本文将详细说明光流法是如何进行多帧融合的，或者说两张图片对齐的。
首先两张图片，前提是灰度相同，或者说亮度相同。
如图所示，假设俩小人除了位置发生变化，其他肢体动作等都完全相同。
小人在左边的图定义为L图，在右边定义为R图。
我们使用稠密光流去解决问题，稠密光流：
calcOpticalFlowFarneback
- prev：前一帧图像
- next： 后一帧图像
- flow： 输出的光流矩阵。矩阵大小同输入的图像一样大，但是矩阵中的每一个元素可不是一个值，而是两个值，分别表示这个点在x方向与y方向的运动量（偏移量）。
- pyr_scale： 金字塔上下两层之间的尺度关系
- levels： 金字塔层数
- winsize： 均值窗口大小，越大越能denoise并且能够检测快速移动目标，但会引起模糊运动区域
- iterations： 迭代次数
- poly_n： 像素领域大小，一般为5，7等
- poly_sigma： 高斯标注差，一般为1-1.5
- flags： 计算方法 * 使用cv2.OPTFLOW_FARNEBACK_GAUSSIAN 参数可以更准确的找到光流，但是更耗时。
稠密光流算法：Farneback算法
简单来说可以理解为，求每一个像素的搜索范围内的距离最小值。
用我们的例子来说光流如图：
最直观的小人所发生的位移向量可以被光流所找到，具体来说比如头上的某个点A(10，10)，到了B的位置（100，10）。那么在（10，10）位置上的光流向量就应该为（90，0）。
接下来在remap操作的时候，首先要知道ramap的输入是R图和光流向量。也就是说R图上原本就不存在小人在左边的信息，R图的左边是空的背景，这时候就要映射了，还是拿A,B两点举例，对于没有发生位移的地方，直接去R图原始位置上的值即可，直到到了A点，这时的光流向量不为0了，A点的光流向量为（90，0）那么这时，remap出新图的（10，10）位置的像素点会取R图中（10+90，10+0）位置的像素点，这也就等于把小人从右侧移回到了左侧。同理所有的像素点都这样替换，在小人本身完全不发生任何肢体等变化时，理论上是可以完全把右侧的小人移动回左侧的，可是实际中很难做到这样的效果，所以我的理解，这也就是为什么光流有一个前提是”小位移“
。
文字如果说不清，那么请看第二种情况：
还是俩小人，只不过这次，小人不仅往右边移动了，而且还举起了右手。（小人只是在x轴上平移，暂时没有发生y轴上的变化，图画的不标准。）
*左侧小人依旧是L图，右侧为R图。
这种情况看上去难度更大了，但是由于是像素点的数学计算，理论上讲仍然是可以找到位移的。
继续说回刚才，如下图，我们找到了A的位移光流，假设在近乎完美的情况整个小人都被1：1的移回到了左边。那么问题出现了，右侧的小人位置上的像素点该取什么？在光流假设前提下，背景没有发生变化，理论上取L图的像素替代效果最佳（这里暂时不考虑亮度变化），可是remap函数的输入只有一张R图和一个光流向量，并没有L图的任何信息。
所以我们回到开始的求光流环节，我们的参考图是L图，在L图的A点，可以找到在R图（当前帧）所对应的B点，从而求出一个位移向量由A到B，那么在L图的B点呢？L图上的B点，也会在R图上像素找到一个最小距离，而L图上的B点位置是背景，所以从理论上讲L图上B点位置在R图上找到的距离最小值应该是和L图上B点（背景）相似的区域，可是R图上的B点位置不是背景，而是小人，这里就可以说明了光流是不可能做到1：1的还原的（个人理解，欢迎交流），所以L图上B点位置会在R图上B点位置附近找到一个最相似的点作为距离最小值。但是通过实验测试发现这个找所谓的相似距离最小值点效果并不好，通过很极端的调参最后的结果如图：
参考图：
alt图：
光流图：
remap后结果：
位移太大。
光流的三个假设前提其中有一条叫：小运动。
那么我们再次实验，换成小运动的情况：实验结果如下：
参考图：
alt图：
光流图：
光流remap后的图：
光流remap（通过调参最小化扭曲的结果）：
这个结果，在一定程度上确实有还原成参考图的趋势（当然参数可能不是最优），其次不可避免的还是产生了扭曲，但是对比大运动来说，效果有一定的提升，当然也可以通过不断调参去最大程度的减少图像的扭曲。
还有一种情况通过调节参数可以最小化图像扭曲，但是作为代价，原始的alt位置也会被保留，类似于长运动，正常光流扭曲的效果应该是倒数第二张图所示。
关于光流+remap暂时想到的就这样，欢迎讨论交流。
