高分辨率拼接案例分析【基础算法】-526互联

一、案例来源

本例项目来源于群里面网友提问“在流水线上采集到的图片，相互之间位移基本确定，需要进行进一步精细拼接”

希望得到的结果。

具体而言，这是一块大型服务器板子，会走点拍100张图【特定设备】，每张图有部分重合，算下来应该七百多宽度重合，图像大小为5000多。难点是重合的全是cpu socket pin，全部长一个样子。

二、算法研究

如果是有定位点的图片，我们当然会优先考虑采用“特征定位”的方式，但是难点在于这里重合的部分基本长的都一样。这种情况下，我们经过讨论，得出了采用“相位变换”的方法来解决“配准”问题。

算法参考：

 Mat src1 = cv::imread("e:/template/pcb/1.bmp");
    Mat src2 = cv::imread("e:/template/pcb/2.bmp");
    Mat gray1; Mat gray2;
    Mat dst1; Mat dst2;
    cvtColor(src1, gray1, COLOR_BGR2GRAY);     //转换为灰度图像
    gray1.convertTo(dst1, CV_32FC1);       //转换为32位浮点型
    cvtColor(src2, gray2, COLOR_BGR2GRAY);
    gray2.convertTo(dst2, CV_32FC1);
    Mat roi1; Mat roi2;
    roi1 = dst1(Rect(dst1.cols - 700, 0, 700, dst1.rows));
    roi2 = dst2(Rect(0, 0, 700, dst2.rows));
    //TODO 主动选取ROI 区域
    //获得相位差距
    Point2d phase_shift;
    phase_shift = phaseCorrelate(roi1, roi2);
    cout << endl << "warp :" << endl << "\tX shift : " << phase_shift.x << "\tY shift : " << phase_shift.y << endl;
    //图片对准
    Mat result(cv::Size(src1.cols + src2.cols, src1.rows + 200), CV_8UC3, Scalar::all(0));
    Mat leftHalf(cv::Size(src1.cols, src1.rows + 200), CV_8UC3, Scalar::all(0));
    Mat rightHalf(cv::Size(src2.cols, src2.rows + 200), CV_8UC3, Scalar::all(0));
    Mat copy1 = result(Rect(0, 100, src1.cols, src1.rows));
    src1.copyTo(copy1);
    copy1 = leftHalf(Rect(0, 100, src1.cols, src1.rows));
    src1.copyTo(copy1);
    Mat copy2 = result(Rect(src1.cols - 700- phase_shift.x, 100-phase_shift.y, src2.cols, src2.rows));
    src2.copyTo(copy2);
    copy2 = rightHalf(Rect(0, 100 - phase_shift.y, src2.cols, src2.rows));
    src2.copyTo(copy2);
    //绘制融合线
    //cv::line(result, cv::Point(src1.cols - 700 - phase_shift.x, 0), cv::Point(src1.cols - 700 - phase_shift.x, result.cols), cv::Scalar(0, 0, 255));
    //cv::line(result, cv::Point(src1.cols - 700 - phase_shift.x-50, 0), cv::Point(src1.cols - 700 - phase_shift.x-50, result.cols), cv::Scalar(0, 0, 255));
    //cv::line(result, cv::Point(src1.cols - 700 - phase_shift.x+50, 0), cv::Point(src1.cols - 700 - phase_shift.x+50, result.cols), cv::Scalar(0, 0, 255));
    //图像融合
    leftHalf.convertTo(leftHalf, CV_32FC3, 1.0 / 255);
    rightHalf.convertTo(rightHalf, CV_32FC3, 1.0 / 255);
    result.convertTo(result, CV_32FC3, 1.0 / 255);
    double dblend = 0.0;
    int istart = src1.cols - 700 - phase_shift.x ;//col的初始定位 
    for (int i = 0; i < 100; i++)
    {
        //使用col,必须保证row是一样的
        result.col(istart + i) = leftHalf.col(istart + i)*(1-dblend)+ rightHalf.col(i)*dblend;
        dblend = dblend + 0.01;
    }
    result.convertTo(result, CV_8UC3, 255);
    imwrite("e:/template/pcb/result.jpg", result);
    cv::waitKey(0);

在这种情况下，基本上能够得到这样的结果：

Mat result(cv::Size(src1.cols + src2.cols, src1.rows + 200), CV_8UC3, Scalar::all(0));
    Mat leftHalf(cv::Size(src1.cols, src1.rows + 200), CV_8UC3, Scalar::all(0));
    Mat rightHalf(cv::Size(src2.cols, src2.rows + 200), CV_8UC3, Scalar::all(0));
    Mat copy1 = result(Rect(0, 100, src1.cols, src1.rows));
    src1.copyTo(copy1);
    copy1 = leftHalf(Rect(0, 100, src1.cols, src1.rows));
    src1.copyTo(copy1);
    Mat copy2 = result(Rect(src1.cols - 700- phase_shift.x, 100-phase_shift.y, src2.cols, src2.rows));
    src2.copyTo(copy2);
    copy2 = rightHalf(Rect(0, 100 - phase_shift.y, src2.cols, src2.rows));
    src2.copyTo(copy2);

从细节来看，已经对准，只是融合的问题。准确地找到融合线是成功融合的前提条件。

//绘制融合线
    cv::line(result, cv::Point(src1.cols - 700 - phase_shift.x, 0), cv::Point(src1.cols - 700 - phase_shift.x, result.cols), cv::Scalar(0, 0, 255));

基于lineblender算法进行融合，算法原理是非常简单的，但是如果想正确的实现，需要清晰的思路。

//图像融合
    leftHalf.convertTo(leftHalf, CV_32FC3, 1.0 / 255);
    rightHalf.convertTo(rightHalf, CV_32FC3, 1.0 / 255);
    result.convertTo(result, CV_32FC3, 1.0 / 255);
double dblend = 0.0;
int istart = src1.cols - 700 - phase_shift.x ;//col的初始定位
for (int i = 0; i < 100; i++)
    {
//使用col,必须保证row是一样的
        result.col(istart + i) = leftHalf.col(istart + i)*(1-dblend)+ rightHalf.col(i)*dblend;
        dblend = dblend + 0.01;
    }

能够得到较好的效果。

三、扩展分析

1、在融合结果的中心区域，能够获得较好的结果：

这里的融合，几乎看不错错误。但是在边缘的部分，则错误比较明显：

出现这个错误的原因，并不是原始图片发生了偏转，而是图片在采集的时候发生了“镜像失真”。在图像处理之前，首先要进行更为细致的标定，这应该也是工业化必须的步骤。

2、多图片批量拼接。

比如之前遇到过的显微镜问题：

虽然其原理可以简介本例算法，但是在涉及到“横向”“竖向”拼接的时候，算法的复杂度将指数级上升，写出更有弹性的代码、处理大像素的图片，都是非常考验能力的。

四、项目小结

总的来说，这里提出了一种关于行业模式下拼接的新方法，是有效的，值得在实际的项目中继续研究。而如果能够指导获得高质量的原始图片，也是非常有价值的。