数字图像无缝拼接技术.pptVIP

数字图像的无缝拼接技术研究 图像拼接就是把有重叠部分的多张图像合成一张大的宽视角的图像。 要求：拼接后失真尽可能小，没有明显缝合线。 相机的视野小于人类的视野，于是将多个照片拼接成一幅大的照片以增强相机的视野。 利用扫帚式相机和广角镜头可部分解决视角不足这一问题，但得到全景图往往效果欠佳。 也可以使用图像处理工具如Photoshop等，但这种手动拼接方法不仅拼接效果不够理想，而且对于多幅图像的拼接，工作量大且重复运作繁琐。 1.3本文的主要研究 1.4图像拼接的核心问题 2.图像拼接过程 图像预处理 图像配准 图像融合 2.1图像拼接的四大步骤 3.基于特征点的图像拼接技术 3.1本文图像获取方法 1.Harris算子 a)通过微分运算和自相关矩阵来检测角点微分算子来反映像素点任意方向上的灰度强 度变化，有效地区分角点和边缘。 优点：配准算法量较小，配准精度高。 缺点：对边缘信息少的图像，不能很好匹配。 b)记像素点(x，y)的灰度为f(x，y)，图像的每个像素点(x，y)移动(u，v)的灰度强度变化表示为: 其中Wuv 是高斯窗口位置（u, v）处的系统， （3-1） ， （3-2） 2.Susan算法 Susan算子是一种基于灰度的特征点获取方法，适用于图像中边缘的检测、角点的检测，可以去除图像中的噪声，它具有方法简单、有效、抗噪声能力强 。 3.SIFT算法的四大步骤 检测尺度空间极值； 精炼特征点位置； 计算特征点的描述信息； 生成本地特征描述符。 3.1尺度空间极值求取 首先来构建图像的尺度空间函数，我们定义图像尺度空间函数为L(x，y)，将高斯函数作为卷积核，其中高斯函数为: 输入图像用I(x，y)表示，对输入图像进行卷积，则有： 使用高斯函数之差对图像进行卷积操作，得到高斯差分函数DOG即: 3.2确定关键点位置 我们采用过滤低对比度特征点，将尺度空间函数泰勒展开(最高到2次项)。 3.3特征点方向确定 利用关键点领域像素领域像素的梯度方向分布特性为每个关键点指定方向参数，保证SIFT算子的旋转不变性。 对每幅图像，其梯度值m(x，y)和方向 以通过像素点的差值预先得到: 3.4特征描述符生成 首先，特征点描述符向量要被标准化为单位长度。当图像对比度改变时，每个像素值会被乘以一个常量，同时梯度值也被乘以相同的常量，因此对比度改变产生的影响就会通过向量的标准化而被取消掉。当亮度改变时，每个像素都会被加上一个常量但不会影响梯度值，因为梯度是通过像素值的差计算得到。可见特征点描述符不受图像光线仿射变化的任何影响。然而非线性的光线变化也可能发生，这通常是由 3.3图像配准流程 3.4图像融合 3.5实验结果 实验结果 4.总结与展望 1.总结 在特征提取上，SIFT算法的特性： a) 不变性。其对旋转、尺度缩放、亮度变化保持不变性。 b)稳定性。对视角变化、仿射变换、噪声也保持一定程度的稳定性。 c)高速性。 在图像配准上，采用RANSAC算法，进行空间坐标转换。 在图像融合上，利用加权平滑的方法消除拼接缝 。 2.展望 对高分辨率图像处理时间长 ，处理效果不理想 。不适应多尺度图像的特征匹配 。 * * LOGO 绪论 1 2 3 全景图像拼接理论 基于特征点的图像拼接技术的研究 结论与展望 4 图像的获取 SIFT特征点的提取 LM图像配准 加权平滑图像的融合 主要内容 图像配准 图像预处理 图像预处理 参考图像 待拼接图像 图像对齐与匹配 图像融合与平滑 三种方法 1.旋转照相机 2.固定照相机 3.手持照相机 图像 获取 图像 预处理 图像 配准 图像 融合 1.几何校正 2.噪声抑制 1.区域配准 2.特征配准 3.小波变换配 准 HIS融合法 KL变换融合 高通滤波法 小波变换法 图像融合 图像配准（计算H） 特征点的提取与匹配 图像获取 拼 接 流 程 1 采用了手持照相机 2 MATLAB 获取 Harris算子 Susan算子 SIFT算子 特征点提取算法 3.2特征点提取与匹配 Susan图形模板图 4.精炼变换 矩阵 5.引导匹配 重复4、5步 1.计算特征点 2.特征点匹配 3.计算变换矩阵 Pixel=k × Pixel-L + (1-k) ×Pixel-R Pixel_R Pixel_L 图像1 图像2 拼接图像 重叠部分为20% 重叠部分为50% *