所谓"blend",英文解释为“vt. 混合vi. 混合；协调n. 混合；掺合物”这里应该理解为是图像数据的融合。这是“识别->对准->融合”的最后一步。融合是决定拼接质量的关键一步，一方面它决定于图像对准的质量，一方面它本身的也直接对拼接的最终结果负责。
最简单和便于理解的融合为liner，正好借这个例子来说明说明是融合，简单的说，就是在融合的区域……（这个地方引用相关资料）liner在opencv中没有实现，但是本身简单有效，对于要求不是很高的情况可以使用，这里给出函数（再做相关解释）
#pragma region mulitStitch
/*----------------------------
* 功|能 : 多图匹配
*----------------------------
* 函数y : MulitMatch
* 访问 : private
* 返回 : void
*
* 参数y : matinput [in] 全部需要a匹配图的vector
* 参数y : matloc1 [ot] 所有D匹配中D对应|于第一图的结果向量
* 参数y : matloc1 [ot] 所有D匹配中D对应|于第二t图的结果向量
* 参数y : match_method [in] 匹配方法
*/
void MulitMatch(deque<Mat>& matinput,deque<Point>& matloc1,deque<Point>& matloc2, int match_method)
{
Mat img_display1;Mat img_display2;
Point matchLoc1;Point matchLoc2;
for (int i =0;i<matinput.size()-1;i++)
{
//拷贝副本
img_display1 = matinput[i];
img_display2 = matinput[i+1];
//以中D心区域为aroi
// Mat imagetmp (img_display1, Rect(img_display1.rows/2, img_display1.cols/2, 10, 10) );//11:44:02
Mat imagetmp (img_display1, Rect(960,240, 10, 10) );//11:44:02
int result_cols = img_display1.cols - imagetmp.cols + 1;
int result_rows = img_display1.rows - imagetmp.rows + 1;
Mat imagematch;
imagematch.create( result_cols, result_rows, CV_32FC1 );
/// 进行D匹配和标准化
//匹配1
matchTemplate( img_display1, imagetmp, imagematch, match_method );
normalize( imagematch, imagematch, 0, 1, NORM_MINMAX, -1, Mat() );
double minVal; double maxVal;
Point minLoc; Point maxLoc;
minMaxLoc( imagematch, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );
//智能判D断,这a里的matchLoc就是最佳匹配点
if( match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )
{ matchLoc1 = minLoc; }
else
{ matchLoc1 = maxLoc; }
matloc1.push_back(matchLoc1); //加入序列D
//匹配2
matchTemplate( img_display2, imagetmp, imagematch, match_method );
{ matchLoc2 = minLoc; }
{ matchLoc2 = maxLoc; }
matloc2.push_back(matchLoc2); //加入序列D
}
}
* 功|能 : 多图对准
* 函数y : MulitAlign
* 返回 : Mat
Mat MulitAlign(deque<Mat>& matinput,deque<Point>& matloc1,deque<Point>& matloc2)
{
Mat outImage; //待y输出图片
//计算图片大小
int nr = matinput[0].rows;
int nl = matinput[0].cols*matinput[0].channels();
int ioffset = 0;int ioffsetdetail = 0;
//计算offset
for (int i =0;i<matloc1.size()-1;i++)
{
ioffset = ioffset+matloc1[i].y- matloc2[i].y;
}
outImage.create( matinput[0].rows+ioffset, matinput[0].cols, matinput[0].type());
for (int i=0;i<matloc1.size()-1;i++)
if (i == 0)//如果第一弹
{
for (int a=0;a<nr;a++) //第一图
{
const uchar* inData=matinput[0].ptr<uchar>(a);
uchar* outData=outImage.ptr<uchar>(a);
for(int j=0;j<nl;j++)
{
outData[j]=inData[j];
}
}
for (int b=0;b<nr;b++) //第二t图
const uchar* inData=matinput[1].ptr<uchar>(b);
uchar* outData=outImage.ptr<uchar>(b+matloc1[0].y-matloc2[0].y);
for(int j=0;j<nl;j++)
{
outData[j]=inData[j];
}
}
ioffsetdetail += matloc1[0].y-matloc2[0].y;
}
else//如果不是第一弹
for (int b=0;b<nr;b++)
const uchar* inData=matinput[i+1].ptr<uchar>(b);
uchar* outData=outImage.ptr<uchar>(b+ioffsetdetail+matloc1[i].y-matloc2[i].y);
ioffsetdetail += matloc1[i+1].y-matloc2[i].y;
}
return outImage;
* 功|能 : 多图融合
* 函数y : MulitBlend
* 返回 : Mat&
* 参数y : matinput [in] 图片输入序列D
* 参数y : imagesrc [in] 已经-对准的图片
* 参数y : matloc1 [in] 第一图匹配位置
* 参数y : matloc2 [in] 第二t图匹配位置
Mat MulitBlend(deque<Mat>& matinput, const Mat& imagesrc,deque<Point>& matloc1,deque<Point>& matloc2)
imagesrc.copyTo(outImage); //图像拷贝
int ioffsetdetail = 0;
double dblend = 0.0;
dblend = 0.0;
int ioffset = matloc1[i].y - matloc2[i].y;//row的偏移
for (int j = 0;j<100;j++)//这a个地方用i 和 j很不好
{
outImage.row(ioffsetdetail+ioffset+j) = matinput[i].row(ioffset+j)*(1-dblend)+ matinput[i+1].row(j)*(dblend);
dblend = dblend +0.01;
ioffsetdetail += ioffset;
#pragma endregion mulitStitch
在最新版的opencv中(至少在2.4.5之后），提供了mulitband和feather函数。jsxyhelu认为，总体来说，mulitband是目前最好的融合算法，（paper),在（2007）这篇经典的图像拼接论文中得到引用，需要提及的一点是opencv的stitch函数主要就是基于2007这篇论文实现的，它的算法实现的第一篇引用论文就是2007。当然，好的算法可能用起来比较麻烦，简单的算法也有其适合使用的地方。
。。。。。。pipleline
mulitblend的主要思想是小频率事件大空间划分，大频率事件小空间划分，具体内容参考论文。featherblend就是常见的所谓“羽化”，这里主要考虑工程实现。
首先参考image blander函数
detail::Blender
class detail::Blender
Base class for all blenders.
class CV_EXPORTS Blender
public:
virtual ~Blender() {}
enum { NO, FEATHER, MULTI_blend };
static Ptr<Blender> createDefault(int type, bool try_gpu = false);
void prepare(const std::vector<Point> &corners, const std::vector<Size> &sizes);
virtual void prepare(Rect dst_roi);
virtual void feed(const Mat &img, const Mat &mask, Point tl);
virtual void blend(Mat &dst, Mat &dst_mask);
protected:
Mat dst_, dst_mask_;
Rect dst_roi_;
};
在detail空间中存在blender函数，是所有blender的基函数。可以实现的包括feather和multiblend两种方法。
blender = Blender::createDefault(blend_type, try_gpu);是创建函数，两个参数决定了采用哪一种blender方法，和是否采用gpu
detail::Blender::prepare
为blend准备相关数据
C++: void detail::Blender::prepare(const std::vector<Point>& corners, const std::vector<Size>&
sizes)
Parameters
corners – 原始图像文件的左上角点
sizes – 原始文件大小
注意这里的两点都是vector
detail::Blender::feed
处理图像
C++: void detail::Blender::feed(const Mat& img, const Mat& mask, Point tl)
img –原始图像
mask – mask
tl topleft点
注意这里是一张一张处理图像的
detail::Blender::blend
处理blend操作,是最后最后输出操作 ，从blend结构体中返回pano全景图像了
C++: void detail::Blender::blend(Mat& dst, Mat& dst_mask)
dst – Final pano
dst_mask – Final pano mask
detail::MultiBandBlender
class detail::MultiBandBlender : public detail::Blender
Blender which uses multi-band blending algorithm (see [BA83],就是前面提到的那篇论文).
class CV_EXPORTS MultiBandBlender : public Blender
MultiBandBlender(int try_gpu = false, int num_bands = 5);
int numBands() const { return actual_num_bands_; }
void setNumBands(int val) { actual_num_bands_ = val; }
void prepare(Rect dst_roi);
void feed(const Mat &img, const Mat &mask, Point tl);
void blend(Mat &dst, Mat &dst_mask);
private:
/* hidden */
See also:
detail::FeatherBlender
class detail::FeatherBlender : public detail::Blender
Simple blender which mixes images at its borders.
class CV_EXPORTS FeatherBlender : public Blender
FeatherBlender(float sharpness = 0.02f) { setSharpness(sharpness); }
float sharpness() const { return sharpness_; }
void setSharpness(float val) { sharpness_ = val; }
// Creates weight maps for fixed set of source images by their masks and top-left corners.
// Final image can be obtained by simple weighting of the source images.
Rect createWeightMaps(const std::vector<Mat> &masks, const std::vector<Point> &corners,
std::vector<Mat> &weight_maps);
这两个函数在文档中都没有详细的解释。这里进行补充说明。
基于cookbook第9章的estimateH.cpp继续前进
将其cv::Mat image1= cv::imread( "parliament1.bmp",1);
cv::Mat image2= cv::imread( "parliament2.bmp",1);
结果没有问题，拼接的出来了，但是缝合线也非常明显
将不需要的代码注释掉，需要注意的是，书中的代码认为图片是从右向左移动的
//需要a注意a的一点是，原-始文件t的图片是按照从右至左边进行D移动的。
cv::Point* p1 = new cv::Point(image1.cols,1);
cv::Point* p2 = new cv::Point(image1.cols,image2.rows-1);
cv::line(result,*p1,*p2,cv::Scalar(255,255,255),2);
cv::namedWindow( "After warping0");
cv::imshow( "After warping0",result);
画出一条白线，基本标注位置
cv::Mat result;
cv::warpPerspective(image1, // input image
result, // output image
homography, // homography
cv::Size(2*image1.cols,image1.rows)); // size of output image
cv::Mat resultback;
result.copyTo(resultback);
// Copy image 1 on the first half of full image
cv::Mat half(result,cv::Rect(0,0,image2.cols,image2.rows));
image2.copyTo(half);
// Display the warp image
cv::namedWindow( "After warping");
cv::imshow( "After warping",result);
//需要a注意a的一点是，原-始文件t的图片是按照从右至左边进行D移动的。
// cv::Point* p1 = new cv::Point(image1.cols,1);
// cv::Point* p2 = new cv::Point(image1.cols,image2.rows-1);
// cv::line(result,*p1,*p2,cv::Scalar(255,255,255),2);
// cv::namedWindow("After warping0");
// cv::imshow("After warping0",result);
//进行Dliner的融合
result.copyTo(outImage); //图像拷贝
int ioffset =image2.cols-100;//col的初始定位
for (int i = 0;i<100;i++)
{
outImage.col(ioffset+i) = image2.col(ioffset+i)*(1-dblend) + resultback.col(ioffset+i)*dblend;
dblend = dblend +0.01;
需要注意的是这里不是将image1和image2进行融合，而是将原始的result和image进行融合。
由于背景比较单一，而且图片分辨率不是很高，所以这个结果融合的 结果非常不
目前方向：图像拼接融合、图像识别
联系方式：[email protected]