实验目的： 图像拼接的目的是将有衔接重叠的图像拼成一张高分辨率全景图像，它是计算机视觉、图像处理和计算机图形学等多学科的综合应用技术。图像拼接技术是指将对同一场景、不同角度之间存在相互重叠的图像序列进行图像配准，然后再把图像融合成一张包含各图像信息的高清图像的技术。本实验是根据输入的只有旋转的一系列图像序列，经过匹配，融合后生成一张360度的全景图像。 实验步骤： 下图是实验的流程图，实验大体上分为以下几个步骤： ①特征点提取和sift 描述： 角点检测，即通过查看一个小窗口，即可简单的识别角点在角点上，向任何一个方向移动窗口，都会产生灰度的较大变化，21212()Rk，通过R 的值的大小来判断是否为角点。H=22xx yy xyII II II ，1 ，输入图像序列 特征点检测 Sift描述 RANSAC 特征匹配 根据两两匹配求出焦距f 投影到圆柱表面 图像融合 输出图像 2 为矩阵的两个特征值。实验中的SIFT 描述子是对每个角点周围进行4 个区域进行描述，分别是上下左右四个区域，每个方块大小为5*5，然后对每个方块的每个点求其梯度方向。SIFT 方向共有8 个方向，将每个点的梯度方向做统计，最后归为8 个方向中的一个，得到分别得到sift（k,0），sift（k，1）···sift(k,8)， k 为方块序列，0-8 为方向，共有四个方块，所以生成 32 维的向量，然后按幅值大小对这 32 维向量进行排序，并找出最大的作为主方向。 图为角点检测和 sift描述后的图 ②．如果直接根据描述子32维向量进行匹配的话，因为噪声的影响，角点检测的不准确，会导致找出一些错误的匹配对，如何去掉这些错误的匹配呢？RANSAC算法是基于特征的图像配准算法中的典型算法，其优点是：可靠、稳定、精度高，对图像噪声和特征点提取不准确，有强健的承受能力，鲁棒性强，并且具有较好的剔出误匹配点的能力，经常被使用在图像特征匹配中。RANSAC的基础是大多数的点是正确的，然后在这些正确的点的基础上找出模型，算出其他点和这模型的误差，以此来判断此点是不是正确点。实验具体做法：因为实验图像只有水平偏移，所以不需要考虑其他方向，在参考图像中的角点中随机选取一点，然后找到待匹配图像中和它SIFT描述子相近的一点，找到这两点后，求出两点的水平坐标之差。然后依此坐标之差为模型，将其他角点根据此模型找到待匹配图像中的相应点，然后算出角点和此点的SSD值，如果距离小于某个阈值内满足的...
