本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：计算机视觉中的图像拼接技术能够将多张图像合并为一张全景图，广泛应用于摄影、虚拟现实和地图制作等领域。本资源提供了一套完整的C++源码，通过四个主要源文件实现了图像拼接的关键步骤：特征检测与匹配、图像对齐、图像融合以及主程序控制。源码中使用了SIFT算法进行特征检测，RANSAC算法剔除错误匹配，并通过融合技术保证拼接图像的平滑过渡。CImg库被用于辅助图像处理。学习这些源码有助于开发者掌握图像拼接的基本原理及关键技术。
[计算机视觉] 图像拼接 Image Stitching C++源码

1. 图像拼接的计算机视觉应用

1.1 概述

图像拼接作为计算机视觉领域的一项重要技术，通常用于将多个图像片段融合成一个宽广视野的单一图像。这对于地图制作、卫星图像分析、增强现实、医学影像处理等领域具有重要的应用价值。在实现图像拼接的过程中，涉及诸多复杂的处理步骤，包括但不限于图像预处理、特征提取与匹配、图像变换以及最终的图像融合。

1.2 技术背景与需求

随着数字成像技术的不断进步，人们在高清晰度图像获取方面的需求日益增长。图像拼接能够帮助我们超越单幅图像的限制，构建更为丰富和完整的场景视图。不同的应用场合对图像拼接的精度、速度以及抗干扰能力有着不同的要求，这也促使图像处理技术持续发展和优化。

1.3 图像拼接的现实意义

在实际应用中，图像拼接不仅提高了图像信息的利用率，还扩展了图像的观测范围，极大地提升了视觉系统的处理能力和应用场景。例如，在自动驾驶领域，图像拼接可以提供车辆周围360度的全景视图；在遥感领域，图像拼接有助于形成大范围的地表地图。因此，探索高效、准确的图像拼接技术对于推动相关行业的发展具有重大意义。

本章节为后续章节内容奠定了基础，我们将在接下来的章节中深入探讨图像拼接的关键技术和实现方法。

2. C++源码实现关键步骤解析

在本章节中，我们将深入探讨图像拼接过程中所涉及的关键步骤，并利用C++编程语言详细解析各个步骤的源码实现。我们会从图像预处理阶段开始，逐步介绍特征提取与匹配，以及图像变换与映射的核心算法和实现。本章节的目的是帮助读者理解从图像输入到最终拼接输出所经历的关键步骤，并通过具体的代码示例加深理解。

2.1 图像预处理阶段

2.1.1 灰度转换与滤波

在图像拼接的预处理阶段，第一步通常是对图像进行灰度转换。这是因为灰度图像只包含亮度信息，减少了计算的复杂度。接着，为了消除噪声并平滑图像，常常会对灰度图像进行滤波处理。

以下是一个简单的C++代码示例，演示如何使用OpenCV库实现灰度转换和高斯滤波：

#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    // 加载彩色图像
    cv::Mat colorImage = cv::imread("path/to/image.jpg");
    if (colorImage.empty()) {
        std::cout << "图像加载失败" << std::endl;
        return -1;
    }
    // 灰度转换
    cv::Mat grayImage;
    cv::cvtColor(colorImage, grayImage, cv::COLOR_BGR2GRAY);
    // 高斯滤波
    cv::Mat filteredImage;
    cv::GaussianBlur(grayImage, filteredImage, cv::Size(5, 5), 1.5);
    // 显示结果
    cv::imshow("Gray Image", grayImage);
    cv::imshow("Filtered Image", filteredImage);
    cv::waitKey(0);
    return 0;
}

在这段代码中，首先读取一个彩色图像，然后将其转换为灰度图像。之后，应用高斯滤波器进行图像平滑处理。需要注意的是， cv::GaussianBlur 函数的参数 cv::Size(5, 5) 定义了高斯核的大小，而1.5是高斯核的标准差。

2.1.2 图像缩放与裁剪

图像的缩放和裁剪是为了使图像满足拼接过程中所需的尺寸要求，或者为了优化性能减少后续处理的数据量。

以下是C++代码示例，展示如何对图像进行缩放和裁剪：

// 图像缩放
cv::Mat resizedImage;
cv::resize(filteredImage, resizedImage, cv::Size(320, 240));

// 图像裁剪
cv::Rect cropRegion(50, 50, 200, 150);
cv::Mat croppedImage = resizedImage(cropRegion);

在此代码段中，首先使用 cv::resize 函数将滤波后的图像缩放至特定尺寸，然后使用 cv::Rect 定义裁剪区域，并从缩放后的图像中裁剪出所需的部分。

2.2 特征提取与匹配

2.2.1 特征检测的方法

特征检测是图像拼接中的一个重要步骤，它能够帮助我们在图像之间找到对应关系。SIFT、SURF和ORB是常见的特征检测算法。在这个示例中，我们将使用ORB特征检测器。

cv::Ptr<cv::ORB> detector = cv::ORB::create();
std::vector<cv::KeyPoint> keypoints;
cv::Mat descriptors;

detector->detectAndCompute(resizedImage, cv::noArray(), keypoints, descriptors);

在这段代码中， cv::ORB::create 创建了一个ORB检测器对象。 detectAndCompute 函数执行特征检测并计算描述子。

2.2.2 特征描述与匹配策略

为了找到图像之间的对应关系，接下来需要匹配特征点。常见的匹配策略包括最近邻匹配、FLANN匹配器和BFMatcher匹配器。

cv::BFMatcher matcher(cv::NORM_HAMMING);

std::vector<cv::DMatch> matches;
matcher.match(descriptors1, descriptors2, matches);

在这段代码中， cv::BFMatcher 用于创建一个暴力匹配器对象，并对两个图像的特征描述子进行匹配。

2.3 图像变换与映射

2.3.1 单应性矩阵的计算

为了将一张图像转换到另一张图像的视角，需要计算单应性矩阵。单应性矩阵是一个2x3的矩阵，定义了两个图像之间的几何对应关系。

std::vector<cv::Point2f> points1, points2;
// 填充points1和points2为匹配特征点的坐标

cv::Mat homography = cv::findHomography(points1, points2, cv::RANSAC);

在这段代码中，使用 cv::findHomography 函数计算单应性矩阵，它接受匹配的特征点坐标，并应用RANSAC算法来减少异常值的影响。

2.3.2 图像的校正与拼接

最后一步是根据计算出的单应性矩阵对图像进行变换和拼接。

cv::Mat resultImage;
cv::warpPerspective(colorImage1, resultImage, homography, colorImage1.size());

这段代码使用 cv::warpPerspective 函数，根据单应性矩阵对源图像进行透视变换，然后将其拼接到目标图像上。

通过上述的步骤解析，我们可以看到C++在图像拼接中的实际应用，包括图像的预处理、特征的检测与匹配、以及图像变换与映射。这些步骤的实现为我们提供了技术基础，使得图像拼接成为可能。在接下来的章节中，我们将继续深入探讨其他关键技术，如SIFT、RANSAC算法以及图像融合技术，并结合实际案例展示如何优化和应用这些技术。

3. SIFT算法在特征检测与匹配中的应用

3.1 SIFT算法原理与步骤

3.1.1 尺度空间极值检测

尺度空间理论是由Lindeberg于1994年提出的，它通过在不同尺度下观察图像来检测稳定特征点。SIFT算法中，这一概念用于建立图像的尺度空间，并在其中检测关键点。尺度空间的构建可以通过对原图进行高斯模糊，然后不断地进行下采样来实现。SIFT关键点的检测是从每一个像素点开始，在其邻域内进行比较，寻找尺度空间中的极值点。这样的极值点代表了潜在的特征点。

以下是使用C++实现尺度空间极值检测的关键代码段，它展示了如何通过高斯滤波构建尺度空间，并进行关键点的检测：

void buildGaussianScaleSpace(pyramid& pyramidImage) {
    int width = pyramidImage[0].cols;
    int height = pyramidImage[0].rows;

    for (int level = 1; level < pyramidImage.size(); ++level) {
        Mat previous = pyramidImage[level - 1];
        Mat current;

        // 高斯模糊上一层图像
        GaussianBlur(previous, current, Size(0, 0), sigma * pow(2, level));

        // 将模糊后的图像添加到金字塔中
        pyramidImage[level] = current;
    }
}

void detectScaleSpaceExtrema(pyramid& pyramidImage, std::vector<Keypoint>& keypoints) {
    int width = pyramidImage[0].cols;
    int height = pyramidImage[0].rows;

    // 遍历每个尺度空间层的每个像素
    for (int level = 1; level < pyramidImage.size(); ++level) {
        Mat current = pyramidImage[level];
        Mat prev = pyramidImage[level - 1];
        Mat next = pyramidImage[level + 1];
        // ... (其他必要步骤)
    }
    // ... (后处理步骤，包括剔除边缘点等)
}

在上述代码中， buildGaussianScaleSpace 函数负责构建高斯尺度空间金字塔，而 detectScaleSpaceExtrema 函数则用于检测极值点。这些极值点在尺度空间中是稳定的，它们将在后续步骤中作为特征点进行进一步处理。

3.1.2 关键点定位与方向分配

在检测到关键点后，SIFT算法对这些关键点进行精确的位置和尺度定位，以确保它们的复现性。接下来，SIFT算法还会为每个关键点分配一个方向，这个方向是基于关键点邻域内的梯度方向确定的。通过计算关键点邻域内的主方向，算法增强了对旋转变化的不变性。

关键点方向分配的代码段可能如下：

void assignOrientation(pyramid& pyramidImage, std::vector<Keypoint>& keypoints) {
    // 遍历关键点
    for (Keypoint& keypoint : keypoints) {
        // 计算关键点邻域内梯度
        Mat gradients;
        // ... (计算梯度的代码)

        // 计算主方向
        double orientation = calculateDominantOrientation(gradients);
        keypoint.orientation = orientation;
    }
}

double calculateDominantOrientation(const Mat& gradients) {
    // ... (实现梯度方向计算和主方向选择)
    return dominantOrientation;
}

代码逻辑分析与参数说明：
- calculateDominantOrientation 函数计算关键点邻域内的梯度方向并确定主方向。
- orientation 变量保存了每个关键点的主方向，这个方向将用于接下来的特征描述子生成。

3.2 SIFT特征描述子

3.2.1 描述子向量的生成

SIFT特征描述子是一种128维的向量，它描述了关键点周围的图像信息。生成描述子向量的关键在于构建关键点邻域内的信息分布，包括梯度的大小和方向。首先，为每个关键点周围定义一个特定大小和方向的区域，然后将该区域内的图像梯度信息转换为向量。

生成描述子的代码段可能如下：

void computeDescriptor(const Mat& image, Keypoint& keypoint, Descriptor& descriptor) {
    // 提取关键点邻域内的图像梯度信息
    Mat localGradient;
    // ... (提取梯度信息的代码)

    // 将梯度信息转换为描述子向量
    descriptor = convertGradientToLocalDescriptor(localGradient);
}

Descriptor convertGradientToLocalDescriptor(const Mat& localGradient) {
    // ... (实现梯度信息到描述子向量的转换)
    return localDescriptor;
}

代码逻辑分析与参数说明：
- localGradient 是关键点邻域内的梯度信息。
- convertGradientToLocalDescriptor 函数将这些梯度信息转换成一个128维的描述子向量。
- 这个向量对图像旋转、尺度缩放、亮度变化具有良好的不变性。

3.2.2 特征匹配与验证

特征匹配是将同一场景的不同图像中检测到的特征点进行匹配，以找到它们的对应关系。SIFT算法通过比较特征点的描述子向量来实现这一过程。为了提高匹配的准确性，通常会引入一个阈值，只有当两个特征点的描述子向量之间的欧氏距离小于该阈值时，这两个点才会被认为是匹配的。

特征匹配的关键代码段可能如下：

void matchFeatures(const std::vector<Descriptor>& descriptors1,
                   const std::vector<Descriptor>& descriptors2,
                   std::vector<DMatch>& matches) {
    // 遍历描述子集合1
    for (const Descriptor& desc1 : descriptors1) {
        double minDistance = std::numeric_limits<double>::max();
        int matchIndex = -1;

        // 遍历描述子集合2
        for (const Descriptor& desc2 : descriptors2) {
            double distance = computeDistance(desc1, desc2);
            if (distance < minDistance) {
                minDistance = distance;
                matchIndex = &desc2 - &descriptors2[0]; // 记录最小距离和索引
            }
        }

        // 如果最小距离小于阈值，则认为是匹配的
        if (minDistance < threshold) {
            matches.push_back(DMatch(/* keypoint index from image 1 */,
                                     matchIndex,
                                     minDistance));
        }
    }
}

代码逻辑分析与参数说明：
- matchFeatures 函数比较两组描述子，寻找匹配项。
- computeDistance 函数计算两个描述子之间的欧氏距离。
- matches 向量最终包含所有被认为是匹配的特征点对。

3.3 SIFT算法的优化与改进

3.3.1 算法性能优化

SIFT算法虽然在描述子生成和匹配方面表现出色，但其计算复杂度较高，尤其是在处理大规模图像数据时。为了提升算法性能，研究者们提出了多种优化策略，比如使用近似算法来加快关键点的检测，或者采用快速的近似距离度量方法来减少描述子匹配的时间消耗。

3.3.2 对噪声与光照变化的鲁棒性

SIFT算法在设计时考虑了图像噪声和光照变化的影响。它通过选择在尺度空间中的稳定点来减少噪声的干扰，并且使用了图像的梯度信息来构建描述子，这使得算法对于光照变化具有较好的鲁棒性。不过，即使如此，当噪声强度较大或光照条件剧烈变化时，依然需要采取额外措施来增强算法的鲁棒性。

针对这些情况，可以进行参数调整或使用对噪声和光照变化更鲁棒的特征提取方法。例如，可以对算法中的尺度空间参数进行优化，以适应不同的图像条件。

4. RANSAC算法在图像对齐中的应用

4.1 RANSAC算法概述

随机抽样一致性（Random Sample Consensus, RANSAC）算法是一种用于估计数学模型参数的迭代方法，尤其在面对大量噪声数据时仍能稳健地找到数据中的可靠模型。它通过重复随机选择数据点子集来构建假设模型，并通过多数投票或一致性检验来评估模型的有效性。RANSAC算法在图像处理领域，特别是在图像拼接过程中，对齐图像对时非常有效。

4.1.1 鲁棒估计原理

鲁棒性是指在数据中存在异常值或噪声时，算法仍能给出正确的结果。RANSAC利用最小化错误数据点对估计模型的影响，通过迭代选择最小化数据中的错误比例。鲁棒性是通过设定一个合适的阈值来实现的，这个阈值定义了哪些数据点被认为是内点（与模型一致的点），哪些是外点（与模型不一致的点）。

4.1.2 算法流程与特点

RANSAC算法流程如下：
1. 随机选择数据集中的一个极小比例，构建一个初始模型。
2. 计算所有数据点对这个初始模型的支持度（内点数）。
3. 如果支持度高于某个阈值，那么认为初始模型足够可靠，否则重复步骤1和2。
4. 使用所有内点重新计算一个更精确的模型。
5. 迭代直至达到最大迭代次数或找到足够好的模型。

RANSAC的特点包括：
- 不需要先验知识，不需要知道数据集中有多少个外点。
- 适用于参数模型的估计，模型参数数量应小于数据点的数量。
- 对异常值和噪声具有很好的抵抗力。

4.2 RANSAC在图像拼接中的实现

RANSAC算法在图像拼接中的应用主要体现在估计单应性矩阵和剔除异常点。

4.2.1 估计单应性矩阵

图像拼接需要找到两幅图像之间的几何关系，即单应性矩阵。通过RANSAC算法可以在两幅图像的特征点匹配对中找到可靠的匹配对，并利用这些匹配对计算出稳定的单应性矩阵。

示例代码展示

假设我们已经通过特征匹配获得了点对列表 matches ，可以使用以下代码实现RANSAC算法：

#include <opencv2/opencv.hpp>
#include <vector>

using namespace cv;
using namespace std;

vector<DMatch> robustMatch(vector<KeyPoint> &keypoints1, vector<KeyPoint> &keypoints2, Mat &desc1, Mat &desc2, int threshold) {
    vector<DMatch> robustMatches;
    Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::BRUTEFORCE_HAMMING);
    vector<vector<DMatch>> knn_matches;

    // Find k-nearest matches for each descriptor
    matcher->knnMatch(desc1, desc2, knn_matches, 2);

    for (size_t i = 0; i < knn_matches.size(); i++) {
        // Filter matches using distance ratio test
        if (knn_matches[i][0].distance < threshold * knn_matches[i][1].distance) {
            robustMatches.push_back(knn_matches[i][0]);
        }
    }

    return robustMatches;
}

Mat estimateHomography(vector<DMatch> &matches, vector<KeyPoint> &keypoints1, vector<KeyPoint> &keypoints2) {
    vector<Point2f> points1, points2;
    for (const auto &match : matches) {
        points1.push_back(keypoints1[match.queryIdx].pt);
        points2.push_back(keypoints2[match.trainIdx].pt);
    }

    Mat homography;
    // Use RANSAC to estimate the homography matrix
    homography = findHomography(points2, points1, RANSAC);

    return homography;
}

在这个代码段中，我们首先找到匹配对，并通过比率测试过滤出最可靠的匹配点对。然后，这些点对被用来计算单应性矩阵，使用的是 findHomography 函数，它实现了RANSAC算法。

4.2.2 误差评估与剔除异常点

在估计了单应性矩阵之后，我们需要对所有匹配的点对应用这个矩阵，以检验它们是否满足几何一致性。那些不满足一致性条件的点对被视为异常点，并从匹配列表中剔除。

vector<DMatch> filterOutliers(vector<DMatch> &matches, vector<KeyPoint> &keypoints1, vector<KeyPoint> &keypoints2, Mat &homography) {
    vector<DMatch> inliers;
    vector<Mat> homographyVec = {homography};
    Mat mask;

    // Find inliers using the homography matrix
    for (const auto &match : matches) {
        Mat pt1 = (Mat_<double>(3,1) << keypoints1[match.queryIdx].pt.x, keypoints1[match.queryIdx].pt.y, 1);
        Mat pt2 = (Mat_<double>(3,1) << keypoints2[match.trainIdx].pt.x, keypoints2[match.trainIdx].pt.y, 1);
        Mat transformed;
        perspectiveTransform(pt2, transformed, homographyVec);
        if (norm(pt1 - transformed) < 1.0) {  // Threshold can be adjusted
            inliers.push_back(match);
        }
    }

    return inliers;
}

上述代码使用了 perspectiveTransform 函数和一个阈值来找出与估计的单应性矩阵一致的内点。通过调整阈值可以控制内点定义的严格程度。

4.3 RANSAC算法的扩展与应用

4.3.1 算法效率优化

RANSAC算法虽然稳健，但其计算开销较大。优化方式包括减少迭代次数、使用近似方法或并行计算。例如，可以使用快速随机样本一致性（Fast RANSAC）或其他变体来提高算法效率。

4.3.2 应用于其他计算机视觉任务

RANSAC不仅用于图像拼接，也被广泛应用于三维重建、运动分析、相机标定等其他计算机视觉任务。其适应性和灵活性使得它成为计算机视觉算法中不可或缺的组件之一。

这一部分的代码和逻辑分析将根据具体的应用场景进行扩展，以展示RANSAC算法如何被应用到不同的问题域中。

5. 图像融合技术介绍与应用

图像融合技术作为图像拼接领域的一个重要分支，它的主要目的是将来自同一场景的多个图像通过一定的算法和策略进行处理，最终得到比任何单个图像都具有更丰富信息量的合成图像。这种技术在多光谱遥感、医学成像、增强现实和视觉监控等领域有着广泛的应用。

5.1 图像融合的基本概念

图像融合的过程是一个把从不同源获得的图像信息集成到一个单一图像中的过程。这个过程涉及到信息的抽取、分析以及综合。

5.1.1 融合技术的分类

根据处理的图像层次不同，图像融合技术主要分为以下三个层次：

  • 像素级（Pixel-Level）融合 ：直接在像素层面上进行融合处理，此方法会得到一个像素点对点的融合结果，图像细节保留较好，但计算量相对较大。

  • 特征级（Feature-Level）融合 ：在图像特征提取的基础上进行融合，包括边缘、角点、纹理等特征的融合。这种方法降低了计算复杂度，并且有利于后续的图像分析处理。

  • 决策级（Decision-Level）融合 ：通常用于多传感器融合，通过分析和解释来自多个源的数据来形成最终决策。这类方法在融合过程后得到的结果是对原始图像的抽象，便于执行决策和模式识别。

5.1.2 融合效果评估指标

评估融合效果的指标有很多，这里简要介绍几种常用的评估方法：

  • 主观评估 ：通过人眼直接观察，评估图像的视觉效果。虽然主观性较强，但能够直观地反映图像的可用性。
  • 客观评估 ：通过计算融合图像与参照图像（或真实图像）之间的相似度来进行评估。常用的客观指标包括均方误差（MSE）、峰值信噪比（PSNR）、结构相似性指数（SSIM）等。

5.2 图像融合的常用方法

在实际应用中，图像融合的方法多种多样，以下介绍两种常见的融合方法。

5.2.1 多分辨率分析

多分辨率分析是图像融合中常用的方法之一。它利用图像的多尺度特性，将图像分解到不同尺度空间，然后在不同层次上进行融合处理。一种流行的多分辨率分析方法是拉普拉斯金字塔（Laplacian Pyramid），它通过构建图像的高斯金字塔，然后从各层中提取细节信息并加以综合。

5.2.2 能量最小化融合

能量最小化融合是基于能量优化原理的一种融合技术。通过构建一个能量函数，旨在最小化这个函数以得到最优的融合图像。通常这个能量函数包含两部分：一部分是数据保真度项，用于确保融合图像保留源图像的信息；另一部分是平滑项，用于确保融合图像的视觉质量。

5.3 图像融合在拼接中的实践

在图像拼接中应用图像融合技术，可以显著提升拼接图像的整体质量，尤其是在视角变化较大或光照条件不一致的情况下。

5.3.1 融合策略与技巧

一种常用的融合策略是在图像重叠区域采用加权平均融合，根据像素点的距离权重计算融合值。此外，为了避免重叠区域产生亮度不均匀的问题，可以采用梯度融合、区域生长或基于图像内容的融合技术。

5.3.2 拼接图像质量提升实例

以下是一个简单的拼接图像质量提升实例。我们将通过加权平均法来融合两个部分重叠的图像，代码示例：

#include <opencv2/opencv.hpp>
using namespace cv;

Mat weightedAverageFusion(const Mat &image1, const Mat &image2, const Mat &mask) {
    Mat fusedImage;
    image1.copyTo(fusedImage, mask);
    image2.copyTo(fusedImage, 255 - mask);
    return fusedImage;
}

int main() {
    Mat image1 = imread("image1.jpg", IMREAD_GRAYSCALE);
    Mat image2 = imread("image2.jpg", IMREAD_GRAYSCALE);
    Mat mask = imread("mask.jpg", IMREAD_GRAYSCALE); // 重叠区域为白色，非重叠为黑色

    // 正常化mask到0~1
    normalize(mask, mask, 0, 1, NORM_MINMAX);

    Mat fused = weightedAverageFusion(image1, image2, mask);

    imshow("Fused Image", fused);
    waitKey(0);

    return 0;
}

通过上述实例，我们可以看到，即使是最简单的加权平均融合，也可以有效地提高拼接图像的视觉质量。此外，也可以尝试不同的融合策略和算法来获得更好的效果。

本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：计算机视觉中的图像拼接技术能够将多张图像合并为一张全景图，广泛应用于摄影、虚拟现实和地图制作等领域。本资源提供了一套完整的C++源码，通过四个主要源文件实现了图像拼接的关键步骤：特征检测与匹配、图像对齐、图像融合以及主程序控制。源码中使用了SIFT算法进行特征检测，RANSAC算法剔除错误匹配，并通过融合技术保证拼接图像的平滑过渡。CImg库被用于辅助图像处理。学习这些源码有助于开发者掌握图像拼接的基本原理及关键技术。


本文还有配套的精品资源，点击获取
menu-r.4af5f7ec.gif

Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

AI多Agent协作系统实战（十五）：当AI Agent说“测试通过“时，它到底做了什么？——从“感性复核“到“理性证据链“的重构》

avatar AI Agent技术社区
cover

agent面试必备37-AI Agent 核心架构：记忆系统（Memory System）

avatar AI Agent技术社区
cover

agent面试必备38-AI Agent 核心架构：短期记忆（Working Memory）

avatar AI Agent技术社区