基于改进RANSAC算法的图像拼接方法

基于改进RANSAC算法的图像拼接方法

文章提出了一种基于改进RANSAC算法的图像拼接方法。在提取图像的SIFT特征点后，根据阈值法对特征点进行初始匹配，然后采用改进的RANSAC 算法对初始匹配对筛选，再计算图像间单应性矩阵，最后使用加权平均的融合方法实现图像的无缝拼接。实验结果表明，改进后的RANSAC算法进一步提纯了匹配对，使得图像拼接获得了高质量的效果。

标签：图像拼接；尺度不变特征变换算法；随机抽样一致算法

引言

在计算机视觉领域，图像拼接[1]就是将相互重叠的多幅图像通过匹配对准、图像融合，最终形成包含各个图像信息的一幅新图像。图像配准就是根据两幅图像重叠区的一致性求解图像之间的投影变换，即平面单应性矩阵。目前图像配准方法研究最多，应用最为广泛的是基于特征点的图像配准方法[2]。在特征点的提取方面一般使用性能稳定、鲁棒性好的SIFT提取算法[3]，在图像的精确匹配方面，最常用的是RANSAC算法[4]。但是由于初始特征点对的数量往往较多，匹配特征点对的内点比例相对较少，使得RANSAC算法执行效率较低。

文献[5]中，RANSAC算法被应用到图像拼接中，利用RANSAC提纯数据并估算图像间的变换矩阵，采用RANSAC方法在粗匹配点集中估算矩阵，为图像的自动拼接融合提供了强有力的保证。文献[6]针对特征点匹配中出现的大量冗余特征点对，提出了一种改进的RANSAC算法，但该方法对于中值滤波器处理的特征点并没有判断其是否符合RANSAC算法迭代要求。文献[7]提出了一种改进的全景图自动拼接算法，利用RANSAC算法去除误匹配，矩阵估算不精确，拼接效果一般。文献[8]重复采用两次RANSAC算法引导匹配，降低了估算变换矩阵的效率。

从以上文献可知，当前对于RANSAC算法的在图像拼接中的应用，传统RANSAC算法效率低并且不能很有效的去除误匹配，因此越来越多的关于改进的RANSAC算法被提出，文章在此基础上通过研究，提出了一种新的图像自动拼接算法。首先采用SIFT算法提取出具有尺度不变性的特征点，其次根据阈值法对特征点进行初始匹配，然后采用改进的RANSAC算法对初始匹配对进行筛选，并计算出图像间准确的单应性矩阵，最后使用加权平均的融合方法实现图像的无缝拼接。实验结果表明，改进后的RANSAC算法可以实现高质量的图像拼接。

1 RANSAC算法思想

RANSAC基本思想描述如下：（1）设n为初始化模型参数所需的最小样本数，P为一个样本集，P的样本数>n，从P中随机抽取包含n个样本的子集S，并由这个子集初始化模型M；（2）从P中去掉S后的余集SC中与模型M的误

差小于设定阈值的样本集以及S构成支撑点集Si。Si就是样本的一致集，被认为是有效点集；（3）若Si的样本数超过了某个阈值Ts，认为得到正确的模型参数，并利用点集Si重新估计新的模型Mi；如果Si的样本数小于阈值Ts，重新随机抽取新的S，重复以上过程；（4）在完成一定的抽样次数后，最大的一致集Si被选中，用它来重新估计模型，得到最后的结果，算法结束；若未找到一致集，则算法失败。

从以上处理步骤可见，RANSAC算法包括了三个输入的参数：第一个是判断样本是否满足模型的阈值，对于不同的输入数据需要采用人工干预的方式预设合适的门限；第二个是随机抽取样本集S的次数，该参数直接影响SC中样本参与模型参数的检验次数；第三个是表征得到正确模型时，一致集Si的大小，一般要求一致集足够大。

2 图像间单应性矩阵的求解

2.1 单应性矩阵

图像变换就是将两幅图像变换到同一个坐标系下，实现两幅图像的视点统一，如果不进行图像变换，直接对有重叠部分的两张图像拼接，就可能得到视觉混乱、错误形式的拼接图像。

2.2 改进的RANSAC算法

传统的SIFT匹配算法首先计算源图像某个特征点到目标图像中欧式距离最近和次近的特征点，然后计算这两个距离的比率，若比率小于给定的阈值，则选择距离最近的特征点为匹配点，这样求出的匹配对数量过大，产生了无效匹配。如果直接使用RANSAC算法剔除误匹配，当匹配点中外点比例过高时，RANSAC 算法的随机采样次数将会增多，导致其运行效率低下，并且求出的单应性矩阵精度不高。

（1）从2个图像中分别提取SIFT特征点，并且建立特征点的初始匹配集；（2）从初始匹配集中随机抽取4组匹配对，组成内点集S；（3）对选取的特征点采用最小二乘法计算单应性矩阵H；（4）对于剩余匹配对，根据公式（2）计算每个匹配对到S的马氏距离d，如果d在合理的阈值范围内，选定为内点，否则认为是外点，并记录本次内点的数目；（5）选取内点个数最多的一个样本集，重新计算H，并根据公式（3）估算平均误差Z；（6）重复上述2-5步，直至找到平均误差最小的内点集，然后计算最终的H。

3 图像融合

图像拼接最终要获得一幅完整的图像，并且不能留下任何拼接痕迹。由于图像配准后的图像只对重叠区域叠加，致使重叠部分高亮显示，其他区域正常显示，形成了拼接痕迹，影响了最终的拼接效果。图像融合就是对图像配准后的图像，减少重叠部分的光照强度或色彩差别，最终实现无缝拼接。本算法选取加权平均

法消除图像间存在的接缝现象。

4 实验效果

为了观察算法性能，我们从互联网上寻找了两张有重叠部分的壁画图片进行了实验。实验环境为CPU 1.4GHZ，4G内存的PC机，软件开发工具为Windows 7.0操作系统，Matlab7.7.0。图1是待拼接的图片，其中左图的分辨率为940*646，右图的分辨率为953*656。图2是对待拼接图片分别提取SIFT特征点后的结果图，其中左图有特征点4925个，右图有4486个。

特征匹配图如图3所示，用SIFT算法进行特征点提取后，经过实验观察，对于相似性判定过程中比例阈值的取值有如下的原则：对于准确度要求高的匹配取ratio=0.4，对于匹配点数要求多的匹配ratio=0.6，本算法取ratio=0.4，获得了478个初始匹配对。利用经典RANSAC算法对初始匹配对筛选，误差阈值设置为0.5个像素，获得了281个匹配对；利用文章改进RANSAC方法对初始匹配对筛选，误差阈值还是设置为0.5个像素，获得了227个匹配对。最后进行图像融合，得到了完整的无缝拼接图像，如图4所示。图4a为直接配准拼接结果，可发现有明显拼接痕迹。图4b为加权平均处理后的拼接结果。

从上述实验结果可见，文章使用的特征点提取配准算法可靠性高，具有很强的可行性，能得到很好的拼接结果，加权平均法成功实现了重叠部分的平滑过渡。

5 结束语

文章通过SIFT算法提取图像的特征点，在特征点初始匹配后，通过改进的RANSAC方法进一步剔除误匹配点对，满足了配准准确度和稳定性的要求，用加权平均法实现图像融合，获得了很好的拼接效果。

参考文献

[1]盖进伟，韩燮.一种基于特征点匹配的图像拼接方法研究[J].计算机测量与控制，2012，20（3）：836-837.

[2]Beier T，Neely S. Feature-based image metamorphosis[C].SIGGRAPH’92 Proceedings of the 19th annual conference on Computer graphics and interactive techniques，1992：35-42.

[3]D. G. Lowe，Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60（2）：91-110.

[4]Fischler M. A. and Bolles R.C. Random Sample Consensus：A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography [J].Communications of the ACM，1981，24（6）：381-395.