Fotomosaik för bildupptagning med hög upplösning

Skrivet av Paul Bourke
April 2014

Introduktion

Följande kommer att presentera så kallade “fotomosaik”, även om det i allmänhet är viss förvirring med terminologin. Fotokollage, fotomosaik, bildmosaik, gigapixelfotografier, panoramafotografering etc. Gigapixel- och panoramafotografering antar att kameran roteras kring sin knutpunkt, faktiskt tar fotografen ofta stor omsorg för att uppnå detta för att minimera sömmar / blandningar artefakter som härrör från parallaxfel. Exempel på vidvinkelpanorama visas i figur 1 och 2. Det finns ett antal skäl för att fånga och komponera bilder som dessa. Panoramorna med ultrahög upplösning lagrar i en bild, både detaljerna när du zooma in och sammanhanget, zoomar ut. Exempel på bubblfotografiet 360×180 i figur 2 används ofta för att ge en känsla av en plats, allt synligt från kamerapositionen spelas in och ibland kan detta dessutom ha en mycket hög upplösning. Dessa kallas ofta sfäriska panoramor eller mer formellt rektangulära projektioner.

Bild 1. Traditionellt panorama med hög upplösning (Beacon Island).

Dessa panoramas upplösning är en funktion av antalet fotografier som tagits, vilket i sin tur ofta begränsas av linsens synfält (FOV) och för dynamiska scener den tid som krävs för ett stort antal fotografier. Varje fotografi överlappar med sina grannar och funktionspunkter mellan par av fotografier används för att äntligen sy och blanda de enskilda fotografierna tillsammans.

Bild 2. 360 x 180 graders “bubbla”.

Fotomosaik

I det följande tas termen fotomosaik för att hänvisa till en bild som består av ett antal mindre fotografier där kamerapositionen varierar. Strängt taget kan en fotomosaik inte vara perfekt utom för plana föremål. Ett exempel på att fånga en fotomosaik av ett plant objekt ges i figur 3, den presenterade bilden skapas från ett 8×8 rutnät med fotografier tagna med en 20MPixels kamera och 100 mm lins. Upplösningen av den slutliga bilden är en funktion av linsens synfält, en smalare FOV innebär att fler foton kan tas. Samma funktionspunktsdetektering och sömnad som används för panoramabilder används i detta och efterföljande fall.

Bild 3. Aboriginal prickmålning.

Interaktiv online-version

Grundläggande begränsning

Anledningen till att en perfekt söm som visas i figur 3 inte kan uppnås för en scen där det finns föremål på olika djup, ta hänsyn till situationen i figur 4. Detta visar sidovyn för två kamerapositioner med en blå sfär och röd kub i olika djup i överlappningszonen. Det är tydligt att det inte är möjligt att smidigt blanda dessa två bilder.

Bild 4. Grundläggande begränsning.

Observera att det är möjligt att blanda två bilder som de som visas i figur 4 för något särskilt djup, inte bara alla djup samtidigt. Situationen förbättras för mycket smala FOV-linser som i allt högre grad motsvarar en parallell projektion.

Detta är en välkänd effekt för flera kameravideorigg, till exempel de olika GoPro-riggarna och LadyBug-serier av kameror. Medan varje försök görs för att lokalisera kamerans nodpunkt så nära varandra som möjligt, finns det fortfarande i viss utsträckning detta parallaxfel och begränsar i stort sett sömkvaliteten. Figur 5 visar ett exempel från LadyBug-kameran med två blandade zoner förstorade, den till vänster är på det valda blandningsavståndet, det nedre högra är ett närmare objekt med motsvarande blandningsfel.

Bild 5. Sömningsfel i LadyBug-videofilmer.

Allt går inte förlorat, i många applikationer finns det fortfarande fördelar med att kunna kartlägga ett stort område trots fel i sömningen. Funktionspunktsdetekteringen och sömmar / blandning kommer att vrida bilderna inför dessa parallaxfel. Det man förlorar är varje förmåga att på ett tillförlitligt sätt mäta avstånd och vinklar, bildförskjutningen kan vara godtycklig i algoritmernas försök att ansluta matchade funktionspunkter.

Exempel

I följande exempel flyttas kameran väsentligt mellan fotografier, i alla fall gjordes ett försök att flytta kameran vinkelrätt mot scenytan. I var och en är den varvning som krävs för att matcha de delade funktionspunkterna på fotografierna tydlig. Figur 6 visar förmågan hos algoritmen för funktionspunktsdetektering att vara mindre känslig för färginformation, fotografierna här är genomsökningar från svarta och vita (gråskaliga) bilder.

Bild 6. Fotomosaik från skeppsbrottet Batavia, fotografier från 1972.

Figur 7 illustrerar tydligt diskontinuiteterna än vad som kan uppstå från objekt på olika djup, till exempel den gula och svarta inramningen som visar diskontinuiteter eftersom programvaran har föredragit att matcha det djupare däck.

Bild 7. 23 fotografier av Clarence skeppsvrak. Visar många fel på grund av rörlig kamera och rimligt djupintervall för intressanta objekt.
Bild 8. Fotomosaik inom geovetenskap, 15 fotografier längs en fellinjefunktion.

Leave a Reply

Your email address will not be published. Required fields are marked *