基于SIFT特征点下图像拼接技术相关分析.docVIP

基于SIFT特征点下图像拼接技术相关分析 　　摘 要 　　社会经济的发展以及科学技术的进步，促进了图像拼接技术的发展。为了有效提高拼接性能以及运行速度，提出了基于SIFT特征点下的图像拼接方法。本文就对基于SIFT特征点下的图像拼接技术的相关内容进行深入分析和探讨。 　　【关键词】SIFT特征 图像拼接技术 　　就现阶段而言，图像拼接技术被广泛应用在虚拟现实领域、海底勘探、军事、医学图像处理、遥感测量以及宇宙空间测探等领域。其是计算机图形学、图像处理、计算机视觉以及照相绘图学研究中的重要课题。一般采用图像拼接技术能够有效提高图像的分辨率以及场景的视觉效果，并且该技术只需要与普通摄影工具或者是普通相机采集的图像进行拼接。在进行图像拼接时，可以将空间重叠的一系列图像对齐，从而构造出高清晰以及无缝的图像，并对信息量进行压缩，对冗余信息剔除，将真实世界有效反映出来。 　　1 图像配准方法 　　图像拼接中的重要部分就是图像配准，一般配准方法包括基于特征的配准、基于相位的配准以及基于区域的配准这三种。基于图像特征的配准，当图像发生变换时，其能够有效保证图像的稳定性。一般而言，在对图像特征进行提取时，采用一阶导数及二阶偏导数的方法，效果不太好，其主要原因就是该方法需要花费较长的时间，并且对噪声很敏感。SUSAN（同化核分割最小值）算法能够快速提取图像特征，抗噪声能力强，不用对图像灰度差进行计算。SIFT（尺度不变特征变换）算法的鲁棒性良好，但是其计算数据量大，计算时需要耗费很长的时间，并且时间的复杂度高。 　　以全景图像拼接的特性为依据，有效改进SIFT拼接方法，首先在提取图像中的兴趣点时，可以充分利用SUSAN算法；其次在兴趣点位置利用SIFT描述子，从而获得梯度的主方向；最后通过固定尺度因子，对每个点的特征进行描述。这样能有效保证图像的性能，提高速度。此外，在配准过程中，对特征点进行粗匹配时，可以采用欧式距离比值，同时有效结合最小二乘法与RANSAC，从而求出图像间的映射关系，并利用求出的变换参数插值，得出配准后的图像。一般图像在拼接过程中，往往会出现光照强度变化以及鬼影的现象，因此可以采用加权融合的方法来提高拼接效果。 　　2 基于SIFT描述子的特征匹配 　　特征匹配一般是以兴趣点特征的相似性为依据，找出邻近图像兴趣点之间的对应关系。基于SIFT描述子的特征匹配，其能够有效保证亮度、尺度缩放以及旋转不变，保证噪声、仿射变换以及对视角变化的稳定性。首先以兴趣点为中心，在邻域窗口中进行采样，并采用直方图，对邻域像素的梯度方向进行统计。一般梯度直方图的范围在0-360度之间，其中一个柱为10度，共36个柱。在对直方图的峰值进行定义时，往往是以兴趣点出领域梯度的主方向为依据，从而有效保证旋转的不变性。 　　将坐标轴旋转作为兴趣点的主方向，并取8×8的窗口作为关键点的中心，如图（a）所示： 　　（a）领域梯度方向 （b） 兴趣点特征向量 　　图（a）中箭头所指示的方向就是像素的梯度方向，梯度模式用箭头的长度表示，高斯加权的范围用圆圈表示，一般越靠近兴趣点的像素梯度方向，其信息的贡献就越大。同时在4×4的方块上，可以对梯度方向直方图的8个方向进行计算，并能够对每个梯度方向的累加值进行具体绘制，从而有效形成种子点，如图（b）所示。这样能够有效描述16个种子点，并且一个兴趣点能够形成128维的SIFT的特征向量，有效归一特征向量的长度，降低关照变化对像素的影响。 　　在获得待配准图像以及参考图像的兴趣点特征描述时，可以采用SIFT的方法，并将其进行特征匹配。SIFT特征能够将像素点的布局特征加以描述，并能包含特征点邻域的信息，因此在寻找潜在的匹配对时，可以利用向量的最邻近匹配法来进行查找。在采用向量的最邻近匹配法对特征点进行粗匹配时，应先提取每两幅图像中的特征点集合， 从而找出两幅图像中欧式距离最小及次小的两个特征点。如果两个特征点的对应距离为d1和d2时，若a*d2≥d1时，并且a=0.4，当找出一组对应的候选匹配点对时，能够利用一幅图像中的特征点，有效找出另一幅图像中潜在的匹配点对。 　　3 映射模型的计算 　　利用距离度量有效找出潜在的匹配对，但是其会存在一些错误的匹配，因此为了有效提高匹配的精确性，可以利用几何限制来有效消除其他错误的匹配。一般在得到粗匹配结果后，在计算图像间的变换关系时，可以充分利用最小二乘法以及RANSAC算法。在对图像间的射影变换模型进行考虑时，其变换矩阵的公式如下： 　　如果将匹配的特征点对设为p=（x，y），q=（x1，y1）时，则有如下公式： 　　在计算矩阵M时，要想对其进行多次重复采样，并随机抽取出3组对应点，组成一个样本，并将其与门限值进行比较，如果与M点一致，则可作为内点