:

http://blog.csdn.net/chlele0105/article/details/12624541

http://blog.csdn.net/zouxy09/article/details/8534954

http://blog.csdn.net/yangtrees/article/details/7930640

     

     10.多波段融合

     
由于以前进行处理的图纸都以以work_scale(3.1节有介绍)进行缩放的,所以图像的虚实,corner(同一坐标后的终端),mask(融合的掩码)都亟待再度总括。以及将从前总计的普照增强的gain也要总括进去。

  // Read image and resize it if necessary
        full_img = imread(img_names[img_idx]);
        if (!is_compose_scale_set)
        {
            if (compose_megapix > 0)
                compose_scale = min(1.0, sqrt(compose_megapix * 1e6 / full_img.size().area()));
            is_compose_scale_set = true;

            // Compute relative scales
            //compose_seam_aspect = compose_scale / seam_scale;
            compose_work_aspect = compose_scale / work_scale;

            // Update warped image scale
            warped_image_scale *= static_cast<float>(compose_work_aspect);
            warper = warper_creator->create(warped_image_scale);

            // Update corners and sizes
            for (int i = 0; i < num_images; ++i)
            {
                // Update intrinsics
                cameras[i].focal *= compose_work_aspect;
                cameras[i].ppx *= compose_work_aspect;
                cameras[i].ppy *= compose_work_aspect;

                // Update corner and size
                Size sz = full_img_sizes[i];
                if (std::abs(compose_scale - 1) > 1e-1)
                {
                    sz.width = cvRound(full_img_sizes[i].width * compose_scale);//取整
                    sz.height = cvRound(full_img_sizes[i].height * compose_scale);
                }

                Mat K;
                cameras[i].K().convertTo(K, CV_32F);
                Rect roi = warper->warpRoi(sz, K, cameras[i].R);//Returns Projected image minimum bounding box
                corners[i] = roi.tl();//! the top-left corner
                sizes[i] = roi.size();//! size of the real buffer
            }
        }
        if (abs(compose_scale - 1) > 1e-1)
            resize(full_img, img, Size(), compose_scale, compose_scale);
        else
            img = full_img;
        full_img.release();
        Size img_size = img.size();

        Mat K;
        cameras[img_idx].K().convertTo(K, CV_32F);

        // Warp the current image
        warper->warp(img, K, cameras[img_idx].R, INTER_LINEAR, BORDER_REFLECT, img_warped);
        // Warp the current image mask
        mask.create(img_size, CV_8U);
        mask.setTo(Scalar::all(255));
        warper->warp(mask, K, cameras[img_idx].R, INTER_NEAREST, BORDER_CONSTANT, mask_warped);
        // Compensate exposure
        compensator->apply(img_idx, corners[img_idx], img_warped, mask_warped);//光照补偿
        img_warped.convertTo(img_warped_s, CV_16S);
        img_warped.release();
        img.release();
        mask.release();

        dilate(masks_warped[img_idx], dilated_mask, Mat());
        resize(dilated_mask, seam_mask, mask_warped.size());
        mask_warped = seam_mask & mask_warped;

     对图像实行光照补偿,正是将对应区域乘以gain:

//块光照补偿
void BlocksGainCompensator::apply(int index, Point /*corner*/, Mat &image, const Mat &/*mask*/)
{
    CV_Assert(image.type() == CV_8UC3);

    Mat_<float> gain_map;
    if (gain_maps_[index].size() == image.size())
        gain_map = gain_maps_[index];
    else
        resize(gain_maps_[index], gain_map, image.size(), 0, 0, INTER_LINEAR);

    for (int y = 0; y < image.rows; ++y)
    {
        const float* gain_row = gain_map.ptr<float>(y);
        Point3_<uchar>* row = image.ptr<Point3_<uchar> >(y);
        for (int x = 0; x < image.cols; ++x)
        {
            row[x].x = saturate_cast<uchar>(row[x].x * gain_row[x]);
            row[x].y = saturate_cast<uchar>(row[x].y * gain_row[x]);
            row[x].z = saturate_cast<uchar>(row[x].z * gain_row[x]);
        }
    }
}

   
 举办多波段融合,首先开始化blend,分明blender的玉石不分的措施,私下认可是多波段融合MULTI_BAND,以及依照corners顶点和图像的大小鲜明最终全景图的尺码。

   //初始化blender
        if (blender.empty())
        {
            blender = Blender::createDefault(blend_type, try_gpu);
            Size dst_sz = resultRoi(corners, sizes).size();//计算最后图像的大小
            float blend_width = sqrt(static_cast<float>(dst_sz.area())) * blend_strength / 100.f;
            if (blend_width < 1.f)
                blender = Blender::createDefault(Blender::NO, try_gpu);
            else if (blend_type == Blender::MULTI_BAND)
            {
                MultiBandBlender* mb = dynamic_cast<MultiBandBlender*>(static_cast<Blender*>(blender));
                mb->setNumBands(static_cast<int>(ceil(log(blend_width)/log(2.)) - 1.));
                LOGLN("Multi-band blender, number of bands: " << mb->numBands());
            }
            else if (blend_type == Blender::FEATHER)
            {
                FeatherBlender* fb = dynamic_cast<FeatherBlender*>(static_cast<Blender*>(blender));
                fb->setSharpness(1.f/blend_width);
                LOGLN("Feather blender, sharpness: " << fb->sharpness());
            }
            blender->prepare(corners, sizes);//根据corners顶点和图像的大小确定最终全景图的尺寸
        }

      然后对每幅图图形创设金字塔,层数能够由输入的周详明确,暗中认可是5层。

     
先对终极以及图像的宽和高做拍卖,使其能被2^num_bands除尽,这样才能将开始展览向下采集样品num_bands次,首先从源图像pyrDown向下采样,在由最底部的图像pyrUp向上采集样品,把对应层得上采集样品和下采集样品的相减,就收获了图像的屡屡分量,存款和储蓄到每贰个金字塔中。然后根据mask,将每幅图像的各层金字塔分别写入尾声的金字塔层src_pyr_laplace中。

      最终将各层的金字塔叠加,就取得了最终完全的全景图。

 blender->feed(img_warped_s, mask_warped, corners[img_idx]);//将图像写入金字塔中

      源码:

void MultiBandBlender::feed(const Mat &img, const Mat &mask, Point tl)
{
    CV_Assert(img.type() == CV_16SC3 || img.type() == CV_8UC3);
    CV_Assert(mask.type() == CV_8U);

    // Keep source image in memory with small border
    int gap = 3 * (1 << num_bands_);
    Point tl_new(max(dst_roi_.x, tl.x - gap),
                 max(dst_roi_.y, tl.y - gap));
    Point br_new(min(dst_roi_.br().x, tl.x + img.cols + gap),
                 min(dst_roi_.br().y, tl.y + img.rows + gap));

    // Ensure coordinates of top-left, bottom-right corners are divided by (1 << num_bands_).
    // After that scale between layers is exactly 2.
    //
    // We do it to avoid interpolation problems when keeping sub-images only. There is no such problem when
    // image is bordered to have size equal to the final image size, but this is too memory hungry approach.
    //将顶点调整成能被2^num_bank次方除尽的值
    tl_new.x = dst_roi_.x + (((tl_new.x - dst_roi_.x) >> num_bands_) << num_bands_);
    tl_new.y = dst_roi_.y + (((tl_new.y - dst_roi_.y) >> num_bands_) << num_bands_);
    int width = br_new.x - tl_new.x;
    int height = br_new.y - tl_new.y;
    width += ((1 << num_bands_) - width % (1 << num_bands_)) % (1 << num_bands_);
    height += ((1 << num_bands_) - height % (1 << num_bands_)) % (1 << num_bands_);
    br_new.x = tl_new.x + width;
    br_new.y = tl_new.y + height;
    int dy = max(br_new.y - dst_roi_.br().y, 0);
    int dx = max(br_new.x - dst_roi_.br().x, 0);
    tl_new.x -= dx; br_new.x -= dx;
    tl_new.y -= dy; br_new.y -= dy;

    int top = tl.y - tl_new.y;
    int left = tl.x - tl_new.x;
    int bottom = br_new.y - tl.y - img.rows;
    int right = br_new.x - tl.x - img.cols;

    // Create the source image Laplacian pyramid
    Mat img_with_border;
    copyMakeBorder(img, img_with_border, top, bottom, left, right,
                   BORDER_REFLECT);//给图像设置一个边界,BORDER_REFLECT边界颜色任意
    vector<Mat> src_pyr_laplace;
    if (can_use_gpu_ && img_with_border.depth() == CV_16S)
        createLaplacePyrGpu(img_with_border, num_bands_, src_pyr_laplace);
    else
        createLaplacePyr(img_with_border, num_bands_, src_pyr_laplace);//创建高斯金字塔,每一层保存的全是高频信息

    // Create the weight map Gaussian pyramid
    Mat weight_map;
    vector<Mat> weight_pyr_gauss(num_bands_ + 1);

    if(weight_type_ == CV_32F)
    {
        mask.convertTo(weight_map, CV_32F, 1./255.);//将mask的0,255归一化成0,1
    }
    else// weight_type_ == CV_16S
    {
        mask.convertTo(weight_map, CV_16S);
        add(weight_map, 1, weight_map, mask != 0);
    }

    copyMakeBorder(weight_map, weight_pyr_gauss[0], top, bottom, left, right, BORDER_CONSTANT);

    for (int i = 0; i < num_bands_; ++i)
        pyrDown(weight_pyr_gauss[i], weight_pyr_gauss[i + 1]);

    int y_tl = tl_new.y - dst_roi_.y;
    int y_br = br_new.y - dst_roi_.y;
    int x_tl = tl_new.x - dst_roi_.x;
    int x_br = br_new.x - dst_roi_.x;

    // Add weighted layer of the source image to the final Laplacian pyramid layer
    if(weight_type_ == CV_32F)
    {
        for (int i = 0; i <= num_bands_; ++i)
        {
            for (int y = y_tl; y < y_br; ++y)
            {
                int y_ = y - y_tl;
                const Point3_<short>* src_row = src_pyr_laplace[i].ptr<Point3_<short> >(y_);
                Point3_<short>* dst_row = dst_pyr_laplace_[i].ptr<Point3_<short> >(y);
                const float* weight_row = weight_pyr_gauss[i].ptr<float>(y_);
                float* dst_weight_row = dst_band_weights_[i].ptr<float>(y);

                for (int x = x_tl; x < x_br; ++x)
                {
                    int x_ = x - x_tl;
                    dst_row[x].x += static_cast<short>(src_row[x_].x * weight_row[x_]);
                    dst_row[x].y += static_cast<short>(src_row[x_].y * weight_row[x_]);
                    dst_row[x].z += static_cast<short>(src_row[x_].z * weight_row[x_]);
                    dst_weight_row[x] += weight_row[x_];
                }
            }
            x_tl /= 2; y_tl /= 2;
            x_br /= 2; y_br /= 2;
        }
    }
    else// weight_type_ == CV_16S
    {
        for (int i = 0; i <= num_bands_; ++i)
        {
            for (int y = y_tl; y < y_br; ++y)
            {
                int y_ = y - y_tl;
                const Point3_<short>* src_row = src_pyr_laplace[i].ptr<Point3_<short> >(y_);
                Point3_<short>* dst_row = dst_pyr_laplace_[i].ptr<Point3_<short> >(y);
                const short* weight_row = weight_pyr_gauss[i].ptr<short>(y_);
                short* dst_weight_row = dst_band_weights_[i].ptr<short>(y);

                for (int x = x_tl; x < x_br; ++x)
                {
                    int x_ = x - x_tl;
                    dst_row[x].x += short((src_row[x_].x * weight_row[x_]) >> 8);
                    dst_row[x].y += short((src_row[x_].y * weight_row[x_]) >> 8);
                    dst_row[x].z += short((src_row[x_].z * weight_row[x_]) >> 8);
                    dst_weight_row[x] += weight_row[x_];
                }
            }
            x_tl /= 2; y_tl /= 2;
            x_br /= 2; y_br /= 2;
        }
    }
}

        个中,金字塔构建的源码:

void createLaplacePyr(const Mat &img, int num_levels, vector<Mat> &pyr)
{
#ifdef HAVE_TEGRA_OPTIMIZATION
    if(tegra::createLaplacePyr(img, num_levels, pyr))
        return;
#endif

    pyr.resize(num_levels + 1);

    if(img.depth() == CV_8U)
    {
        if(num_levels == 0)
        {
            img.convertTo(pyr[0], CV_16S);
            return;
        }

        Mat downNext;
        Mat current = img;
        pyrDown(img, downNext);

        for(int i = 1; i < num_levels; ++i)
        {
            Mat lvl_up;
            Mat lvl_down;

            pyrDown(downNext, lvl_down);
            pyrUp(downNext, lvl_up, current.size());
            subtract(current, lvl_up, pyr[i-1], noArray(), CV_16S);

            current = downNext;
            downNext = lvl_down;
        }

        {
            Mat lvl_up;
            pyrUp(downNext, lvl_up, current.size());
            subtract(current, lvl_up, pyr[num_levels-1], noArray(), CV_16S);

            downNext.convertTo(pyr[num_levels], CV_16S);
        }
    }
    else
    {
        pyr[0] = img;
        //构建高斯金字塔
        for (int i = 0; i < num_levels; ++i)
            pyrDown(pyr[i], pyr[i + 1]);//先高斯滤波,在亚采样,得到比pyr【i】缩小一半的图像
        Mat tmp;
        for (int i = 0; i < num_levels; ++i)
        {
            pyrUp(pyr[i + 1], tmp, pyr[i].size());//插值(偶数行,偶数列赋值为0),然后高斯滤波,核是5*5。
            subtract(pyr[i], tmp, pyr[i]);//pyr[i] = pyr[i]-tmp,得到的全是高频信息
        }
    }
}

      最终把持有层得金字塔叠加的次第:

    Mat result, result_mask;
    blender->blend(result, result_mask);//将多层金字塔图形叠加

     源码:

void MultiBandBlender::blend(Mat &dst, Mat &dst_mask)
{
    for (int i = 0; i <= num_bands_; ++i)
        normalizeUsingWeightMap(dst_band_weights_[i], dst_pyr_laplace_[i]);

    if (can_use_gpu_)
        restoreImageFromLaplacePyrGpu(dst_pyr_laplace_);
    else
        restoreImageFromLaplacePyr(dst_pyr_laplace_);

    dst_ = dst_pyr_laplace_[0];
    dst_ = dst_(Range(0, dst_roi_final_.height), Range(0, dst_roi_final_.width));
    dst_mask_ = dst_band_weights_[0] > WEIGHT_EPS;
    dst_mask_ = dst_mask_(Range(0, dst_roi_final_.height), Range(0, dst_roi_final_.width));
    dst_pyr_laplace_.clear();
    dst_band_weights_.clear();

    Blender::blend(dst, dst_mask);
}