这个项目已经过去有很长时间了，近期因网友提问，我重新整理了一下发布出来，供大家参考.
一般意义上来说，全景拼接可以划分为图1所示的6个部分。
1、输入图像，就是获得全部的待拼接的图像；
2、图像几何校正，就是校正因为镜头固有缺陷、拍摄方法造成的图像失真；
3、图像预处理，就是对输入的图像进行去噪、白平衡等降维操作；
4、图像配准，就是识别计算图像本身的纹理特征，并将图像按照真实的位置排列起来；
5、图像融合，在配准之后的边界位置，会出现比较明显的缝隙，需要专门的算法进行融合；
6、获得全景图像；
对于连铸项目具体来说，还应该包括第7个部分，就是对应“点”的寻找。
二、连铸项目的拼接实现
结合连铸项目的具体实现，（主要以上表面需要校直的这种情况，其他情况都相对要简单）来具体分析这7个步骤。
1、输入图像。（略）
2、图像几何校正。采用手工标定的透视变换对输入图像进行电子校正。
3、图像预处理。主要考虑到原始图像上面有高曝区域，采用色彩平衡算法进行处理，并突出表面问题里区域。
4、图像配准。首先通过“自适应canny算法”，最大程度强化各图片表面纹理区域，而后采用“符合模板匹配算法”，进行模板识别并配准，这步完成后得到图像如下。算法的简单介绍参看“难点重点”章节
5、图像融合。采用《基于Halcon的图像拼接算法研究_谭杰.pdf》中提出的线性融合算法进行图像融合。
：
6、获得全景图像；（略）
三、难点重点
由于拍摄条件的限制，连铸项目在实现过程中遇到了一些阻力。为了更好地解决问题，我提出并实现了一些新的思路和算法。
1、提高模板识别的成功率；
越是纹理清晰的图像越是容易匹配成功。在实际项目中，有利于匹配的点是有很多个的，那么如果有预处理模型就能够在这个时候取得较好的结果。
比较这两幅图像（里面外面）：
可以看到，外面的图像相对来说，纹理不清楚，比较平淡；但是里面的来说纹理比较复杂。那么如果直接来sobel是否可以有比较好的结果了？
通过简单的canny,就可以看出纹理清楚的图像具有更丰富的细节。
opencv里面提供的模板匹配算法一共有5类，一般来说是使用所用的方法，找到最好的效果。
我认为，在代码中间遍历所有的算法，不是一个好的思路，因为模板匹配是最消耗时间的。在项目的初期，就根据样本实验，选择合适的算法，并且建立测试的模型。这个时候就应该把算法定下来。这里主要研究的是各个算法的值。
首先从自己需找自己的模板开始。
在另一个图片上寻找
差距非常明显，但是更要命的是max都是1而min都是0。
都而对于halcon，它提供的结果是467.453和636.408，应该说那个都不一样。而一般认为halcon是比较准确的。为了验证，我这里换一个图像：
这个结果应该说是更令人迷惑，6个中有4个给出了接近的x,而三个给出了接近的y,而max值依然是没有价值的。halcon的差距也是非常大。
必须考虑到，halcon最后给的是图片中心，而oopencv最后给的是左上角。那么结论就是opencv的模板匹配距离实际的差距还很大，非常要命。
我准备模仿halcon的方法，首先找出纹理，然后进行匹配。采用同样的图片进行。
结果为
有大量的值为统一的，那么这是真实的值吗？
结果非常好！再测试一个例子，并且加上自适应的canny代码
2、引入先验模型
在现有的模型下面，模板匹配的本质决定了它只能提供这个程度的识别效率。如何在可能的情况下极高识别的成功率？如何去验证这个成功的拼接？这是核心问题。
图像识别还是做项目，每一个项目有不同的图片源和要求。连铸这个项目，考虑到他们下一步要做得，所以对于特征的要求肯定很高。如果采用单路匹配的方法，对结果进行统计分析。现在看来这个效果不是太好，主要是因为特征明显的区域不一定都位于图像中心。
现在采取三条匹配，尽可能包含可能的特征区域；
降低带识别区域大小，提高识别准确效率的方法。
简单地说就是优化识别方法，提高识别效率。
<学习opencv>里面就提到对于5种算法要灵活运用。我采用重复使用。不仅是算法的重复，而且是对于效果不佳的区域的重复。这个时间可以通过对识别区域的预测来抵消。
比较好的识别
质量一般的识别
质量很差的识别
四、备注
系统平台：winxp(或更高版本)
引用类库：opencv2.8(或更高版本)
编译平台：vs2010(或更高版本)
性能指标：<=1.5s/套