普通相機視野小,獲得的信息量少,通過傳感器對同一場景不同視角的拍攝可以得到多幅具有重疊區(qū)域的圖像,利用圖像拼接技術(shù)可以將一系列具有重疊區(qū)域的窄視角圖像合成為一幅高視覺質(zhì)量的寬視角圖像。針對現(xiàn)有多視角圖像拼接方法存在的特征點漏檢率高、配準(zhǔn)精度低、拼接痕跡嚴(yán)重和模糊等問題,本文提出了一種基于多平面配準(zhǔn)和縫合線融合的多視角圖像拼接方法。主要工作和創(chuàng)新點包括:（1）針對現(xiàn)有多視角圖像拼接方法特征點漏檢率高的問題,提出一種基于平面相似度聚類的特征點篩選方法。首先,提取待拼接圖像的特征點,并利用基于距離比的K-D tree算法粗匹配;然后,根據(jù)相同平面特征點對應(yīng)同一單應(yīng)矩陣的特點,計算特征匹配對間的平面相似度;最后,利用凝聚層次聚類算法將特征匹配對劃分為誤匹配集和正確匹配集,實現(xiàn)特征點篩選。（2）針對現(xiàn)有多視角圖像拼接方法配準(zhǔn)精度低的問題,提出一種基于多平面局部單應(yīng)變換的配準(zhǔn)方法。首先,將圖像劃分為大小相同的密集網(wǎng)格,根據(jù)特征點凝聚層次聚類結(jié)果計算每個網(wǎng)格對應(yīng)的平面;然后,根據(jù)特征點平面和網(wǎng)格所在平面之間的關(guān)系以及特征點到網(wǎng)格中心點的距離,定義局部單應(yīng)變換的權(quán)重矩陣;最后,采用捆綁約束算法優(yōu)化變換... 

【文章來源】：蘇州大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１圖像拼接流程??本文針對特征點漏檢率高和配準(zhǔn)精度低的問題，改進(jìn)了?ＡＰＡＰ模型的特征點篩選??和配準(zhǔn)算法，針對拼接痕跡嚴(yán)重和融合圖像模糊的問題，改進(jìn)了縫合線算法中的能量??

基于多平面配準(zhǔn)和縫合線融合的多視角圖像拼接研究?第二章基于平面相似度聚類的特征點匹配??圖像的梯度信息確定的，因此具備旋轉(zhuǎn)不變性。??（４）生成關(guān)鍵點描述子：將坐標(biāo)軸旋轉(zhuǎn)到關(guān)鍵點的主方向上，對關(guān)鍵點指定大??小的鄰域分成４＊４的子區(qū)域，統(tǒng)計每個子區(qū)域中８個方向的梯度大小，生成４＊４＊８＝１２８??維的向量，如圖２－４所示。??通過ＳＩＦＴ算法可以提取待拼接圖像的特征點，如圖２－５所示，其中圖２－５（ａ）包含了??２０９４個特征點，圖２－５（ｂ）包含了３０１３個特征點，每個特征點都有自己的方向和大校??Ｉ?１?Ｗ?Ｉ．—??．．．??＾■八？＜?，＼ｙ?，??＾?＼?／Ｐ＊??圖２－４?ＳＩＦＴ特征描述子??⑷視點１圖像ＳＩＦＴ特征點?（ｂ）視點２圖像ＳＩＦＴ特征點??圖２－５?ＳＩ?ＦＴ特征提取??對每幅圖像提取特征點之后，需要計算不同圖像間特征點的粗匹配集。本文將特??征向量之間的歐式距離作為特征點匹配的相似性度量值。對于兩個具有１２８維特征描??述向量的ＳＩＦＴ特征點ｐ和＋其每一維的描述子分別為外和／Ｖ兩點間的相似性度量??值為：??１７２８??Ｄｓ＝ＪＸ（＾（〇－＾〇））２?（２－９）??在待匹配圖像的特征點集中，搜索其他圖像所有特征點與待匹配點距離最小的最??近鄰特征點ｇ和次小的次近鄰特征點，，對應(yīng)的相似性度量值分別是Ｄ：和。若Ｄ：??與故’的比值小于指定閾值ｒ，則認(rèn)為（ＰＷ）是一對正確的特征點匹配對，否則，認(rèn)??為沒有匹配點。文獻(xiàn)［４４］中通過對特征點概率分布的計算，指出將閾值ｒ設(shè)置為０．４－０．６??１５??

第二章基于平面相似度聚類的特征點匹配?基于多平面配準(zhǔn)和縫合線融合的多視角圖像拼接研宄??時特征點匹配的效果最好。因此，本文的閾值選取為０．４。??為了提高特征點向量的匹配效率，在計算最近鄰特征點和次近鄰特征點時，本文??采用基于優(yōu)先隊列的Ｋ－Ｄ?Ｔｒｅｅ結(jié)構(gòu)該方法能夠快速有效地搜索到最近鄰和次近鄰??特征點。通過以上步驟，初步檢測到了特征匹配對的集合Ｃ，如圖２－６所示，顯示了圖??２－５中特征點的粗匹配結(jié)果，圖中包含了?３５５個特征匹配對。??一．．．麵秦；＾??圖２－６特征點粗匹配??２．３．２特征點相似性度量??由于基于歐式距離的特征點匹配算法會導(dǎo)致特征點匹配集中存在大量的誤匹配??對，對圖像配準(zhǔn)的結(jié)果影響較大。因此，如何正確剔除粗匹配點集中的誤匹配對，決??定了圖像配準(zhǔn)算法的穩(wěn)定性。??在特征點篩選時，首先對特征點采樣，構(gòu)建多組最小采樣集，再利用全局單應(yīng)變??換模型對每一個采樣集計算變換函數(shù)，將每組匹配對變換之后的距離作為誤差，并以??該誤差為依據(jù)剔除誤匹配點。??由于計算單應(yīng)矩陣最少需要４對特征點匹配對，因此，最小采樣集的樣本量為４。??采樣策略是從特征點匹配集Ｃ在圖像Ａ的點中隨機選擇１個特征點再從圖像／！??中與該點距離為ｄ的范圍內(nèi)隨機抽�。硞�特征點，判斷４點是否共線，若不共線，則??構(gòu)成一組最小采樣集。距離Ｊ如式（２－１０）所示。??ｄ＝＾ｉｃｌ／ｃｌｙ＋（ｗＪ／ｃ２ｙ－?（２．１０）??其中，／ｒｆ和ｍｖ分別是圖像／！的長度和寬度，Ｃ；ｘＣ２是劃分的網(wǎng)格數(shù)。??按照采樣規(guī)則得到尺個最小采樣集，根據(jù)式（２－７）分別計算每個最小采樣集的單??應(yīng)變換，得到／／：??１６??

【參考文獻(xiàn)】：
期刊論文
[1]基于特征分塊的視差圖像拼接算法[J]. 張晶晶,翟東海,黃莉芝,喻強.  計算機工程. 2018(05)
[2]二值化的SIFT特征描述子及圖像拼接優(yōu)化[J]. 李倩,江澤濤.  中國圖象圖形學(xué)報. 2016(12)
[3]基于改進(jìn)BRISK的圖像拼接算法[J]. 董強,劉晶紅,王超,周前飛.  電子與信息學(xué)報. 2017(02)
[4]局部特征及視覺一致性的柱面全景拼接算法[J]. 朱慶輝,尚媛園,邵珠宏,尹曄.  中國圖象圖形學(xué)報. 2016(11)
[5]單攝像頭旋轉(zhuǎn)監(jiān)控下的快速圖像拼接[J]. 杜往澤,宋執(zhí)環(huán),閆文博,吳樂剛.  中國圖象圖形學(xué)報. 2016 (02)
[6]基于重疊區(qū)域的高性能近似kD樹算法[J]. 鄭明玲,許柯,劉衡竹,魏登萍,李寶峰.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2015(06)



本文編號：3442673