㈠ ps裡面自動圖像拼接用的是什麼演算法
adobe photoshop cc 2015.5拼接圖像方法是：
1、打開PS，新建適當大小白色背景文件；
2、文件-打開-選擇要拼接的圖片，ctrl+t調整圖片大小、位置；
3、繼續打開圖片，拖進來，調整大小位置，直至布滿這張畫布，合並圖層，完成。
㈡ 數字圖像的拼接演算法技術研究 也是基於matlab的，要把2副圖合成一幅圖的那種演算法，有提供程序要有圖的
im2=imread(file1);%假定兩圖像大小完全一致
im1=imread(file2);%假定兩圖像大小完全一致
a=size(im1);
im=im1;
im(a(1)+1:2*a(1),:,:)=im2;
imshow(im)
㈢ 圖像拼接技術的圖像拼接的基本流程圖
相鄰圖像的配准及拼接是全景圖生成技術的關鍵,有關圖像配准技術的研究至今已有很長的歷史,其主要的方法有以下兩種:基於兩幅圖像的亮度差最小的方法和基於特徵的方法。其中使用較多的是基於特徵模板匹配特徵點的拼接方法。該方法允許待拼接的圖像有一定的傾斜和變形,克服了獲取圖像時軸心必須一致的問題,同時允許相鄰圖像之間有一定色差。全景圖的拼接主要包括以下4個步驟：圖像的預拼接,即確定兩幅相鄰圖像重合的較精確位置,為特徵點的搜索奠定基礎。特徵點的提取,即在基本重合位置確定後,找到待匹配的特徵點。圖像矩陣變換及拼接,即根據匹配點建立圖像的變換矩陣並實現圖像的拼接。最後是圖像的平滑處理。
㈣ 在圖像處理中有哪些演算法
1、圖像變換：
由於圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。採用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散餘弦變換等間接處理技術，將空間域的處理轉換為變換域處理，可減少計算量，獲得更有效的處理。它在圖像處理中也有著廣泛而有效的應用。
2、圖像編碼壓縮：
圖像編碼壓縮技術可減少描述圖像的數據量，以便節省圖像傳輸、處理時間和減少所佔用的存儲器容量。
壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。
編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。
3、圖像增強和復原：
圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。
圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯；如強化低頻分量可減少圖像中雜訊影響。
4、圖像分割：
圖像分割是數字圖像處理中的關鍵技術之一。
圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。
5、圖像描述：
圖像描述是圖像識別和理解的必要前提。
一般圖像的描述方法採用二維形狀描述，它有邊界描述和區域描述兩類方法。對於特殊的紋理圖像可採用二維紋理特徵描述。
6、圖像分類：
圖像分類屬於模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）後，進行圖像分割和特徵提取，從而進行判決分類。
圖像分類常採用經典的模式識別方法，有統計模式分類和句法模式分類。
(4)圖像拼接都有哪些演算法擴展閱讀：
圖像處理主要應用在攝影及印刷、衛星圖像處理、醫學圖像處理、面孔識別、特徵識別、顯微圖像處理和汽車障礙識別等。
數字圖像處理技術源於20世紀20年代，當時通過海底電纜從英國倫敦到美國紐約傳輸了一幅照片，採用了數字壓縮技術。
數字圖像處理技術可以幫助人們更客觀、准確地認識世界，人的視覺系統可以幫助人類從外界獲取3/4以上的信息，而圖像、圖形又是所有視覺信息的載體，盡管人眼的鑒別力很高，可以識別上千種顏色，
但很多情況下，圖像對於人眼來說是模糊的甚至是不可見的，通過圖象增強技術，可以使模糊甚至不可見的圖像變得清晰明亮。
㈤ 圖像處理演算法問題~~~~分割與拼接
只能給你點提示。以2值化演算法為中心取要分割的部分，再把被分割圖片變成二維數組或一維數組，替換到被加圖片的數組值上就可以了。演算法挺容易的，就是麻煩點，呵呵。
㈥ android 全景圖像拼接演算法哪種方案最好
首先介紹一下流程：
1.選圖，兩張圖的重疊區域不能太小，我個人認為最少不少於15%，這樣才能保證有足夠的角點匹配。
2.角點檢測。這一步OpenCV提供了很多種方法，譬如Harris角點檢測，而監測出的角點用CvSeq存儲，這是一個雙向鏈表。
3.角點提純。在提純的時候，需要使用RANSAC提純。OpenCV自帶了一個函數，FindHomography，不但可以提純，還可以計算出3x3的轉換矩陣。這個轉換矩陣十分重要。
4.角點匹配。經過提純後的角點，則需要匹配。
5.圖像變換。這一步我曾經嘗試過很多辦法，最後選擇了FindHomography輸出的變換矩陣，這是一個透視變換矩陣。經過這個透視變換後的圖像，可以直接拿來做拼接。
6.圖象拼接。完成上面步驟之後，其實這一步很容易。
7.球面變換。這一步需要對坐標系進行轉換，從平面坐標到球面坐標。
㈦ 圖像處理的演算法有哪些
圖像處理基本演算法操作從處理對象的多少可以有如下劃分：
一）點運算：處理點單元信息的運算
二）群運算：處理群單元 （若干個相鄰點的集合）的運算
1.二值化操作
圖像二值化是圖像處理中十分常見且重要的操作，它是將灰度圖像轉換為二值圖像或灰度圖像的過程。二值化操作有很多種，例如一般二值化、翻轉二值化、截斷二值化、置零二值化、置零翻轉二值化。
2.直方圖處理
直方圖是圖像處理中另一重要處理過程，它反映圖像中不同像素值的統計信息。從這句話我們可以了解到直方圖信息僅反映灰度統計信息，與像素具體位置沒有關系。這一重要特性在許多識別類演算法中直方圖處理起到關鍵作用。
3.模板卷積運算
模板運算是圖像處理中使用頻率相當高的一種運算，很多操作可以歸結為模板運算，例如平滑處理，濾波處理以及邊緣特徵提取處理等。這里需要說明的是模板運算所使用的模板通常說來就是NXN的矩陣（N一般為奇數如3,5,7,...），如果這個矩陣是對稱矩陣那麼這個模板也稱為卷積模板，如果不對稱則是一般的運算模板。我們通常使用的模板一般都是卷積模板。如邊緣提取中的Sobel運算元模板。
㈧ 高分跪求圖像拼接MATLAB源代碼，基於特徵點，演算法任意
般圖像拼接分為：特徵點提取、特徵點匹配、求解投影矩陣、拼接。
每一步都有比較經典的演算法，就特徵點提取、特徵點匹配而言，比較經典的有SIFT演算法
matlab中文論壇 搜索 「求高手幫忙簡單調試一下圖像拼接的matlab源程序！！
這個圖像拼接的程序是基於特徵點提取的，用的是SIFT演算法，現在已經可以運行到特徵點的提取和匹配，只是到了RANSAC這一步有點問題，但我不懂，相信你舉手之勞就可以幫到我。跪求…… 」
沒法發鏈接地址 你懂的
㈨ 數字圖像處理的基本演算法及要解決的主要問題
圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。圖像處理是信號處理在圖像域上的一個應用。目前大多數的圖像是以數字形式存儲，因而圖像處理很多情況下指數字圖像處理。此外，基於光學理論的處理方法依然佔有重要的地位。
圖像處理是信號處理的子類，另外與計算機科學、人工智慧等領域也有密切的關系。
傳統的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。然而，圖像屬於二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。
目錄
[隱藏]
* 1 解決方案
* 2 常用的信號處理技術
o 2.1 從一維信號處理擴展來的技術和概念
o 2.2 專用於二維（或更高維）的技術和概念
* 3 典型問題
* 4 應用
* 5 相關相近領域
* 6 參見
[編輯] 解決方案
幾十年前，圖像處理大多數由光學設備在模擬模式下進行。由於這些光學方法本身所具有的並行特性，至今他們仍然在很多應用領域佔有核心地位，例如 全息攝影。但是由於計算機速度的大幅度提高，這些技術正在迅速的被數字圖像處理方法所替代。
從通常意義上講，數字圖像處理技術更加普適、可靠和准確。比起模擬方法，它們也更容易實現。專用的硬體被用於數字圖像處理，例如，基於流水線的計算機體系結構在這方面取得了巨大的商業成功。今天，硬體解決方案被廣泛的用於視頻處理系統，但商業化的圖像處理任務基本上仍以軟體形式實現，運行在通用個人電腦上。
[編輯] 常用的信號處理技術
大多數用於一維信號處理的概念都有其在二維圖像信號領域的延伸，它們中的一部分在二維情形下變得十分復雜。同時圖像處理也具有自身一些新的概念，例如，連通性、旋轉不變性，等等。這些概念僅對二維或更高維的情況下才有非平凡的意義。
圖像處理中常用到快速傅立葉變換，因為它可以減小數據處理量和處理時間。
[編輯] 從一維信號處理擴展來的技術和概念
* 解析度(Image resolution|Resolution)
* 動態范圍(Dynamic range)
* 帶寬(Bandwidth)
* 濾波器設計(Filter (signal processing)|Filtering)
* 微分運算元(Differential operators)
* 邊緣檢測(Edge detection)
* Domain molation
* 降噪(Noise rection)
[編輯] 專用於二維（或更高維）的技術和概念
* 連通性(Connectedness|Connectivity)
* 旋轉不變性(Rotational invariance)
[編輯] 典型問題
* 幾何變換（geometric transformations）：包括放大、縮小、旋轉等。
* 顏色處理（color）：顏色空間的轉化、亮度以及對比度的調節、顏色修正等。
* 圖像合成（image composite）：多個圖像的加、減、組合、拼接。
* 降噪（image denoising）：研究各種針對二維圖像的去噪濾波器或者信號處理技術。
* 邊緣檢測（edge detection）：進行邊緣或者其他局部特徵提取。
* 分割（image segmentation）：依據不同標准，把二維圖像分割成不同區域。
* 圖像製作（image editing）：和計算機圖形學有一定交叉。
* 圖像配准（image registration）：比較或集成不同條件下獲取的圖像。
* 圖像增強（image enhancement）：
* 圖像數字水印（image watermarking）：研究圖像域的數據隱藏、加密、或認證。
* 圖像壓縮（image compression）：研究圖像壓縮。
[編輯] 應用
* 攝影及印刷 (Photography and printing)
* 衛星圖像處理 (Satellite image processing)
* 醫學圖像處理 (Medical image processing)
* 面孔識別, 特徵識別 (Face detection, feature detection, face identification)
* 顯微圖像處理 (Microscope image processing)
* 汽車障礙識別 (Car barrier detection)
[編輯] 相關相近領域
* 分類（Classification）
* 特徵提取（Feature extraction）
* 模式識別（Pattern recognition）
* 投影（Projection）
* 多尺度信號分析（Multi-scale signal analysis）
* 離散餘弦變換（The Discrete Cosine Transform）
㈩ 急求！圖像拼接演算法代碼
演算法描述
procere ImageMatching
{
輸入FirstImage;
輸入SecondImage;
//獲得兩幅圖象的大小
Height1=GetImageHeight(FirstImage);
Height2=GetImageHeight(SecondImage);
Width1=GetImageWidth(FirstImage);
Width2=GetImageWidth(SecondImage);
// 從第二幅圖象取網格匹配模板
SecondImageGrid = GetSecondImageGrid(SecondImage);
// 粗略匹配，網格在第一幅圖象中先從左向右移動，再從下到上移動，每次移動一個網格間距，Step_Width 或Step_Height，當網格移出重疊區域後結束
y=Heitht1-GridHeight;
MinValue = MaxInteger;
While ( y<Height1-OverlapNumber)//當網格移出重疊部分後結束
{
x=Grid_Width/2; //當網格位於第一幅圖象的最左邊時，A點的橫坐標。
While ( x<(Width1-Grid_Width/2) )
{
FirstImageGrid=GetImgaeGrid(FirstImgaeGrid, x, y);
differ=CaculateDiff(FirstImgaeGrid, SecondImageGrid);//計算象素值差的平
//方和
if (differ<MinValue)
{
BestMatch_x=x;
BestMatch_y=y;
MinValue = differ;
}
x= x+Step_width;
}
y=y-Step_Height;
}
//精確匹配
Step_Width= Step_Width/2;
Step_Height= Step_Height/2;
While ( Step_Height>0 & Step_Width>0)//當水平步長和垂直步長均減為零時結束
{
if(Step_Height==0)//當僅有垂直步長減為零時，將其置為1
Step_Height=1;
If(Step_Width==0) //當僅有水平步長減為零時，將其置為1
Step_Width=1;
temp_x = BestMatch_x;
temp_y = BestMatch_y;
for ( i= -1; i<1; i++)
for( j= -1; j<1; j++)
{
if ((i=0&j!=0)|(i!=0&j=0))
{
FirstImageGrid=GetImgaeGrid(FirstImgaeGrid,
temp_x+i*Step_Width, temp_y +j*Step_Height);
differ=CaculateDiff(FirstImgaeGrid, SecondImageGrid);
if (differ<MinValue)
{
BestMatch_x=x;
BestMatch_y=y;
MinValue = differ;
}
}
}
Step_Height = Step_Height /2;
Step_Width = Step_Width/2;
}
}
不懂的可以問我，相互交流
