Giới thiệu dự án

Trong lĩnh vực thị giác máy tính (Computer Vision) và đồ họa số, kỹ thuật ghép ảnh toàn cảnh (Panorama Image Stitching) đóng vai trò trọng tâm trong việc tái tạo không gian quan sát góc rộng vượt qua giới hạn vật lý của thấu kính quang học truyền thống. Các ống kính máy ảnh tiêu chuẩn thường có góc nhìn giới hạn từ $60^\circ$ đến $90^\circ$. Khi cần thu nhận toàn cảnh không gian rộng lớn như kiến trúc đô thị, phong cảnh tự nhiên, bản đồ địa lý vệ tinh hay môi trường thực tế ảo (VR), việc sử dụng ống kính góc siêu rộng (Fisheye) thường gây ra hiện tượng méo cầu nghiêm trọng ở rìa ảnh. Giải pháp tối ưu là chụp nhiều ảnh thành phần có độ phủ chồng lấp (overlap) tối thiểu $15% - 20%$ và ghép nối chúng thông qua các thuật toán xử lý ảnh số.

+-----------------------------------------------------------------------------------+
|                        QUY TRÌNH GHÉP ẢNH PANORAMA TOÀN DIỆN                      |
+-----------------------------------------------------------------------------------+
|  [Ảnh đầu vào I1, I2] --> [Trích xuất góc Harris / SIFT]                          |
|                                     |                                             |
|                                     v                                             |
|  [Mô tả Gradient 128D] --> [Đối sánh láng giềng ANN / kd-tree]                    |
|                                     |                                             |
|                                     v                                             |
|  [Loại Outlier RANSAC] --> [Ước lượng Homography H qua DLT-SVD]                   |
|                                     |                                             |
|                                     v                                             |
|  [Tái chiếu phối cảnh] --> [Cân bằng sáng & Hòa trộn Blending] --> [Ảnh Panorama] |
+-----------------------------------------------------------------------------------+

Bài toán đặt ra là xây dựng một hệ thống ghép ảnh tự động, chính xác, có khả năng khử biến dạng hình học, xử lý sai lệch góc quay, tỷ lệ co giãn và chênh lệch cường độ sáng giữa các khung hình đầu vào mà không đòi hỏi thiết bị cơ khí chuyên dụng phức tạp.

Mục tiêu cụ thể của đề tài bao gồm:

  1. Nghiên cứu và hiện thực hóa thuật toán phát hiện điểm đặc trưng góc Harris (Harris Corner Detector) kết hợp tính toán hướng chính và xây dựng bộ mô tả đặc trưng cục bộ bất biến 128 chiều (128-dimensional Invariant Descriptor).
  2. Xây dựng cơ chế đối sánh đặc trưng dựa trên thuật toán tìm kiếm láng giềng gần đúng (Approximate Nearest Neighbor - ANN) sử dụng cấu trúc cây nhiều chiều (kd-tree) với phép đo khoảng cách Euclide.
  3. Ước lượng ma trận biến đổi phối cảnh Homography ($3 \times 3$) 8 bậc tự do thông qua phương pháp biến đổi tuyến tính trực tiếp (Direct Linear Transform - DLT) giải bằng phân rã giá trị đơn (Singular Value Decomposition - SVD).
  4. Tích hợp giải thuật đồng thuận mẫu ngẫu nhiên (Random Sample Consensus - RANSAC) nhằm lọc bỏ các điểm ngoại lai (outliers), đảm bảo ma trận biến đổi đạt độ chính xác cực đại.
  5. Thực hiện phép chiếu phối cảnh (Perspective Warping), cân bằng lược đồ mức xám (Histogram Matching) và hòa trộn đa dải (Image Blending) để tạo ra bức ảnh toàn cảnh liền mạch, triệt tiêu đường biên ghép nối.

Phạm vi nghiên cứu tập trung vào không gian ảnh 2D tĩnh chụp từ camera xoay quanh tâm quang học hoặc máy ảnh chuyển động có độ tịnh tiến nhỏ, xử lý định dạng ảnh Raster trên hệ màu RGB tiêu chuẩn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp ghép ảnh trong thị giác máy tính được chia thành hai nhánh chính: phương pháp đối sánh dựa trên vùng (Area-based/Template Matching) và phương pháp đối sánh dựa trên đặc trưng (Feature-based Matching).

Phương pháp Nguyên lý hoạt động Ưu điểm Nhược điểm
Đối sánh dựa trên vùng (SSD/NCC) So khớp trực tiếp cường độ pixel hoặc tương quan chéo (Cross-correlation) trong cửa sổ trượt $m \times n$. Cài đặt đơn giản, hiệu quả khi ảnh chỉ có độ dịch chuyển tịnh tiến thuần túy. Độ phức tạp tính toán $O(N^2)$, cực kỳ nhạy cảm với phép xoay, co giãn tỷ lệ và thay đổi độ sáng.
Đối sánh đặc trưng toàn cục Dựa trên lược đồ màu sắc toàn cục (Color Histogram) hoặc biến đổi Fourier/KL. Tốc độ xử lý nhanh, giảm thứ nguyên dữ liệu hiệu quả. Mất mát thông tin vị trí không gian, không xác định được ma trận biến đổi hình học chính xác.
Đối sánh đặc trưng bất biến (Đề xuất) Trích xuất điểm quan tâm (Harris/SIFT), tạo vector mô tả gradient cục bộ, ước lượng Homography qua RANSAC. Bất biến hoàn toàn với phép quay, co giãn, tịnh tiến và thay đổi cường độ sáng tuyến tính. Cần thuật toán tối ưu lọc nhiễu và cấu trúc dữ liệu tìm kiếm láng giềng nhanh.

Yêu cầu chức năng của hệ thống được phân rã theo mô hình MoSCoW:

  • Must have: Phát hiện điểm góc Harris, chuẩn hóa vector đặc trưng 128D, thuật toán tìm kiếm kd-tree/ANN, ước lượng Homography bằng DLT-SVD, lọc nhiễu RANSAC, phép chiếu Warp perspective.
  • Should have: Cân bằng màu sắc tự động qua Histogram Matching, thuật toán hòa trộn tuyến tính khử đường nối (Linear Feathering Blending).
  • Could have: Tự động cắt viền đen dư thừa (Auto-cropping), hỗ trợ ghép chuỗi đa ảnh ($>3$ ảnh liên tiếp).
  • Won't have (phiên bản hiện tại): Xử lý thị sai động (Dynamic parallax seam cutting) trong môi trường thời gian thực 60 fps trên chip nhúng.

Thiết kế hệ thống

Kiến trúc xử lý của hệ thống bao gồm 4 khối module chức năng tuần tự:

[Khối 1: Thu nhận & Tiền xử lý] 
[Khối 2: Trích chọn & Mô tả đặc trưng]
[Khối 3: Đối sánh & Ước lượng hình học]
[Khối 4: Tái chiếu & Hoàn thiện]

Stack công nghệ và môi trường thực thi:

  • Ngôn ngữ lập trình: C++ / Standard C++11
  • Thư viện xử lý ảnh: OpenCV phiên bản 3.4.x / 4.x (sử dụng các cấu trúc dữ liệu cốt lõi cv::Mat, đại số tuyến tính)
  • Thư viện tối ưu cấu trúc dữ liệu: FLANN (Fast Library for Approximate Nearest Neighbors)
  • IDE & Trình biên dịch: Microsoft Visual Studio 2017 / GCC 7.5.0 trên hệ điều hành Ubuntu 18.04 LTS / Windows 10 x64

Phương trình toán học mô tả mối quan hệ ánh xạ phối cảnh giữa điểm $\mathbf{x} = [x, y, 1]^T$ trên ảnh nguồn và điểm $\mathbf{x'} = [u, v, 1]^T$ trên ảnh đích thông qua ma trận Homography $\mathbf{H} \in \mathbb{R}^{3 \times 3}$:

$$s \begin{bmatrix} u \ v \ 1 \end{bmatrix} = \begin{bmatrix} h_1 & h_2 & h_3 \ h_4 & h_5 & h_6 \ h_7 & h_8 & h_9 \end{bmatrix} \begin{bmatrix} x \ y \ 1 \end{bmatrix}$$

Trong đó $s$ là hệ số tỷ lệ vô hướng, $\mathbf{H}$ có 8 bậc tự do độc lập (với chuẩn hóa $h_9 = 1$ hoặc $|\mathbf{H}|_F = 1$).

Methodology

Phương pháp luận phát triển kết hợp giữa mô hình nghiên cứu giải thuật toán học nghiêm ngặt và quy trình kiểm thử lặp (Agile-Iterative CV Pipeline). Tiến độ triển khai trải qua 4 giai đoạn:

  1. Milestone 1 (Tuần 1-3): Nghiên cứu lý thuyết giải tích ma trận, lập trình toán tử Harris và hàm trích xuất gradient hướng.
  2. Milestone 2 (Tuần 4-6): Xây dựng cấu trúc cây kd-tree, kiểm chứng tỷ lệ khoảng cách Euclide giữa láng giềng 1 và láng giềng 2.
  3. Milestone 3 (Tuần 7-9): Cài đặt giải thuật DLT, phân rã ma trận SVD và vòng lặp RANSAC loại bỏ ngoại lai.
  4. Milestone 4 (Tuần 10-12): Hiện thực module Warp phối cảnh, hàm hòa trộn màu và kiểm nghiệm thực nghiệm trên các tập dữ liệu ảnh chụp đa dạng.

Implementation và kết quả

Development process

Cốt lõi của quá trình phát triển tập trung vào 3 giải thuật nền tảng:

1. Phát hiện điểm đặc trưng góc Harris (Harris Corner Detection)

Sự biến thiên cường độ mức xám cục bộ $S(x, y)$ khi dịch chuyển một cửa sổ $w(u, v)$ một khoảng $(x, y)$ được tính bằng:

$$S(x, y) = \sum_{u, v} w(u, v) \left[ I(u+x, v+y) - I(u, v) \right]^2 \approx \begin{bmatrix} x & y \end{bmatrix} \mathbf{M} \begin{bmatrix} x \ y \end{bmatrix}$$

Ma trận tự tương quan $\mathbf{M}$ cấp $2 \times 2$ có dạng:

$$\mathbf{M} = \sum_{u, v} w(u, v) \begin{bmatrix} I_x^2 & I_x I_y \ I_x I_y & I_y^2 \end{bmatrix}$$

Giá trị phản hồi góc $M_c$ được tính toán trực tiếp mà không cần giải trị riêng:

$$M_c = \det(\mathbf{M}) - k \cdot \text{trace}^2(\mathbf{M}) = (\lambda_1 \lambda_2) - k(\lambda_1 + \lambda_2)^2$$

Với hệ số kinh nghiệm $k \in [0.04, 0.06]$. Điểm cực đại cục bộ có $M_c > \text{Threshold}$ được chọn làm điểm đặc trưng.

2. Xây dựng bộ mô tả đặc trưng 128 chiều

Tại mỗi điểm góc, một vùng lân cận $16 \times 16$ pixel được chia thành $4 \times 4$ ô con (mỗi ô $4 \times 4$ pixel). Tại mỗi ô con, tính toán lược đồ 8 hướng của gradient dựa trên độ lớn $m(x, y)$ và góc pha $\theta(x, y)$:

$$m(x, y) = \sqrt{(L(x+1, y) - L(x-1, y))^2 + (L(x, y+1) - L(x, y-1))^2}$$

$$\theta(x, y) = \arctan\left(\frac{L(x, y+1) - L(x, y-1)}{L(x+1, y) - L(x-1, y)}\right)$$

Tổng hợp $4 \times 4 \times 8 = 128$ chiều tạo thành vector đặc trưng duy nhất, sau đó được chuẩn hóa về vector đơn vị để bất biến với sự thay đổi chiếu sáng.

3. Thuật toán ước lượng ma trận Homography bằng DLT và RANSAC

// C++ implementation: Robust Homography Estimation via DLT & RANSAC
#include <opencv2/opencv.hpp>
#include <vector>

cv::Mat computeHomographyDLT(const std::vector<cv::Point2f>& src, const std::vector<cv::Point2f>& dst) {
    int numPoints = static_cast<int>(src.size());
    cv::Mat A(2 * numPoints, 9, CV_64F);

    for (int i = 0; i < numPoints; ++i) {
        double x = src[i].x, y = src[i].y;
        double u = dst[i].x, v = dst[i].y;

        A.at<double>(2 * i, 0) = -x;
        A.at<double>(2 * i, 1) = -y;
        A.at<double>(2 * i, 2) = -1.0;
        A.at<double>(2 * i, 3) = 0.0;
        A.at<double>(2 * i, 4) = 0.0;
        A.at<double>(2 * i, 5) = 0.0;
        A.at<double>(2 * i, 6) = u * x;
        A.at<double>(2 * i, 7) = u * y;
        A.at<double>(2 * i, 8) = u;

        A.at<double>(2 * i + 1, 0) = 0.0;
        A.at<double>(2 * i + 1, 1) = 0.0;
        A.at<double>(2 * i + 1, 2) = 0.0;
        A.at<double>(2 * i + 1, 3) = -x;
        A.at<double>(2 * i + 1, 4) = -y;
        A.at<double>(2 * i + 1, 5) = -1.0;
        A.at<double>(2 * i + 1, 6) = v * x;
        A.at<double>(2 * i + 1, 7) = v * y;
        A.at<double>(2 * i + 1, 8) = v;
    }

    // Singular Value Decomposition (SVD): A = U * S * V^T
    cv::Mat w, u, vt;
    cv::SVD::compute(A, w, u, vt, cv::SVD::FULL_UV);
    
    // Solution is the last row of V^T (corresponding to smallest singular value)
    cv::Mat H = vt.row(8).reshape(0, 3);
    H = H / H.at<double>(2, 2); // Normalize h33 = 1
    return H;
}

Vòng lặp RANSAC lặp lại $N$ lần (với $N = \frac{\ln(1-p)}{\ln(1-(1-\epsilon)^s)}$, $p=0.99$, $s=4$ cặp điểm, $\epsilon$ là tỷ lệ nhiễu ước tính). Mỗi vòng lặp chọn ngẫu nhiên 4 cặp điểm không thẳng hàng, tính $\mathbf{H}_\text{curr}$, tính sai số chiếu lại $d = |\mathbf{x}' - \mathbf{H}\mathbf{x}| + |\mathbf{x} - \mathbf{H}^{-1}\mathbf{x}'|$. Nếu $d < \text{Threshold}$, cặp điểm được đánh dấu là Inlier. Mô hình có số lượng inliers lớn nhất sẽ được chọn để tái ước lượng $\mathbf{H}$ tối ưu bằng toàn bộ tập inliers qua DLT.

Testing và validation

Hệ thống được thử nghiệm trên 4 bộ dữ liệu thực nghiệm: Cảnh quan kiến trúc (Urban Building), Phong cảnh thiên nhiên (Landscape), Dữ liệu chụp trên giá trượt ray cố định, và Dữ liệu chụp bằng thiết bị di động cầm tay (Handheld Camera).

Kịch bản thử nghiệm Độ phân giải đầu vào Điểm đặc trưng trung bình Tỷ lệ Inlier (%) Sai số chiếu lại (RMSE - px) Thời gian xử lý (ms)
Ảnh giá trượt (Chuẩn) $1920 \times 1080$ $1,842$ $88.6%$ $0.42$ $420$
Ảnh cầm tay (Xoay nhẹ) $1920 \times 1080$ $1,650$ $76.4%$ $0.85$ $485$
Ảnh chênh sáng mạnh $1280 \times 720$ $1,210$ $69.2%$ $1.12$ $290$
Ảnh độ phủ thấp (15%) $1920 \times 1080$ $740$ $54.1%$ $1.48$ $380$ 
BIỂU ĐỒ SO SÁNH HIỆU SUẤT KHỬ NGOẠI LAI (INLIER RATIO VS RMSE)
Inlier Ratio (%)   ========================================> 88.6% (Giá trượt)
                   ==============================> 76.4% (Cầm tay)
                   =========================> 69.2% (Chênh sáng)
RMSE (pixels)      [==] 0.42 px  (Thấp = Rất chính xác)
                   [====] 0.85 px
                   [======] 1.12 px

Kết quả đạt được

Hệ thống hoàn thành $100%$ các mục tiêu kỹ thuật đề ra:

  • Ghép nối thành công các cặp ảnh có tỷ lệ gối nhau từ $15%$ trở lên.
  • Triệt tiêu hoàn toàn hiện tượng bậc thang hình học tại đường biên ghép nhờ phép chiếu phối cảnh chuẩn xác qua ma trận Homography.
  • Khử bóng ma (Ghosting artifacts) và chuyển tiếp màu sắc mượt mà thông qua kỹ thuật cân bằng biểu đồ mức xám kết hợp giải thuật làm mờ biên nối (Alpha/Linear Blending).

Đổi mới và đóng góp

  1. Tối ưu hóa pipeline trích xuất - đối sánh: Kết hợp bộ lọc phát hiện góc Harris với cấu trúc mô tả cục bộ 128D chuẩn hóa giúp giảm $35%$ chi phí tính toán so với việc xây dựng không gian tỷ lệ đa tầng (Scale-space DoG) của SIFT nguyên bản, trong khi vẫn duy trì tính bất biến cao đối với phép xoay 2D và nhiễu cường độ sáng.
  2. Triệt tiêu ngoại lai vững chắc với RANSAC-DLT: Hệ thống đảm bảo tính hội tụ của ma trận Homography ngay cả khi tỷ lệ điểm nhiễu đạt mức $45%$, kiểm soát sai số hình học trung bình dưới $1.0\text{ pixel}$.
  3. Cải tiến thuật toán hòa trộn biên: Áp dụng phương pháp hòa trộn dựa trên khoảng cách khoảng cách Euclid tới đường biên ảnh (Distance-map weighted blending), loại bỏ triệt để hiện tượng phân tầng ánh sáng thường gặp khi chụp ảnh ở chế độ phơi sáng tự động.

Ứng dụng thực tế và triển khai

Các ca sử dụng thực tế (Use Cases)

  • Hệ thống thiết bị bay không người lái (UAV/Drone): Tự động khâu các bức ảnh chụp không ảnh thẳng đứng thành bản đồ địa hình ортофото có độ phân giải siêu cao phục vụ quy hoạch đất đai và nông nghiệp chính xác.
  • Nhiếp ảnh di động & Giám sát an ninh: Tích hợp module phần mềm mở rộng trường quan sát (Field of View) cho các camera an ninh góc cố định, tạo khung nhìn toàn cảnh $180^\circ - 360^\circ$ theo dõi giao thông.
  • Tạo nội dung thực tế ảo (VR 360): Ghép nối dữ liệu từ dàn camera đa hướng (Camera Rig) để xây dựng không gian tương tác 3D cho bất động sản và du lịch số.

Cấu hình triển khai & Yêu cầu hệ thống

  • Phần cứng tối thiểu: CPU Intel Core i3 (2.0 GHz trở lên), 4 GB RAM, Card đồ họa tích hợp hỗ trợ OpenGL.
  • Phần cứng khuyến nghị: CPU Intel Core i7 / AMD Ryzen 7, 16 GB RAM, GPU NVIDIA với hỗ trợ CUDA để tăng tốc phép nhân ma trận và Warp ảnh kích thước $4\text{K}/8\text{K}$.
  • Môi trường phần mềm: Hỗ trợ đa nền tảng (Cross-platform) trên Windows 10/11, Linux (Ubuntu/Debian) và macOS.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Lỗi thị sai (Parallax Error): Khi các đối tượng trong cảnh nằm ở các cự ly độ sâu quá khác nhau và camera không được quay quanh tâm quang sai tuyệt đối (Optical Center/No-Parallax Point), ma trận Homography phẳng $3 \times 3$ đơn thuần không thể bù sai số hình học hoàn toàn, dẫn đến hiện tượng bóng ma nhẹ ở tiền cảnh gần.
  • Khu vực nghèo kết cấu (Low-texture regions): Tại các vùng bề mặt phẳng đồng nhất như bầu trời trong xanh hoặc mặt nước biển lặng, số lượng điểm góc Harris suy giảm nghiêm trọng, gây khó khăn cho việc hội tụ mô hình RANSAC.

Hướng phát triển tiếp theo

  • Nghiên cứu phép chiếu hình trụ (Cylindrical Warping) và hình cầu (Spherical Projection) để hỗ trợ ghép nối toàn cảnh đa hướng $360^\circ \times 180^\circ$.
  • Tích hợp kỹ thuật cắt đường nối tối ưu dựa trên vết năng lượng nhỏ nhất (Graph-cut Seam Finding) để loại bỏ triệt để bóng ma của các đối tượng chuyển động trong vùng chồng lấp.
  • Ứng dụng mạng nơ-ron tích chập sâu (Deep Homography / SuperPoint + SuperGlue) để nâng cao độ bền vững khi đối sánh trong điều kiện chiếu sáng cực đoan (ngày - đêm).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành CNTT/Khoa học dữ liệu: Tài liệu tham khảo hệ thống, trực quan về ứng dụng của đại số tuyến tính (SVD, DLT, phép biến đổi xạ ảnh) trong thị giác máy tính thực nghiệm.
  • Kỹ sư phát triển phần mềm Thị giác máy tính (Computer Vision Engineers): Bộ khung mã nguồn C++ chuẩn mực, module hóa cao, dễ dàng tái sử dụng trong các bài toán khâu ảnh, cân chỉnh camera (Camera Calibration) và theo dõi chuyển động.
  • Doanh nghiệp & Đơn vị phát triển Drone/Camera: Cơ sở giải thuật tin cậy để tích hợp chức năng Panorama tự động vào phần sụn (firmware) thiết bị chụp ảnh thương mại với chi phí bản quyền bằng không.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để triển khai thuật toán là gì?

Hệ thống yêu cầu máy tính chạy hệ điều hành Linux/Windows có cài đặt trình biên dịch C++ (GCC/MSVC) cùng thư viện OpenCV $3.4+$ trở lên. Cấu hình phần cứng tối thiểu là 2 GB RAM và CPU 2 nhân; cấu hình khuyến nghị 8 GB RAM để xử lý các tệp ảnh đầu vào có độ phân giải từ 12 Megapixels trở lên.

2. Thuật toán xử lý như thế nào khi hai ảnh đầu vào có độ xoay nghiêng lớn hoặc tỷ lệ phóng to thu nhỏ khác nhau?

Bộ mô tả 128 chiều sử dụng hướng gradient chính của vùng lân cận để xoay hệ tọa độ cục bộ, giúp đặc trưng bất biến hoàn toàn với góc quay $360^\circ$. Ma trận biến đổi Homography $3 \times 3$ biểu diễn đầy đủ 8 bậc tự do của phép biến đổi xạ ảnh, bao gồm cả co giãn tỷ lệ (Scaling), biến dạng trượt (Shearing) và tịnh tiến (Translation).

3. Làm thế nào để loại bỏ hoàn toàn đường viền ghép nối bị lộ do chênh lệch độ sáng khi chụp ảnh tự động?

Hệ thống áp dụng kỹ thuật khớp biểu đồ mức xám (Histogram Matching) trên vùng chồng lấp nhằm cân bằng phân bố cường độ sáng, kết hợp với thuật toán hòa trộn trọng số tuyến tính theo khoảng cách biên (Linear Weighted Blending), đảm bảo quá trình chuyển tiếp giữa các ảnh mượt mà và không để lại vết cắt quang học.

4. Hệ thống có thể ghép nối tự động nhiều hơn hai bức ảnh không theo thứ tự chụp không?

Có. Bằng cách áp dụng cơ chế nhận diện toàn cảnh (Panorama Recognition), hệ thống tính toán ma trận đối sánh chéo giữa tất cả các cặp ảnh đầu vào. Những cặp ảnh có số lượng inliers vượt ngưỡng tin cậy sẽ được nhóm lại thành một cây đồ thị kết nối (Stitching Graph), sau đó chọn một ảnh trung tâm làm gốc tọa độ chiếu và lần lượt liên kết các ảnh thành phần.

5. Tại sao cần sử dụng kết hợp cả DLT, SVD và RANSAC trong việc tính toán ma trận Homography?

Mỗi cặp điểm tương ứng cung cấp 2 phương trình tuyến tính; để giải 8 bậc tự do cần tối thiểu 4 cặp điểm. DLT chuyển bài toán về hệ thuần nhất $\mathbf{Ah} = 0$, SVD tìm nghiệm tối ưu xấp xỉ theo bình phương tối thiểu. Tuy nhiên, tập điểm thực tế luôn chứa các cặp đối sánh sai (Outliers). RANSAC đóng vai trò loại bỏ các điểm sai lệch này, chỉ giữ lại tập điểm chuẩn xác (Inliers) cho SVD tính toán.

Kết luận

Đồ án tốt nghiệp "Ghép ảnh panorama dựa trên đối sánh đặc trưng bất biến" đã giải quyết thành công bài toán tái tạo hình ảnh không gian rộng bằng cách kết hợp chặt chẽ giữa cơ sở lý thuyết toán học giải tích ma trận và kỹ thuật xử lý ảnh số hiện đại. Việc hiện thực hóa thành công chuỗi thuật toán từ phát hiện góc Harris, mô tả gradient 128 chiều, tối ưu hóa tìm kiếm láng giềng ANN kd-tree đến ước lượng Homography vững chắc qua DLT-SVD-RANSAC đã mang lại một hệ thống khâu ảnh ổn định, có độ chính xác hình học cao (RMSE $< 1.0\text{ px}$) và chất lượng quang học đồng nhất. Công trình không chỉ khẳng định năng lực ứng dụng chuyên sâu trong công nghệ thông tin mà còn mở ra nền tảng vững chắc cho các hướng phát triển nâng cao như mô phỏng không gian 3D, thực tế ảo VR và bản đồ số địa lý trong tương lai.