浅析基于特征的图像拼接法

106
科技创新导报 Science and Technology Innovation Herald
随着计算机和数字图像处理技术的迅速发展,图像拼接作为基于图像绘制技术的一项关键技术,已经成为获得全景图的一种重要途径。

它通过普通照相机拍摄一组实景图像,并进行图像的配准和融合处理后,就可以获得高分辨率的全景图像。

在图像拼接时,根据图像匹配方法的不同,可分为不同的类型:一般分为基于特征、基于灰度信息和基于变换域的图像拼接三种类型。

基于特征的图像拼接法的基本步骤如下。

1 图像预处理
在图像的采集过程中,相机不会在一个绝对的水平面上运动,倾斜、抖动等现象是不可避免的。

另外,景物中物体的运动和光线的变化也时常发生,这样会使图像的某些列中梯度最大点在两幅图像中有很大出入,数据的抖动性比较大。

为消除这种干扰,在拼接前,我们需要对图像进行预处理。

通常采用中值滤波,几何变换等方法来消除图像噪声干扰和由于拍摄角度的变换而产生的几何偏差,使图像拼接能够顺利准确的进行。

2 特征的选择
图像特征是指图像的原始特性或属性。

它包括像素亮度、景物边缘轮廓、组织结构或色彩等。

图像边缘轮廓是图像基本特征之一,它蕴含了图像丰富的内在信息(如方向,阶跃性质与形状等),不易受图像亮度的影响,这样就避免了由于亮度不同而造成的伪匹配现象,所以选择边缘作为图像特征是完成图像匹配任务的最佳方案。

目前常用Canny边缘检测算法自动获取图像的边缘信息,主要包括边缘点的位置、梯度方向及梯度值。

3 特征点的提取
经过应用Canny边缘检测算法获得图像的边缘特征点后,我们得到了图像的边缘特征。

但是图像边缘特征点数量很多,还是不利于我们图像间的匹配。

所以需要对边缘特征点进行筛选,得到最具代表性的特征点,即拐点,作为最后的特征点。

具体方法如下:
设Ａ图像 1(,)f x y 为参考图像,Ｂ图像 2(,)f x y 为待配准图像,设它们的宽和高分别为W1和G1,提取特征点步骤为:
首先,将图像 1(,)f x y 中每一列的边缘点找出,并将每一列的边缘点纵坐标(行值)存入数组V(j)中,2≤j≤W1-1,例如V(2)存储第2列边缘点的纵坐标。

然后,根据数组V(j)中所记录的第j列边缘点的位置,求出每一列梯度值最大的边缘点,即为特征点,并记录该点的梯度值和纵坐标。

对于图像中任意边缘点 (,)
i j ,梯度值由下式给出:
(,)M i j 式中, f 数组 1M ,数组中第一行的元素是图像中该列上最大梯度值,第二行的元素是图像中该列上梯度最大点的纵坐标。

例如 1M (1,5)代表图像第5列特征点的最大梯度值, 1M (2,5)代表图像第5列特征点的纵坐标。

同理,对图像 2(,)f x y 按照上面的方法,求出每一列梯度最大值的边缘点,并将该点的梯度值和纵坐标记录到数组 2M 中。

这样,我们就得到了两幅图像的一行梯度最大纵坐标数组。

这两个数组存储了两幅图像每一列特征点的信息,反映了两幅图像按列最大梯度特征点分布的曲线。

4 特征点的匹配
一般情况下要拼接的两幅图像的重叠部分一般不超过50%,为减小计算量,只在Ａ图像的右半部分和Ｂ图像的左半部分中考虑特征点的匹配问题。

即取Ａ图像第W/2+1列至W列的对应的特征点数组作为匹配的子数组mag1, 取Ｂ图像第1列至第W/2列数组作为匹配的子数组mag2。

在数组mag1和mag2再取出一定长度的子数组,通过计算两个子数组的相似程度,确定相匹配的子数组,这两个数组的起始位置就是两幅图像相匹配的位置。

具体算法如下:
在代表Ａ图像数组mag1中,取一个固定长度为 L 的子数组,记为 1S ,在Ｂ图像的数组mag2中,也取长度为 L 的子数组记为2S 。

对于每一个子数组 1S ,分别与不同的 2S 进行相似程度计算,通过相似程度计算来确定匹配的子数组。

1S 和 2S 的相似程度用 12(,)Simil S S 表示,由 12S S 的方差来描述,即 1212(,)()
Simil S S SE S S 其中方差
212121
()[([][])]L
i SE S S S i S i mean
121
([][])/L
i mean S i S i L
i S 1和
i S 2表示第i
列的梯度值, 12(,)Simil S S 值越小说明 1S 与
2S 的值越相似,那么一定可以找到子数组 01S 与 0
2S 使其满足:
11
22
00
1212(,)min {(,)}
S M S M Simil S S Simil S S 由此得出, 12(,)Simil S S 最小值所对应的子数组 01S 与 02S 是相似
的数组,那么两幅图像的最佳匹配位置就是 01S 与 0
2
S 的起始位置,这样由于 1M 与 2M 的第2行的元素值是按列梯度最大点的纵坐标取值,在确定了列的匹配位置时,也同时确定了行的匹配位置。

这样就可找到两幅图像最佳的匹配位置。

5 图像的融合
图像融合是通过一个数学模型把来自不同传感器的多幅图像综合成一幅满足特定应用需求的图像的过程,从而可以有效地把不同图像传感器的优点结合起来,提高对图像分析和提取的能力。

简单的图像融合方法不对参加融合的源图像进行任何变换和分解,而是直接对源图像中的各对应像素分别进行选择、平均或加权平均、多元回归或其它数学运算等处理后,最终合成一幅融合图像对于图像融合的对象,可以分为两大类,即多光谱图像与灰度图像之间的融合,以及灰度图像之间的融合。

基于特征的图像拼接法是通过特征的匹配来完成拼接的。

基于特征的匹配算法对于图象畸变、噪声、遮挡等具有一定的鲁棒性,在处理分辨率较高的图像时这种方法的实时性要好于基于灰度信息的其他方法,但是由于它的匹配性能在很大程度上取决于特征提取的质量,因而匹配精度不高。

参考文献
[1]J.Canny.A Computational Approach to Edge Detection. In
IEEE Trans On PAMI,VOL 8,No.6.pages 679～697. 1986.[2]王红梅,张科,李言俊.图像匹配研究进展.计算机工程与应用,
2004,19.42～44,77.
[3]R.Szeliski.Image mosaicing for tele-reality applications. IEEE
Computer Graphics and Applications.1994,(1):44～53.
浅析基于特征的图像拼接法
项立明
(辽宁职业学院计算机科学系 辽宁铁岭 112000)
摘 要:图像拼接技术是将一组相互间有重叠部分的图像序列进行空间匹配对准,形成一幅包含各图像序列的、宽视角场景的、完整的、高清晰的新图像的技术。

本文给出了一种基于特征匹配的图像拼接方法。

该方法首先采用特征提取方法获得图像特征点,并通过双向相互匹配的方法提高特征点的匹配精确度,最后通过图像融合完成图像的无缝拼接。

关键词:基于特征 图像拼接 图像融合中图分类号:T N 941文献标识码:A 文章编号:1674-098X(2011)09(b)-0106-01
. All Rights Reserved.。