图像配准的应用实例,图像配准代码
图像配准图像配准是对两幅场景相关的图像进行映射并寻找其关系，多用于医学图像配准、图像拼接、不同摄像机的几何标定等，其研究也较为成熟。 OpenCv的stitching类是使用2007年的论文《automaticpanoramicimagestitchingusinginvariantfeatures》实现的。 虽然图像配准已经成熟，但实际上诸如光线差异较大的两幅图像、拍摄角度差异较大的图像等精度、鲁棒性等还不够。 2013年，Julio Zaragoza等人发表了新的图像配准算法apap (as-projective-as-possibleimagestitchingwithmovingdlt )。 该算法的效果优于opencv拥有的auto，在2015年，该算法将应用于图像配准(non-rigidregistrationofimageswithgeometricandphotometricdeformationbbon
Apap项目地址： http://cs.adelaide.edu.au/~ jzaragoza/doku.PHP？ id=mdlt
简单说明Apap的实现过程。
提取两幅图像的sift特征点并匹配两幅图像的特征点。 匹配的过程在引用论文(distinctiveimagefeaturesfromscale-invariantkeypoints )进行匹配后，仍然存在许多误区。 此时，利用论文(acceleratedhypothesisgenerationformulti-structurerobustfitting )中所述的RANSAC的改良算法进行特征点对的筛选。 筛选后的特征点基本上可以一一对应。 使用DLT算法(在Multiple View Geometry p92中提及)对剩馀的特征点对进行透视变换矩阵估计。 由于得到的透视变换矩阵基于一对全局特征点进行，刚性单应性矩阵完成配准。 为了提高配准精度，Apap将图像切成无数个小方块，逐个估计每个方块的变换矩阵。 实验效果2张原图：
特征提取和匹配：
可见，红点为改善RANSAC筛查的误区，绿线是正确的点位，所有连接一一对应，无明显失误特征。
刚性配准：
Moving_DLT对齐：
结论Apap能很好地进行配准，但非常依赖于特征点对。 当图像高频信息少、特征点对过少时，准将无法完全发挥作用，而且对大尺度图像进行配准也不够有效，一切都由特征点对的数量决定。