Image Stitching
L’assemblage d’images aligne et fusionne des images qui se chevauchent pour former un panorama ou une mosaïque continue, grâce à la mise en correspondance de caractéristiques, au recalage géométrique et à la fusion des raccords.
L’assemblage d’images, également appelé assemblage de photos, aligne et combine deux images ou plus qui se chevauchent afin de créer une vue continue. Le chevauchement indique au logiciel comment les images s’emboîtent : un point de repère près du bord droit d’une photo peut apparaître près du centre de la suivante. Aligner ces deux apparitions permet à l’image composite de couvrir une plus grande partie de la scène que chaque photo prise séparément. Certains éditeurs photo utilisent aussi l’expression « assemblage de photos » pour désigner la disposition d’images distinctes côte à côte dans un collage.
Fonctionnement de l’assemblage d’images#
L’enregistrement d’images estime la position de chaque image dans un système de coordonnées commun. Il commence souvent par la mise en correspondance d’images. Une méthode telle que la transformée de caractéristiques invariantes à l’échelle (SIFT) détecte des points distinctifs et décrit les pixels qui les entourent afin de reconnaître les mêmes détails dans une autre vue. Dans la méthode de panorama automatique de Matthew Brown et David Lowe publiée en 2007, le consensus par échantillonnage aléatoire (RANSAC) ajuste des transformations candidates à partir de petits sous-ensembles de correspondances et recherche l’ajustement présentant le plus grand nombre de correspondances géométriquement cohérentes. L’assemblage classique ne nécessite aucun entraînement de modèle. Un outil de mise en correspondance entraîné, tel que LoFTR, peut également trouver des correspondances dans les zones où les détecteurs de points clés traditionnels en trouvent trop peu.
Une homographie peut aligner les vues d’une surface plane ou des vues prises en faisant pivoter une caméra autour de son centre optique. Une transformation affine peut gérer des changements plus simples, tels que les translations et les rotations entre des scans plans. Avec de nombreuses vues, l’ajustement de faisceaux affine conjointement leur alignement, réduisant la dérive qui peut s’accumuler lorsque chaque image est alignée uniquement sur sa voisine. Le recalage géométrique applique l’alignement estimé pour placer les images sur une même toile.
L’assemblage se poursuit après l’enregistrement. La compensation d’exposition réduit les différences de luminosité, la sélection des raccords détermine où une vue cède la place à la suivante, et la fusion adoucit la transition. La fusion multibande utilise des transitions plus larges pour les variations progressives de tonalité et plus étroites pour les détails fins.
Comment assembler deux images#
Commence par deux images qui présentent des détails de scène reconnaissables en commun. Dans Photoshop, Fichier > Automatisation > Photomerge aligne les photos qui se chevauchent et utilise des masques de calque pour les fusionner. En Python, OpenCV Stitcher estime l’alignement et compose le résultat. Une fois opencv-python installé, l’exemple ci-dessous assemble deux recadrages qui se chevauchent d’une photo d’autobus. Le mode SCANS utilise un modèle affine, adapté au décalage latéral entre les recadrages.
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)Le résultat, stitched_bus.jpg, combine les parties extérieures des deux recadrages sur une même toile. La zone centrale commune apparaît une seule fois, plutôt que deux fois comme ce serait le cas si les recadrages étaient placés côte à côte.
Pourquoi les assemblages d’images échouent#
Il n’existe pas de pourcentage de chevauchement universel. La texture et la répartition des points de correspondance comptent : une bande de ciel uniforme offre peu de repères, tandis que des fenêtres répétitives peuvent amener l’outil d’assemblage à aligner les mauvaises parties d’une façade. Lorsque la caméra se déplace latéralement, les objets proches se décalent par rapport à l’arrière-plan. Ce décalage dépendant de la profondeur, appelé parallaxe, peut laisser un bord de premier plan dédoublé même lorsque les lignes de l’arrière-plan sont alignées. Un sujet en mouvement peut aussi apparaître deux fois s’il traverse la zone de chevauchement entre deux expositions. Une différence de luminosité le long d’un raccord par ailleurs aligné indique un problème de compensation d’exposition ou de fusion. Ces artefacts peuvent se produire simultanément.
Applications de l’assemblage d’images#
- Photographie panoramique : Des vues successives capturent un angle plus large qu’une seule exposition. Les projections cylindriques ou sphériques conviennent aux champs de vision larges, qui seraient étirés sur les bords avec une projection plane.
- Microscopie : Le module d’assemblage de Fiji aligne les tuiles de microscope qui se chevauchent pour obtenir une vue plus large d’un échantillon, sans avoir à le capturer à un grossissement inférieur.
- Cartographie aérienne : OpenDroneMap combine des photos aériennes qui se chevauchent pour créer une orthomosaïque. Sur la mosaïque finale, le découpage en tuiles haute résolution d’Ultralytics YOLO exécute la détection d’objets sur des recadrages dont les positions sont connues, préservant les détails des petits objets que le redimensionnement de l’image entière peut faire disparaître. Une orthomosaïque possède une échelle cartographique uniforme, car sa géométrie est corrigée en fonction de l’inclinaison de la caméra et du relief du terrain, ce qui permet de mesurer les distances au sol.










