Image Stitching 即图像拼接，将若干个独立拍摄的图像通过一定的算法合成为一幅完整的大视场角图像。

图像拼接的两个关键步骤是配准(registration)和融合(blending)。配准的目的是根据几何运动模型将图像注册到同一个坐标系中；融合则是将配准后的图像合成为一张大的拼接图像。

在多幅图像配准的过程中，采用的几何运动模型主要有：平移模型、相似性模型、仿射模型和透视模型。

图像融合技术一般可分为非多分辨率技术和多分辨率技术两类。在非多分辨率技术中主要有平均值法、帽子函数法、加权平均法和中值滤波法等。多分辨率技术主要有高斯金字塔、拉普拉斯金字塔、对比度金字塔，梯度金字塔和小波等。

下图总结了图像中常见的几何畸变形态。

在拍摄建筑物时，如果镜头光轴与水平线存在较大倾角，则画面的透视畸变（Perspective Distortion）会比较明显，表现为画面两侧的建筑物是倾斜的，与人的记忆认知不符。

下图是图像拼接算法的一般流程，大致分为配准（registration）和合成（compositing）两个主要过程。其中配准过程主要涉及特征提取、特征匹配、参数粗估计、参数优化等步骤。而合成过程主要包括图像曝光分析、曝光补偿、生产掩膜、图像融合等步骤。

为了支持图像拼接，相邻两张图像应存在一定的重合部分，一般建议重叠100~500个像素左右，拼接算法会根据重合部分提取两幅图像的相对位置坐标。

常用的提取算法是SIFT（Scale-invariant feature transform），这是一种局部特征描述算子，具有尺度不变性特点，可在图像中检测出关键点。

下图中黄圈所示的是SIFT算子检测到的特征点。

一般来说图像中的特征点会有很多，可能有几千甚至几万个，因此存在大量冗余，实际上只需要筛选出128个特征点就可以满足要求了。

初步筛选出的特定点可能存在错误，因此有必要使用RANSAC之类的算法对检测出的特征点进行处理，以排除离群的特征点（outliers）。

RANSAC 算法的基本思路是随机选取一部分特征匹配坐标计算出一个透视矩阵，用这个透视矩阵把所有的匹配点都测试一遍，若匹配度达标则使用该透视矩阵，否则再采用其他特征匹配坐标。该方法的缺点是当匹配点的数量多时运行速度会比较慢。

根据特征点匹配结果可以计算出两幅图像的相对偏移矢量，对偏移矢量进行补偿即初步显示了图像拼接功能。

因为相机和光照强度的差异，会造成一幅图像内部以及图像之间亮度的不均匀，拼接后的图像会出现明暗边界，影响图像质量。

亮度与颜色均衡的常用方法是通过相机的光照模型校正一幅图像内部的光照不均匀性，然后通过相邻两幅图像重叠区域之间的关系建立相邻两幅图像之间直方图映射表，通过映射表对两幅图像做整体的映射变换，最终达到整体的亮度和颜色的一致性。