图像拼接笔记

两幅静态图片，有共同的像素或特征，就可以执行拼接。相对于其中运动的物体或微小的差异，背景部分往往比例更多，这些健壮的特征使得特征精确的被定位。以下为一些说明：

特征点匹配与提取

1. 图像特征点应该足够多可检测、特征点应各不相同和稳定。

2. SURF（Speeded Up Robust Feature，加速稳健特征）速度更快，

   SIFT（Scale Invariant Feature Transform，尺度不变特征变换）速度慢但更准确。

   ORB（ORiented Brief 简称）分别快前面两种10倍和100倍，但不具备尺度不变形。

   FAST（Features from Accelerated Segment Test，加速分割测试获得特征?），提取特征点，速度很快。

   Harris，用于检测角点。

   HOG，Harr，LBP。

3. 选择优秀特征点时，距离比在0.4~0.6较好，较少更精准，较大匹配点更多。
4. 特征提取可以分为特征点选择和特征点特征描述。

图像配准

根据特征点求得变换矩阵（opencv findHomography函数，返回矩阵；而getPerspectiveTransform函数获得透视变换矩阵，只用4个点），或许用到RANSAC筛选更可靠的匹配点。

将目的图片进行拷贝拼接。

图像融合

如上图，在中心边界处过度不自然（裂缝），需要按照权值相加融合成新的图像。可以使用重叠部分，逐列递增计算融合比例。这种情况，运动物体会出现诡影。融合形如代码：

for i in range(left, img.shape[1]):
    alpha = (i - left) / process_width
    output[:,i] = (img[:,i] * (1 - alpha) + frame[:,i - left] * alpha).astype(np.uint8)