图像拼接摘要课件.docx

图像拼接的两个关键技术是图像配准和图像融合。图像配准[2] (Image Registration):是根据一些相似性度量来计算不同图像间的变换参数,使不同成像设备在不同时间和不同视角获取的同一场景的多幅重叠图像变换到同一坐标系下,并得到最佳匹配的过程。图像匹配[3] (ImageMatching):在一个大的图像区域寻找一个合适的子区域,与目标相似。有时候图像匹配也可以认为是一种图像配准。图像融合[4] (Image Fusion):将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率,利于监测。目前全景图像拼接在以下几个方面存在不足之处-(1)为了达到图像正确配准,需要对参考图像和待配准图像中的什么信息进行提取,选择何种有哪些信誉好的足球投注网站策略,以及对所提取的信息如何进行配准;(2)场景中参考图像和待配准图像之间不仅发生了平移,还有旋转和缩放,或者在两幅图像之间存在大面积的同色区域等难以匹配的情况,如何在这些情况下也能做到正确的配准;(3)SIFT特征应用于图像拼接有大量冗余,导致运算量大,而且非边缘区域的特征点容易出现匹配错误;(4)RANSAC算法是每次随机抽取初步匹配点样本来计算模型参数,这样会导致迭代次数不定(偏多),带来运算量大的问题;(5)传统的基于动态规划的最优缝合线有哪些信誉好的足球投注网站技术,很可能与两幅相邻图像的某个边界离得很近,会导致图像融合的平滑区域过小而无法消除“拼接缝”和“鬼影”。(6)重叠区域多分辨率融合技术研究中,自适应加权函数(融合规则)方面的研究很少。图像拼接技术的难点主要在于以下几个因素:(1)通用性的拼接技术。目前的图像拼接技术的各种方法,通常都应用在特定的场景中。针对自然场景中存在物体大小、形状、位置及光照条件等变化,甚至存在遮挡从而导致同一场景中的实体存在较大的可变性,因此在实际的图像拼接过程中,需要人工选取拼接算法。然而人工选取算法经常不是最佳的图像拼接技术,影响图像的拼接质量。大量实验表明,目前还没有一种通用图像拼接算法能够保证在不同场景下获得较理想的拼接效果。(2)匹配信息的提取和配准效率的问题。随着采集的图像分辨率越来越大,如何提取出图像中的特征信息,以及如何对提取出的信息进行快速的配准,以达到预期的效果。(3)图像融合问题。虽然可以获得图像的精确配准,但是在图像过渡区普遍存在缝合线和鬼影问题,这两个问题严重影响了图像拼接效果,如何提出一种新的图像融合算法,以提高图像拼接的效果。全景图像拼接作为图像拼接的一个特例，其发展历程与图像拼接技术的发展息息相关。在图像拼接中，根据配准方法主要可以分为三类：第一类是基于相位相关的图像拼接算法，该类算法将输入图像序列先进行傅立叶变换，然后利用图像变换后的互功率谱中的相位信息计算图像间的相对位移；第二类是基于几何区域相关的图像拼接算法，该类算法是通过在图像像素点灰度级上，对输入图像的部分几何子区域进行相关运算来进行匹配，从而完成图像拼接；第三类是基于特征的图像拼接算法，该类算法首先提取输入图像的特征，然后通过特征匹配，来完成图像配准，从而完成图像拼接。图像配准：基于频域的图像配准（基于频域的图像配准算法就是首先将图像变换到频域再做相关的处理实现图像的配准）：基于FMT的相位相关图像配准算法（FMT?可以直接处理旋转和缩放的图像，它利用了图像的全部信息进行配准，克服了相位相关性噪声和频率噪声的影响，减小了几何畸变对图像匹配的影响，并且对于光照变换不敏感。）基于空间域的图像配准方法：基于灰度的图像配准算法（基于灰度信息的图像配准算法有着原理简单的优点，但是计算量大，而且对噪声光照都很敏感。）：块模版配准算法、四边模版匹配法和金字塔分层模版匹配等基于特征的图像配准算法 （使用区域统计特征作为图像配准特征的前提是可以较好的分割出区域。它使用灰度值作为图像匹配的基元从而避免了提取特征的过程中导入的误差。它可以利用到图像中比较多的图像信息，因此复杂的图像可以使用区域统计特征来实现图像的高精度配准。但是它处理的信息量过大，计算复杂度高，而且受光照、灰度变化影响较大，对图像的尺度变化、旋转以及遮挡极为敏感。 ）基于不变量的图像配准 SIFT 特征的提取 （尺度不变特征变换即 SIFT 对于图像的缩放、平移、旋转、仿射变换都具有不变性，而且对噪声和光照变化都具有良好的鲁棒性，所以基于 SIFT 特征的图像配准算法对于旋转和尺度变化较大的图像也具有良好的效果）SURF 特征的提取(SURF 算法就是一种加速的 SIFT 算法，它利用了盒子滤波、积分图像以及 Haar小波实现了算法的加速 ):SURF 特征和 SIFT 特征性能差