YOLO lizenzieren
Zurück zum Ultralytics-Glossar

Image Stitching

Beim Bildstitching werden überlappende Bilder mithilfe von Merkmalsabgleich, Transformation und Überblendung der Übergänge ausgerichtet und zu einem durchgängigen Panorama oder Mosaik zusammengefügt.

Bildstitching, auch Fotostitching genannt, richtet zwei oder mehr überlappende Bilder aus und fügt sie zu einer durchgängigen Ansicht zusammen. Anhand der Überlappung erkennt die Software, wie die Bilder zusammenpassen: Ein markantes Objekt am rechten Rand eines Fotos kann etwa in der Mitte des nächsten erscheinen. Werden diese beiden Ansichten zur Deckung gebracht, deckt das zusammengesetzte Bild einen größeren Ausschnitt der Szene ab als jedes Foto für sich. Manche Bildbearbeitungsprogramme verwenden den Begriff „Fotostitching“ auch für das Anordnen einzelner Bilder nebeneinander zu einer Collage.

So funktioniert Bildstitching#

Die Bildregistrierung schätzt, wo jedes Bild in einem gemeinsamen Koordinatensystem liegt. Häufig beginnt sie mit dem Bildabgleich. Ein Verfahren wie die skaleninvariante Merkmalstransformation (SIFT) findet markante Punkte und beschreibt die Pixel in ihrer Umgebung, damit dieselben Details in einer anderen Ansicht wiedererkannt werden können. In der automatischen Panoramamethode von Matthew Brown und David Lowe aus dem Jahr 2007 ermittelt das Konsensverfahren mit Zufallsstichproben (RANSAC) anhand kleiner Teilmengen von Treffern mögliche Transformationen und sucht nach derjenigen, die mit den meisten geometrisch konsistenten Treffern übereinstimmt. Für klassisches Stitching ist kein Modelltraining erforderlich. Ein lernbasiertes Verfahren wie LoFTR kann auch in Bereichen Übereinstimmungen finden, in denen herkömmliche Schlüsselpunkterkennungsverfahren zu wenige Punkte erkennen.

Eine Homografie kann Ansichten einer ebenen Fläche oder Ansichten ausrichten, die durch Drehung einer Kamera um ihr optisches Zentrum aufgenommen wurden. Eine affine Transformation eignet sich für einfachere Änderungen, etwa Verschiebungen und Drehungen zwischen ebenen Scans. Bei mehreren Ansichten verfeinert die Bündelblockausgleichung ihre Ausrichtung gemeinsam und verringert so die Abweichungen, die sich aufbauen können, wenn jedes Bild nur an seinem Nachbarbild ausgerichtet wird. Bei der Transformation werden die Bilder anhand der geschätzten Ausrichtung auf einer gemeinsamen Fläche angeordnet.

Das Stitching geht nach der Registrierung weiter. Der Belichtungsausgleich verringert Helligkeitsunterschiede, die Auswahl der Übergangslinie legt fest, wo eine Ansicht in die nächste übergeht, und die Überblendung glättet den Übergang. Bei der Mehrbandüberblendung werden für allmähliche Tonwertänderungen breitere Übergänge und für feine Details schmalere Übergänge verwendet.

So fügst du zwei Bilder zusammen#

Beginne mit zwei Bildern, auf denen dieselben markanten Details der Szene zu erkennen sind. In Photoshop richtet Datei > Automatisieren > Photomerge überlappende Fotos aus und verwendet Ebenenmasken, um sie zu überblenden. In Python schätzt die OpenCV-Stitcher die Ausrichtung und setzt das Ergebnis zusammen. Wenn opencv-python installiert ist, fügt das folgende Beispiel zwei überlappende Ausschnitte eines Busfotos zusammen. Der Modus SCANS verwendet ein affines Modell, das sich für die seitliche Verschiebung zwischen den Ausschnitten eignet.

from urllib.request import urlretrieve

import cv2

path, _ = urlretrieve("https://ultralytics.com/images/bus.jpg", "bus.jpg")
image = cv2.imread(path)
width = image.shape[1]

# Create two views with a shared center region.
left = image[:, : 4 * width // 5].copy()
right = image[:, width // 5 :].copy()

stitcher = cv2.Stitcher_create(cv2.Stitcher_SCANS)
status, stitched = stitcher.stitch([left, right])
if status != cv2.Stitcher_OK:
    raise RuntimeError(f"Stitching failed with status {status}")
cv2.imwrite("stitched_bus.jpg", stitched)

Die Ausgabe stitched_bus.jpg vereint die äußeren Bereiche beider Ausschnitte auf einer Fläche. Die gemeinsame Mitte erscheint nur einmal, statt doppelt wie beim einfachen Nebeneinanderlegen der Ausschnitte.

Warum Bildstitching fehlschlägt#

Es gibt keinen allgemein gültigen Überlappungsprozentsatz. Entscheidend sind die Textur und die Verteilung der Abgleichpunkte: Ein Streifen mit leerem Himmel bietet nur wenige markante Punkte, während sich wiederholende Fenster dazu führen können, dass ein Stitching-Verfahren die falschen Teile einer Fassade ausrichtet. Bewegt sich die Kamera seitwärts, verschieben sich nahe Objekte relativ zum Hintergrund. Diese tiefenabhängige Verschiebung, Parallaxe genannt, kann dazu führen, dass eine Kante im Vordergrund doppelt erscheint, selbst wenn der Hintergrund ausgerichtet ist. Ein bewegtes Motiv kann ebenfalls doppelt erscheinen, wenn es sich während der Aufnahmen durch den Überlappungsbereich bewegt. Ein Helligkeitssprung entlang einer ansonsten korrekt ausgerichteten Naht deutet auf ein Problem beim Belichtungsausgleich oder bei der Überblendung hin. Diese Bildfehler können gemeinsam auftreten.

Einsatzbereiche des Bildstitchings#

  • Panoramafotografie: Aufeinanderfolgende Ansichten erfassen einen größeren Bildwinkel als eine einzelne Aufnahme. Zylindrische oder sphärische Projektionen eignen sich für große Bildwinkel, die bei einer ebenen Projektion an den Rändern verzerrt würden.
  • Mikroskopie: Das Stitching-Plugin von Fiji richtet überlappende Mikroskopkacheln zu einer größeren Ansicht einer Probe aus, ohne dass diese mit geringerer Vergrößerung aufgenommen werden muss.
  • Luftbildkartierung: OpenDroneMap fügt überlappende Luftbilder zu einem Orthomosaik zusammen. Auf dem fertigen Mosaik führt das Kacheln hochauflösender Bilder mit Ultralytics YOLO die Objekterkennung auf Ausschnitten mit bekannten Positionen aus und erhält so Details kleiner Objekte, die beim Verkleinern des Gesamtbildes verloren gehen können. Ein Orthomosaik hat einen einheitlichen Kartenmaßstab, da seine Geometrie um Kameraneigung und Geländerelief korrigiert wurde. Dadurch lassen sich Bodenentfernungen messen.

Lösungen entdecken

Computer Vision im Sport

Computer Vision im Sport

Entdecke, wie Ultralytics YOLO die Sportbildanalyse voranbringt – mit Spieler- und Ballverfolgung, Leistungsanalysen, Erkenntnissen für das Coaching und der Rehabilitation von Athleten.
Mehr erfahren
Computer Vision für Luftbilder

Computer Vision für Luftbilder

Verwandle Drohnen- und Luftbilder mit Ultralytics YOLO in Echtzeit-Erkenntnisse für Landwirtschaft, Aquakultur, Naturschutz und Geodatenanalyse.
Mehr erfahren
Computer Vision in der Luft- und Raumfahrt

Computer Vision in der Luft- und Raumfahrt

Setze Computer Vision in der Luft- und Raumfahrt mit Ultralytics YOLO ein – für Flugzeuginspektionen, die Erkennung von Fremdkörpern auf Start- und Landebahnen, den Bodenbetrieb am Flughafen und die Erkennung von Verbundwerkstofffehlern.
Mehr erfahren
Computer Vision im Sicherheitsbereich

Computer Vision im Sicherheitsbereich

Schütze jeden Standort mit Ultralytics YOLO-Modellen. Vision-KI ermöglicht die Überwachung von Grundstücksgrenzen, die Erkennung von Bedrohungen, die Kennzeichenerkennung und die Sicherheit am Arbeitsplatz.
Mehr erfahren
Computer Vision in der Robotik

Computer Vision in der Robotik

Mach Maschinen mit Ultralytics YOLO-Modellen leistungsfähiger. Vision-KI in der Robotik ermöglicht autonome Navigation, Wahrnehmung, Objektverfolgung und Steuerung in Echtzeit.
Mehr erfahren
Bildverarbeitung in der Logistik

Bildverarbeitung in der Logistik

Optimiere die Logistik mit Ultralytics YOLO-Modellen. Vision AI ermöglicht die Paketprüfung, Sortierung und Fahrzeugverfolgung sowie die Sicherheitsüberwachung von Lagerhäusern in Echtzeit.
Mehr erfahren
Bildverarbeitung im Einzelhandel

Bildverarbeitung im Einzelhandel

Gestalte den Einzelhandel mit Ultralytics YOLO-Modellen neu. Vision AI ermöglicht Bestandsverfolgung, Regalüberwachung und Warteschlangenmanagement und liefert bessere Einblicke in das Kundenverhalten.
Mehr erfahren
Bildverarbeitung im Gesundheitswesen

Bildverarbeitung im Gesundheitswesen

Entwickle Lösungen für das Gesundheitswesen mit Ultralytics YOLO-Modellen. Vision AI ermöglicht im Gesundheitswesen schnellere medizinische Bildgebung, bessere Diagnostik und die Überwachung von Patienten.
Mehr erfahren
Computer Vision in der Fertigung

Computer Vision in der Fertigung

Optimiere die Fertigung mit Ultralytics-YOLO-Modellen. Vision AI ermöglicht Qualitätskontrolle, Fehlererkennung, die Überprüfung der Einhaltung von Vorgaben zu persönlicher Schutzausrüstung und die Automatisierung von Montagelinien.
Mehr erfahren
Computer Vision in der Automobilbranche

Computer Vision in der Automobilbranche

Setze Computer Vision in der Automobilbranche mit Ultralytics-YOLO-Modellen ein. Vision AI verbessert die Verkehrssicherheit, Fahrerassistenz und Fahrzeugautomatisierung – für intelligentere Straßen.
Mehr erfahren
Computer Vision in der Landwirtschaft

Computer Vision in der Landwirtschaft

Setze mit Ultralytics YOLO-Modellen KI für Bildverarbeitung in der intelligenten Landwirtschaft ein. Ermögliche die Überwachung von Nutzpflanzen, die Verfolgung von Nutztieren und Präzisionslandwirtschaft für höhere und nachhaltigere Erträge.
Mehr erfahren

Lass uns gemeinsam die Zukunft der KI gestalten!

Starte deine Reise in die Zukunft des maschinellen Lernens