硅谷杂志：基于多算法结合的图像拼接研究 |
| 2012-12-04 10:42 作者：张虎 来源：硅谷网 HV： 编辑： 【搜索试试】
|
|
【硅谷网12月4日文】据《硅谷》杂志2012年第18期刊文，针对SURF算法的尺度旋转不变和提取特征点等进行分析和研究，进一步保证图像配准的精度，通过对这种方法的试验，说明在图像拼接当中能够取得较好的效果。
图像拼接指的是把各种各样的不相同的来自于同一个场景内的具有一定的重叠区域的较小尺寸的图像合并成为一副大尺寸的图像，使其具有大视角的图像[1]。这种技术可以对镜头拍摄角度的局限性有一定的突破，它被广泛的应用于医学图像分析、遥感图像处理、超分辨率重构、计算机视觉、绘图学、虚拟现实以及视频监控等等领域，目前它是图像处理的一个重要的分支。以下是针对图像拼接技术的多种算法的探讨。
1图像拼接技术原理
1.1图像拼接的工作原理
所谓的图像拼接，指的是对需要进行图像拼接的图像进行信息的采集，以及消除所有不需要的信息，针对提取相同场景的不同图像的匹配信息，通过计算机自动对图像融合和图像配准以及消除拼接缝隙，最后得到一副拼接完全的图像。
图像拼接的四个步骤：
1）匹配：匹配主要是针对模板的匹配而言，这主要是基于对区域的图像拼接算法所说的。也就是说，如果能够在两幅图像当中寻找到合适和模板，那么对确定这两幅图像之间的匹配关系就有了一定的证据。当然，匹配在基于特征的图像拼接当中，是把还没有进行拼接的图像按照它的特征找到匹配的点进行拼接和匹配，并且建立起各个集合之间的对因关系，以此来确保待拼接和模板两幅图像之间的对应关系。这个步骤就是需要在两幅图像当中寻找重叠的区域，并且还需要找出点和模板在原图像当中的位置。
2）图像的预处理：如果所需要进行拼接的图像要求较高的准确性，那么在拼接之前必须要进行预处理。主要有两部分：去噪和校正。根据某个图像失真的具体原因，建立一些数学模型，并且根据这些模型来设计一个滤波器，以此来使失真的图像当中所计算到的真实图像的估值，来获取最真实的图像数据。并以此来获得图像当中有明显特征的部分，如：边界、角点、区域以及轮廓等等，还要适时的提取出一些用来表征完整图像的特征；在基于区域的图像拼接算法当中，图像的预处理主要是对图像的匹配模板进行建立，也就是说匹配模板可以直接对像素灰度值进行直接的建立，同样的也可以对图像进行傅立叶变换然后再通过利用傅立叶的变换结果建立区域。
3）图像重构和转换：把没有进行拼接的图像转换之后并且建设一个几何体的坐标，把还没有进行拼接的图像都放到参考图像所建立的坐标当中，以此来完成图像的拼接。当时，在进行坐标转换的整个过程当中有会出现不是整数的图表，这就可以通过插值技术来进行相应的计算。此外，在对图像的拼接过程当中还会出现由于图像获取时光照度不同的情况，导致图像拼接的地方出现拼接缝，这就需要通过图像融合技术来对无缝拼接进行完善[3]。
4）几何变换模型：一般情况下，一副带拼接的和参考图像和图像之间的关系都是在几何变形的模型上进行反应的。然而，在匹配的过程当中，对已经建立图像特征和模板关系的可以通过这些关系来对集合变换模型进行参考，以此来建立起几何变换模型。
以上所述的这四个图像拼接的步骤当中，根据实际的拼图需要不同的图像和不同的算法之间总是会出现一些细节方面的不同，所以在对图像进行拼接的过程当中要充分的对实际的背景图像考虑到也就是说，要根据不同的图像特点来选择不同的拼接算法。然而，如果是图像带有平移、透视、旋转以及缩放等复杂的模式下要通过使用基于特征的图像拼接方法；如果某两个图像之间的光照度一样而且是平移的状况，我们使用的最为基本的方式就是通过基于区域的图像拼接算法。但是，针对基于区域的图像拼接方法当中，可以对模板匹配计算量之间的问题进行考虑，同时还要考虑在图像的匹配过程中是否会影响到，如：光照条件、图像质量以及噪声等等。
2图像拼接的多种算法
2.1SURF算法
Speededuprobustfeatures就是我们常说的SURF算法，这种算法是一种旋转和尺度均不变的特征点检测算法，是Bay在2006年的时候提出的。
1）积分图
SURF算法的基础就是积分图，它是通过对特征点进行提取和计算的形式，具体的定义如下：
从上述式子当中看出，从原图像当中的I（x，y）左上角为（0，0），右下角点（x，y）为矩形区域当中的像素之和等于积分图上面的对应点（x，y）的值。如果想要频繁的在原图像当中的I（x，y）上面对矩形区域当中的像素之和就行求解的时候就可以利用积分图对其进行方便和简单的计算，对计算的效率也有所提高。
由上面的式子我们可以得出，不管是原图像当中的矩形面积有多大，都可以方便的在积分图当中利用四顶点进行三次加减运算而得出正确的结果。
2）Hessian矩阵
我们都知道f（x，y）是连续的函数，而我们对Hessian矩阵的定义为：
以上式子当中的四个元素就是Hessian矩阵所包含的元素，f（x，y）先对x然后再对y的编导；而主对角线上分别为f（x，y）对x和y的二阶偏导。因此得出Hessian矩阵的行列式子是：
det（H）=
上述式子当中的det（H）的值出现正负可以对函数极值点进行判断：当det（H）的值为负数的时候，Hessian矩阵特征值为异号，且f（x，y）在这个点当中不是极值；当det（H）的值为正数的时候，Hessian矩阵的特征值为同号，则f（x，y）在这个点当中为极值[5]。这种算法就是利用这个性质进行特征点的提取，通过对det（H）的利用和判断确定是否为特征点。
3）提取特征点
在上述当中我们说过f（x，y）是一个连续的函数，而原图像的单位是像素的离散信号。原因是原图像的Hessian矩阵构造和Hessian矩阵的定义有一定的差别，定义为：
H（I（x，y））=[L（x,y,）]
H（I（x，y））=[L]
在上述式子当中，Ls的尺度为的高斯函数对x二阶偏导数和图像L（x,y）在点（x,y）地方的卷积，则L和L有类似的定义。因此，我们可以得知，在对矩阵H行类式的计算量比较大进行求解的时候，这种算法通常采用的是使用盒子滤波器和图像I（x,y）卷积的算法来进行的，也就是说通过计算的过程可以对图像的积分进行简化，这样也进一步提高了算法的计算效率。
因此，我们把SURF算法的主要重点进行归纳和总结：
①这种算法可以对计算结果设定相应的阀值对所要提取的数目进行控制，对小于阀点的值通常情况下都是进行舍弃的。所以，当阀值比较大的时候它所提取的数据就相应的变小。最后则是通过对非极大值实施抑制的方式来对特征点进行确认的，图像的尺度域以及图像的尺寸所相邻的点都是来进行比较的，详见图2所示。
图2非极大值抑制方法确定特征点
②通过递增的值来为图像构建尺度空间，通过对空间图像的分组得到，每组包含相同张数的图像。从中我们可以发现因为要对极值点获取就要在不同的尺度下面进行。
2.2图像拼接算法
1）分割算法和边缘检测算法
对特征区域快的边缘进行精确的定位有利于提高图像测量的精确程度，然而这其中对边缘检测算法的选择是重中之重[6]。以下是通过利用边缘检测算法，得到边缘的位置达到亚像素级，实现的方式是：
①通过对数字图像{f（i，j）}的利用，可以由Sobel的边缘检测算子检测对图像的垂直边缘分量和水平进行检测S和。经过检测所得到的垂直边缘和水平边缘检测模板分别是：
和
②垂直边缘和水平边缘分别检测以后分量合成的结果是：
S（i，j）=（S）
当所得到的图像得到边缘检测之后{S（i,j）}，但是在平时真正使用的时候要是选择其来进行阀值的比较的时候，图像当中的边缘图当中的值也就较小的边缘比较容易丢失。因此，我们对S（i，j）当中引入了衰减因子d，也就是：
S（i，j）=（）
这样对图像当中的边缘值较小的也进行了相应的保留，不必对第二值进行处理即可得到，而所得到的图像也不是失真的灰阶边缘图。
③对于灰阶边缘的图像进行内插运算，分别选择三次多项式w（）而对理论当中的最佳插值函数sinc（）进行推进，对灰阶边缘图也要进行相应的三次样条插值计算，则函数w（）的数学表达式是：
④利用自适应全局阀值对插值后的灰阶图像进行最优的阀值来进行图像的分割，并且还要进行图像的细化处理，这是为了能够使图像的目标边缘和亚像素能够符合而进行定位。
2）确定形心位置
当某个图像经过分割以后以及对图像的边缘进行提取多需要的特征块之后，就可以通过采用链码的方式来对特征块的形心位置进行确定，也就是0（x）。而特征块对x水平方向的积分的面积是：
S=
式子当中的相当于初始点的坐标，而a和a的垂直方向和链码第i环的长度的分量，针对初始点坐标和终点坐标来说可以对其进行随意的选择，特征块的形心坐标是0（x）。
3总结
本文提出了一种基于SURF特征点提取的图像拼接方法和图像拼接算法，排序方法对输入的图像进行排序，这对拼接算法的可靠性大大的增加。随后，通过对SURF算法的可靠性进行确定精度[7]。最后慢慢的实现图像重叠区域平滑过渡，从而达到无缝拼接。然而，在速度方面还有一些不足之处，这需要在日后的工作当中不断的改进，进一步实现对图像的拼接。
作者简介：
张虎（1979-），男，现职称：中级实验师，研究方向：计算机技术。 |
|
|
|
【对“硅谷杂志：基于多算法结合的图像拼接研究”发布评论】 |
版权及免责声明：
① 本网站部分投稿来源于“网友”，涉及投资、理财、消费等内容，请亲们反复甄别，切勿轻信。本网站部分由赞助商提供的内容属于【广告】性质，仅供阅读，不构成具体实施建议，请谨慎对待。据此操作，风险自担。
② 内容来源注明“硅谷网”及其相关称谓的文字、图片和音视频，版权均属本网站所有，任何媒体、网站或个人需经本网站许可方可复制或转载，并在使用时必须注明来源【硅谷网】或对应来源，违者本网站将依法追究责任。
③ 注明来源为各大报纸、杂志、网站及其他媒体的文章，文章原作者享有著作权，本网站转载其他媒体稿件是为传播更多的信息，并不代表赞同其观点和对其真实性负责，本网站不承担此类稿件侵权行为的连带责任。
④ 本网站不对非自身发布内容的真实性、合法性、准确性作担保。若硅谷网因为自身和转载内容，涉及到侵权、违法等问题，请有关单位或个人速与本网站取得联系（联系电话：01057255600），我们将第一时间核实处理。
|
|
|
|
