Если изображения перекрываются на значительную величину, а алгоритм сшивания выполняет очень хорошую работу по регистрации области перекрытия, очень простым решением было бы смешать значения пикселей из двух изображений вместе в области перекрытия, используявзвешенное среднее с весами, идущими от 0 до 1, в зависимости от расстояния от края области перекрытия.
blendedPixel = (imageApixel * weightA) + (imageBpixel * weightB)
, где weightA приближается к 1, когда мы приближаемся к стороне imageA области перекрытия, weightB приближается1, когда мы приближаемся к стороне imageB области перекрытия, и сумма weightA и weightB всегда равна 1.
Приведенное выше решение не особенно принципиально и зависит от очень хорошего алгоритма сшиваниязадание регистрации изображения в области перекрытия.
Другим, более принципиальным решением проблемы было бы удаление источника разности интенсивности, пытаясь гомогенизировать отклик пикселей по плоскости изображения.
Форма этого золяЭта функция будет зависеть от источника разности интенсивности, который будет зависеть от оптики и условий освещения сцены.
Например, при работе с фотографиями наружных сцен, снятыми в одно и то же время из того же места, затемдоминирующим эффектом, вероятно, будут эффекты «виньетирования», которые могут быть вызваны множеством различных причин, включая различия между различными путями, проходящими светом через оптику камеры.
В качестве другого примера при работе с фотографиямиПри использовании микроскопа образца, освещенного под косым углом, доминирующий эффект, вероятно, будет обусловлен разницей в освещенности между теми частями изображения, которые находятся ближе к свету, и теми, которые находятся далеко.
Виньетирование обычно проявляетсякак радиально-симметричная функция, центрированная вокруг проекции оптической оси линзы на плоскость изображения.Для исправления виньетирования следует попытаться установить подходящую радиально-симметричную функцию.
Изменения освещения могут принимать различные функциональные формы, но во многих случаях достаточно простого линейного приближения.
В зависимости отсцены, а также количества и изменчивости имеющихся изображений, вам может потребоваться сделать калибровочные изображения для правильного соответствия этим функциям.
Приведенные выше подходы делают предположения о функциональных формах источников различий в интенсивности., но не о сцене или ее статистике.
Еще один подход может заключаться в том, чтобы сделать некоторые предположения о сцене, например, что вся значимая информация представлена пространственными частотами выше некоторого порога.Затем вы можете удалить все компоненты пространственной частоты низкой интенсивности изображения.Это «сгладит» изображение, устраняя большую часть проблем с виньетированием на низких частотах и освещением.
Этот подход может быть применим к микроскопическим изображениям, спутниковым изображениям или изображениям других сцен, в которых наибольший интерес представляют детали, а не драма композиции.
ТамЕсть целый ряд документов, посвященных этой проблеме, многие из которых на уровне технической сложности, а не только вышеупомянутого обсуждения.Например, см. D Goldman, «Калибровка и компенсация виньетки и экспозиции», IEEE Trans Pattern Analysis и Machine Intelligence , том 32, № 12, pp2276-2288