圖像配準
圖像配準是将兩張場景相關的圖像進行映射，尋找其中的關系，多用在醫學圖像配準、圖像拼接、不同錄影機的幾何标定等方面，其研究也較為成熟。OpenCv中的stitching類就是使用了2007年的一篇論文（Automatic panoramic image stitching using invariant features）實作的。雖然圖像配準已較為成熟，但其實其精度、魯棒性等在某些場合仍不足夠，如光線差異很大的兩張圖檔、拍攝角度差異很大的圖檔等。2013年，Julio Zaragoza等人發表了一種新的圖像配準算法Apap（As-Projective-As-Possible Image Stitching with Moving DLT），該算法的效果還是不錯的，比opencv自帶的auto-stitch效果要好。而2015年也有一篇cvpr是介紹圖像配準（Non-rigid Registration of Images with Geometric and Photometric Deformation by Using Local Affine Fourier-Moment Matching），其效果貌似很牛，但沒有源碼，難以檢驗。本文簡單介紹Apap。
Apap
項目位址：http://cs.adelaide.edu.au/~jzaragoza/doku.php?id=mdlt
下面簡單介紹Apap的實作流程：
- 提取兩張圖檔的sift特征點
- 對兩張圖檔的特征點進行比對，比對的過程引用了論文（Distinctive Image Features from Scale-Invariant Keypoints）
- 比對後，仍有很多錯誤點，此時使用論文（Accelerated Hypothesis Generation for Multi-Structure Robust Fitting）提到的RANSAC的改進算法進行特征點對的篩選。篩選後的特征點基本能夠一一對應。
- 使用DLT算法（Multiple View Geometry p92提到），将剩下的特征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于全局特征點對進行的，即一個剛性的單應性矩陣完成配準。為提高配準的精度，Apap将圖像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。
實驗效果
兩張原圖：
特征提取和比對：
紅點為改進RANSAC篩選的錯誤點，綠線為正确點，能看出所有連線一一對應，并沒有明顯的錯誤特征對。
剛性配準：
Moving_DLT配準：
結論
Apap雖然能夠較好地完成配準，但非常依賴于特征點對。若圖像高頻資訊較少，特征點對過少，配準将完全失效，并且對大尺度的圖像進行配準，其效果也不是很好，一切都決定于特征點對的數量。