1.全景拼接原理简介
一张普通照片所提供的图像信息只是我们视野中的一部分，两张甚至多张同一位置拍摄的相邻图像是单应性相关的，那么把他们拼接在一起就能看到我们视野中的全部景象，于是全景图就诞生了！
1.1 流程
实际情况中，创建全景图的步骤大致分为三步：图像获取、图像配准、图像融合。
两张待配准的图像处于不同的坐标系中，配准的目的就是将他们投影到拼接平面（即同一坐标系下）对齐。拼接的前提是，我们的图片集中图片之间要有共视区域，这样我们才能在各图像之间提取特征并寻找匹配点，然后在尽量去除错配点对的情况下，根据匹配点计算图像间的映射关系，最后将图像根据映射关系拼接以获得更宽广的可视面积，多次进行配准拼接融合步骤，就得到了我们所需的全景图。
1.2 RANSAC
其中对于特征点的提取，传统方法有SIFT、Surf、Orb描述子可用，接下来我们使用的就是之前刚学习的SITF描述子，它具有较高的准确度。
那匹配中错配的点对如何处理？最小二乘法可以综合地去拟合匹配点中的所有点对，但如果噪声点数量太多怎么办，很明显最小二乘会很大程度受噪声影响导致不良的筛选结果。好在有一个既简单易理解又十分强大的算法——RANSAC(Random Sample Consensus)随机一致性采样。
RANSAC是根据一个包含异常数据的数据集计算数据的数学模型参数，从而得到有效样本数据的算法。
核心思想是：
(1) 给定一个区间阈值；
(2) 随机选取数据集中的两个点；
(3) 根据两点构造直线计算解析式 y=ax+b；
(4) 根据阈值，计算位于直线附近区间内的点的数量；
(5) 循环步骤(2)-(4)，找到包含最大点数量的点集作为筛选结果，求解单应性矩阵。
1.3 关于拼接图像
使用RANSAC算法计算出图像间单应性矩阵，我们选取中心的图像作为公共平面，将中心图像左右的区域以0填充，这样就可以将扭曲后的图像拼接到腾出的空间当中。
2.创建全景图
课本中对于创建全景图的源码如下：
使用五张图像作为图像集进行拼接
from pylab import *
from numpy import *
from PIL import Image
# If you have PCV installed, these imports should work
from PCV.geometry import homography, warp
from PCV.localdescriptors import sift
"""
This is the panorama example from section 3.3.
"""
# set paths to data folder
featname = ['./images/1/'+str(i+1)+'.sift' for i in range(5)]
imname = ['./images/1/'+str(i+1)+'.jpg' for i in range(5)]
# extract features and match
l = {}
d = {}
for i in range(5):
sift.process_image(imname[i],featname[i])
l[i],d[i] = sift.read_features_from_file(featname[i])
matches = {}
for i in range(4):
matches[i] = sift.match(d[i+1],d[i])
# visualize the matches (Figure 3-11 in the book)
for i in range(4):
im1 = array(Image.open(imname[i]))
im2 = array(Image.open(imname[i+1]))
figure()
sift.plot_matches(im2,im1,l[i+1],l[i],matches[i],show_below=True)
# function to convert the matches to hom. points
def convert_points(j):
ndx = matches[j].nonzero()[0]
fp = homography.make_homog(l[j+1][ndx,:2].T)
ndx2 = [int(matches[j][i]) for i in ndx]
tp = homography.make_homog(l[j][ndx2,:2].T)
# switch x and y - TODO this should move elsewhere
fp = vstack([fp[1],fp[0],fp[2]])
tp = vstack([tp[1],tp[0],tp[2]])
return fp,tp
# estimate the homographies
model = homography.RansacModel()
fp,tp = convert_points(1)
H_12 = homography.H_from_ransac(fp,tp,model)[0] #im 1 to 2
fp,tp = convert_points(0)
H_01 = homography.H_from_ransac(fp,tp,model)[0] #im 0 to 1
tp,fp = convert_points(2) #NB: reverse order
H_32 = homography.H_from_ransac(fp,tp,model)[0] #im 3 to 2
tp,fp = convert_points(3) #NB: reverse order
H_43 = homography.H_from_ransac(fp,tp,model)[0] #im 4 to 3
# warp the images
delta = 2000 # for padding and translation
im1 = array(Image.open(imname[1]), "uint8")
im2 = array(Image.open(imname[2]), "uint8")
im_12 = warp.panorama(H_12,im1,im2,delta,delta)
im1 = array(Image.open(imname[0]), "f")
im_02 = warp.panorama(dot(H_12,H_01),im1,im_12,delta,delta)
im1 = array(Image.open(imname[3]), "f")
im_32 = warp.panorama(H_32,im1,im_02,delta,delta)
im1 = array(Image.open(imname[4]), "f")
im_42 = warp.panorama(dot(H_32,H_43),im1,im_32,delta,2*delta)
figure()
imshow(array(im_42, "uint8"))
axis('off')
show()
运行时报错，同样对于Python3需要对print语句进行语法转换：
从左向右序列的图片集会出现错乱拼接的情况，于是我接下来都改用从右向左的图像序列。
2.1 室外景深落差较小的情况
第一组拼接：
第二组拼接：
2.2 室外景深落差较大的情况
2.3 室内图像拼接
2.4 小结
(1) RANSAC算法即使是在大量噪声干扰的情况下也能鲁棒地获得模型参数，ransac模型类RansacModel中的fit() 方法接受ransac.py选择的至少四个对应点对从而拟合一个单应性矩阵。get_error() 方法对每个对应点对使用该单应性矩阵，返回相应的距离平方和，从而判定错误点对。距离的阈值和最小期望的点对数目可以在**H_from_ransac()**函数当中指定，而最大迭代次数决定此次点对筛选的时间效率和准确度，太少会导致拟合模型中正确结果被剔除留下错误结果，太多占用大量运行时间。
(2) 扭曲图像时 delta 值的选取对结果图的效果起决定性作用，delta 值太大会使得全景图中有大量多余的0填充部分，太小则扭曲失真，完全达不到拼接的目的。另外在拍摄图像时相机应尽量保持在同一位置，同一水平线上移动，每次取景的位移基本相同则可以得到较好的全景效果。
(3) 各幅图像由于曝光不同在单个图像的拼接边界上存在边缘效应，能明显发现明暗区别，可在图像融合时用 graph cut、multy-band blend等方法得到更好的过渡效果。