Python 通过正确定位面片，将重叠图像合并为单个图像

给定从图像中获取的许多面片，任务是创建由面片组成的单个图像

我尝试过天真的解决方案：

对于每2张图像，检查多个补丁并进行比较

如果它们在某个置信阈值以上相似，则创建2的新图像

将新映像添加到池中，并删除其他2个映像

重复此操作，直到池大小为1

问题是这个解决方案非常慢，主要的瓶颈是补丁比较。 有没有更快的更好的方法？ 也许是更好的补丁选择和比较方法？

我会尝试：

对所有图像中的所有特征点进行一次排序。

所以，创建一个列表，其中存储了特征的散列或特征本身，以及从哪个图像中获取的信息，甚至可能是位置信息。然后按散列（或动态）对列表进行排序

作为一项功能，请选择您现在用于比较图像的内容。由于没有缩放或旋转，所以不需要缩放和旋转不变的功能，但如果使用这些功能，则不会造成伤害。我通常选择局部最大或最小强度的像素。然后计算像素的直方图，直到距离它一定的距离（旋转不变），然后散列直方图

浏览列表

检查一个哈希是否多次出现在列表中，但来自不同的图像

在有序列表中，它们将分组在一起

如果是，比较/合并特征所属的图像

还要更新功能列表，以便将列表中的图像id更改为新的合并图像id

---

如果我看得对的话，你当前的方法是

O（m*n^2）

，这将是

O（（n*m）*log（n*m））

其中

n

是图像数量，

m

是每个图像的平均特征数量。

请在帖子中加入补丁。补丁的方向是否都是相同的？重叠像素是相同的吗？是的，重叠像素是相同的（例如，假设检测到边缘的面片），并且所有面片的方向正确，无需倾斜。