A. 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。
B. 圖像拼接，如何確定最後融合重疊區域
圖像拼接最後融合重疊區域是自動確定的，是根據演算法計算出來的。
主要思路：找出對應點，根據空間約束剔除異常值，把對應點連起來，再做色彩平滑處理，就OK了。
具體實現你找個拼接演算法看看就一目瞭然了。
C. 加權平均法圖像融合演算法原理是什麼
加權平均法圖像融合演算法的原理就是：對原圖像的像素值直接取相同的權值，然後進行加權平均得到融合圖像的像素值，舉例說比如要融合兩幅圖像A，B，那它們的融合後圖像的像素值就是A*50%+B*50%，就這么簡單
D. 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。
E. 簡單的圖像融合演算法:像素灰度值取大/小圖像融合方法matlab代碼。就是比較2幅圖同一點的像素值取大/小。
im1=imread('c:\1.bmp'); % 讀入兩個圖像
im2=imread('c:\3.bmp');
im3=im1-im2; %兩圖相減
a=im3>0; %圖1比圖2大的像素點
b=im3==0; %圖1比圖2小的像素點
% 合成大像素值的圖像
im_large=uint8(a).*im1+uint8(b).*im2;
%合成小像素值的圖像
im_small=uint8(b).*im1+uint8(a).*im2;
%顯示結果
imshow(im_large)
figure, imshow(im_small)
%希望你是這個意思。。
F. 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
G. 由matlab實現的基於sift演算法的圖像拼接融合
哎，不就是廣角鏡合成演算法嘛。
大神，分呢？
H. 圖像融合處理技術
多種遙感數據源獲取的遙感數據在時間、空間、光譜、方向及解析度等方面各不相同，它們反映了同一地區地物波譜的不同方面或不同解析度的遙感信息。所以，單一遙感數據一般不能提取足夠的信息完成某些應用，而多遙感類型數據通過融合可以得到多個遙感數據的互補信息，提高遙感數據的利用率。目前，應用於地學領域較多的是基於像元的融合方法。
1.ISH變換
在色度學中，存在有兩種彩色坐標系統：一是由紅（R）、綠（G）、藍（B）三原色構成的彩色（RGB）空間；另一是由亮度（I）（或稱明度、強度）、色調（H）、飽和度（S）構成的色度（IHS）空間（亦稱孟塞爾坐標）。這兩個系統的關系可用圖4-1表示，此時，IHS的范圍呈現為一圓錐體；在垂直於IHS圓錐軸的切面上，二者則呈現為圖4-1所示的關系。該圖中，過S=0，白光點，沿Ⅰ軸只有亮度明暗（白－黑）差異；圓周代表H的變化，並設定紅色為H=0；半徑方向代表飽和度，圓心處S=0，為白色（消色），圓周處S=1，彩色最純。
圖4-1ISH與RGB空間示意圖
很明顯，這兩個坐標之間可以互相轉換，這種轉換即稱為IHS變換，或彩色坐標變換（也稱孟塞爾變換）。通常把RGB空間變換到IHS空間稱之為正變換，反過來，由IHS變換到RGB稱反變換。當不直接採用三原色成分（R、G、B）的數量表示顏色，而是用三原色各自在R、G、B總量中的相對比例r、g、b來表示，即
西天山吐拉蘇盆地與火山岩有關的金礦遙感找礦研究
式中：r+g+b=1。此時，如g=b=0，則r=1，為紅色；白色（r=g=b）則為W（
西天山吐拉蘇盆地與火山岩有關的金礦遙感找礦研究
對I進行反差擴展，H及S進行直方圖規一化處理後
西天山吐拉蘇盆地與火山岩有關的金礦遙感找礦研究
目前在遙感數字圖像處理中，IHS變換多用於以下研究。
2.彩色合成圖像的飽和度增強
當用以合成的3個原始圖像相關性較大時，常規處理往往合成圖像的飽和度會不足，色彩不鮮（純），像質偏灰，且較模糊、細節難辨。通過IHS變換，在IHS空間中增強（拉伸）飽和度S，用反變換求R、G、B進行彩色顯示，則可顯著改善圖像的顏色質量和分辨能力。
3.不同解析度遙感圖像的復合顯示
直接把不同解析度圖像輸入R、G、B通道作彩色合成復合顯示，即使幾何配精度很高，也難以獲得清晰的圖像（低解析度圖像使像質模糊）。採取將最高解析度圖像置作「I」、次高置作「H」、低解析度者置作「S」，然後反變換，求出R、G、B作復合彩色顯示，則基本可使合成圖像保持有高解析度圖像的清晰度。對TM（常取其中兩個波段）和SPOT（常取全色波段）圖像作此種復合，既可獲得SPOT的高解析度，又可充分利用TM豐富的波譜信息。
4.特殊礦化蝕變遙感信息提取
除前述方法外，用下列公式（Kruse,1984）進行RGB到ISH坐標變換：
西天山吐拉蘇盆地與火山岩有關的金礦遙感找礦研究
其中：
經對I、S反差擴展，並對S直方圖規一化處理，再反變換回到RGB彩色空間，公式如下：
西天山吐拉蘇盆地與火山岩有關的金礦遙感找礦研究
式中：Bi=S·sinH;Xi=S·cosH。
郭華東（1995）及張旺生（1999）用上述處理方法提取石英脈，曾取得過很好的效果。
前人及筆者圖像處理經驗表明，上述常用圖像處理方法對於解決一般的遙感信息提取與增強，一般都會得到較好效果，但不同的地區自然地理條件、提取圖像信息的目的及所用的數據時相的差別，都是影響圖像信息提取效果的重要因素。另外，針對某種特殊目的進行圖像信息提取，更需要根據實際情況進行特別演算法設計。這也正是遙感圖像處理方法能夠取得不斷創新的主要原因之一。