下载文档原格式
第42卷第S2期红外与激光工程2013年12月Vol.42No.S2Infrared and Laser Engineering Dec.2013高实时性F-SIFT图像拼接算法何宾1，陶丹2，彭勃1(1.北京化工大学信息科学与技术学院，北京100029；2.北京交通大学电子信息工程学院，北京100044)摘要：大场景视频拼接技术被广泛地应用于不同的领域，其应用要求精度高，实时性好。
在对频域相关法、基于SIFT的图像拼接算法等方法进行深入研究的基础上，对其在配准精度、速度等方面进行改进与融合，提出一种具有高拼接性能、适应实时性拼接需求的F-SIFT图像拼接算法。
该算法结合基于区域的图像配准方法和基于特征的SIFT两者优势，采用基于子图像块的频域相位相关算法，兼顾FFT的快速运算特点，提高图像拼接算法运算速度。
实验对算法进行测试，验证F-SIFT算法的有效性。
关键词：视频拼接；图像拼接；图像配准；尺度不变特征变换；傅里叶变换中图分类号：TN911.73文献标志码：A文章编号：1007-2276(2013)S2-0440-05High real-time F-SIFT image mosaic algorithmHe Bin1,Tao Dan2,Peng Bo1(1.School of Information Science and Technology,Beijing University of Chemical Technology,Beijing100029,China;2.School of Electronic and Information Engineering,Beijing Jiaotong University,Beijing100044,China)Abstract:Large field video mosaic are widely used in different fields,it is required that mosaic is characteristic of high precision and good real-time.Based on deep researches of frequency-dependent method and SIFT image mosaic method,registration precision and speed is improved and merged.An F-SIFT image mosaic algorithm with high mosaicing and real-time performance was introduced.This algorithm incorporated the merits of the area-based image registration and feature-based SIFT,adopted phase correlation methods based on sub-blocks,which takes into account the characteristic of FFT quick calculation in order to speed the image mosaic algorithm.The effectiveness of algorithm was evaluated by the experimental results.Key words:video mosaic;image mosaic;image registration;scale invariant feature transform(SIFT);Fourier transform收稿日期：2013-08-10；修订日期：2013-09-25基金项目：国家自然科学基金青年科学基金(61202431)；高等学校博士学科点专项科研基金(20110009110001)；中央高校基本科研业务费专项资金(2013JBM008)；教育部留学回国人员科研启动基金作者简介：何宾(1975-)，男，讲师，硕士生导师，博士，主要从事信号处理、片上系统方面的研究工作。
基于SURF和双向自适应阈值配准的红外图像拼接作者：谢红梅刘强夏磊邱赫来源：《航空兵器》2018年第06期DOI：10.19297/ki.41-1228/tj.2018.06.014摘要：针对当前SIFT图像配准与融合拼接算法复杂度高的缺陷，鉴于SURF （speeduprobustfeatures）算法具有快速且鲁棒性较好的特点，提出了一种基于SURF特征点检测和自适应阈值特征匹配的图像拼接算法。
首先用SURF算法提取图像特征后，使用双向匹配策略和自适应阈值的BBF（BestBinFirst）匹配算法寻找图像间的匹配点，同时结合Laplacian 标识符来分离不同类型特征点，减少计算量，再通过RANSAC算法求出图像之间的映射关系，最后采用加权平均融合方法进行图像融合。
通过对红外图像进行拼接实验表明，该方法图像拼接质量速度均有提高，实现了图像的无缝拼接，满足红外图像拼接应用的实际需求。
关键词：SURF;双向匹配;自适应阈值;Laplacian标识符;红外图像拼接中图分类号：TJ760;TP391文献标识码：A文章编号：1673-5048（2018）06-0084-06[SQ0]0引言图像拼接是对同一场景在不同条件下（如不同的时间、拍摄环境、视场角、传感器等）得到的两幅或多幅图像进行对准、融合的过程[1]，其广泛应用于多个领域，如计算机视觉、全景图像拼接、遥感勘测、虚拟现实、医学诊断与辅助治療以及军事等。
红外图像是由成像设备捕捉目标和背景向外辐射的能量差而形成的。
因其成像的特殊性，使其具有可以全天候采集、穿透能力强和像素点灰度值稳定的优势。
基于以上特点，红外图像已经被广泛应用于航天、航空、航海等军事领域，如弱小红外目标跟踪和识别探测、红外预警、环视扫描、红外线探伤等。
图像配准是图像拼接的核心，按照图像配准的方式可分为基于区域和基于特征两类，其中基于区域的方法运算量大且不能适应图像旋转和尺度缩放的场合，而基于特征的配准方法有很强的鲁棒性，应用广泛。
4个mark点校正算法【引言】在图像处理领域，mark点校正算法是一种重要的图像拼接技术。
通过该技术，可以将多幅图像无缝拼接在一起，广泛应用于全景图像生成、虚拟现实等领域。
本文将介绍四种mark点校正算法，包括基于单应性矩阵的校正方法、基于极线约束的校正方法、基于特征点匹配的校正方法以及基于深度学习的校正方法。
接下来，我们将分别阐述这四种算法的原理及特点，并对比分析它们在实际应用中的优劣。
【四个mark点校正算法的原理及特点】1.基于单应性矩阵的校正方法：该方法通过对图像中的mark点进行匹配，求解单应性矩阵，从而实现图像的校正。
该算法对mark点的分布有一定要求，需要满足一定的密度和分布均匀性。
此外，单应性矩阵的求解过程中容易受到噪声影响，导致校正效果不佳。
2.基于极线约束的校正方法：该方法利用极线约束对图像进行校正，通过寻找相邻图像间的极线对，实现图像的拼接。
该算法对mark点的数量和分布要求较低，具有较强的鲁棒性。
然而，在实际应用中，极线约束可能导致拼接缝明显，影响视觉效果。
3.基于特征点匹配的校正方法：该方法通过特征点匹配算法（如SIFT、SURF等）寻找相邻图像间的匹配点，然后利用匹配点求解仿射矩阵或单应性矩阵，实现图像的校正。
该算法具有较好的鲁棒性和准确性，但对计算资源需求较高，实时性较差。
4.基于深度学习的校正方法：该方法利用卷积神经网络（CNN）或生成对抗网络（GAN）等深度学习技术，实现图像的校正。
该算法具有较高的准确性和实时性，但需要大量的训练数据和计算资源。
【算法具体实现步骤】1.数据准备：选取具有代表性的mark点，分布均匀且具有一定密度。
2.特征提取：从原始图像中提取mark点的特征，如颜色、形状等。
3.匹配与校正：利用特征匹配算法（如SIFT、SURF等）寻找相邻图像间的匹配点，然后求解单应性矩阵或仿射矩阵，实现图像的校正。
4.拼接与融合：对校正后的图像进行拼接，并采用融合算法（如泊松融合、辐射状融合等）消除拼接缝，生成最终的全景图像。
基于特征点的图像拼接算法研究作者：尉朝闻李会平来源：《中小企业管理与科技·上旬》2010年第01期摘要:在研究图像拼接理论的基础上,改进了拼接算法中的特征点匹配问题。
首先利用Harris算法进行角点检测,然后利用归一化相关法进行匹配,接着利用该文中提到的方法来去除误匹配,从而得到匹配点对。
实验结果证明该方法有效地提高了图像拼接的精度和速度。
关键词:特征检测图像匹配图像拼接图像融合0 引言图像拼接技术就是将有重叠部分的图像拼接成一幅大的无缝高分辨率图像的技术。
目前,图像拼接技术已经广泛应用于空间探索、遥感图像处理、医学图像分析、视频压缩和传输、虚拟现实、超分辨率重构等领域[1]。
要实现图像拼接,其关键是图像的匹配。
图像匹配的方法主要有两大类:特征匹配和区域匹配。
区域匹配是利用图像区域之间的像素的相关性进行匹配,特征匹配是利用图像中的纹理、边缘、目标等特征来确定匹配位置[2]。
本文采用特征点来进行图像的配准,这是因为基于区域的拼接方法可能会造成图像的模糊和明显的边界,而基于特征点的拼接方法却有着很多的优点,首先图像的特征点比图像的像素点要少的多,可以大大减少匹配过程中的计算量;其次特征点的提取过程可以减少噪声的影响,对灰度变化、图像形变以及光照不均等都有较好的适应能力。
1 图像拼接关键技术图像拼接技术一般包括3大部分,即图像的获取、特征点的检测与匹配、图像的融合。
1.1 图像的获取目前,获得图像序列的方法主要有三种,一是将照相机固定在三脚架上,通过旋转照相机来获取图像数据;二是将照相机固定在可移动平台上,通过平行移动照相机来获取图像数据;三是手持照相机,拍摄者采用定点旋转或沿垂直于照相机光轴的方向移动的拍摄方式获取图像数据,当然不同的拍摄方式将得到不同的输入图像序列,本文采用第三种方法,因为该方法简单快捷。
1.2 特征点的检测典型的点特征有拐角点、线交叉点、不连续点、轮廓上的曲率最大点、封闭曲线的质心点,这里采用角点来实现图像特征的检测和匹配。
基于SIFT特征点的图像拼接技术研究基于SIFT特征点的图像拼接技术研究摘要:图像拼接是指将多幅图像无缝地拼接在一起，形成一幅全景图像。
基于SIFT（Scale-Invariant Feature Transform）特征点的图像拼接技术是一种常用的方法。
本文针对基于SIFT特征点的图像拼接技术进行研究，主要包括特征点提取、特征点匹配、图像校正和图像融合四个步骤。
通过对这些步骤的研究和实验验证，证实了基于SIFT特征点的图像拼接技术在图像拼接中的有效性和稳定性。
1. 引言随着数字、媒体和计算机技术的快速发展，图像处理在各个领域得到广泛应用。
图像拼接技术能够将多幅图像无缝地拼接在一起，不仅可以增加图像的视野范围，还能够还原实际场景中的细节信息，因此在摄影、航拍、地理信息系统等诸多领域具有重要应用价值。
2. SIFT特征点提取SIFT特征点提取是基于图像局部特征的一种方法。
它通过寻找图像中具有独特性、稳定性和可重复性的关键点，提取出图像的局部描述符。
SIFT特征点具有尺度不变性和旋转不变性，能够在不同图像中进行匹配。
在SIFT特征点提取过程中，首先通过高斯金字塔和DoG(Difference of Gaussian)算子进行尺度空间的极值检测，然后通过主方向估计和关键点描述子计算获取关键点的特征描述。
3. 特征点匹配特征点匹配是图像拼接中最关键的一步。
在SIFT特征点匹配中，常用的方法是使用KD树或暴力匹配方法进行最近邻搜索。
通过计算关键点之间的欧式距离或向量夹角，找到最佳匹配点对。
同时，为了减小误匹配的影响，常常使用比值测试或RANSAC算法进行筛选和剔除。
4. 图像校正图像校正是为了消除图像拼接过程中产生的几何畸变。
通过估计相机的内外参数，对图像进行扭曲矫正，使得多幅图像在同一个坐标系下进行拼接。
常用的方法有相似变换、仿射变换和透视变换等，具体校正方法的选择取决于拼接图像的几何关系。
5. 图像融合图像融合是将多幅图像拼接成一幅全景图像的最后一步。
