Tehnika šivanja (stitching): od mozaika od 800 slika do gigapiksel panorame

26. maj 2026.Tehnika

Zašto stitching? — Od pojedinačnog snimka do gigapiksel panorame

Jedan jedini snimak fotoaparata danas tipično daje 24 megapiksela — na zidnoj površini širine pet metara iz toga proizlazi skromnih 30 PPI (Gigapixel GmbH, 2026). Ko velike površine oblaže ili štampa sa vizuelnim integritetom, treba znatno veću rezoluciju: 400 MP daju na istih pet metara oko 127 PPI i tek čine vidljivim detalje koji zaista stižu do posmatrača. Specijalizovani stock portal za velike formate: pravi gigapiksel snimci od 100 MP, bez AI-upscaling-a — tako glasi osnovna premisa kompanije Gigapixel GmbH, koja je još 2012. realizovala prvi terapiksel snimak u svetu.

Put do toga ne vodi preko većeg senzora, već preko stitching-a: stotine pojedinačnih snimaka spajaju se u mozaik koji se u idealnom slučaju predstavlja kao jedan jedini, po celoj površini oštar snimak. Daniel Hertrich (2018) pokazao je da se 1.200 pojedinačnih slika od po 42 MP može spojiti u 24-gigapiksel panoramu — količina snimaka koja ručnu kontrolu čini nemogućom i odgovornost prebacuje na algoritam. Odlučujuća veza između megapiksel mita i fizičke granice je difrakciona granica: kako objašnjava Rodriguez (2026), 1.000 MP na senzoru pametnog telefona spustilo bi piksele ispod difrakcione granice (~0,8 µm pri f/1,8) — više MP, dakle, ne znači automatski i više detalja. Opširnije o tome: Mit o 48 megapiksela na pametnom telefonu.

Zašto onda stitching? Zato što samo strategija više snimaka zaobilazi fizičku granicu rezolucije pojedinačnih senzora, a da pritom ne krši difrakcionu granicu, i zato što primene velikih formata — od akustičnih panela preko snimaka iz vazduha do muzejskih štampi — zahtevaju PPI vrednosti koje jedan pojedinačni snimak ne može da pruži.

Algoritmi iza mozaika: SIFT, SURF i feature matching

Pre nego što se slike spoje, moraju se poravnati — a za to su zaduženi detektori karakteristika. Studija Ma et al. (2024) upoređuje tačnost ponavljanja uobičajenih detektora i dolazi do jasnog rezultata: SIFT postiže 92,4 % tačnosti ponavljanja, ORB samo 68,1 %. Autori izričito upozoravaju: ko preskoči korak poravnanja, povećava pogrešnu registraciju 2,3 puta. Za naučne i metrološke primene preporuka je stoga nedvosmislena — koristiti detektore invarijantne na skaliranje kao što su SIFT ili SURF, a ne ORB.

Pored samog feature matching-a, odlučujuća je fotometrijska konzistentnost između segmenata. Thomson et al. (2022) u svom nizu od 96 kamera koriste flat-field korekciju da kompenzuju vinjetiranje objektiva i naglašavaju da je prostorna korekcija boje važna za smanjenje artefakata na granicama segmenata. Cabezos-Bernal et al. (2021) koriste X-Rite ColorChecker po sesiji snimanja kako bi odstupanja u boji i ekspoziciji učinili merljivim — korak koji pri 800+ slika brzo od „lepo je imati" postaje neophodnost. Više o fizičkoj granici detektora i piksela: Difrakciona granica — više megapiksela, ne više detalja.

Izvori lanca grešaka su raznoliki: razlike u ekspoziciji između susednih kadrova, hromatska aberacija optike, odstupanja u roll/pitch montaže panoramske glave i, ne na kraju, pomeranje bliskih objekata usled paralakse kod rotacionih sistema bez nodal-point adaptera.

Blenda i difrakcija: f/8 kao sweet spot za stitching

Svaka blenda ima dva suprotna efekta: povećava dubinu polja, ali istovremeno pojačava difrakciju. Cabezos-Bernal et al. (2021) to formulišu nedvosmisleno: „The diaphragm was set to f8 […] it is usually the golden number for maximizing image sharpness." Kod njihovih 90 snimaka (10×9 mreža, 0,76–1,36 GP) f/8 daje najbolji kompromis između rezolucije i dubine polja.

Za duboke scene — recimo arhitekturu sa bliskim i dalekim ravnima — f/11 može biti svrsishodno, kako priznaju Kopf et al. (2007), ali uz osetan gubitak rezolucije usled difrakcije od blende f/8 na većini senzora punog formata. Pravilo glasi: što otvorenije moguće, što zatvorenije neophodno. Fiksni fokus na beskonačno je pri tome obavezan — autofokus bi pri svakom kadru ponovo fokusirao i uništio preciznost poravnanja.

Još jednom za podsećanje: difrakciona granica nije teorijski problem, već tvrda fizička granica. Rodriguez (2026) proračunom pokazuje da bi 1.000 MP na senzoru pametnog telefona stvorilo piksele daleko ispod difrakcione granice. Ko, dakle, veruje da veći broj megapiksela na istom senzoru rešava problem stitching-a, vara se — više detalja o tome pod Difrakciona granica — više megapiksela, ne više detalja.

Konzistentnost boje preko stotina slika: kalibracija i blending

Stotine slika iz različitih podešavanja ekspozicije i belog balansa spojiti u besprekornu panoramu jeste prava kraljevska disciplina. Domaćiniraju dva izvora grešaka: svetlosne trake (banding) na ivicama preklapanja i pomeraj boje između susednih pločica.

Cabezos-Bernal et al. (2021) dosledno se oslanjaju na X-Rite ColorChecker kalibraciju po sesiji — time se beli balans i temperatura boje ne procenjuju, već mere. Thomson et al. (2022) to dopunjuju flat-field korekcijom, koja sistematski kompenzuje zatamnjenje ivica slike usled vinjetiranja.

Na strani algoritma, cv2.xphoto.matchGains() daje impresivne brojke: Mia (2026) dokumentuje smanjenje banding-a za 91 % pomoću gain-matching-a u linearnom prostoru boja. Ko radi u 8-bitnom intermedijeru, gubi 38 % prvobitnog dinamičkog opsega — u 16-/32-bitnom linearnom ostaje sačuvano 94 % (Mia, 2026).

Zero-Overlap-Blending kompanije PTGui (PTGui, 2021) raspoređuje razlike u svetlini preko cele slike, umesto da ih koncentriše na ivici. Za završnu štampu HP (2014) jasno definiše industrijski standard: ≤ 2 dE2000 konzistentnosti boje — vrednost koju bi svaka gigapiksel panorama trebalo da ispoštuje kada se reprodukuje na medijima velikog formata. O temi formata datoteka i bitne dubine: Formati datoteka PSB, TIFF, JPEG i gigapiksel.

Softver u poređenju: PTGui, Hugin, PanoramaStudio i dr.

Izbor softvera za stitching odlučuje o brzini, kontroli i kvalitetu izlaza.

PTGui Pro smatra se industrijskim standardom kod gigapiksel projekata. Cabezos-Bernal et al. (2021) koriste ga za svoje mozaik nizove od 90 slika, Hertrich (2018) za svoju panoramu od 1.200 slika. PTGui nudi već pomenuti Zero-Overlap-Blending, patch alat za ciljanu doradu i dithering za 8-bitne izvoze (PTGui, 2021).

Hugin, open-source alternativa, nudi punu CLI kontrolu i pogodan je za automatizovane pipeline-ove: pto_gen → cpfind → autooptimiser → nona → enblend (PanoTools Wiki, 2011). Za mozaik i gigapiksel slike Wiki izričito preporučuje sekvence zasnovane na redovima pri blending-u. Ko treba punu kontrolu nad svakim parametrom, dobro je poslužen Huginom — kriva učenja je, doduše, strma.

PanoramaStudio nudi grafički interfejs za standardne panorame, ali pri 800+ slika dolazi do granica performansi. PanoVolo (2026) oslanja se na IMU podatke iz kamere da direktno koriguje yaw/pitch/roll — pristup koji se posebno ističe u oblastima siromašnim strukturama (nebo, monotone površine), gde detektori zasnovani na karakteristikama zakažu.

Preporučeni workflow: RAW razvoj sa kalibracijom unutar kamere → ColorChecker referenca → stitching u PTGui ili Hugin → izlaz kao 16- ili 32-bitni TIFF. Mia (2026) daje pravilo za radnu memoriju: oko 4 MB RAM-a po megapikselu ciljne panorame. Panorama od 24 GP stoga zahteva oko 96 GB RAM-a. Detalji o stitching-u snimaka iz vazduha nalaze se pod: Gigapiksel snimci iz vazduha — tehničke osnove.

Kontrola kvaliteta: prepoznati i ispraviti greške

Čak i najbolji algoritam pravi greške — pitanje je da li ih nalazite. Dhurga Devi et al. (2025) klasifikuju tri tipična stitching artefakta: Detachment (odvajanje dela slike od podloge/reference), Duplication (dvostruki prikaz istog objekta) i Translocation (pomeranje objekta na pogrešnu poziciju).

PanoVolo (2026) preporučuje vizuelnu kontrolu pri 100 %.Zoom — samo na nivou piksela postaju vidljivi ghosting, pogrešne linije i greške paralakse. Ako je značajan deo slike pomeren, pomažu podešavanja yaw, pitch i roll parametara. Kao dopunu, moderne kamere daju IMU podatke koji mogu podržati metode zasnovane na karakteristikama u oblastima siromašnim strukturama.

Patch alat u PTGui omogućava ciljanu doradu pojedinih problematičnih zona, bez ponovnog izračunavanja cele panorame (PTGui, 2021). U Huginu pomaže redosled blending-a zasnovan na redovima (PanoTools Wiki, 2011) da se linije spojeva ciljano kontrolišu.

Ko preskoči kontrolu kvaliteta, rizikuje vidljive greške na završnoj štampanoj površini — a pri 127 PPI na pet metara (Gigapixel GmbH, 2026) svaki, pa i najmanji artefakt vidljiv je posmatraču. Dodatne napomene o kontroli kvaliteta kod panorama iz vazduha: Gigapiksel snimci iz vazduha — tehničke osnove.