理解mulitband。所谓的mulitband，其实就是一种多尺度的样条融合，其实现的主要方法就是laplace金字塔。
;
高斯金字塔是向下采样，而laplace金字塔式向上采样（也就是恢复），采用的都是差值的方法。如何能够在金字塔各个层次上面进行图像的融合，结果证明是相当不错的。网络上面流传的一个类解释了这个问题，并且能够拿来用：
#include "stdafx.h"
#include <iostream>
#include <vector>
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/calib3d/calib3d.hpp>
using namespace cv;
#ifdef _DEBUG
#define new DEBUG_NEW
#endif
#define DllExport _declspec (dllexport)
/*
1.设计一个mask（一半全1，一半全0），并计算level层的gaussion_mask[i]；
2.计算两幅图像每一层的Laplacian[i]，并与gaussion_mask[i]相乘，合成一幅result_lapacian[i]；
3.对两幅图像不断求prydown，并把最高层保存在gaussion[i],与gaussion_mask[i]相乘，合成一幅result_gaussion;
4,对result_gaussion不断求pryup，每一层都与result_lapacian[i]合成，最后得到原-图像大小的融合图像。
*/
class LaplacianBlending {
private:
Mat_<Vec3f> top;
Mat_<Vec3f> down;
Mat_< float> blendMask;
vector<Mat_<Vec3f> > topLapPyr,downLapPyr,resultLapPyr; //Laplacian Pyramids
Mat topHighestLevel, downHighestLevel, resultHighestLevel;
vector<Mat_<Vec3f> > maskGaussianPyramid; //masks are 3-channels for easier multiplication with RGB
int levels;
//创建金字塔
void buildPyramids() {
buildLaplacianPyramid(top,topLapPyr,topHighestLevel); buildLaplacianPyramid(down,downLapPyr,downHighestLevel); buildGaussianPyramid(); }
//创建gauss金字塔
void buildGaussianPyramid() {//金字塔内容Y为a每一层的掩模
assert(topLapPyr.size()>0);
maskGaussianPyramid.clear(); Mat currentImg;
//blendMask就是掩码
cvtColor(blendMask, currentImg, CV_GRAY2BGR); //store color img of blend mask into maskGaussianPyramid
maskGaussianPyramid.push_back(currentImg); //0-level
currentImg = blendMask;
for (int l=1; l<levels+1; l++) {
Mat _down;
if (topLapPyr.size() > l)
pyrDown(currentImg, _down, topLapPyr[l].size());
else
pyrDown(currentImg, _down, topHighestLevel.size()); //lowest level
Mat down; cvtColor(_down, down, CV_GRAY2BGR);
maskGaussianPyramid.push_back(down); //add color blend mask into mask Pyramid
currentImg = _down;
} }
//创建laplacian金字塔
void buildLaplacianPyramid(const Mat& img, vector<Mat_<Vec3f> >& lapPyr, Mat& HighestLevel) {
lapPyr.clear();
Mat currentImg = img;
for (int l=0; l<levels; l++) {
Mat down,up; pyrDown(currentImg, down); pyrUp(down, up,currentImg.size());
Mat lap = currentImg - up; //存储的就是残D差
lapPyr.push_back(lap);
currentImg = down;
} currentImg.copyTo(HighestLevel); }
Mat_<Vec3f> reconstructImgFromLapPyramid() {
//将左右laplacian图像拼成的resultLapPyr金字塔中每一层
//从上到下插值放大并相加，即得blend图像结果
Mat currentImg = resultHighestLevel;
for (int l=levels-1; l>=0; l--) {
Mat up; pyrUp(currentImg, up, resultLapPyr[l].size());
currentImg = up + resultLapPyr[l];
}
return currentImg;
}
void blendLapPyrs() {
//获得每层金字塔中直接用左右两图Laplacian变换拼成的图像
//一半的一半就是在这个地方计算的。 是基于掩模的方式进行的.
resultHighestLevel = topHighestLevel.mul(maskGaussianPyramid.back()) +
downHighestLevel.mul(Scalar(1.0,1.0,1.0) - maskGaussianPyramid.back());
for (int l=0; l<levels; l++) {
Mat A = topLapPyr[l].mul(maskGaussianPyramid[l]);
Mat antiMask = Scalar(1.0,1.0,1.0) - maskGaussianPyramid[l];
Mat B = downLapPyr[l].mul(antiMask);
Mat_<Vec3f> blendedLevel = A + B;
resultLapPyr.push_back(blendedLevel); } }
public:
LaplacianBlending( const Mat_<Vec3f>& _top, const Mat_<Vec3f>& _down, const Mat_< float>& _blendMask, int _levels)://缺省数y据Y，使1用 LaplacianBlending lb(l,r,m,4);
top(_top),down(_down),blendMask(_blendMask),levels(_levels) {
assert(_top.size() == _down.size());
assert(_top.size() == _blendMask.size());
buildPyramids(); //创建laplacian金字塔和gauss金字塔
blendLapPyrs(); //将左右金字塔融合成为a一个图片
};
Mat_<Vec3f> blend() {
return reconstructImgFromLapPyramid();//reconstruct Image from Laplacian Pyramid
} };
Mat_<Vec3f> LaplacianBlend( const Mat_<Vec3f>& t, const Mat_<Vec3f>& d, const Mat_< float>& m) {
LaplacianBlending lb(t,d,m,4);
return lb.blend();
}
DllExport double aValue =1.5;
DllExport int dlladd()
{
return 5;
}
DllExport int dlladd( int a,int b)
{
return a+b;
}
DllExport cv::Mat imagetest()
{
cv::Mat image1= cv::imread( "C:\\apple.png",1);
cv::Mat image2= cv::imread( "C:\\orange.png",1);
Mat_<Vec3f> t; image1.convertTo(t,CV_32F,1.0/255.0); //Vec3f表示有三个通道，即 [row][column][depth]
Mat_<Vec3f> d; image2.convertTo(d,CV_32F,1.0/255.0);
Mat_< float> m(t.rows,d.cols,0.0); //将m全部赋3值为a0
//m(Range::all(),Range(0,m.cols/2)) = 1.0; //原来初始的掩码是在这里
m(Range(0,m.rows/2),Range::all())=1.0;
Mat_<Vec3f> blend = LaplacianBlend(t,d, m);
imshow( "blended",blend);
return blend;
}
需要注意的是， m(Range(0,m.rows/2),Range::all())=1.0表明了原始图像的掩码，这个掩码就是那个分界的地方。
比如比如：
永达实际的项目上面，应该是这样。
在使用这种方法进行大规模拼接的时候，主要是两个问题
一个是效果，在上面的那个橘子苹果的例子中，只有前景的颜色有变化，实际上其它几个地方色彩亮度变化不是很大。但是对于实际情况下的拼接来说，亮度有变化，比较难以处理。
二是效率。laplacian需要大量的过程，造成结果内存的需求很大，一时半会很难优化好。multband看来只能够在符合要求的简单拼接中去实现使用。
目前方向：图像拼接融合、图像识别 联系方式：jsxyhelu@foxmail.com