基于SIFT特征点的图像拼接李昕 10905036 信息与电子学院1 图像拼接概述在科学研究中，经常使用超过人眼视角的高分辨率图像。由于距离的限制，普通数码相机的视角往往不能满足需要，某些超大尺寸的物体无法用一张照片拍摄下来。为了得到大视角的高分辨率图像，人们往往利用广角镜头和扫描式相机部分解决了这一问题。但这些设备价格昂贵，使用复杂。另外，在一幅低分辨率的图像中得到超宽视角会损失景物中物体的分辨率，而且，广角镜头的图像边缘会难以避免的产生扭曲变形。这在航空航天照片的拍摄中显得尤为突出，这些情况就会在场景的大小和分辨率的高低之间形成一对矛盾。图像拼接技术就是在不降低图像分辨率的条件下，研究如何利用多幅小视角的图像拼接成一幅大视角的图像，以满足人们对场景的大小和分辨率的需要。图像拼接技术除了在航天领域中应用外，在摄影测量，计算机图形学、图像处理、视频通信和计算机视觉、医学等领域得到广泛应用。具体的应用有虚拟场景的构建和虚拟漫游、医学图像分析、大型航空照片和卫星遥感图像的拼接，环境监测等领域。2图像拼接关键技术图像拼接的核心和关键技术就是图像配准，因为拼接后图像质量主要依赖于图像配准的程度。图像配准是寻找两幅图像重叠部分的对应特征点，并利用这些特征点计算图像之间的透视变换关系，最终将图像变换到同一个坐标系中．因此，特征点的提取是图像配准中重要一步，选择高精度的提取方法至关重要。在特征点提取算法中角点是图像的一个重要的局部特征。角点是指至少两个方向上图像灰度变化均较大的点，实际图像中，轮廓的拐角、线段的末端等都是角点。角点因其具有信息量丰富、便于测量和表示、能够适应环境光照变化等优点而成为特征配准算法的首选。常用的角点检测有Harris角点检测，它对图像尺度变化非常敏感，但这在很大程度上限制了它的应用范围。对于大尺度变换的图像，基于Harris特征点的方法无法保证正确的拼接。研究人员相继提出了具有尺度不变性的特征检测方法，David.Lowe在2004年总结了现有基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的，对图像平移，旋转，缩放，甚至仿射变换保持不变性的图像局部特征描述算子——SIFT算子，全称Scale Invariant Feature Transform，即尺度不变特征变换。 SIFT特征点提取算法匹配能力较强，可以处理两幅图像之间发生平移、旋转、仿射变换情况下匹配问题，甚至在某种程度上对任意角度拍摄的图像也具备较为稳定的特征匹配能力。3 基于SIFT算法的图像拼接原理 尺度空间理论的主要思想是利用高斯核对原始图像进行尺度变换，获得图像多尺度下的尺度空间表示序列，再对这些序列进行尺度空间特征提取。 二维高斯核为： 对于二维图像：，在不同尺度下的尺度空间表示可由图像与高斯核的总面积得到： L 为了提高尺度空间检测稳定特征点的效率，Lowe提出利用高斯差值同图像总面积求尺度空间极值，即用固定系数k相乘的相邻的两个尺度计算： SIFT算法将图像金字塔引入了尺度空间，首先采用不同尺度因子的高斯核对图像进行总面积，得到图像的不同尺度空间，并将这一组图像作为金字塔图像的第一阶。接着对其中的2倍尺度图像以2倍像素距离进行下采样得到金字塔的第二阶的第一幅图像，对该图像再采用不同尺度因子的高斯核进行卷积，获得金字塔的第二阶的一组图像。再以同样方法得到第三阶，依次类推，获得高斯金字塔图像。每一阶相邻的高斯图像相减，就得到高斯差分图像，即DoG图像。对DoG尺度空间每个点与相邻尺度和相邻位置的点逐个进行比较，得到的局部极值位置即为特征点所处的位置和对应的尺度，如图1所示。 DOG尺度空间中中间层的每个像素点都需要跟同一层的相邻8个像素点及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较，以确保在尺度空间和二维图像空间都检测到局部极值，如图2所示，标记为叉号的像素若比相邻26个像素的DoG值都大或都小，则该点将作为一个局部极值点，记下位置与对应尺度。图1 高斯图像与DoG图像的构造 图2 DoG图像中的极值检测 SIFT算法主要采用金字塔分层方法，使总的计算量在幅下降，提高运算速度，且SIFT是相似不变量，即对图像尺度变化的旋转是不变量，并由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形的光照变化具有较强的适应性，定位精度比较高。 采用SIFT算法特征点提取后并进行图像配准后，还需要进行图像融合，才能完成图像的拼接。4 仿真结果 选择两幅具有重叠区域的图像，利用SIFT算法提取两幅图像的特征点并进行特征点匹配，其匹配结果如图，可以看出匹配精度很高，利用配对的特征点求得两幅图像之间的映射关系，确定重合区域，之后，利用变换关系进行图像整合处理。图3 两幅待拼接的图像图4 SIFT特征点匹配结果图5 图像拼接得到的结果
温馨提示
请用电脑打开本网页，即可以免费获取你想要的了。
