如何拼接重疊面積小且用廣角鏡頭拍攝的影像？

我有一個帶有廣角鏡頭的固定攝像機和一個移動物體的系統。當物體以恒定的速度移動時，我捕捉到了間隔為10毫米、像素為2064x40的影像。此外，我還捕獲了2048x40的影像，但沒有恒定速度。我想把這些捕捉到的影像進行拼接。

首先，我參照鏈接嘗試了OpenCV的拼接方法。然而，我得到了錯誤代碼1，我了解到兩個影像之間沒有足夠的重疊區域來縫合。

之后，我想我可以嘗試將恒速物體的影像連接起來。我使用了下面的代碼，我把13px作為移動引數。

我所嘗試的代碼：

輸出影像：

10mm資料集的結果

對問題的進一步觀察

在上述結果中，過渡并不平滑，我試圖通過使用混合和不失真方法來修復過渡，但我并不成功。

另一方面，我假設物體的速度是恒定的，但不幸的是，在實際情況中并不是這樣。當物體有加速度時，影像的某些部分可能被拉長或縮短。

誰能告訴我們任何方法或研究嗎？ 我還分享了一部分10mm間隔的資料集。

uj5u.com熱心網友回復：

這里是一個有點 "形態豐富 "的解決方案：

稀釋邊緣

稀釋邊緣（以提高漸變的靈活性）

-重建完整的影像。

使用RGB影像和存盤的偏移量重建完整的影像

#include <stdio.h>/span>
#include <opencv2/opencv.hpp>
#include <Windows.h>
#include <string>

using namespace cv;

double imDiff(Mat mat1, Mat mat2)
{
    double sumSquares = 0;
    Mat channels1[3], channels2[3] 。
    cv::split(mat1, channels1);
    cv::split(mat2, channels2)。
    Mat dif1 = channels1[0] - channels2[0] 。
    Mat dif2 = channels1[1] - channels2[1] 。
    Mat dif3 = channels1[2] - channels2[2] 。
    dif1.mul(dif1)。
    dif2.mul(dif2);
    dif3.mul(dif3)。
    sumSquares = cv::sum（dif1）[0]   cv:: sum(dif2)[0]   cv::sum(dif3) [0] 。
    return sumSquares。
}

Mat autoCanny(Mat image)
{
    Mat edged;
    cv::Canny(image, edged,75,125) 。
    墊子模糊了。

    int dilation_size = 1;
    Mat element = cv::getStructuringElement(MORPH_CROSS,
        Size(2 * dilation_size   1, 2 * dilation_size   1) 。
        Point(dilation_size, dilation_size))。

    cv::dilate(edged, blurred, element,cv::Point(-1,-1), 2)。
    //cv::GaussianBlur(edged, blurred, cv::Size(5, 5), 0) 。
    return blurred。
}

int main(int argc, char** argv)
{
    int compareHeight = 25;
    int compareWidth = 350;

    std::vector<int> offsets = std::vector<int>（）。

    矩陣影像。
    bool firstLoop = true;
    for (int i = 140; i > =53; i--) //140; i >=53; i--
    {
        std::string fileName = "C:/Users/thoma/Downloads/stitching-main/stitching-main/dataset_10mm/" std::to_string(i)   " .bmp"。
        Mat tempImage = imread(fileName, 1)。
        tempImage = autoCanny(tempImage);
        //std::cout << "imsize: " << tempImage.rows << std::endl;
        if (firstLoop) { image = tempImage; firstLoop = false; }
        else（firstLoop） { image = tempImage; firstLoop = false; } 
        {
            double lowestNorm = -1;
            int index = -1;
            Mat refSlice = image(Rect(image.cols/2-compareWidth, image.rows- compareHeight, 2*compareWidth, compareHeight) )。
            for (int ii = 0; ii < tempImage.rows- compareHeight; ii  )
            {
                Mat testSlice = tempImage(Rect(tempImage.cols/2-compareWidth, ii, 2*compareWidth, compareHeight) )。
                //double tempNorm = cv::norm(refSlice, testSlice);
                double tempNorm = imDiff(refSlice, testSlice);
                //std::cout << "norm: " << tempNorm << std::endl;
                //std::cout << "cust: " << imDiff(refSlice, testSlice) << std::endl;
                if ( lowestNorm == -1)
                {
                    lowestNorm = tempNorm;
                    index = ii;
                }
                else if (tempNorm < lowestNorm)
                {
                    lowestNorm = tempNorm;
                    index = ii;
                }
            }
            index  = compareHeight;
            std::cout << tempImage.rows - index << std::endl;
            if (tempImage.rows - index < 1) { std::cout << "skipped" < std::endl; continue; }

            //index = 32;
            offsets.push_back(index);
            
            Mat crop_img = tempImage(Rect(0, index, tempImage.cols, tempImage.rows-index)) 。
            vconcat(image, crop_img, image)。
        }
    }

    namedWindow("Display Image", WINDOW_AUTOSIZE) 。
    imshow("Display Image", image)。

    waitKey(0)。



    firstLoop = true;
    int offsetIndex = 0;
    for (int i = 140; i >=53; i--) //140; i >=53; i--
    {
        std::string fileName = "C:/Users/thoma/Downloads/stitching-main/stitching-main/dataset_10mm/"   std::to_string(i)   ".bmp"。
        Mat tempImage = imread(fileName, 1)。

        if (firstLoop) { image = tempImage; firstLoop = false; }
        else (firstLoop) { images = tempImage; firstLoop = false; }
        {
            Mat crop_img = tempImage(Rect(0, offsets[offsetIndex], tempImage.cols, tempImage.rows - offsets[offsetIndex])。
            vconcat(image, crop_img, image);
            offsetIndex  ;
        }
    }


    namedWindow("顯示影像", WINDOW_AUTOSIZE)。
    imshow("Display Image", image)。

    waitKey(0)。
    system("pause")。
    return 0;

結果圖片。 https://imgur.com/9dEXonn

注意。 這個方法使用圖片的中心條紋。 在影像上似乎仍有非微不足道的失真，向邊緣增加，所以這個方法試圖忽略這一點。 這種方法容易受到缺乏水平邊緣的影響（很確定大多數縫合方法都會如此）。 這個策略（正如我所寫的那樣）有很多 "神奇的變數"，也就是說，如果你打算部署這段代碼或以自動化的方式運行它，你會希望撥入或自動化。

uj5u.com熱心網友回復：

你目前的解決方案對我來說似乎非常接近。 你是否嘗試過使用min diff來清理合并前的最后一點排列？ 基本上創建某種形式的值函式（可以是逐個像素的顏色距離的總和）。你可以將這個值函式應用于影像中的一條線、幾條線或隨機散布的點。 但是，在與第二張影像進行比較時，要按單個像素逐步進行。

這里有一些代碼（抱歉，是用C 撰寫的），演示了這個的簡單實作（注意，這只是為了以可變的速度對齊，對于需要模糊的硬邊緣的修正沒有任何作用）：

在你的例子集上運行上述代碼。 https://imgur.com/EYvJT8I

關于你的資料集的一些補充說明。 我注意到仍然有一些扭曲，所以通過對影像的特定條帶進行這種擬合，你可以對一些特征比其他特征更有利。 另外，我在每次計算時使用2行，以試圖防止走樣，你可以使用更多或更少。 最后，將影像的前幾行剪掉可能會有幫助，因為在影像的邊緣似乎有一些可變的照明。 我以后可能會花更多的時間來研究這個問題，但這是我現在對你目前的資料集的看法。

標籤：

上一篇：在谷歌網站上添加有動態資料的地圖

下一篇：SwiftTableView的內容在重新加載時消失和閃爍