假设我们使用同一部相机，用不同视角拍了两张照片，那么如何对这两张图片视角变换进行建模，将相邻的两张图片联系起来，就成为了一个问题。

上图展示了一些几何变换。单应矩阵的作用在于，将图像平面P1转换为另一个图像平面P2。下面是一个例子：

上面的projective（射影变换）可以表示为：I1=H×I2
其中H即为单应矩阵。单应矩阵保持图像中的直线，因此，唯一可能的变换是平移、仿射等。H矩阵可以表示为：
h11 h12 h13
h21 h22 h23
h31 h32 h33

在图像拼接这一问题中，我们一旦获得了图像之间的匹配，下一步就是计算单应矩阵。单应矩阵将使用这些匹配的关键点估计图像之间的相对方向变换。

那么，对于全景拼接过程中两张图像相邻的情况，怎样计算单应矩阵呢？我们注意到，这涉及到RANSAC算法，在OpenCV中，调用findHomography()方法时指定cv2.RANSAC参数。

给定原始图像与目标图像，则相应的单应矩阵可以用OpenCV中的findHomography()方法求得。

# pts_src与pts_dst都是numpy arrays
h, status = cv2.findHomography(pts_src, pts_dst, cv2.RANSAC)

给定原始图像与单应矩阵，则转换后的图像可以用OpenCV中的warpPerspective()方法求得。

# im_src是numpy arrays
# size的格式：(width,height)
im_dst = cv2.warpPerspective(im_src, h, size)