文档拼接是一种数字图像处理技术，将多张重叠拍摄或扫描的文档照片合并为单一无缝合成图像。其目标是重建物理文档的完整高分辨率表示，该文档可能因过大、损坏或位置不便而无法一次拍摄完成。该过程对于数字化大幅面材料（如地图、报纸和历史记录）以及法医分析撕裂或碎片化文档至关重要。
该技术依赖于对齐输入图像的重叠区域，这一过程称为图像配准。通过识别重叠区域中的共同特征或基准标记，算法计算几何变换（如平移、旋转和缩放），将每幅图像映射到统一坐标系。对齐后，图像通过融合以最小化可见接缝，通常使用羽化或多频段融合等技术来处理光照和透视差异。输出为单一拼接图，以最小失真保留原始内容。
历史发展
拼接概念早于数字计算，19世纪已有手工拼接的早期摄影全景图。20世纪60年代和70年代，Xerox PARC和MIT CSAIL等机构的研究人员开始探索航空和卫星图像的自动拼接。20世纪90年代，随着廉价数码相机和扫描仪的普及，“文档拼接”一词逐渐流行，推动了档案数字化项目。早期知名系统包括Carnegie Mellon University和Stanford AI Lab开发的系统，专注于平面文档的稳健特征检测和对齐。
到2000年代，Computer vision和Machine learning的进步提高了特征匹配的准确性，使拼接能够处理低纹理或重复图案的文档。1999年引入的尺度不变特征变换（SIFT）和2006年引入的加速稳健特征（SURF）成为标准工具。这些方法现已被Deep learning方法补充，后者直接从数据中学习对齐，但经典技术因其可靠性和可解释性仍被广泛使用。
关键技术及算法
文档拼接通常涉及多个阶段：图像采集、特征检测、特征匹配、变换估计和融合。特征检测识别显著点或区域，如角点、文本边缘或印刷标记。常见检测器包括Harris角点、SIFT和ORB（定向FAST和旋转BRIEF）。匹配算法（如带比率测试的最近邻搜索）跨图像配对对应特征。
变换估计使用稳健拟合方法（如RANSAC（随机抽样一致性））计算单应性或仿射模型以对齐图像。对于文档，平面假设通常成立，将变换简化为单应性。融合随后结合对齐图像，使用梯度域融合等技术隐藏曝光差异。在严重透视失真的情况下，Data Augmentation和Curriculum Learning已被应用于训练神经网络以实现更稳健的对齐。
实际应用
文档拼接广泛用于文化遗产保护。图书馆和档案馆（如University of Oxford和大英图书馆）使用拼接技术数字化超大尺寸手稿和地图，无需物理拼接。在法医学中，该技术帮助重建撕碎或撕裂的文档，辅助刑事调查。医疗记录和法律证据也通过拼接用于法庭展示。
在工业环境中，拼接支持质量控制，通过捕捉曲面或反光表面上的完整标签或条形码。移动应用使用拼接技术通过智能手机摄像头扫描大型白板或海报，将多张照片拼接为单个PDF。该技术也是Generative AI流程中增强低分辨率扫描的重要组成部分，尽管截至2025年此类应用仍处于实验阶段。
挑战与局限
主要挑战是处理非平面文档，如精装书中的弯曲页面，这需要更复杂的模型（如柱面或球面扭曲）。光照变化、阴影和眩光可能导致错位或可见接缝。低纹理文档（如空白表格）提供的匹配特征很少，导致失败。运动模糊或失焦图像进一步降低质量。
计算成本是另一个问题，尤其是对于包含数千张图像的高分辨率扫描。实时拼接（如基于视频的扫描所需）要求高效算法和硬件加速，通常使用NVIDIA等公司的GPU (in AI)或AWS Trainium等专用芯片。当拼接应用于个人文档时，隐私问题随之而来，需要安全处理。
未来方向
研究继续整合Deep learning和Neural network模型以实现端到端拼接，其中单一网络预测对齐和融合。Transformer (architecture)架构（以在Large language model中的成功而闻名）正被改编用于图像拼接任务，尽管它们需要大量计算资源。Reinforcement learning和Reinforcement Learning from AI Feedback (RLAIF)（基于AI反馈的强化学习）被探索用于优化融合质量。
边缘计算和端侧处理（由Apple、Qualcomm和Arm Holdings的芯片支持）将使拼接在移动和嵌入式系统中更易用。学术界与工业界的合作（如Google DeepMind和OpenAI）可能带来更稳健和通用的解决方案。截至2025年，文档拼接仍是一个成熟但不断发展的领域，在经典精度与现代基于学习的灵活性之间取得平衡。