基于SIFT特征匹配的全景图像拼接算法 |
| 2013-02-27 16:11 作者：郝 旗 汪成名 来源：硅谷网-《硅谷》杂志 HV： 编辑： 【搜索试试】
|
|
硅谷网文 据《硅谷》杂志2012年第22期刊文称，基于尺度不变SIFT（ScaleInvariantFeatureTransform）特征匹配思想[1]，是一种鲁棒性、准确的图像拼接算法。SIFT特征匹配算法是当前图像配准工程领域最优先采用的技术之一，因其具有极强的匹配能力，可解决在多尺度、多拍摄视角、多光照条件下图像之间配准问题。算法在大多数情况下实验结果证明采用此方法提高普通图像拼接速度，减少因图像差异化的影响，使结果图像自然逼真。
关键词：特征匹配SIFT；序列图像拼接；图像融合；RANSAC；L-M
0引言
图像拼接是计算机视觉领域和图像处理的一个重要分支，它是将两幅以上的具有部分重叠的图像进行无缝拼接从而得到大画幅或宽视角的图像。本文给出了一种基于SIFT特征匹配的无缝图像拼接方法，该方法利用SIFT特征匹配、RANSAC算法、L-M算法、多分辨率融合算法克服了传统图像拼接技术中的局限性，实现了光照和尺度变化条件下的多视角无缝图像拼接。
1SIFT特征点提取
SIFT算法首先对图像进行尺度空间变换，在此基础上进行特征检测，对相关关键点（Keypoints）的位置和关键点所处的尺度进行描述，然后利用确定的相关点的邻域梯度的主方向作为该点的方向特征，实现了算子对尺度和方向的无关性[2]。
SIFT算法的实现主要包括7个步骤：
1）首先创建初始图像，即通过将图像转换为32位的灰度图，然后将图像使用三次插值来方大，之后通过高斯模糊处理。
2）在此基础上进行高斯金字塔的构建以及高斯差分金字塔的构建。
3）对图像进行极值点检测。
4）计算特征向量的尺度。
5）调整图像大小。
6）计算特征的方向。
7）计算描述子，其中包括计算二维方向直方图并转换直方图为特征描述子。
2SIFT特征匹配
SIFT特征匹配算法包括两个阶段:第一阶段是SIFT特征的生成，即从多幅待匹配图像中提取出对尺度缩放、旋转、亮度变化无关的特征向量;第二阶段是SIFT特征向量的匹配。当两幅图像的SIFT特征向量生成后，下一步采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量[3]。
图2lab1和lab2基于SIFT特征初步匹配
3图像配准
3.1RANSAC匹配点对提纯
由图2可以明显看出来基于SIFT特征的粗略匹配中存在着误匹配、伪匹配。这些错误的匹配对的出现严重干扰了变换矩阵的估计，因此，必须用对粗略匹配点对进行提纯，。本文采用RANSAC典型算法进行匹配点对提纯。算法可以叙述为：
1）数据由“局内点”组成；
2）“局外点”是不能适应该模型的数据；
3）除此之外的数据属于噪声。
从而可以得到了优化的内点集合来进一步计算透视矩阵M[4]。
3.2L-M优化计算透视矩阵
由于特征点检测的误差存在，以及上一步中的线性解法的结果往往很不稳定，因此就要通过这个内点集合对变换矩阵M进行非线性优化。文中采用了L-M（Levenberg-Marquardt）算法优化透视矩阵[5]。关于非线性最小二乘问题，L-M算法的使用效果很好，其巧妙之处就是逆黑塞矩阵方法的极限和最速下降法之间进行平滑调和。
图3为lab图像提纯后的匹配点集。
4图像融合
图像融合本文采用了基于拉普拉斯金字塔分解的图像融合[6]。首先，对图像进行本身的拉普拉斯金字塔分解；在每一个尺度带内使用不同的加权函数和拼接区域宽度将在本尺度内进行分解的图像拼合成相应的尺度图像，依次迭代各个尺度的图像。最后将各个尺度的图像的拼合成一幅图像。
图4lab1和lab2融合结果
5实验结果
表1给出了本文算法和基于灰度、原始SIFT算法比较。实验结果表明该方法能快速、自动地完成图像序列的拼接操作，效果较好。
算法名称 关键点匹配总数 正确匹配点数 正确匹配百分比 平均运行时间
基于灰度 136 24 17.64% 0.285s
SIFT算法 287 132 45.99% 0.172s
本文算法 235 178 75.74% 0.124s
表1本文算法和基于灰度、原始SIFT算法比较（两幅图像配准）
6结束语
文中给出了一种基于SIFT特征匹配基本思想算法对图像进行无缝拼接的方法，此方法大大改善了图像在多尺度、多视角以及多光照等差异条件的影响。1）其采用SIFT思想是基于尺度不变性的特征匹配，大大减少了图像特征点的误匹配率；2）本文在图像特征点精确确定中采用的RANSAC算法，从而大大的避免了L-M迭代算法收敛到局部最小值。根据表一实验结果可以看出本方法是一种快速、稳定的高精度自动图像拼接方法。 |
|
|
|
【对“基于SIFT特征匹配的全景图像拼接算法”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。
|
|
|
|
