图像拼接
一、实验原理及实验结果
图像拼接就是将一系列针对同一场景的有重叠部分的图片拼接成整幅图像,
使拼接后的图像最大程度地与原始场景接近,图像失真尽可能小。基于 SIFT 算法
则能够对图像旋转、尺度缩放、亮度变化保持不变性,对视角变化,仿射变换,
噪声也能保持一定程度的稳定性。本次实验运用SIFT 匹配算法来提取图像的特征
点,采用随机抽样一致性算法求解单应性矩阵并剔除错误的匹配对。最后用加权
平均融合法将两帧图像进行拼接。具体过程为:首先选取具有重叠区域的两帧图
像分别作为参考图像和待拼接图像,然后使用特征提取算法提取特征点,并计算
特征点描述子,根据描述子的相似程度确定互相匹配的特征点对。再根据特征点
对计算出待拼接图像相对于参考图像的单应性矩阵,并运用该矩阵对待拼接图像
进行变换,最后将两帧图像进行融合,得到拼接后的图像。
1.特征点检测与匹配
特征点检测与匹配中的尺度空间理论的主要思想就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,再对这些序列就行尺
度空间的特征提取。
二维的高斯核定义为:
G(x, y, σ) =
1
2πσ
2
e
−(x
2
+y
2
)
⁄
2σ
2
对于二维图像 I(x,y),在不同尺度σ下的尺度空间表示 I(x,y, σ)可由图像
I(x,y)与高斯核的卷积得到:
L(x, y, σ) = G(x, y, σ) ∗ I(x,y)
其中,*表示在x 和y 方向上的卷积,L 表示尺度空间,(x,y)代表图像I上的点。
为了提高在尺度空间检测稳定特征点的效率,可以利用高斯差值方程同原图
像进行卷积来求取尺度空间极值:
D(x, y, σ) = (G(x, y, kσ) − G(x, y, σ)) ∗ I
(
x, y
)
= L(x, y, kσ) − L(x, y, σ)
其中k为常数,一般取k =
√
2。
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
图像进行卷积以得到图像的不同尺度空间,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(相对于该阶第一幅图像的2 倍尺度)以 2 倍像素距
离进行下采样来得到金字塔图像第二阶的第一幅图像,对该图像采用不同尺度因
子的高斯核进行卷积,以获得金字塔图像第二阶的一组图像。再以金字塔图像第
二阶中的 2 倍尺度图像以 2 倍像素距离进行下采样来得到金字塔图像第三阶的第