当前位置：文档之家 › 图像拼接方法及其应用研究

图像拼接方法及其应用研究

  • 格式：doc
  • 大小：2.09 MB
  • 文档页数：48

下载文档原格式

  / 48

合集下载

图像拼接及景深扩展技术在金相检验中的应用

图像拼接及景深扩展技术在金相检验中的应用

金相 检 验 是 金 属 材 料 试 验 研 究 的 重 要 手 段 之
一
定量 金相 分析 中不可 缺少 的手段 。 ｌ 僦 还 光 学显微镜 系统 在采 集试样 图像 的过程 中往往 要受 到某 些客 观 因素 的影 响 ： 方 向 ， 水平 由于 系统视 野范 围有 限 ， 般情 况 下 镜 头放 大倍 率 越 大 视野 范 一 围越 小 ， 而不 能 同一时 间大范 围 的观察 式样 ； 从 垂直 方向， 由于光学 系统都 有景 深范 围 ， 从而不 能 同一时 间看 清楚 落差较 大 的 范 围 ， 一般 情 况下 镜 头放 大 倍 率越 大景 深 范 围越 小 。为 了克 服 光 学 显 微 镜 在 水
场进行 大 量 的统计 工 作 ， 能保 证 测 量 结 果 的可 靠 才 性 【 。文章 主 要 对 金 相 显 微 镜 组 织 样 品 的不 完 整 Ｉ ｊ 性 的多 幅图像 进行 了直 观 全 貌 的 展 现 ， 目的是 将 图 像 拼接 和景深 扩展 技术运 用 到金 相组 织 图像 的分析
Ａｂ ｔ ａ ｔ Ｉ ｈ ａ ｅ ，ｈ ｈ ｒｃ ｅｉｔ ｓｏ ｇ ｓ ｉｋ ｎ ｄ ｅ ｐ ｎ ｉｎ ｆ ｒ ｅ ｔ ｅｄ ａ ｅｌａ ｈ ｉ ａ ｐ ｃ － ｓｒ ｃ ：ｎ ｔ ｅ ｐ ｐ ｒ ｔ ｅ ｃ ａ ａ ｔｒｓ ｃ ｆ ｍａ ｅ ｍｏ ａｃ ｉ ｇ ａ ｘ ａ ｓ ｏ ｐ ｈ ｏ ｆ ｌ ｓ ｗ ｌ ｓｔ ｅｒ ｐ ｈ ａ ｉ ｉ ｎ ｏ ｄ ｆｉ ｔ ｎ ｎ ｍｅ ａ ｏ ｒ ｐ ｉ ｘ ｍｉ ａｉ ｎ ｒ ａｙ ｅ ． １ ｙ ａｅ ｍａ ｎｙ ｕ ｅ ｎ ｏ ｓ ｒｉ ｇ ｃ ｍｐ ｅｅ ｐｃｕ ｅ ｆｓ ｅ ｉ ｉ ｒ ｔ ・ ｉ ｓｉ ｔ ｌ ｇ ａ ｈ ｅ ｅ ａ ｎ ｔ ｓａ ｅ ａ ｌ ｚ ｄ ， ｌ Ｉ ｉ ｌ ｓ ｄ ｉ ｂ ｖｎ ｏ ｌｔ ｉｔｒ ｓ ｏ ｐ ｃａ ｍ ｅｅ ｍｅ ｏ ｌ ｏ ｎ Ｉｅ ｅ ｌ ｓ ｔｒ ｓａ ｄ ａ ｎ ｒ ｌｓｒ ｃｕ ｅ ｔ ｄ ｅｉ ｔ ｌ ｔ ｒ ｓ Ｔ ｅｔ ｓ ｒ ｓ ｌｓｓ ｏ ａ ｅ ｏ ｌ ｘ ｉｉ ｔ ｅｍｉｒ ｓ ｕ ｔ ｒｌａ － ａ ｅ ｂ ｏ ｍａ ｔ ｔ ｒ ｓａ ｇ ｍｅａ ｉ ｍ ｅ ａ ． ｈ ｔ ｅ ｕ ｔ ｈ ｗ ｔ ｔ ｈ ｙ ｃ ｕｄ ｅ ｈ ｂ ｔ ｈ ｅｏ ｔ ｅｕ ａ ｐ ｎ ｕ ｅ ｎ ｌ ｃａ ｉ ｌ ｅ ｈ ｔ ｒ ｐ ａ ａ ｃ ｓ ｏ ｔｒａｓ ｉ ｈ ｏ ｎ ｃ ｕ ａｅｙ ａ ｄ ｃ ｅ ｒ ｗ ｉ ｈ ｉ ｏｔｎ ｒａ ａｙ ｉ ｇ ａ ｄ ｔｓｉ ｇ ｓｍｐｅ ． ｅ ｒ ｎ ｅ ｍ ｅｉ ｎ ｔ ｅ ｒ ｕ ｄ ａ ｃ ｒｔｌ ｎ ｌａ ｌ ｈ ｃ ｓｉ ｆａ ｌ ｙ， ｍｐ ｒ ｔ ｎ ｚ ｎ ｅｔ ａ ｌｓ ａ ｆ ｏ ｌ ｎ ｎ Ｋｅ ｒ ｓ： ｇ ｓ ｉ ｋｎ ； ｘ ａ ｓ ｎ ｆ ｒｄ ｐ ｈ ｏ ｅ ｄ ｔ ｃ ｎ ｌ ｇ ｆｉ ｇ ｒｃ ｓ ｉ ｇ ｙ ｗｏ ｄ ｉ ｅ ｍｏ ａｃ ｉ ｇ ｅ ｐ ｎ ｉ ｏ ｅ ｔ ｆ ｌ ；ｅ ｈ ｏ ｏ ｏ ｍａ ｏ ｉ ｆ ｙ ａ ｍ ｅ ｐ ｏ ｅ ｓｎ ；ｗｈｔ ａ ｅ ｉ ｅｌ ｙ ｒ

视频图像拼接和应用

视频图像拼接和应用

《中国有线电视》2003(22)CHINA CABL E TEL EV ISION・摄编制播・视频图像拼接和应用□雷中锋,王广生,方穗明(北京工业大学,北京100022)摘　要:论述实时处理由若干个摄像头采集的图像,即利用视频图像边界重叠的部分进行拼接,形成全景式的视频,然后实时显示拼接后的视频图像。

关键词:图像拼接;视频拼接;视频全景;视频监控中图分类号:TN919.8 文献标识码:B 文章编号:1007-7022(2003)22-0070-02Video Image Stitching and its Application□L EI Zhong-feng,WAN G Guang-sheng,FAN G Sui-ming(Beijing University of Technology,Beijing100022,China)Abstract:This paper discusses processing real-time video images captured by several cameras that is, stitching image based on edge overlapping part of image,get panoramic image and output real-time video image stitched.K ey w ords:image stitching;video stitching;video panorama;video monitoring 视频图像拼接是指应用若干个摄像头拼接形成的视频全景技术,该技术不同于基于图像拼接的虚拟全景技术和基于云台的视频监控技术,同时又吸收了两者的优点,因此具有重要的发展意义。

本文具体阐述视频拼接的思想、算法及拼接过程和课题取得的结果以及应用前景。

1　视频拼接思想的提出视频图像在信息表达中起着非常重要的作用,随着信息技术的发展,有关视频图像的研究和应用也迅速发展起来,如网络电视、可视电话、视频会议、虚拟现实等。

基于特征相关的图像配准与拼接算法研究

基于特征相关的图像配准与拼接算法研究
・
８ ８・
科
韩 禹 王 港
（ 河北工业大学 控 制科 学与工程学院 ， 天津 ３ ０ ０ １ ３ ０ ） 摘 要： 图像 拼接技 术现在应 用的范围已经愈加广泛 ， 无论在计 算机视 觉 ， 三维重建 ， 医学图像 处理 ， 全景建设等领域都得 到了广泛 应用。 作为图像 处理领域的一门科学 ， 已经受到越 来越 多的重视。 本文对图像拼接的基本原理进行说 明介绍 ， 同时介绍一些基本的拼接 算 法， 主要是基于特征点的研究。并且对 图像拼接 未来的发展进行一个展望。 关键词 ： 图像 拼 接 ； 图像 配 准 ； 图像 融 合 １图像预处理
法 — — 几 何 校正 。 出现畸变后 ， 我们需要校正 。几何校正的一般思路是 以一 幅没
有失真的图像为准， 对 它的各个像素点进行分析 ， 建立一个模型。 然 后对失真图像的像素点 的数据信息和标 准的图像进行 比较 ， 找出两 者之间的关系 ， 然后进行校 正。我们最终 目的是为了找到校正后图 像 中每个像素的亮度值 。 具体操作为 ： ①对图像像素进行坐标变换 ， 找到一种数学关系 ， 建立图像像素点坐标和参考图对应点坐标 间的 图 １得到的角点提取 图像 关系， 根据这 一数 学关系校正所选 的图像各个控制点 的坐标 ， 即在 提取角点之后 ， 下一步是将这些角点进行 匹配 ， 找到相似的点。 图像 的行上逐点计算 出校正后每个控 制点 所对应的原始 图像 的位 我们使用 Ｎ Ｃ Ｃ最大相关法 的算法来完成 。 置。 ② 计算灰度 内插用 ｘ ， ｙ ） 表示几何基 准图像的坐标 系 ， 用ｇ （ ｘ ’ ， ３ 图像 融 合 在完成预处理和配准的准备工作之后 ， 将要融合图像 。通 过前 Ｙ ’ ） 表示校正后 的图像坐标系 ， 设两个 图像坐标系之间关系如下 ： ｙ ｈ ２ （ ｘ ， ｙ ） 面对 图像的预处理 以及配准 ， 两张 图片重合的部分可 以匹配的特征 以及相关的信息都 已获取 ，下面就是要将两 张图的重合部分融合 ， ｈ ｉ （ ｘ ， ｙ ） ＝ ∑ ∑ａ ｉ ｊ ｘ ｉ ｙ ￣ 变为一张图片。这张新的图片将集 合两张 图共有 的场景 ， 并且具有 较 高的清晰度。 为此 ， 我们需要合适正确的算 法。 下面介绍两种常用 的图像融合方法 。 ｈ （ ｘ ＇ ｙ ） ＝ ∑ ∑ｂ ｉ ｊ ｘ ｌ ｙ ￣ ３ ． １加权平 均法 。加权平均法 是对重合 区域 的像 素值进行 加 如果假设基 准图像为 ｆ （ ｘ ， ｙ ） ， 失真图像为 ｇ （ ｘ ’ ， Ｙ ’ ） 对 于同一控 权， 之后进行叠加平均 。这种方法 和平均值法比较接近。 制点它的灰度不变 ， 则有如下关系 ｆ （ ｘ ， ｙ ） ＝ ｇ （ ｘ ’ ， Ｙ ’ ） Ⅲ 。 ３ ． ２欧 氏距离法 。由于一幅图像 中的每个 像素的权重不 同， 它 ２ 图像 配 准 与到图像边沿 的距离成正 比 ， 离重叠 区域越近 ， 像素点 的光 强贡献 经过预处理之后 ， 图像可以开始进行 配准 。每 张图片都有其与 应该越大。 因此 ， 欧 氏距离法就是要计算 出距离 ， 来辨别出不同的像 众不 同的特征 ， 正确选取特征是完成好此项工作的前提 。选择特征 素点 ， 将不 同的权重分配给各个像素。融 合算 法中计算距离映射 ｄ 要遵循明显 ， 易于操作 的特征 。因此 ， 我们要选择 的特征就是角点 ， （ Ｘ ， Ｙ ） ， 利用块距离和欧式距 离 ， 计算 到最近 的透 明点或边 的距离 。 角点是指图像 中明显不 同的两种图案交界处 的点 ， 角点 的周 围有 明 融合变形 图像 的公式为 ： 显变化和差异的特征 。 角点是指沿 图像边缘曲线上 的曲率局部极大 值点 ， 或 者在一定条件下可 以放宽为 曲率大于一定 阈值 的点 。也就 ｃ ｃ ｘ ， ｙ ） ＿ 是说 ，角点是指图像上在二维空 间内灰度 和边 缘方向变化剧烈 的 ４ 图像 拼 接 缝 的 消 除 点， 和周围的邻点有着明显差异 。如 图 １ ， 水杯 ， 水笔 ， 键盘 ， 桌 面之 但 由于各种原 因及客观条件 的限制 ， 在某些情 况下 ， 当拍摄 照 间的交界处都是角点。本文所说 的角点主要指 Ｈａ ｒ ｒ ｉ ｓ 角点 ， 下面对 明的环境条件 不好 的下 ， 两 幅图像 的一些属性会发生改变 ， 如果不 Ｈ ａ ｒ ｒ ｉ ｓ 算子 的原 理做 一个简单 的介绍 ， Ｈ ａ ｒ ｒ ｉ ｓ 角 点检 测算法 只涉 及 做理会而强行 拼接的话 ， 会使拼 接位置上产生明显的拼接缝 ， 甚 至 到图像 的一阶导数 ， 首先定义矩 阵 Ｍ： 出现模糊失真的情况 。 这样的话我们很难说拼接获得了成功 。因此

(最新)ENVI对图像进行配准、校正、拼接、裁剪

(最新)ENVI对图像进行配准、校正、拼接、裁剪

目录第一部分利用ENVI对图像进行配准-校正-拼接-裁剪 (2)一、图像配准与校正 (2)（一）基础知识 (2)（二）ENVI操作 (4)二、图像镶嵌（图像拼接） (16)（一）基础知识 (16)（二）ENVI操作 (16)三、图像裁剪 (20)（一）基础知识 (20)（二）ENVI操作 (21)第二部分：下载影像及介绍 (26)（一）基本信息 (26)（二）日期信息 (26)（三）云量信息 (26)（四）空间信息 (26)第一部分利用ENVI对图像进行配准-校正-拼接-裁剪一、图像配准与校正（一）基础知识1、图像配准就是将不同时间、不同传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。

2、几何校正是指利用地面控制点和几何校正数学模型，来矫正非系统因素产生的误差，非系统因素如传感器本身的高度、地球曲率、空气折射或地形等的影响。

由于校正过程中会将坐标系统赋予图像数据，所以此过程包括了地理编码。

简单来说，图像校正是借助一组控制点，对一幅图像进行地理坐标的校正。

本文将采用地面控制点+校正模型的几何校正方式中的Image to Image，利用Image格式的基准影像对2006年兰州TM影像进行配准与校正。

3、图像选点原则[1]选取图像上易分辨且较精细的特征点，如道路交叉点、河流弯曲或分叉处、海岸线弯曲处、飞机场、城廓边缘等。

[2]特征变化大的地区需要多选。

[3]图像边缘部分一定要选取控制点。

[4]尽可能满幅均匀选取。

[5]保证一定数量的控制点，不是控制点越多越好。

4、数理知识：[1]多项式模型x=a0+a1X+a2Y+a3X²+a4XY+ a5Y²+....y=b0+ b1X+b2Y+b3X²+ b4XY +b5Y²+ ....X，Y：校正前该点的位置；x，y：校正后该点的位置[2]最少控制点个数： ( n+1 )²[3]误差计算：RMSEerror= sqrt( (x' -x)²+ (y' -y)²)5、重采样方法（插值算法）[1]最近邻法概念：取与所计算点( x，y )周围相邻的4个点，比较它们与被计算点的距离，哪个点距离最近就取哪个亮度值作为 ( x，y )点的亮度值优点：简单易用，计算显小缺点：图像的亮度具有不连续性，精度差[2]双线性内插法概念：取(x，y)点周围的4个邻点，在y方向内插2次，再在x方向内插1次，得到( x，y)点的亮度值 f ( x，y)优点：双线性内插法比最近邻法虽然计算虽有所增加，但精度明显提高，特别是对亮度不连续现象或线状特征的块状化现象有明显的改善。

基于图像灰度的拼接技术研究

基于图像灰度的拼接技术研究

图 １ 图 像 拼 接 流 程 图
核心问题 ： 图像拼接效果与一关键技术息息相
Байду номын сангаас关 ， 图像 匹配 。 即
３ 图像 匹 配
常见 的分 类准 则将 图像 匹配划分 为两 类 ： 于 基 图像 灰度 的方 法和 基于 图像 特征 的方法 ， 文 主要 本 介绍 基 于 图像 灰度 的方 法 。 基 于 图像 灰 度相 关 的常用 匹配 方法 为模 板 匹 配， 即一种 对 待匹配 的像元 以一 定大 小窗 口的灰 度 阵列 按某 种或 几种 相 似 性 度量 顺 次 进 行搜 索 匹配 的方法 。这类 算法 的性 能 主 要取 决 于 相似 性 度 量 及 搜索 的选择 上 。因 为基 于 图像 灰 度 的匹配 算 法 是 基于像 素 的 ， 算 量 比较 大 ， 以选 择适 当 的 匹 计 所
中相关 系数 的思 想 。
Ｎ Ｎ ｌ ｌ
待 匹配 图像 ， 重 叠 区域 的相 似度 可 以 由相对 其 应 的像 素灰度 平 方 差来 衡 量 ， 于彩 色 图像 ， 像 对 其 素 灰度 可 由其 对 应像 素 的 Ｒ、 Ｂ的平 均 值 代 替 。 Ｇ、
计算模板和搜索子图灰度值的 Ｌ ２距离 ：
等） 再进行统一坐标变换 ， ， 即将所有 图像序 列变
换 到统一 的坐标 系 中 ， 同的变换 方式 对应 不 同 的 不
移， 搜索窗 口所覆盖的子图记作 Ｓ ，， 为子 图的 ‘ｉ ’ ｊ 左 上角 顶点在 图 ｓ中的坐标 。
常见 的相似性 度量 有 以下几种 。
收到本文时间 ：０ ６年 ９月 ２ ２０ ９日 作者简介 ： 云伟 ， ， 李 男 硕士研究生 ， 究方 向 ： 研 虚拟仿真与数字城市 ， 算机图形学 。李 利军 ， ， 计 男 讲师 ， 究方 向： 研 结 构计算与仿真 、 布式 计算 。 分

数字X线摄影图像拼接技术的临床应用

数字X线摄影图像拼接技术的临床应用
胶片。
１ ． ３ 方法
患者采取站立前 后位及 侧位 ， 保证身 体在摄 片过
程 中保持不动。确定所 需摄 影部 位并 在两 端做好标记 ， 随后输 入患者信息 、 摄影部位后 ， 系统 自行选择 分段 曝光 次数及摄 影 条件 ， 持续 按住 曝光 按钮 ， 探测 器沿身体 的长轴移动 ， 采集 、 存 储图像至图像 处理工作 站 ， 自动拼 接产生 图像 ， 显 示并保存 后
【 关键词 】 数字化 ｘ线摄影 ； 脊柱 ； 下肢 图像拼接技术 【 中图分类号】 Ｒ ８ １ ６ ． ９ ６ 【 文献标识码】 Ｂ 【 文章编号】 １ ６ ７ ４ — ３ ２ ９ ６ （ ２ ０ １ ４ ） ０ ４ Ａ一 ０ ０ ２ ８ — ０ １
随着影像成像技术水平的不断提高 ， 数字 ｘ线摄 影 （ Ｄ Ｒ） 的应用 逐步 广泛 ， 其功 能逐渐 增多 。其 中 ， Ｄ Ｒ图像 拼接技 术 种是 ｘ线管相对静止在一个感兴趣 中心位置 ， 当Ｄ Ｒ平板探 测器在上下做 垂直运动的同时 ， ｘ线管跟 随探测器上 下转动 角 度； 另一 种是 ｘ线管 垂直上 下移动 的同时 ， Ｄ Ｒ平板 探测 器跟
手术终止 妊娠 。对 于 ＞ ３ ４周 的孕妇 ， 根据病情 的不 同 ， 给药缓
解后 应尽 快进行剖 宫产 手术终止妊娠 。
实用 医药 ， ２ ０ １ ２， ７ （ ２ ５ ） ： １ ３ ２—１ ３ ３ ．
３ 陈梅 ， 汤雪梅 ， 陈瑜． 重度子痫前期剖宫产终止妊娠 的ｌ 临 床疗效分 析
１ 吉艳红 ． 剖宫产终止重度子痈前期妊娠 的临床效果评价［ Ｊ ］ ． 中国现
代药物应用 ， ２ ０ １ ３， ７ （ １ ７） ： ６ １—６ ２ ． ２ 陈亚玲 ， 徐霞． 重度子痫前期患者剖官产 的临床 处理体会 ［ Ｊ ］ ． 中国

图像匹配算法研究

图像匹配算法研究

图像匹配算法研究一、概述随着数字化时代的深入发展，图像数据呈现出爆炸性增长，如何从海量的图像数据中高效、准确地找到目标图像成为了迫切需要解决的问题。

图像匹配算法研究作为计算机视觉领域的一个重要课题，其目标是找出不同图像中的相同或相似部分，从而建立图像之间的映射关系。

这一研究领域不仅对于图像检索、目标跟踪、场景识别等应用具有重要意义，而且对于推动计算机视觉技术的发展起到了关键作用。

图像匹配算法的基本原理可以概括为特征提取和特征匹配两个步骤。

特征提取是从图像中提取有意义的信息的过程，这些信息可以是图像中的边缘、角点、斑点等局部特征，也可以是图像的纹理、颜色、形状等全局特征。

特征提取的目的是将原始图像转化为一种更紧凑、更易于比较和处理的形式。

而特征匹配则是将提取出的特征进行比较和配对，以找出两幅图像中相似或相同的特征点，从而建立图像之间的对应关系。

在过去的几十年中，研究者们已经提出了许多图像匹配算法，这些算法可以分为基于灰度的图像匹配和基于特征的图像匹配两大类。

基于灰度的图像匹配方法主要利用图像的灰度信息来进行匹配，而基于特征的图像匹配方法则通过提取和比较图像中的特征来进行匹配。

尽管这些算法在一定程度上提高了匹配的精度和速度，但由于复杂的拍摄环境和不断提高的匹配精度和实时性要求，现有的算法仍然面临着许多挑战。

1. 图像匹配算法的定义与重要性图像匹配，又称图像配准或图像对齐，是计算机视觉领域中的一个核心问题。

它指的是在不同时间、不同视角、不同传感器或不同条件下获取的两幅或多幅图像之间，寻找并确定相同目标或特征间的对应关系的过程。

简言之，图像匹配就是要找出两幅图像中相同或相似部分的对应关系。

图像匹配算法的重要性体现在多个方面。

它是许多高级计算机视觉任务的基础，如目标跟踪、三维重建、图像融合、图像拼接等。

在这些任务中，通常需要先对图像进行匹配，以确定不同图像间的对应关系，进而进行后续处理。

图像匹配在遥感图像处理、医学影像分析、安全监控等领域也有着广泛应用。

切块拼接法研究进展探讨

切块拼接法研究进展探讨

切块拼接法研究进展探讨切块拼接法是一种经典的图像拼接方法，它通过将原始图像切割成几个小块，然后根据一定的规则将这些小块重新拼接成一幅新的图像。

这种方法在图像编辑、数字媒体和计算机视觉等领域得到了广泛的研究和应用。

切块拼接法的基本思想是将图像分割成小块，然后通过块与块之间的相似性来进行拼接。

将原始图像划分成大小相等的小块，每个小块都包含一些图像特征。

然后，计算每个小块与其周围小块之间的相似度。

根据相似度大小，选择合适的小块进行拼接。

将所有的小块拼接成一幅完整的图像。

在切块拼接法的研究中，有许多方法可以提高拼接效果。

可以使用更精确的图像分割算法来划分小块。

传统的分割算法可能会产生边界模糊的问题，而新的算法可以更好地保持图像的连续性。

可以引入更多的图像特征来增强小块之间的相似性计算。

传统的方法通常只考虑亮度和颜色信息，而现代方法可以考虑纹理、形状和结构等更多的特征。

通过使用更高级的优化算法，如基于图论的算法或深度学习算法，可以进一步提高拼接效果。

切块拼接法还可以与其他图像处理技术相结合，以获得更好的结果。

可以使用图像修复技术来处理拼接边缘处的模糊问题，或者使用图像增强技术来增强拼接后的图像细节。

还可以将切块拼接法应用于高动态范围（HDR）图像的拼接，以扩大图像的动态范围。

切块拼接法仍然存在一些挑战和限制。

图像分割的质量会直接影响拼接结果的质量。

如果图像分割不准确或存在误差，就会导致拼接后的图像出现不连续、模糊或失真的情况。

块与块之间的相似度计算也可能存在误差。

如果相似度计算不准确或缺乏有效的特征，就会导致拼接后的图像出现不自然的过渡或瑕疵。

切块拼接法在处理大尺寸图像时可能会面临计算复杂度的问题，需要借助高性能计算设备或并行计算技术来加速处理。

切块拼接法是一种有效的图像拼接方法，已经得到了广泛的研究和应用。

通过引入新的图像分割算法、图像特征和优化算法，可以进一步提高拼接效果。

通过与其他图像处理技术相结合，可以扩展切块拼接法的应用范围。

基于特征点的图像拼接算法研究

基于特征点的图像拼接算法研究
部分的图像拼接成一幅大的无缝高 ／ １ Ｊ 则定 义 Ｎ Ｃ公 式 （ ： 、 Ｃ ３ ） 分 辨率 图像 的 技 术。 目前 ， 像 拼 接技 术 已经 广 泛应 用于 空 间 探 索 、 图 Ｎ Ｃ Ｃ ： ∑１ １ ，１ ｕ） ２ １１ ｕ） （ 《 Ｙ） ２Ｗ （ Ｙ） ２ Ｗ ｘ － 《 ｘ － 遥 感 图像 处 理 、 学 图像 分 析 、 频 压 缩和 传 输 、 拟 现 实 、 分 辨 率 医 视 虚 超 ∑１ １ １１ ｕ） （ ２ １１ ｕ） （ ｛ Ｙ） ２∑１ （ Ｙ） Ｗ × 一 Ｗ ｘ 一２ 重 构等 领 域 ｌ ” 。要 实 现 图像 拼 接 ， 关 键 是 图像 的 匹配 。 图像 匹配 的 其 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 Ｎ Ｃ匹 配 方法 去 除 了低频 背 景 亮度 信 息 的干 扰 ，进 行 角 点 匹配 时 ， Ｃ 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 首先对于图像 Ａ中的任一角点 ， 寻找在 图像 Ｂ中和 它相 关性最大的 缘、 目标 等特 征 来确 定 匹配 位 置 。 】 角点 ： 后 对 于 图像 Ｂ中 的 任 一 角 点 ， 找 在 图 像 Ａ 中和 它 相 关 性 然 寻 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 最大 的角点 ， 当双 向搜寻到最大相关性的角点彼此对应时 ， 就完成 了 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 角点 的初始匹配。 但是 由于 物体 的独立运动和噪声的干扰 ， 免会造 难 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 ， 成 一定 的错误匹配， 下面针对这个问题 提出了改进的算法 ， 用来消除 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 错误 匹配 。 少噪 声 的影 响 ， 灰 度 变 化 、 像形 变 以及 光 照 不均 等 都 有 较 好 的适 对 图 １ ＿ 改进 的特征 匹配 此改进 的特征 匹配仅针对 图像 缩放和 ．２ ３ 应能力。 旋转程度 不大的图像 ， 设图像 Ａ中的两个特征 点 ｐ（ ．）ｐ（２ ２ 假 １ １ ２ 。） ×ｙ 、 ｘｙ １ 图 像 拼接 关 键 技术 和图像 Ｂ中的特征 点 ｑ（ ，）ｑｘ，） （２ ２ × Ｙ 、 Ｙ 相对应 ， 如果这两对匹配对是 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 正确 的 匹配 对 ， 满 足 式 （ 、 （ ） 则 ４） 式 ５： 测与匹配、 图像 的融 合 。 （ 一 ： （ ） ） 一 ． ： ＋ 。 １１ 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 ， 过 平 行移 动 照 相 机来 获 取 图像 数据 ； 通 ｛ １ 一 二 １ 的值 接近于 １（ ５ ） 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 （ ）（ ） 。 ． 一 。 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 因此需要一对正确的匹配对和所有的匹配对相比较， 假设上述 Ｐ 、 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。 和 ｑ 是一对正确的匹配对 ， ｑ 是一对待检测的匹配对 ，如果满 Ｐ和 ２ １２特征点 的检测 典 型的点特征有拐角点、 ． 线交叉点、 不连续 足上述两个条件 ， 则认为 Ｐ 和 ｑ 也是一对正确的匹配对； 反之则判为 点、 轮廓上 的曲率最大点、 闭曲线 的质 心点 ， 封 这里采用角点来实现 误 匹配 对。 照这 样 的 方法 ， 所 有 的初 始 匹配 点对 ， 以找 出所 有 依 遍历 可 图像特征 的检测和 匹配。常见 的角点检 测算子 有 Ｍｏａ ｅ ｒｖ ｃ算子 、 精确 地 匹配 点 对 。 最后 ， 了得 到更 精确 的 匹配 点 对 ， 对 所有 的 匹配 为 在 Ｓ ｓ ｎ算子和 Ｈ ｒｓ算子 ， ｒ ｅ ｕａ ａｒ ｉ Ｍｏａ ｃ算子虽然计算简单 ，运算速度 ｖ 作上述处理后， 可以采用 Ｒ ＮＳ Ｃ算法来最大 限度地消除误匹配。 Ａ Ａ 快 ， 是对 边 缘和 独 立 的点 比较敏 感 ， 抑 制 噪声 方 面效 果 不 佳 ；ｕ 但 在 Ｓ— １ 图像的融合 图像 融合的 目的是耍消 除图像 光强或色彩的 ． ４ ｓ ｎ算子虽然对噪声不敏感 ， ａ 但其计算比较复杂 ； Ｈ ｒｓ算子不仅 而 ａｒ ｉ 不连续性。常用算法有 ： 平均值法、 加权平滑法、 多分辨率样条法， 本 具有很好 的旋转和仿射不变性 ， 而且该算法检测效率 高、 有较高的重 文欲采取加权平滑法进行图像 融合。 为了要使拼接区域平滑 ， 提高图 复率， 所以在图像 的拼接过程中经 常采用这种 方法 ， 本文亦是如此。 像质量 ， 可以采用加权平 滑算法 ， 使颜 色逐渐过 渡， 以避免图像的模 Ｈ ｒｓ ａｒ 角点检测算法的原理如下。 ｉ 假设 图像的亮度值 为 Ｉ ，Ｙ， （ ） ｘ 糊 和 明显 的 边 界 。 窗 口模 板 ｗ（，ｙ经 过 微 小 偏 移 （，ｖ后 ， 素 点 （，Ｙ的 亮 度 变 化 ｘ ） ｕ ） 像 Ｘ ） 加权平滑算法的主要思想是：在重叠部 分由前一幅图像慢慢过

水下视频图像复原与拼接方法研究（可编辑）

水下视频图像复原与拼接方法研究（可编辑）

水下视频图像复原与拼接方法研究谨以此论文献给工作在科研一线的老师、同学一一葛中峰水下视频图像复原与拼接方法研究学竹论文完成¨州超么耋、鲨指导教师茬字私盗答辩委员会成员签字旅围司氮易弘彬袈独创声明本人声明所瞿交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。

据我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含来获得连;垫熊互基丝孟噩挂型芭明煎。

查拦可空或其他教育机构的学位或证书使用过的材料。

与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。

学位论文作者签名签字同期:矽』≯伴月彩同蔚崞学位论文版权使用授权书本学位论文作者完全了解学校柯关保留、使用学位文的规定.有权保留井向国家有关部门或机构送变文的复印什和融箍.允:论文被盎阅和借阅。

本人授权学校可以将学位论文的全部或骨;分内容编入订关数据库进行检索,可以采用影印、缩印或扫描等复制于段保存、虻编学位论文。

同时授权中国科学技术信息研究所将本学位论文收录到《困学伉论文全丈数抓:库》,并通过网络向社会公众提供信息服务,保密的学位论文一解密后适用本授权书锄嘴学位论文作首躲高中哮帮嚣等字期:州‖堂踯褂期:训沙堂功水下视频图像复原与拼接方法研究摘要目前海洋丌发中最先进的深海探测与作业装备就是水下机器人/而水下机器人要实现正确的导航以及近距离水下目标场景的检查、识别与维作业,其首要条件是必须能够对其例固环境实时、清晰地感知。

除了各种传感器外,水机器人近距离观测与作业要依靠水视频图像信息,其原斟是视频图像台有丰富的颜色取纹理信息.耪。

以别和胖解。

但是,水下视频观测图像乇要方卣使得水足水下光线存在严重的衰减和散射效应,此问题存在两个问题。

下圈像对比度下降且纹理细节旱模糊状态;片方面,使得水下摄像机的概距和视场非常有限。

一是由十采用人工光源以及观测平台的复杂运动特征,使得视频图像现严重的光照不均问题。

基于自适应模板匹配的视频图像拼接技术研究的开题报告

基于自适应模板匹配的视频图像拼接技术研究的开题报告

基于自适应模板匹配的视频图像拼接技术研究的开题报告一、选题背景和意义：随着数字化时代的到来，视频拼接技术逐渐成为了视频处理中的重要部分。

在视频监控、遥感应用和物体追踪中，视频拼接技术都有着广泛的应用。

随着人们对视频拼接技术的要求不断提高，传统的视频拼接技术已经无法满足人们的需求。

自适应模板匹配的视频图像拼接技术是一种新兴的拼接技术，它具有很好的鲁棒性和精度，可以有效解决传统模板匹配技术的一些问题，因此在实际应用中具有很大的潜力。

二、主要内容和研究目的：本文主要内容为基于自适应模板匹配的视频图像拼接技术研究，其中包括：1.自适应模板匹配技术的原理和优缺点分析；2.视频图像拼接的基本原理；3.基于自适应模板匹配的视频图像拼接算法的设计和实现；4.实验和分析。

本文的研究目的是探讨基于自适应模板匹配的视频图像拼接技术的优化和改进，提高拼接的精度和稳定性，为实际应用提供有力的支持。

三、研究方法和技术路线：本文采用以下研究方法和技术路线：1.文献调研和分析，了解自适应模板匹配技术的原理和发展情况；2.设计和实现自适应模板匹配的视频图像拼接算法，探讨算法优化和改进方案；3.进行实验和数据分析，评估算法效果和性能指标；4.总结和归纳研究结果，提出未来的研究方向和改进方案。

四、论文创新和预期成果：本文具有以下创新和预期成果：1.提出一种基于自适应模板匹配的视频图像拼接技术，可以解决传统拼接技术的一些问题，提高图像拼接的精度和稳定性；2.探究自适应模板匹配算法的优化和改进方案，提出改进方案并进行实验验证；3.评估算法性能指标，为实际应用提供可靠的参考和支持。

五、拟定论文计划：本文的论文计划如下：第一章：绪论；第二章：自适应模板匹配技术原理；第三章：视频图像拼接技术原理；第四章：基于自适应模板匹配的视频图像拼接算法设计；第五章：实验和数据分析；第六章：总结和展望。

大规模无人机图像并行拼接方法

大规模无人机图像并行拼接方法

大规模无人机图像并行拼接方法随着无人机技术的快速发展，大规模无人机图像的拍摄和处理成为了一个越来越重要的课题。

传统的图像拼接方法无法很好地应对大规模无人机图像的处理需求，因此，研究并开发高效准确的大规模无人机图像并行拼接方法具有重要的意义。

本文将介绍一种基于并行计算的大规模无人机图像拼接方法，以提高图像处理的效率和准确性。

一、概述大规模无人机图像包含大量高分辨率的图像，传统的串行计算方法处理这些图像需要耗费大量时间和计算资源。

因此，采用并行计算的方法可以有效提高图像处理的效率。

本文提出的大规模无人机图像并行拼接方法基于分块处理和GPU加速，并结合相关算法进行图像匹配和拼接，以实现高效准确的图像拼接。

二、方法描述1. 数据准备首先，需要将大规模无人机图像分块，将每个分块的图像单独加载到内存中进行处理。

通过分块加载，可以降低内存的使用量，并且方便后续的并行处理。

2. 并行计算本文采用图像处理中常用的GPU加速技术，将图像匹配和拼接的计算任务分配给多个GPU核心进行并行计算。

GPU的并行计算能力强大，可以同时处理多个图像块，大大提高图像处理的效率。

3. 图像匹配在图像匹配阶段，使用SIFT（Scale-Invariant Feature Transform）算法进行特征提取和匹配。

由于大规模无人机图像存在大量的特征点，可以通过并行计算加速特征点的提取和匹配过程。

通过匹配算法可以得到每个图像块的匹配点集合。

4. 图像拼接根据得到的匹配点集合，使用RANSAC（RANdom SAmple Consensus）算法进行图像拼接。

RANSAC算法能够排除错误匹配点，提高图像拼接的准确性。

同时，通过并行计算可以加速RANSAC算法的执行，从而缩短图像拼接的时间。

5. 图像优化在图像拼接完成后，可以进行一些图像优化操作，如色彩校正、边缘平滑等，以进一步提升图像质量和观感。

三、实验与结果本文采用具有多个GPU核心的计算机进行实验，使用大规模无人机图像数据集进行测试。

多摄像头图像融合与处理技术研究

多摄像头图像融合与处理技术研究

多摄像头图像融合与处理技术研究摄像头的发展和应用正在迅速扩展，多摄像头系统被广泛应用于安全监控、虚拟现实、智能交通等领域。

然而，多摄像头系统所产生的大量图像数据需要进行融合和处理，以提供清晰、一致的图像信息。

本文将对多摄像头图像融合与处理技术进行研究，探讨其在不同领域的应用和未来发展趋势。

一、多摄像头图像融合技术1.1 拼接技术拼接技术是将多个摄像头捕获的图像按照一定的拼接算法组合在一起，形成一个更大的图像。

拼接技术主要分为平面拼接和球面拼接两种。

平面拼接适用于需要拼接成规则形状的图像，例如监控场景；球面拼接适用于需要拼接成全景图像的场景，例如虚拟现实应用。

1.2 图像融合技术图像融合技术是将多个摄像头捕获的图像进行融合，以提高图像的清晰度、对比度和色彩饱和度。

常见的图像融合技术包括像素级融合、特征级融合和决策级融合。

像素级融合通过对图像的像素进行加权融合，得到融合后的图像；特征级融合则是将不同摄像头图像中提取的特征进行融合，例如边缘、纹理等；决策级融合则是基于多个摄像头的决策信息进行融合，以提高融合后的判决准确率。

二、多摄像头图像处理技术2.1 图像去噪技术在多摄像头图像中，由于不同环境和设备的影响，图像中常常存在噪声。

图像去噪技术能够有效地降低图像中的噪声，并提升图像的质量。

常见的图像去噪技术包括中值滤波、小波去噪、基于统计学的方法等。

2.2 图像增强技术图像增强技术旨在改善图像的视觉效果，使图像更加清晰和易于观察。

常见的图像增强技术包括直方图均衡化、对比度增强和锐化等。

这些技术可以应用于多摄像头图像融合后的图像，以提供更好的视觉体验。

2.3 目标检测与跟踪多摄像头图像处理中，目标检测与跟踪是非常重要的环节。

通过目标检测，可以从多摄像头图像中识别和定位出感兴趣的目标物体；而目标跟踪则能够追踪目标物体在不同摄像头图像中的运动轨迹。

这两项技术的结合可以实现对多摄像头图像中目标物体的全方位监控和跟踪。

数字X线摄影(DR)图像拼接技术在骨科的临床应用及价值研究

数字X线摄影(DR)图像拼接技术在骨科的临床应用及价值研究

数字X线摄影(DR)图像拼接技术在骨科的临床应用及价值研究【摘要】目的：研究数字X线摄影(DR)图像拼接技术在骨科的临床应用及价值。

方法：从我院随机挑选2020年1月-2021年10月收治的60例行数字X线摄影(DR)数字X线摄影(DR)图像拼接技术的骨科患者图像资料作为研究对象，回顾性分析数字X线摄影(DR)图像拼接技术在骨科的临床应用及价值。

结果：60例骨科患者均行图像拼接摄影，所获得图像清晰锐利，具有较好对比度，且没有伪影干扰，影像拼接成功47例，再次拼接成功13例。

在阅片分析中，由两名具有经验的放射诊断医师、一名临床骨科主治医师共同进行，均认为图像质量满意，满足临床诊断要求。

结论：利用数字X线摄影（DR）图像拼接技术，可以提供给临床诊断脊柱侧弯、关节置换等骨科手术术前方案制定、术后手术效果评估可靠依据，具有较高临床推广和应用价值。

【关键词】数字X线摄影(DR)；图像拼接技术；骨科随着影像成像技术不断发展，数字X线摄影（DR）的应用越来越广泛，且功能也越来越多，尤其是数字X线摄影(DR)图像拼接技术，其主要应用在骨关节系统疾病检查中，在人工膝关节置换、下肢矫形、脊柱人工腰椎间盘置换、脊柱侧弯矫形、人工髋关节置换等方面，该技术可以提供非常广泛的影像观察信息，获得更加可靠和准确的病变整体状态与局部细节资料[1]。

下文从我院随机挑选2020年1月-2021年10月收治的60例行数字X线摄影(DR)数字X线摄影(DR)图像拼接技术的患者图像资料作为研究对象，对数字X线摄影(DR)图像拼接技术在骨科的临床应用及价值进行研究，详细如下。

1资料与方法1.1一般资料从我院随机挑选2020年1月-2021年10月收治的60例行数字X线摄影(DR)数字X线摄影(DR)图像拼接技术的骨科患者图像资料作为研究对象，其中有40例男性患者，20例女性患者，最小年龄为7岁，最大年龄为66岁。

1.2方法所有患者均利用联影悬吊式DR，图像打印利用DRYSTAR5503高速多格式数字胶片打印机。

图像拼接技术的研究历史悠久

图像拼接技术的研究历史悠久

图像拼接技术的研究历史悠久图像拼接技术的研究历史悠久。

早期用于航空遥感照片合成，由于飞机或卫星上相机和地面景物之间距离很远，这种图像配准采用简单的模板匹配法。

这种方法在现在也有广泛应用，可应用于航空图片合成、大文档扫描合成，视频压缩。

在20世纪90年代随全视函数、全景建模、光场与光照图、同心拼图、全景图概念的提出，模型维数不断下降。

自1994年Chen等人提出全景图拼接技术，国内外出现很多关于全景图生成技术的文章。

全景图生成技术的基本思想是通过普通相机或摄像机对场景信息进行照片图像或视频图像采样，在固定的视点，使相机在水平面内旋转一周拍摄场景，得到一组具有重叠区域的连续环视图像序列:将图像由相机坐标投影到空间坐标:利用图像配准方法寻找将环绕一周的这组图像中，两两相邻的图像间的重叠的区域;将确定的重叠区域利用图像融合方法进行图像序列的无缝拼合，得到一幅全景图像。

全景图像根据其选取视点空间的不同可分为:平面、柱面、球表面、立方体表面。

目前图像配准的研究方法主要集中为基于灰度相关的方法、相位相关法、基于特征的方法。

基于灰度相关方法的计算量较大，很多力求缩小模版配准计算量的改进算法被提出来。

国防科大开发的HVS系统,采用的是一种基于特征线段的图像匹配算法。

封静波提出相似曲线的拼接算法通过匹配两幅图像重叠区域每列梯度最大值曲线完成拼接，大大减少了传统模板匹配方法的计算量。

薛峰综合基于灰度相关和特征相关算法的优点提出了基于最大梯度和灰度相关的两步配接方法。

于乱采用形状模板对模板内图像的边缘点与模板边界的最短距离统计实现特征点匹配。

李文辉提出采用基于粒子群优化(POS)的多分辨率算法。

1975年相位相关法由Kuglin和Hines提出，具有场景无关性，能够对纯粹二维平移的图像精确地对齐。

DeCastro和Morandi发现用傅立叶变换确定旋转对齐就像平移对齐一样。

Reddy和Chatterji改进了Decastro的算法，大大减少了需要转换的数量。

(最新)ENVI对图像进行配准、校正、拼接、裁剪

(最新)ENVI对图像进行配准、校正、拼接、裁剪

目录第一部分利用ENVI对图像进行配准-校正-拼接-裁剪 (2)一、图像配准与校正 (2)（一）基础知识 (2)（二）ENVI操作 (4)二、图像镶嵌（图像拼接） (16)（一）基础知识 (16)（二）ENVI操作 (16)三、图像裁剪 (20)（一）基础知识 (20)（二）ENVI操作 (21)第二部分：下载影像及介绍 (26)（一）基本信息 (26)（二）日期信息 (26)（三）云量信息 (26)（四）空间信息 (26)第一部分利用ENVI对图像进行配准-校正-拼接-裁剪一、图像配准与校正（一）基础知识1、图像配准就是将不同时间、不同传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。

2、几何校正是指利用地面控制点和几何校正数学模型，来矫正非系统因素产生的误差，非系统因素如传感器本身的高度、地球曲率、空气折射或地形等的影响。

由于校正过程中会将坐标系统赋予图像数据，所以此过程包括了地理编码。

简单来说，图像校正是借助一组控制点，对一幅图像进行地理坐标的校正。

本文将采用地面控制点+校正模型的几何校正方式中的Image to Image，利用Image格式的基准影像对2006年兰州TM影像进行配准与校正。

3、图像选点原则[1]选取图像上易分辨且较精细的特征点，如道路交叉点、河流弯曲或分叉处、海岸线弯曲处、飞机场、城廓边缘等。

[2]特征变化大的地区需要多选。

[3]图像边缘部分一定要选取控制点。

[4]尽可能满幅均匀选取。

[5]保证一定数量的控制点，不是控制点越多越好。

4、数理知识：[1]多项式模型x=a0+a1X+a2Y+a3X²+a4XY+ a5Y²+....y=b0+ b1X+b2Y+b3X²+ b4XY +b5Y²+ ....X，Y：校正前该点的位置；x，y：校正后该点的位置[2]最少控制点个数： ( n+1 )²[3]误差计算：RMSEerror= sqrt( (x' -x)²+ (y' -y)²)5、重采样方法（插值算法）[1]最近邻法概念：取与所计算点( x，y )周围相邻的4个点，比较它们与被计算点的距离，哪个点距离最近就取哪个亮度值作为 ( x，y )点的亮度值优点：简单易用，计算显小缺点：图像的亮度具有不连续性，精度差[2]双线性内插法概念：取(x，y)点周围的4个邻点，在y方向内插2次，再在x方向内插1次，得到( x，y)点的亮度值 f ( x，y)优点：双线性内插法比最近邻法虽然计算虽有所增加，但精度明显提高，特别是对亮度不连续现象或线状特征的块状化现象有明显的改善。

在Matlab中进行图像配准和拼接的方法

在Matlab中进行图像配准和拼接的方法

在Matlab中进行图像配准和拼接的方法在科学研究和工程应用中，图像配准和拼接是一个常见的问题。

图像配准是指将不同视角或不同时间拍摄的图像进行准确对齐，使得它们之间的相对位置和尺度关系能够被精确估计。

而图像拼接则是将多个部分图像以适当的方式拼接在一起，形成一幅完整的图像。

本文将介绍在Matlab中进行图像配准和拼接的方法。

首先，图像配准的基本原理是通过找到图像之间的对应关系，将它们进行对齐。

常见的图像配准方法包括基于特征的方法和基于互信息的方法。

基于特征的方法主要是通过提取图像中的特征点，并通过找到这些特征点的对应关系进行匹配。

常见的特征点包括角点、边缘点和斑点等。

在Matlab中，我们可以使用SURF (Speeded Up Robust Features)等函数进行特征点的提取和匹配。

基于互信息的方法则是考虑图像各个像素之间的相互关系，通过最大化图像之间的互信息来找到最佳的配准结果。

在Matlab中，我们可以使用imregister函数来实现基于互信息的图像配准算法。

接下来，我们将介绍图像拼接的方法。

图像拼接的核心问题是如何寻找拼接变换的参数，使得多个部分图像能够无缝拼接在一起。

常见的图像拼接方法包括基于特征的方法和基于图像重叠区域的方法。

基于特征的方法主要是通过找到各个部分图像上的特征点，并根据这些特征点的位置关系进行拼接。

在Matlab中，我们可以使用SURF等函数提取和匹配特征点，并通过RANSAC (Random Sample Consensus)算法来估计最佳的拼接变换参数。

基于图像重叠区域的方法则是通过找到各个部分图像之间的重叠区域，并根据这些区域的像素值关系进行拼接。

在Matlab中，我们可以使用imfuse函数来实现基于图像重叠区域的图像拼接算法。

除了以上介绍的基本方法外，还有一些其他的技术可以用于提高图像配准和拼接的精度。

例如，多尺度图像配准和拼接可以通过先将图像进行金字塔降采样，然后逐层进行配准和拼接来提高结果的质量。

遥感图像拼接步骤期末总结

遥感图像拼接步骤期末总结

遥感图像拼接步骤期末总结一、遥感图像拼接的步骤1. 遥感影像的获取与预处理在进行遥感图像拼接之前，首先需要获取原始遥感影像数据。

遥感影像可以是航空摄影图像、卫星遥感影像等，需要通过遥感平台或者数据提供商购买或下载相应的影像数据。

然后对原始影像进行预处理，包括校正、配准、辐射定标等。

校正可以提高影像的几何精度，配准则是将不同影像的坐标系统一化，辐射定标则是将影像的光谱信息校正为物理量。

2. 影像拼接区域的选择在进行影像拼接之前，需要确定拼接的区域。

可以根据实际应用需求来选择，比如选择特定的地理区域，或者选择两幅影像的重叠区域等。

选择合适的拼接区域可以提高拼接的精度和效果。

3. 影像拼接的几何校正影像拼接的几何校正是指将不同影像的几何特征进行统一化，保证影像之间的几何一致性。

常见的几何校正方法包括刚性变换、仿射变换和投影变换等。

几何校正可以通过地面控制点、SIFT特征匹配等手段进行。

其中，地面控制点是利用地面上已知的点（如地物边界）与影像中的对应点进行匹配，从而估算出影像之间的几何变换参数。

4. 影像拼接的光谱校正影像拼接的光谱校正是指将不同影像的光谱信息进行统一化，保证影像之间的光谱一致性。

光谱校正可以通过直方图匹配、灰度拉伸等方法进行。

直方图匹配是将一幅影像的像素值分布调整为另一幅影像的像素值分布，从而实现光谱校正。

5. 影像拼接的融合算法影像拼接的融合算法是指将不同影像的像素进行融合，生成拼接后的影像。

常见的融合算法包括简单平均法、加权平均法、多尺度变换等。

简单平均法是将不同影像的像素值进行简单平均，加权平均法则是根据不同影像的重要性进行加权平均。

多尺度变换则是通过将影像进行分解和重建来实现融合。

二、关键技术和常见问题1. 影像的配准影像的配准是影像拼接中的关键技术之一。

影像配准的准确度直接影响到拼接效果的质量。

常见的影像配准技术包括特征点匹配、区域匹配等。

特征点匹配是通过提取影像中的特征点（如SIFT特征点）来进行匹配，区域匹配则是利用影像中的区域来进行匹配。

基于改进SURF算法的图像拼接研究

基于改进SURF算法的图像拼接研究

第４５卷第２期２０２１年４月南京理工大学学报ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＶｏｌ.４５Ｎｏ.２Ａｐｒ.２０２１㊀收稿日期:２０２０－０１－０７㊀㊀修回日期:２０２０－０５－１７㊀基金项目:国家自然科学基金(６１９７６１１６)ꎻ中央高校基本科研业务费专项资金(３０９２００２１１３５)㊀作者简介:徐启文(１９９５－)ꎬ男ꎬ硕士生ꎬ主要研究方向:计算机视觉㊁图像处理ꎬＥ￣ｍａｉｌ:９９５３３８４３７＠ｑｑ.ｃｏｍꎻ通讯作者:唐振民(１９６１－)ꎬ男ꎬ博士ꎬ教授ꎬ博士生导师ꎬ主要研究方向:智能机器人系统技术㊁图像处理与模式识别ꎬＥ￣ｍａｉｌ:ｔｚｍ.ｃｓ＠ｎｊｕｓｔ.ｅｄｕ.ｃｎꎮ㊀引文格式:徐启文ꎬ唐振民ꎬ姚亚洲.基于改进ＳＵＲＦ算法的图像拼接研究[Ｊ].南京理工大学学报ꎬ２０２１ꎬ４５(２):１７１－１７８.㊀投稿网址:ｈｔｔｐ://ｚｒｘｕｅｂａｏ.ｎｊｕｓｔ.ｅｄｕ.ｃｎ基于改进ＳＵＲＦ算法的图像拼接研究徐启文ꎬ唐振民ꎬ姚亚洲(南京理工大学计算机科学与工程学院ꎬ江苏南京２１００９４)摘㊀要:快速鲁棒特征(Ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｅａｔｕｒｅꎬＳＵＲＦ)算法在图像匹配㊁模式识别㊁图像拼接等众多领域有着广泛的应用ꎮ随着摄像机的更新换代ꎬ照片分辨率逐渐提升ꎬ传统的ＳＵＲＦ算法已经无法满足图像拼接的效率要求ꎻ针对以上问题ꎬ该文提出了一种具有动态阈值的改进ＳＵＲＦ算法ꎬ该算法依据图像位置的相关性ꎬ生成用于规划拼接区域的动态阈值ꎬ利用该阈值缩小特征提取和匹配的有效区域ꎬ从而提升算法的执行效率ꎮ针对传统的渐进渐出图像融合算法失真严重的问题ꎬ该文提出了一种新的非线性权重模型ꎬ利用该模型ꎬ有效降低了拼接图像的重影现象ꎬ提升了视觉效果ꎮ关键词:快速鲁棒特征算法ꎻ图像拼接ꎻ动态阈值ꎻ图像融合中图分类号:ＴＰ３９１㊀㊀文章编号:１００５－９８３０(２０２１)０２－０１７１－０８ＤＯＩ:１０.１４１７７/ｊ.ｃｎｋｉ.３２－１３９７ｎ.２０２１.４５.０２.００６ＲｅｓｅａｒｃｈｏｎｉｍａｇｅｍｏｓａｉｃｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＵＲＦａｌｇｏｒｉｔｈｍＸｕＱｉｗｅｎꎬＴａｎｇＺｈｅｎｍｉｎꎬＹａｏＹａｚｈｏｕ(ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬＮａｎｊｉｎｇ２１００９４ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｅａｔｕｒｅ(ＳＵＲＦ)ｈａｓａｗｉｄｅｒａｎｇｅｏｆａｐｐｌｉｃａｔｉｏｎｉｎｍａｎｙｆｉｅｌｄｓｓｕｃｈａｓｉｍａｇｅｍａｔｃｈｉｎｇꎬｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎａｎｄｉｍａｇｅｓｔｉｔｃｈｉｎｇ.ＷｉｔｈｔｈｅｕｐｄａｔｉｎｇｏｆｃａｍｅｒａｓꎬｔｈｅｒｅｓｏｌｕｔｉｏｎｏｆｐｈｏｔｏｓｉｓｇｒａｄｕａｌｌｙｉｍｐｒｏｖｅｄꎬａｎｄｔｈｅｔｒａｄｉｔｉｏｎａｌＳＵＲＦａｌｇｏｒｉｔｈｍｈａｓｇｒａｄｕａｌｌｙｆａｉｌｅｄｔｏｍｅｅｔｔｈｅｅｆｆｉｃｉｅｎｃｙｒｅｑｕｉｒｅｍｅｎｔｓｏｆｉｍａｇｅｓｔｉｔｃｈｉｎｇ.ＩｎｖｉｅｗｏｆｔｈｅｐｒｏｂｌｅｍｓꎬｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｉｍｐｒｏｖｅｄＳＵＲＦａｌｇｏｒｉｔｈｍｗｉｔｈａｄｙｎａｍｉｃｔｈｒｅｓｈｏｌｄꎬｗｈｉｃｈｇｅｎｅｒａｔｅｓａｄｙｎａｍｉｃｔｈｒｅｓｈｏｌｄｆｏｒｐｌａｎｎｉｎｇｔｈｅｓｔｉｔｃｈｉｎｇａｒｅａｂａｓｅｄｏｎｔｈｅｃｏｒｒｅｌａｔｉｏｎｏｆｔｈｅｉｍａｇｅｐｏｓｉｔｉｏｎꎬａｎｄｕｓｅｓｔｈｉｓｔｈｒｅｓｈｏｌｄｔｏｎａｒｒｏｗｔｈｅｅｆｆｅｃｔｉｖｅａｒｅａｆｏｒｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｍａｔｃｈｉｎｇꎬｔｈｅｒｅｂｙｉｍｐｒｏｖｉｎｇｔｈｅｅｘｅｃｕｔｉｏｎｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅ南京理工大学学报第４５卷第２期ａｌｇｏｒｉｔｈｍ.Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｓｅｒｉｏｕｓｄｉｓｔｏｒｔｉｏｎｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｌｉｎｅａｒｗｅｉｇｈｔｅｄｉｍａｇｅｆｕｓｉｏｎａｌｇｏｒｉｔｈｍꎬｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｅｗｎｏｎｌｉｎｅａｒｗｅｉｇｈｔｍｏｄｅｌ.Ｕｓｉｎｇｔｈｉｓｍｏｄｅｌꎬｔｈｅｇｈｏｓｔｉｎｇｐｈｅｎｏｍ￣ｅｎｏｎｏｆｔｈｅｓｔｉｔｃｈｅｄｉｍａｇｅｉｓｅｆｆｅｃｔｉｖｅｌｙｒｅｄｕｃｅｄａｎｄｔｈｅｖｉｓｕａｌｅｆｆｅｃｔｉｓｉｍｐｒｏｖｅｄ.Ｋｅｙｗｏｒｄｓ:ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｅａｔｕｒｅａｌｇｏｒｉｔｈｍꎻｉｍａｇｅｍｏｓａｉｃꎻｄｙｎａｍｉｃｔｈｒｅｓｈｏｌｄꎻｉｍａｇｅｆｕｓｉｏｎ㊀㊀目前ꎬ随着无人机控制㊁定位以及稳定飞行技术的日渐提升ꎬ无人机应用领域也日渐广泛ꎮ在交通检测领域ꎬ通过无人机进行桥梁㊁道路质量检测也成为配合传统的人工检测㊁桥检车检测的有效手段ꎮ通过无人机搭载摄像机进行桥梁㊁道路图像的采集ꎬ这一过程将产生大量的位置相关联的桥梁㊁道路图像ꎮ在桥梁㊁道路图像的采集过程中ꎬ为了保持信息的完整ꎬ往往会在相邻图像之间保留一定重叠ꎬ依赖这部分重叠信息ꎬ对相邻图像进行拼接ꎬ从而展示出更加完整的图像信息ꎮ这类场景以及类似场景图像集的相互关联性以及实际应用中的实时性ꎬ既对图像拼接算法提出了新的要求ꎬ也为图像拼接的效率提升提供了可能性ꎬ因此ꎬ研究效率更高㊁质量更好的图像拼接和图像融合算法有着非常重要的价值ꎮ在图像拼接质量方面ꎬ诸如针对单视角拼接的Ａｓ￣ｐｒｏｊｅｃｔｉｖｅ￣ａｓ￣ｐｏｓｓｉｂｌｅｉｍａｇｅｓｔｉｔｃｈｉｎｇｗｉｔｈｍｏｖｉｎｇＤＬＴ(ＡＰＡＰ)[１]算法和针对多视角拼接的Ｎａｔｕｒａｌｉｍａｇｅｓｔｉｔｃｈｉｎｇｗｉｔｈｔｈｅｇｌｏｂａｌｓｉｍｉｌａｒｉｔｙｐｒｉｏｒ(ＧＳＰ)[２]算法等优秀图像拼接算法在优化特征点提取和图像融合方面有了长足的进步ꎬ极大地改进了拼接图像的视觉效果ꎬ质量提升明显ꎮ但在算法效率方面ꎬ由于摄像机分辨率的日益提升ꎬ被广泛使用的Ｈａｒｒｉｓ角点检测算法㊁尺度不变特征变换(Ｓｃａｌｅ￣ｉｎｖａｒｉａｎｔｆｅａｔｕｒｅｔｒａｎｓｆｏｒｍꎬＳＩＦＴ)[３]算法以及快速鲁棒特征(Ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｒｅａｔｕｒｅｓꎬＳＵＲＦ)[４]算法等均难以提供令人满意的拼接效率ꎻ其中ꎬ在时间效率方面最高效的ＳＵＲＦ算法在进行２张高分辨率图像的拼接时ꎬ特征提取和匹配阶段普遍要花费数秒乃至更长的时间ꎬ整体效率不高ꎮ结合已有经典算法ꎬ为了提升图像拼接的效率和获取更加高质量的拼接图像ꎬ本文通过动态规划特征提取㊁描述区域的方式改进传统的ＳＵＲＦ算法ꎬ依赖相邻图像空间重叠区域比例的相似性获取动态阈值ꎬ只对阈值内的区域进行特征提取和描述ꎬ以此提升拼接效率ꎮ同时ꎬ提出了新的非线性权重图像融合模型ꎬ以非线性权重重新规划拼接区域的权重占比ꎬ改进传统的渐进渐出图像融合算法ꎬ以期获取更高质量的拼接图像ꎬ有效提升多摄像机拍摄场景下的视频拼接效率ꎮ１㊀具有动态阈值的改进ＳＵＲＦ算法１.１㊀图像拼接算法基本流程为实现位置相关联图像集合的图像拼接ꎬ本文采用改进ＳＵＲＦ算法进行特征点提取㊁描述和匹配以完成图像的机械拼接ꎬ应用非线性权重图像融合模型完成图像像素级融合ꎬ主要流程如图１所示ꎮ图１㊀本文算法基本流程图１.２㊀特征提取与描述ＳＵＲＦ算法优化了传统ＳＩＦＴ算法的特征提取和描述过程ꎬ通过改进高斯金字塔的构建过程以及降低特征描述子的维度等方法ꎬ提升了执行效率和算法稳定性ꎮ在算法执行效率方面ꎬＳＵＲＦ算法的执行效率约为ＳＩＦＴ算法的３倍ꎬ能明显减少算法执行时间ꎻ在稳定性方面ꎬＳＵＲＦ算法也在多幅图片场景下有更稳定的表现ꎬ其主要步骤如算法１所示ꎮ算法１㊀ＳＵＲＦ算法执行过程输入:一张待处理图像ꎮ输出:特征描述向量集ꎮ１:构造图像的Ｈｅｓｓｉａｎ矩阵ꎮ２:构造高斯金字塔ꎮ３:特征点初步定位ꎮ４:计算特征点的矢量方向ꎮ５:形成特征点的描述子ꎮ２７１总第２３７期徐启文㊀唐振民㊀姚亚洲㊀基于改进ＳＵＲＦ算法的图像拼接研究㊀㊀１.３㊀生成用于规划特征点检测区域的动态阈值传统的ＳＵＲＦ算法在进行特征点提取和描述的过程中ꎬ会对整幅图像的所有区域进行特征点提取和描述ꎬ而进行特征匹配阶段时ꎬ通常只会用到与待拼接图像相邻部分的特征点进行特征匹配ꎬ从而协助变换矩阵[５]和变换图像的生成ꎬ而大部分特征点成为冗余特征点ꎬ这部分冗余特征点将产生以下负面影响:(１)在消耗了大量计算和存储资源进行特征点的提取㊁描述和存储后ꎬ没有得到有效利用就被释放ꎬ加重了时间和空间负载ꎬ降低了算法性能ꎮ(２)处于非拼接区域的无效冗余特征点在特征点匹配阶段将对特征点的正确匹配产生干扰ꎬ增加了特征点误匹配的可能性ꎮ图２和３是模拟环境下无人机自动拍摄的实例图ꎮ图２为待拼接原图ꎬ图３为特征点配对图ꎬ其左右两侧代表相邻的两张图片ꎬ其中位置 ０２ 和位置 ０３ 是处于背景布边缘两侧的特征点ꎬ位置 ０１ 和位置 ０４ 是处于背景布支架上的特征点ꎬ这几处特征点处于图像的边缘位置ꎬ并不在拼接区域内ꎬ但由于其所处位置图像特征的相似性ꎬ产生了误匹配ꎬ从而影响了匹配效率ꎬ若误匹配数量过多ꎬ将直接影响拼接质量ꎮ图２㊀待拼接原图图３㊀传统ＳＵＲＦ算法特征匹配图因此ꎬ选取最有重叠可能的一部分区域进行特征点提取和描述ꎬ而舍弃重叠可能性不高的图像区域的特征点ꎬ能够有效减少冗余特征点的数量ꎬ从而加快特征点提取和匹配速度ꎮ通常ꎬ为进行质量检测而采集的图像集会存在明显的邻接关系ꎬ如图４所示ꎮ图４㊀模拟环境图像集图４为无人机在模拟环境中采集的一组图像ꎬ它们在水平方向的重叠程度都极其相似ꎬ因此ꎬ在这一类图像集中ꎬ一对图像的特征提取结果可以为同一横向或同一纵向的其他图像的拼接提供协助ꎮ以横向拼接为例ꎬ主要方法如式(１)所示㊀Ｓ１＝５０％Ｓｉ＝Ｓ１＋ðｉ－１ｋ＝１ｆｋｉìîíïïïï(１)式中:Ｓ１为初始阈值ꎬＳｉ为第ｉ次(ｉ>１)拼接的阈值ꎮ通常情况下ꎬ在图像边缘５０％以外的特征点对图像拼接的影响不大ꎬ因此ꎬ取Ｓ１为５０％ꎬ即只取与待拼接图像相邻一侧的那一半区域进行特征点的提取和匹配ꎮｆｋ为第ｋ次图像拼接的阈值变化贡献因子ꎬ其表示如式(２)所示㊀ｆｋ＝ｄｋｗｋ(２)式中:ｗｋ为第ｋ次拼接右图的图像宽度ꎬｄｋ为舍弃部分稀疏的边缘特征点后剩余有效特征点与拼接左边界的最大距离ꎬｄｋ的具体生成步骤如下ꎮ(１)选取待拼接图像中的一幅图像(右图或下图)为待处理图像ꎮ(２)将图像等分成Ｎ个区域(Ｎ＝ＮＦ４ꎬ其中ꎬＮＦ为特征点匹配对总数)ꎬ获取每个区域的匹配对数量ｎ１ꎬｎ２ꎬｎ３ꎬ ꎬｎＮꎮ(３)从最右侧的区域开始(如果是上下结构的图像ꎬ则从最下方区域开始)ꎬ若满足式(３)ꎬ则将区域ｉ作为边缘区域ꎬ抛弃区域ｉ之外的其他特３７１南京理工大学学报第４５卷第２期征点匹配对ꎬ从而获得ｄｋ的数值ꎮ㊀ｎｉ＋ｎｉ＋１＋ ＋ｎＮȡ０.１ˑＮＦꎬｎｉ＋１＋ ＋ｎＮ<０.１ˑＮＦ(３)边缘特征匹配对去除后ꎬ获取第一次拼接的阈值变化贡献因子ｆ１ꎬ将该数值与初始阈值求均值ꎬ生成新的阈值Ｓ２用于下一组图像的拼接ꎻ拼接完成后ꎬ生成新的阈值变化贡献因子ｆ２ꎬ将ｆ１㊁ｆ２和初始阈值３个数值求均值ꎬ生成第３次拼接的阈值Ｓ３继续用作下一组图像拼接ꎬ以此类推ꎬ直到阈值变化趋于稳定ꎬ当第ｉ次拼接满足式(４)时㊀｜Ｓｉ－Ｓｉ－１｜<３％ꎬ｜Ｓｉ－１－Ｓｉ－２｜<３％(４)即认定阈值稳定ꎬ将该阈值作为之后图像的拼接阈值ꎮ若出现个别图像在当前阈值下无法正确拼接的情况ꎬ则仅对当前图像做阈值增加０.１的操作ꎬ其他图像继续使用当前阈值ꎮ在完成２０~５０轮拼接操作后ꎬ将该阈值作为新的初始阈值重新获取新的拼接阈值ꎬ直到所有工作完成ꎮ以图２的待拼接图像为例ꎬ本文算法的特征匹配图如图５所示ꎮ图５㊀本文算法特征匹配图与图３的传统算法匹配图相比ꎬ本文改进算法的匹配图有效控制了特征匹配的范围ꎬ使得匹配正确率有所上升ꎬ并显著控制了特征点的数目ꎬ使得算法效率提升ꎬ具体数据将在第５节详细介绍ꎮ２㊀特征点匹配本文使用近似最近邻快速搜索库(ＦａｓｔｌｉｂｒａｒｙｆｏｒａｐｐｒｏｘｉｍａｔｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｓꎬＦＬＡＮＮ)算法进行特征匹配[６]ꎬＦＬＡＮＮ算法能够有效清除大部分复杂图像的特征误匹配[７]ꎮＦＬＡＮＮ算法的执行步骤如下:第１步:以第一幅图像的特征点为训练集ꎬ第二幅图像的特征点为查询集ꎬ获取训练集中所有特征点与查询集中特征点的欧氏距离ꎮ第２步:通过比较欧氏距离ꎬ保留每个训练集特征点与查询集特征点欧氏距离的最近点和次近点ꎬ放弃其余匹配ꎮ第３步:若最近欧氏距离和次近欧氏距离满足㊀最近欧式距离次近欧氏距离<ｒａｔｉｏ(５)则保留该匹配对ꎬ否则抛弃该匹配对ꎮ其中ꎬｒａｔｉｏ是判别最近欧氏距离的匹配对与次近欧氏距离匹配对差异程度的阈值(０<ｒａｔｉｏ<１)ꎻｒａｔｉｏ取值越大ꎬ匹配对数目越多ꎬ匹配精度越低ꎻｒａｔｉｏ取值越小ꎬ匹配对数目越少ꎬ匹配精度越高ꎮ一般情况下ꎬｒａｔｉｏ的取值在０.４~０.６时ꎬ匹配的整体效果较好ꎬ本文实验中使用的ｒａｔｉｏ取值为０.６ꎮ３㊀图像对齐本文算法使用单应性变换(Ｈｏｍｏｇｒａｐｈｙ)算法进行图像翘曲ꎬ使得左右图像基本对齐ꎮ单应性变换就是将一张图像上的点映射到另一张图像上对应的点的３ˑ３变换矩形Ｈꎬ其表达式为㊀Ｈ＝ｈ００ｈ０１ｈ０２ｈ１０ｈ１１ｈ１２ｈ２０ｈ２１ｈ２２éëêêêêùûúúúú(６)对于图像翘曲前后的一组对应点(ｘ１ꎬｙ１)和(ｘ２ꎬｙ２)ꎬ二者的映射关系如式(７)所示㊀ｘ１ｙ１１éëêêêêùûúúúú＝Ｈｘ２ｙ２１éëêêêêùûúúúú＝ｈ００ｈ０１ｈ０２ｈ１０ｈ１１ｈ１２ｈ２０ｈ２１ｈ２２éëêêêêùûúúúúｘ２ｙ２１éëêêêêùûúúúú(７)应用上述映射公式进行图像变换ꎬ生成变换后图像ꎬ进行机械拼接ꎮ４㊀改进的非线性权重图像融合算法图像融合是图像拼接的关键步骤ꎬ其作用是消除机械拼接产生的拼接裂缝以及亮度㊁色调等图像信息的跃迁ꎬ使得图像拼接区域的过渡更为自然ꎮ目前ꎬ针对不同的应用场景ꎬ渐进渐出融合[８]和缝合线融合[９]等图像融合算法均有一定的应用ꎬ在本文算法中ꎬ考虑到算法执行效率的要求ꎬ应用渐进渐出图像融合算法的改进算法进行图像融合ꎮ传统的渐进渐出图像融合算法以线性权重生成重叠区域像素ꎬ以２张图像的横向拼接为例ꎬ其４７１总第２３７期徐启文㊀唐振民㊀姚亚洲㊀基于改进ＳＵＲＦ算法的图像拼接研究㊀㊀权重示意图如图６所示ꎬ在非重叠区域Ｃ１和Ｃ２中ꎬ非重叠区域Ｃ１由待拼接左图贡献１００％权重生成ꎬ非重叠区域Ｃ２由待拼接右图贡献１００％权重生成ꎬ而在重叠区域中ꎬ最终产生的像素遵循㊀Ｃ(ｘꎬｙ)＝Ｗ１Ｃ１(ｘꎬｙ)＋Ｗ２Ｃ２(ｘꎬｙ)(８)式中:Ｗ１为左图的权重ꎬＷ２为右图的权重ꎬＣ１ｘꎬｙ()为左图的像素值ꎬＣ２ｘꎬｙ()为右图的像素值ꎮ渐进渐出图像融合权重Ｗ１和Ｗ２的值遵循㊀Ｗ１＝Ｄ１－Ｄ２Ｄ１Ｗ２＝１－Ｗ１ìîíïïïï(９)式中:Ｄ１为重叠区域总宽度ꎬＤ２为当前像素与重叠区域左边界的距离ꎮ图６㊀渐进渐出图像融合算法权重示意图传统的渐进渐出图像融合算法虽然被广泛应用ꎬ但在进行扭曲角度较大㊁信息较为复杂的图像拼接时ꎬ这类图像融合算法存在以下缺陷:(１)拼接区域重影严重ꎬ严重影响拼接后图像的视觉观感ꎮ(２)拼接区域像素信息过渡较快ꎬ可能会产生拼接裂缝ꎬ视觉效果较差ꎮ为降低渐进渐出算法的缺陷对图像拼接视觉效果的影响ꎬ本文提出了新的非线性权重模型ꎬ其权重示意图如图７所示ꎬ非重叠区域的权重与线性算法相同ꎬ重叠区域权重遵循Ｗ１＝０.５＋３０.５３－Ｄ２Ｄ１æèçöø÷３ｌｅｆｔɤｘ<ｌｅｆｔ＋ｒｉｇｈｔ２０.５－３０.５３－Ｄ１－Ｄ２Ｄ１æèçöø÷３ｌｅｆｔ＋ｒｉｇｈｔ２ɤｘɤｒｉｇｈｔìîíïïïïïïＷ２＝１－Ｗ１ìîíïïïïïïïï(１０)式中:Ｄ１为重叠区域总宽度ꎬＤ２为当前像素与重叠区域左边界的距离ꎬｌｅｆｔ为拼接重叠区域左边界坐标ꎬｒｉｇｈｔ为拼接重叠区域右边界坐标ꎮ图７㊀非线性权重图像融合算法权重示意图该模型放大了左图像对靠近左边界部分重叠图像的影响以及右图像对靠近右边界部分重叠图像的影响ꎬ将使得拼接区域靠近边界的像素变化更加平滑ꎬ能够有效减少重叠部分的图像重影ꎬ从而有效减少重影㊁裂痕等视觉干扰因素ꎮ５㊀实验结果本文应用１１组连续的并具有相互临接关系的图像集进行拼接实验ꎬ这１１组图像集包括１组无人机模拟图像集㊁７组路面图像集以及３组墙壁图像集ꎬ１１组图像集共包含１３２张(６６对)待拼接图像ꎬ在不使用ＣＰＵ和ＧＰＵ加速的前提下ꎬ按照相关实验结果指标将本文算法与传统ＳＵＲＦ算法进行算法效率比较ꎮ５.１㊀实验环境本次实验操作系统为Ｗｉｎｄｏｗｓ１０专业版ꎬ编译环境为ＶｉｓｕａｌＳｔｕｄｉｏ２０１２ꎬ处理器为Ｉｎｔｅｌ®ＣｏｒｅＴＭｉ７￣６７００ＨＱＣＰＵ＠２.６０ＧＨｚꎮ５.２㊀实验结果相关参数为量化本文算法与传统算法的差异ꎬ统计特征点提取时间㊁特征点描述时间㊁特征点匹配时间㊁特征点总数目㊁匹配对总数目㊁参与精匹配的匹配对数目㊁特征点利用率㊁匹配正确率[１０]等参数并对其进行比较ꎮ㊀特征点利用率＝参与精匹配的匹配对数目匹配对总数目(１１)５.３㊀本文算法与传统算法的对比５.３.１㊀具有动态阈值的改进ＳＵＲＦ算法与传统ＳＵＲＦ算法对比如表１所示ꎬ其中各个数值均为１１组图像集拼接实验的平均数组ꎮ５７１南京理工大学学报第４５卷第２期表１㊀本文算法与传统ＳＵＲＦ算法效率对比表处理阶段参数类型本文算法传统ＳＵＲＦ算法特征点提取时间/ｓ特征点总数目１.０３１２５３２.００２８１５特征点描述时间/ｓ０.２５０.４６特征点粗匹配时间/ｓ匹配对数目０.２９５５９０.７８１４０７特征点精匹配时间/ｓ匹配对数目特征点利用率/％匹配正确率/％０.０５９１１９.９８９３.８５０.０８１０２７.４７８６.２９拼接总时间时间/ｓ２.４２４.１１㊀㊀文献[１１]介绍了一种拼接图像质量评估方法(ＳｔｉｔｃｈｅｄｉｍａｇｅｑｕａｌｉｔｙｅｖａｌｕａｔｏｒꎬＳＩＱＥ)ꎮ此方法使用可操作金字塔ꎬ利用边缘统计模型和二变量模型获取共３６维的特征描述向量ꎬ将拼接图像与组成图像特征描述向量的差值导入支持向量回归模型(ＳｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｏｒꎬＳＶＲ)中ꎬ获取差异评分ꎬ能从客观角度验证拼接图像和原图的相似性ꎬ从而获取客观质量评分ꎮ质量评分获取公式如式(１２)所示Ｑｕａｌｉｔｙ(ｘ)＝β１ｌｏｇｉｓｔｉｃ(β２ꎬ(ｘ－β３))＋β４ｘ＋β５(１２)β１－β５为非线性５参数逻辑函数的５个参数ꎬ详细介绍可参考文献[１１]ꎬ其中ｌｏｇｉｓｔｉｃ函数表示如式(１３)所示㊀ｌｏｇｉｓｔｉｃ(ꎬｘ)＝１２－１１＋ｅｘｐ(ꎬｘ)(１３)以图４所示的图像集为例ꎬ使用本文算法和传统算法的质量评价分数如表２所示ꎮ表２㊀本文算法和传统ＳＵＲＦ算法质量评价分数对比表算法第一组第二组第三组第四组第五组平均本文４４.９１５４.８０５７.８５５９.３０５３.２５５４.０２ＳＵＲＦ４５.３３５４.８１４９.５８５９.３１５３.２５５２.４６㊀㊀从表１中可以看出ꎬ在不改变原图像像素级[１２]的前提条件下ꎬ本文改进方法在时间效率方面有了较大的提升ꎬ在特征点提取㊁描述㊁匹配方面均获得了更高效的执行效率ꎬ在总时间方面减少了４１.１２％ꎬ在特征检测时间方面减少了５８.５０％ꎻ有效提升了特征点利用率ꎬ相比较传统ＳＵＲＦ算法ꎬ本文的方法在传统方法的基础上提升了１２.５１％ꎻ在特征点匹配正确率方面也获得了７.５６％的提升ꎬ使最终的正确率超过９３％ꎮ从表２的质量评价分数对比中可以看出ꎬ改进算法与传统算法获得的拼接图像的质量基本较为接近ꎬ对于部分图像ꎬ改进算法更是取得了更高的客观质量评价分数ꎬ证明此算法在拼接质量方面依旧保持了不低于传统算法的性能ꎮ５.３.２㊀改进的非线性权重图像融合算法与其他算法对比结果以图４中第３行的２张图像的拼接和融合实验为例ꎬ将拼接结果与文献[１３]的平方权重模型㊁文献[１４]的三角函数权重模型㊁文献[１５]的曲线权重模型以及传统的渐进渐出图像融合算法的拼接结果进行对比ꎮ选取拼接图像部分区域进行放大对比ꎬ其对比结果如图８所示ꎮ图８㊀图像融合效果对比从图８可以看出ꎬ图８(ｃ)㊁(ｄ)㊁(ｅ)对应的３个改进模型的拼接图像的椭圆框内均发生了明显的重影ꎬ虽然重影程度较传统算法的拼接结果图８(ｂ)有了一定的降低ꎬ但依旧有不同程度的重影现象发生ꎬ如图８(ｃ)㊁(ｄ)㊁(ｅ)椭圆框中所示ꎬ而在使用本文模型的拼接结果图８(ａ)中ꎬ整体图像表现良好ꎬ没有明显的图像重影ꎬ各部分信息均得到了良好展示ꎬ效果提升明显ꎮ本文应用文献[１１]的ＳＩＱＥ方法对各个改进算法和传统算法的拼接图像进行质量评分对比ꎬ６７１总第２３７期徐启文㊀唐振民㊀姚亚洲㊀基于改进ＳＵＲＦ算法的图像拼接研究㊀㊀此处以两组图像拼接结果的质量评分为例ꎬ分数对比如表３所示ꎮ表３㊀各个图像融合算法的质量评价分数对比表算法本文算法传统渐进渐出算法文献[１３]平方权重算法文献[１４]三角函数权重算法文献[１５]曲线权重算法第一组５７.６３５５.２９５６.６９５５.９２５７.０２第二组５３.６８５２.１２５３.６５５３.０１５２.８８㊀㊀从表３的几组质量评分对比中可以看出:在客观质量评价方面ꎬ各个改进算法均表现出了高于传统渐进渐出算法的质量评分ꎬ其中ꎬ本文算法的质量评分在几组图像拼接中均优于其他改进算法ꎮ综合以上结果ꎬ应用本文模型的图像融合算法明显地提升了拼接图像的主观视觉效果ꎬ降低了重影发生的可能性ꎬ并取得了较为优秀的客观质量评分ꎮ因此ꎬ本文算法在主客观评价方面对比传统算法和本文提及的几种改进算法均表现出更加优异的性能ꎮ６㊀结束语本文提出的具有动态阈值的改进ＳＵＲＦ算法在算法效率方面有了较大的提升ꎬ有效减少了冗余特征点的数目ꎬ从而减少了特征点提取㊁描述以及匹配的时间㊁空间开销ꎻ在算法质量方面ꎬ通过应用非线性权重图像融合算法ꎬ有效减少了重影和几何失真ꎬ拼接图像质量提升明显ꎮ本算法对于连续㊁有规律的图像集合的图像拼接在拼接效率方面有了明显提升ꎬ拼接质量也有一定提高ꎻ但对于整体不规律的图像集合的提升不明显并且不够稳定ꎬ有待进一步研究ꎮ本方法主要针对ＳＵＲＦ特征点的提取过程进行优化ꎬ通过避免非重叠区域的特征点参与特征提取和匹配ꎬ降低冗余特征点对时间㊁空间开销的影响ꎬ可以与描述子降维算法[１６]等其他效率提升算法结合ꎬ进一步提升特征提取㊁描述和匹配的效率ꎮ参考文献:[１]㊀ＺａｒａｇｏｚａＪꎬＣｈｉｎＴＪꎬＴｒａｎＱＨꎬｅｔａｌ.Ａｓ￣ｐｒｏｊｅｃｔｉｖｅ￣ａｓ￣ｐｏｓｓｉｂｌｅｉｍａｇｅｓｔｉｔｃｈｉｎｇｗｉｔｈｍｏｖｉｎｇＤＬＴ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅꎬ２０１４ꎬ３６(７):１２８５－１２９８.[２]ＣｈｅｎＹｕｓｈｅｎｇꎬＣｈｕａｎｇＹＹ.Ｎａｔｕｒａｌｉｍａｇｅｓｔｉｔｃｈｉｎｇｗｉｔｈｔｈｅｇｌｏｂａｌｓｉｍｉｌａｒｉｔｙｐｒｉｏｒ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１４ｔｈＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ－ＥＣＣＶ２０１６.ＣｈａｍꎬＳｗｉｔｚｅｒｌａｎｄ:ＳｐｒｉｎｇｅｒＩｎｔｅｒｎａｔｉｏｎａｌＰｕｂｌｉｓｈｉｎｇꎬ２０１６:１８６－２０１.[３]ＬｏｗｅＤＧ.Ｄｉｓｔｉｎｃｔｉｖｅｉｍａｇｅｆｅａｔｕｒｅｓｆｒｏｍｓｃａｌｅ￣ｉｎｖａｒｉａｎｔｋｅｙｐｏｉｎｔｓ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎꎬ２００４ꎬ６０(２):９１－１１０. [４]ＢａｙＨꎬＥｓｓＡꎬＴｕｙｔｅｌａａｒｓＴꎬｅｔａｌ.Ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｅａｔｕｒｅｓ(ＳＵＲＦ)[Ｊ].ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅＵｎｄｅｒｓｔａｎｄｉｎｇꎬ２００８ꎬ１１０(３):３４６－３５９. [５]刘鹏飞ꎬ高如新.基于相位相关法与改进ＳＵＲＦ算法的图像拼接方法[Ｊ].软件导刊ꎬ２０１９ꎬ１８(１１):１５７－１６０ꎬ１６４.ＬｉｕＰｅｎｇｆｅｉꎬＧａｏＲｕｘｉｎ.ＩｍａｇｅｓｔｉｔｃｈｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｐｈａｓｅｃｏｒｒｅｌａｔｉｏｎａｎｄｉｍｐｒｏｖｅｄＳＵＲＦ[Ｊ].ＳｏｆｔｗａｒｅＧｕｉｄｅꎬ２０１９ꎬ１８(１１):１５７－１６０ꎬ１６４. [６]刘海洋ꎬ李春明ꎬ王萌萌ꎬ等.基于ＳＵＲＦ和改进ＲＡＮＳＡＣ算法的图像自适应匹配[Ｊ].机械与电子ꎬ２０１７ꎬ３５(３):７３－７６.ＬｉｕＨａｉｙａｎｇꎬＬｉＣｈｕｎｍｉｎｇꎬＷａｎｇＭｅｎｇｍｅｎｇꎬｅｔａｌ.ＩｍａｇｅａｄａｐｔｉｖｅｍａｔｃｈｉｎｇｂａｓｅｄｏｎＳＵＲＦａｎｄｉｍｐｒｏｖｅｄＲＡＮＳＡＣａｌｇｏｒｉｔｈｍ[Ｊ].Ｍａｃｈｉｎｅｒｙ＆Ｅｌｅｃｔｒｏｎｉｃｓꎬ２０１７ꎬ３５(３):７３－７６.[７]罗守品ꎬ杨涛ꎬ梅艳莹.基于改进ＯＲＢ和网格运动统计的图像匹配算法[Ｊ].传感器与微系统ꎬ２０１９ꎬ３８(７):１２５－１２７ꎬ１３０.ＬｕｏＳｈｏｕｐｉｎꎬＹａｎｇＴａｏꎬＭｅｉＹａｎｙｉｎｇ.ＩｍａｇｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＯＲＢａｎｄｇｒｉｄ￣ｂａｓｅｄｍｏｔｉｏｎｓｔａｔｉｓｔｉｃｓ[Ｊ].ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｃｒｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓꎬ２０１９ꎬ３８(７):１２５－１２７ꎬ１３０. [８]姚伟ꎬ胡虹.基于ＳＩＦＴ的自适应旋转图像无缝拼接算法[Ｊ].南京理工大学学报ꎬ２０１９ꎬ４３(２):２５０－２５４.ＹａｏＷｅｉꎬＨｕＨｏｎｇ.ＲｅｓｅａｒｃｈｏｎｓｅａｍｌｅｓｓｍｏｓａｉｃａｌｇｏｒｉｔｈｍｏｆａｄａｐｔｉｖｅｒｏｔａｔｉｎｇｉｍａｇｅｂａｓｅｄｏｎＳＩＦＴ[Ｊ].ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬ２０１９ꎬ４３(２):２５０－２５４.[９]张翔ꎬ王伟ꎬ肖迪.基于改进最佳缝合线的图像拼接方法[Ｊ].计算机工程与设计ꎬ２０１８ꎬ３９(７):１９６４－１９７０.７７１南京理工大学学报第４５卷第２期ＺｈａｎｇＸｉａｎｇꎬＷａｎｇＷｅｉꎬＸｉａｏＤｉ.Ｉｍａｇｅｍｏｓａｉｃｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｂｅｓｔｓｅａｍ￣ｌｉｎｅ[Ｊ].ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＤｅｓｉｇｎꎬ２０１８ꎬ３９(７):１９６４－１９７０.[１０]赵小强ꎬ岳宗达.一种面向图像拼接的快速匹配算法[Ｊ].南京理工大学学报ꎬ２０１６ꎬ４０(２):１６５－１７１.ＺｈａｏＸｉａｏｑｉａｎｇꎬＹｕｅＺｏｎｇｄａ.Ｆａｓｔｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｉｍａｇｅｍｏｓａｉｃ[Ｊ].ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬ２０１６ꎬ４０(２):１６５－１７１. [１１]ＭａｄｈｕｓｕｄａｎａＰＣꎬＳｏｕｎｄａｒａｒａｊａｎＲ.Ｓｕｂｊｅｃｔｉｖｅａｎｄｏｂｊｅｃｔｉｖｅｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔｏｆｓｔｉｔｃｈｅｄｉｍａｇｅｓｆｏｒｖｉｒｔｕａｌｒｅａｌｉｔｙ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇꎬ２０１９ꎬ２８(１１):５６２０－５６３５.[１２]陆柳杰ꎬ胡广朋ꎬ包文祥.基于优化的ＳＵＲＦ算法的图像融合技术[Ｊ].计算机与数字工程ꎬ２０１９ꎬ４７(７):１６８４－１６８７ꎬ１８１４.ＬｕＬｉｕｊｉｅꎬＨｕＧｕａｎｇｐｅｎｇꎬＢａｏＷｅｎｘｉａｎｇ.ＩｍａｇｅｆｕｓｉｏｎｔｅｃｈｎｏｌｏｇｙｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＵＲＦａｌｇｏｒｉｔｈｍ[Ｊ].Ｃｏｍｐｕｔｅｒ＆ＤｉｇｉｔａｌＥｎｇｉｎｅｅｒｉｎｇꎬ２０１９ꎬ４７(７):１６８４－１６８７ꎬ１８１４.[１３]ＸｉｕＣｈｕｎｂｏꎬＭａＹｕｎｆｅｉ.Ｉｍａｇｅｓｔｉｔｃｈｉｎｇｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｇｒａｄｕａｌｆｕｓｉｏｎａｌｇｏｒｉｔｈｍ[Ｃ]//第３１届中国控制与决策会议论文集.南昌:ＩＥＥＥꎬ２０１９:２９３３－２９３７.㊀[１４]汪丹ꎬ刘辉ꎬ李可ꎬ等.一种三角函数权重的图像拼接算法[Ｊ].红外技术ꎬ２０１７ꎬ３９(１):５３－５７.ＷａｎｇＤａｎꎬＬｉｕＨｕｉꎬＬｉＫｅꎬｅｔａｌ.Ａｎｉｍａｇｅｆｕｓｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｒｉｇｏｎｏｍｅｔｒｉｃｆｕｎｃｔｉｏｎｓ[Ｊ].ＩｎｆｒａｒｅｄＴｅｃｈｎｏｌｏｇｙꎬ２０１７ꎬ３９(１):５３－５７.[１５]王帅ꎬ孙伟ꎬ姜树明ꎬ等.基于亮度统一的加权融合图像拼接算法[Ｊ].山东科学ꎬ２０１４ꎬ２７(３):４４－５０.ＷａｎｇＳｈｕａｉꎬＳｕｎＷｅｉꎬＪｉａｎｇＳｈｕｍｉｎｇꎬｅｔａｌ.Ｂｒｉｇｈｔｎｅｓｓｕｎｉｆｉｃａｔｉｏｎｂａｓｅｄｗｅｉｇｈｔｅｄｆｕｓｉｏｎｉｍａｇｅｍｏｓａｉｃａｌｇｏｒｉｔｈｍ[Ｊ].ＳｈａｎｄｏｎｇＳｃｉｅｎｃｅꎬ２０１４ꎬ２７(３):４４－５０. [１６]卢清薇ꎬ罗旌钰ꎬ王云峰.ＳＵＲＦ算法的降维研究[Ｊ].软件ꎬ２０１７ꎬ３８(１２):１４８－１５２.ＬｕＱｉｎｇｗｅｉꎬＬｕｏＪｉｎｇｙｕꎬＷａｎｇＹｕｎｆｅｎｇ.ＲｅｓｅａｒｃｈｏｎｄｉｍｅｎｓｉｏｎａｌｒｅｄｕｃｔｉｏｎｆｏｒＳＵＲＦａｌｇｏｒｉｔｈｍ[Ｊ].ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ＆Ｓｏｆｔｗａｒｅꎬ２０１７ꎬ３８(１２):１４８－１５２.８７１。

  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

内蒙古科技大学本科生毕业设计说明书（毕业论文）题目：图像拼接方法及其应用研究学生姓名：***学号：**********专业：电子信息工程班级：电信二班指导教师：***图像拼接方法及其应用研究摘要图像拼接技术顾名思义就是将数张有重叠部分的图像拼成一幅大型的无缝高分辨率图像的技术，在遥感技术领域、虚拟现实领域、医学图像处理领域等都有广泛的应用。

本文首先分析了目前主流科研图像配准和图像融合的算法，重点研究了SIFT算法和Harris算子，RANSAC算法的图像拼接，并对其中的一些问题做出了改进和个人的分析。

在本文中对于图像的隐试信息，采取了多尺度表示的图像方法解决，在对于图像的各种操作时都是考虑这些基本问题，其中尺度不变的特征用来图像匹配和物体的识别，本文中对sift算法在图像拼接中的问题做了详细的概述。

基于特征点的图像拼接中，在提取特征点和检测中做了一些详细的研究，在图像的特点上，本文中提出了一种基于Harris算法结合鲁棒性较高RANSAC算法提纯匹配点，其主要的思想在于去除经典Harris算法中出现的特征点聚集，这样大大减少了RANSAC 算法进行图像配准的运算时间。

关键词：图像拼接；图像配准；特征提取；图像融合Research on the application of image mosaic methodAbstractImage stitching technology is as the name suggests the number of images into overlapping part of a large seamless high resolution image technology, In the field of remote sensing technology, the field of virtual reality, the field of medical image processing and is widely used in.This paper analysis of the current mainstream algorithms and image fusion, focuses on the SIFT algorithm and Harris algorithm, RANSAC algorithm for image stitching.In this paper for the image of implicit information, solve the image method adopted a multiple solutions representation for various operations, in the image are considered these basic questions, including the scale invariant features for image matching and object recognition, in this paper, the image matching problem of SIFT algorithm to do a detailed overview.Based on the feature points of the image stitching. This to do some detailed research on the feature extraction and detection, image features, this paper proposes a Harris algorithm based on RANSAC algorithm with high robustness, which greatly reduced the RANSAC algorithm for image registration computing time.Keywords: image mosaic, image registration, feature extraction, image fusion.目录摘要 (I)ABSTRACT (II)第一章绪论 (1)1.1图像拼接的研究背景 (1)1.2图像拼接的研究意义 (2)1.3图像拼接应用领域和研究现状 (2)1.3.1应用领域 (3)1.3.2 研究现状 (4)1.4图像拼接的特点 (6)1.5 本文章节的安排 (6)第二章图像拼接关键技术的研究介绍 (8)2.1图橡拼接技术的基本流程介绍 (8)2.2图像拼接的信息采集和处理 (9)2.3图像拼接的配准 (10)2.3.1图像配准的原理 (10)2.3.2图像配准的方法 (11)2.4图像的融合与合成 (15)第三章基于SIFT图像拼接算法 (18)3.1 SIFT算法的基本原理 (18)3.1.1 多尺度空间理论 (18)3.1.2检测极值点 (19)3.1.3稳定关键点 (21)3.1.4 局部特性描述 (22)3.1.5拼接融合 (22)3.2改进算法分析实例 (23)第四章基于Harris算法的图像拼接研究 (26)4.1角点提取算子 (26)4.2 Harris角点检测原理 (26)4.2.1柱面投影生成 (27)4.2.2 Harris角点提取 (27)4.3 RANSAC算法的原理 (29)4.4拼接算法的实例分析 (30)4.5本文两种拼接算法的对比 (33)第五章总结与展望 (34)5.1本文总结 (34)5.2工作展望 (34)致谢 (36)参考文献 (36)附录 (39)第一章绪论图像拼接应用广泛的数字图像处理的技术。

根据不同特征点的之间的相互匹配，就可以将很多张小视角的数字图像拼接成为一张大视角的图像，拼接之后与原始图像很接近，失真较小。

开始源于人们的摄影技术，如果相机的视野远小于人们的视野的时候，我们首先想到的是将多个不同的地点的图像拼接成一幅全景图。

由于科学技术的脚步不断前进，拼接技术在数字图像处理、卫星图像处理、医学图像处理等领域都有广泛的使用。

在上个世纪80年代图像拼接技术开始应用于航天技术和宇航照片的处理之上。

1.1 图像拼接的研究背景图像拼接在科学技术的各个行业中都有着至关重要的角色，从1965年往后，电子技术和计算机技术的快速发展，图像处理技术也进入了一个高速发展的时期，现在广泛应用于医学，军事，航天技术等各个领域。

在日常生活中，摄影技术的发展使得我们不满足于图像大小，在争取全景图的同时，往往限制于图像分辨率的问题，种种的情况使得图像的大小和图像分辨率之间存在冲突。

当今医学界，图像处理更是无处不在，在CT 等医学技术到细胞图形学等，医学对于图像的品质和一些处理手段要求是雨来越高，这其中也在医学中促进的图像处理的发展。

现代的医学成像系统中的应用也为医生的诊断提供了医疗诊断依据。

在一些患者的诊断中，由于图像的距离和角度上发生变化，所以就需要对图像进行配准，用图像拼接技术使得他们的信息综合在一起，这就为医学上的诊断和生理结构和功能提供了更多的信息。

在一些外科医学领域中视网膜的激光手术一直是一个医学难题，一些科学家就提出来利用图像拼接的技术来解决这个难题，他们利用相机的镜头运动和平移没有变化，并且将视网膜看经验主义的研究方法做一个二维的曲面，通过变化矩阵间的变换将视网膜的图像拼接成一个完整的全景图，这个在医学方面做出了巨大的贡献。

在环境质量检测中也广泛的用到图像拼接技术，通过卫星或者是航空拍到的某一个场景的图片来实现对这一场景的整体检测，比如河流、耕地或者是虫害等一些情况进行整体的检测和实时的监控。

在当今的军事作战模式下地理位置和地形特征在战局中起到至关重要的地位，当然这其中涉及到一种红外线的图像拼接技术，根据热成像的基本原理，物体自然发射出来的红外射线他是可以转变成可以看得见的热图像，也不会受硝烟、大雾、雪的影像，也有良好的识别伪装能力。

另外信息多媒体技术的高速发展，多媒体技术也慢慢的网络化了，比如说视频的点播，网上的购物和一些多媒体的访问，多媒体资源慢慢的引起了人们的极大关注。

但这些数据中包含了很多的杂乱信息，当然其中也包括一些静止的场景。

为了去除这些数据的杂乱信息，便于多媒体的传输。

也涉及到了图像拼接技术，上述技术的应用能够让图像处理更快的步入到商业化和实用化，也为我们的生活带了诸多方便。

1.2 图像拼接的研究意义近些年来随着高新科技的告诉发展和一些相机和摄像产品的普及，更多的涉及到图像处理这项技术了，在早期，用相机来拓宽视野经常需要调整相机的焦距来获得相对完整的图像，但伴随着问题是产生的图像的分辨率会比较低，当然是用一些高档的相机也可以避免这个问题，但是往往这些设备比较昂贵，也不容易操作。

在普通的家庭中不适合是用。

当我们用到图像拼接技术的时候，这个问题就可以轻松的解决，消除我们的一些盲区，同时也能得到一幅大型的无缝高分辨率的问题。

这些年来，图像拼接技术的告诉发展也改变我们对于传统的测量的认识，所应用的技术和成熟度也较以往有了直观的改变。

图像处理的方法也是实现比较准确、快速将多个场景拼接在一起，让我们感受到真是的感觉。

图像拼接是图像处理当中一个重要的研究分支，也是计算机图像学等领域的重点研究课题，其中还涉及到科学技术的多个方面，包括地质的勘探、视频的传输和检索以及数学的建模等都有广泛的应用。

就目前来说，图像拼接的一个成功的应用案例就是虚拟现实技术，它是用计算机生成一幅三维的图像，可以使用户通过专门的设备技术在一个虚拟的环境中看到实物的整体概况，也可以进行相互的考察和控制，倒是随着这些技术的告诉发展，也滋生出更多的不足，这也在我们发现不足，改变不足中继续的创新与发展。

总体来说吧，图像的拼接技术给我们带来的不止是科学上的进步，也是我们普通人在视觉上、听觉上以及触觉上带了不一样的感受，让我们在学你中体会到真是的一种感觉。

1.3 图像拼接应用领域和研究现状关于图像的拼接国内外研究已经有很久的时间了，应用领域也是十分的广泛，可以说是上至天文，下至地理都有图像处理的研究领域和应用领域。

本文就当前的研究现状和应用领域做一个简短的介绍。

1.3.1应用领域就像1.2节中提到的那样，图像拼接的应用领域十分的广泛，几乎是科学的各个行业都要涉及到图像的处理，而图像的拼接的技术在计算机图形学以及虚拟技术等方面应用更为广泛，在研究中也占有比较大的比重。

以下做一个详细的介绍。

1) 虚拟现实技术虚拟现实技术通俗的说就是利用计算机技术自动生成具有三维的视觉、听觉和触觉环境，用户可以使用专门的设备和虚拟环境进行交互行为。