基于SIFT算法的全景拼接
前言
什么是全景拼接？简单来说就是将两幅或多幅具有重叠区域的图像，合并成一张大图
如图所示，7张不同的图像最后拼接成一幅大图，那么问题很明显，如何拼接呢？
1.单应性变换
如果是最简单图像拼接，很明显，我们只需要对其进行平移，将重叠区域叠加，很轻松的就能得到一幅拼接图像。但实际上两幅图像之间有很多种关系，包括但不限于平移，旋转，尺度变换，仿射，透视映射，桶状映射等等。
左边的图像由右边两幅图像拼接而成，很明显，右边两幅图像之间不仅有平移，还有旋转，还有拉伸等等，我们将右边的两幅图像转换成我们想要的平面图像，这个过程就是单应性变换。
上面这个表格显示了不同变换方式所带的未知参数个数，我们以平移为例子，两幅具有平移关系的图像，我们如何拼接呢？
如图所示，两幅图像之间的映射关系如何得到呢，很明显，理论上来说如果匹配的特征点完全正确，我们只需要一个匹配对就可以得到映射关系，比如这对匹配对为（25,25）和（50,50），那么右图先与左图重叠，再将右图往左移动25像素点，然后再向下移动25个像素点，就可以将两幅图像拼接了。
当然，完全正确的匹配点一般只存在于理论当中，所以我们需要一个误差函数来判断每个映射关系的好坏，通过这个误差函数来选择最合适的映射关系。而这个误差函数采用的方法就是我们熟悉的最小二乘法。这里就不对最小二乘法展开讲了，有兴趣的可以自行百度搜索，很多大佬讲的都很清晰。
而对于单应性变换，我们有以下公式
很显然，8个位置参数，我们需要4个匹配特征才能得出一种映射关系，如果将每种可能性都进行计算，所需要的资源量是非常巨大的，所以我们使用RANSAC（RAndom SAmple Consensus）算法来对其进行优化求解。
