了解退化的单应性情况是关键。例如，如果您的点是共线的或接近共线的，则您将无法获得良好的单应性。同样，巨大的灰色方块可能表示极端缩放。两种情况都可能源于最终单应性计算中的极小值或映射错误的事实。

为确保这永远不会发生：
1.确保点在两个图像中都均匀分布。
2.确保至少有10-30个对应（如果噪音很小，则4个就足够了）。
3.确保点正确匹配，并且变换是单应性。

要查找错误的单应性，请将找到的H应用于原始点，并查看与期望点的距离|x2-H*x1| < Tdist ，其中Tdist是距离误差的阈值。如果只有几个点满足此阈值，则您的单应性可能不好，并且您可能违反了上述要求之一。

您可以对输出执行几个健全性测试。在我头顶上：

1. 计算单应性的行列式，并观察它是否太接近零而无法舒适。
2. 更好的是，计算其SVD，并验证第一个到最后一个奇异值的比率是合理的（不太高）。两种结果都会告诉您矩阵是否接近奇异。
3. 计算图像角及其中心的图像（即，将单应性应用到这些角和中心时获得的点），并验证它们是否有意义，即它们是否在图像画布中（如果您希望它们位于图像画布中） ）？他们彼此分开得好吗？
4. 使用单应图，将适合单应性的输出（数据）点与输入值的计算值一起在matlab /八度图中进行绘制，并验证它们是否接近（即误差很小）。

导致垃圾结果的常见错误是输入和输出点列表的顺序不正确，这导致拟合例程使用错误的对应关系进行工作。检查索引是否正确。