算法思路
1. 局部单应性模型（针对重叠区域）
这个地方可以参考APAP
2. 单应矩阵线性化（针对非重叠区域但临近重叠区域）
编辑
“非匹配区域”是指不重叠的区域，那为什么还存在“相对应的点”呢？
解释：非匹配点区域（通常为非重叠区域）确实不存在在两张待拼接图像中直接对应的点，但在处理过程中会人为定义一些 “对应点” 来辅助计算和处理。
锚点的概念：在单应性线性化部分，为了处理非重叠区域的变换，引入了锚点（anchor points）的概念。这些锚点位于重叠区域和非重叠区域的边界上，它们在重叠区域内是有对应点的，通过这些在重叠区域内的对应点计算出的局部单应性等信息，来为非重叠区域的计算提供基础
计算加权平均变换：对于非重叠区域中的任意点q，其变换是通过边界上锚点p的线性化单应性的加权平均来计算的。这里的锚点p是在边界上选取的，它们在重叠区域内是有匹配点的，利用这些锚点以及其相关计算来确定非重叠区域内点的变换，从而在一定程度上解决非重叠区域的透视畸变等问题，使得整个拼接过程更加自然和准确。
也就是说，虽然非重叠区域本身不存在直接的对应点，但通过边界上有对应点的锚点来进行相关计算和处理，以实现对非重叠区域的合理变换估计。
在哪里“线性化近似”？为什么要“线性化近似”？
- 线性化的含义：所谓的“线性化”是指将原本非线性的单应性变换在局部（即在点p的邻域内）近似为一个线性模型。这种线性模型更容易处理，因为它简化了计算，并且减少了在非重叠区域由于非线性变换引起的透视失真。
- 为什么需要线性化：在线性化之前，单应性变换在非重叠区域的外推会产生极端和不自然的缩放效果，导致严重的透视失真。通过线性化，我们可以减少这种失真，使得图像拼接的结果更加自然和准确。线性化处理后的单应性变换在非重叠区域的行为更加平滑，减少了由于非线性变换带来的不连续性和失真。（通俗解释版：将非线性输入信号分割成若干段，在每一段内部，输入与输出之间的关系可以视为线性的。 通过这种方式，可以有效地降低非线性带来的影响，提高测量精度）
3. 全局相似转换（距离重叠区域更远的全景图像部分）
- 特征点匹配和异常值剔除：首先，通过特征点匹配（如SIFT）找到对应点，然后使用RANSAC算法剔除异常值。
- 分组对应点：使用RANSAC算法，设置不同的阈值εg和εl，找到具有最大内点数的平面的单应性，并重复此过程直到内点数小于η。每组内点对应一个相似变换。（这一步很重要，主要是实现了点的分组）
- 选择最优相似变换：计算每组内点的相似变换，然后检查对应的旋转角度，并选择旋转角度最小的那个作为最优全局相似变换。（通俗解释：其实就是对每个组，用组里的点来计算一个相似变换矩阵）
编辑
- 对于每个相似变换，计算其旋转角度，并选择旋转角度最小的变换作为全局相似变换。
- 选择旋转角度最小的原因是，这通常意味着相机运动更接近于纯平移，这在实际拍摄中更为常见。
4. 全局相似变换的整合（将全局相似变换整合到整个图像）
上面已经算出来了全局相似变换，现在要把3.3里的全局相似整合到重叠区域，这样做可以在保持重叠区域对齐的同时，优化整个图像的透视效果。也就是在整个目标图像中平衡局部单应性和全局相似性。
