拼接算法（共10篇）
拼接算法 篇1
0 引言
图像拼接或者全景图像技术是指把同一场景的相邻之间有重合区域的一系列图片拼接成一幅宽视角的、与原始图像接近且失真小、没有明显缝合线的图片，以满足人们浏览全景图片的需求。该技术正被应用于各种领域，如视频压缩、视频索引、目标跟踪[1]或者虚拟环境的创建。
目前，已经有许多算法都可以将同一场景图片中的重叠部分提取出来并且快速的拼接成为一幅全景图片，其中有许多算法可以得出令人满意的融合结果。MingShing Su等使用小波进行多尺度的融合[2]，但是这种方法只是在重叠区域进行局部的融合处理，无法保证图像的全局自然。Anat Levin等采取梯度域的融合方法进行图像拼接[3]，可以减少源图像间色差对融合结果的影响。但是以上这两种方法对于存在有明显色彩和亮度差异的图片，融合后的全景图像就会失真。因此，在进行图像拼接之前需要曝光校正。Pedro M.Q.Aguiar等直接计算和线性化的曝光校正之间进行迭代[4]，从而进行图像的配准。Matthew Uyttendaele等把图像分为若干块[5]，将每一块进行曝光校正，然后再把这些校正过的块进行融合。Aseem Agarwala和Anat Levin等在梯度域中进行拼接[6,7]，从而避免了曝光的差异。M.Brown等将每幅图片的像素平均值乘以一个可令最小化误差函数最小的常量进行增益补偿[8]。
本文提出的方法主要针对存在明显颜色和亮度差异的一系列待拼接图片的拼接，得到一幅无明显拼接缝的全景图像。通常图像拼接的过程主要分为三个步骤：图像配准、图像对齐和图像融合。但是，对于存在明显色差的图像，若直接进行拼接计算，得到的融合图像存在明显的拼接缝。因此，在这种情况下，需要对原图像进行色彩校正。计算相邻图片间的色彩校正参数和每个彩色通道的全局色彩调整参数，选择适合的颜色和亮度，对每一幅图片进行色彩校正。然后，对图像进行配准计算。图像拼接中一个关键技术是图像融合，即将一系列图像融合为一幅全景图像并且肉眼看不到图片间的拼接缝。本文采用基于余弦关系变换的加权融合算法进行图像融合，得到最终的全景图像。实验结果表明，本文算法对于存在色差的图片序列可以实现无缝快速的拼接，并且可根据需要调整图像的色彩和亮度。
1 色差图像的图像拼接算法
本文算法的实现流程如图1所示。首先计算色彩校正参数和全局调整参数，对待拼接的图片进行色彩校正;然后使用SIFT和RANSAC算法进行图像配准;最后，根据对融合速度的要求，选择0-1加权融合算法或平均值法进行图像融合，得到拼接图像。
1.1 色彩和亮度校正
在实际获取图片的过程中，由于拍摄时间的不同和曝光强度不同，所得到的相邻的待拼接图像之间的亮度和色彩会存在一定的差异。若不进行色彩校正，将会导致拼接后的的图像存在肉眼可见的拼接缝，直接影响拼接图像的效果，可以清晰地看到待拼接图像中存在的色差导致拼接后的图片也有很明显的拼接缝，这时就需要对原图像进行色彩的校正，从而提高拼接效果。
本文的例子中原图均是两幅图像的拼接，但是此算法同样适合于n幅图像的拼接。假设有n幅待拼接的图像P1,P2,…,Pi,…,Pn，假设Pi-1和Pi是相邻的两幅图片，Pˉi-1和Pˉi是这两幅图片中重叠的区域，c∈{R,G,B},i=1,2,⋯,n，则图片Pi的色彩校正参数αc,i可由以下公式得到：
式中：M是指相邻图像的重叠区域;Sc,i-1(s)是指图像Pˉi-1中的像素点S的像素值;Sc,i(s)是指图像Pˉi中的像素点S的像素值;γ是指参数，通常设定为2.2。对于待拼接的第一幅图片P1，设定αc,i=1。为了避免图像色彩过饱和，又设定一个全局调节参数gc，用来调整整个待拼接序列的色彩值。需要计算彩色图像R,G,B三个通道的调节参数gc，则要使图像i的c通道的调节参数αc,igc尽量的接近1，那么有最小二次方程：
结合方程(1)，将方程(2)求导等于0，可转换成以下方程：
得到色彩校正参数αc,i和全局调节参数gc，那么可以对图像Pi进行色彩校正：
式中：Sc,i(s)是指图像Pi在通道c∈{R,G,B}上在像素点p的像素值。
可根据图片使用场合的不同和个人的喜好，在色彩校正时调整参数，选择适合的拼接效果。
1.2 图像配准
每幅图片都有其确定的SIFT特征点，这个特征点包括尺度空间极值、特征点位置、特征点方向和特征点描述符。
SIFT(Scale Invariant Feature Transform)算法[9]是David G.Lowe在1999年首先提出的用于目标识别的一个方法，首先对两幅图像进行尺度和灰度空间检测，确定关键点位置和所处尺度，然后，用关键点邻域梯度的主方向作为方向特征生成关键的SIFT特征向量进行匹配，但是这种算法仍然存在误匹配。2004年，Lowe提出了尺度不变特征变换，使其对尺度、旋转、亮度、仿射、噪音等都具有不变性。
用最近邻算法(NN)对图像间的特征点进行匹配。该方法主要是根据特征点的最近邻距离与次近邻距离的比值来判断特征点间是否匹配，取一个阈值，如果低于该阈值则认为特征点间匹配。NN方法的关键是搜索特征点的最近邻和次近邻。如图2所示。
由于特征点提取时存在一定的精度误差，提取出的特征点会比求解方程式所需的多很多，另外，自动提取和匹配得到的匹配特征点集合中也难免存在误匹配点或伪匹配点，由于引起误匹配点存在的原因是特征检测算子把图像的某一部分错误地认定为特征，一般的参数估计等方法都不能将其排除，因此需要一种容错能力很强的算法来优化特征点集合，所以本文中使用估计算法RANSAC[10]。
RANSAC的基本思想是，在进行参数估计时，不是不加区分地对待所有可用的输入数据，而是首先针对具体问题设计出一个搜索引擎，利用此搜索引擎迭代地剔除掉那些与所估计的参数不一致的输入数据，即所谓的误配点，然后利用正确的输入数据来估计参数。
图3是经过RANSAC算法提纯之后的配准点。
1.3 图像融合
图像融合技术是将配准后的图像序列进行拼接、增加图像信息量并消除接缝的过程。由于之前已经进行图像的校正，减少了待拼接图像的色差，这使得图像的融合更加简单。
本文采用加权平均的融合算法[11]，使光强或颜色逐渐过渡，以避免图像的模糊和明显的接缝。本文选取0-1加权融合算法，在重叠区域中，权重函数d1由1渐变到0,d2处由0渐变到1，由此实现了在重叠区域平滑过渡。该方法的主要思想是：在重叠部分由前一幅图像慢慢过渡到第二幅图像，即将图像重叠区域的像素值按一定权值相加合成新的图像。假如f1,f2分别表示两幅待融合的图像，d1(x),d2(x)为加权函数，f表示融合后的图像，那么有：
这里，权重函数满足d1+d2=1,0
0-1加权融合算法可以得到令人满意的融合效果，但是对于较大图片的融合，采用0-1加权融合的算法消耗的时间过长。例如，本文试验在频率为1.73 Hz的处理器、内存为2 GB的电脑上运行，对于1 000×700的图片拼接，需要时间为72.281 s。此时，本文采取更加简单快速的平均融合方法，即d1和d2均取值为0.5。此时1 000×700的图片在同一台电脑上运行的时间为36.8 s，明显提高了运行速度。但是平均融合算法可能会使融合图像出现明显的带状瑕疵。
比较0-1加权融合算法和平均融合方法，平均融合方法更加快速，但是融合效果可能存在瑕疵;0-1加权融合算法得到的融合效果更好，但是融合速度相对较慢。可以根据对融合质量和速度的要求选择恰当的融合算法。
2 拼接结果
本文针对有明显色彩和亮度差异的图片，提出了一种图像拼接算法。图4(a)是存在色差的原图像的拼接，由于原图像存在色差，导致融合后的图像有明显的拼接缝，严重影响了拼接效果。图4(b)是进行色彩校正后的图像的拼接，色彩校正之后，两幅图像间的色差有了明显的改善，融合后的全景图像效果较之前有了显著的提高。
3 结论
本文提出了一种基于特征点的自动拼接算法，该方法对于存在严重色差图像的拼接有良好的鲁棒性。对于获取的待拼接图像进行色彩和亮度补偿，得到适合色彩亮度一致的待拼接图像，并调整参数选择需要的亮度值。提取待拼接图像的SIFT特征点，采用最近邻算法进行特征点配准，进一步地采用RANSAC算法对配准点去伪运算，实现图像的准确配准。由于之前已经进行图像的校正，减少了待拼接图像的色差，这使得图像的融合更加简单。本文采用0-1加权融合算法和平均融合算法相结合的方法进行图像融合。平均融合方法更加快速，但是融合效果可能存在瑕疵;0-1加权融合算法得到的融合效果更好，但是融合速度相对较慢。可以根据对融合质量和速度的要求选择恰当的融合算法。由于SIFT算法计算量大，因此本文提出的拼接算法需要更多的内存和运行时间。未来的图像拼接可以改善图像配准算法以节省内存和运行时间。
注：本文通讯作者为易子川。
摘要：针对有明显色彩和亮度差异的图片,在进行传统的图像拼接后,会产生肉眼可见的拼接缝,严重影响拼接效果。因此,提出一种针对存在色差的图像拼接算法。首先,计算相邻图片间的色彩校正参数和每个彩色通道的全局色彩调整参数,选择适合的颜色和亮度,对每一幅图片进行色彩校正。其次,引入SIFT和RANSAC算法,实现了图像的准确配准。最后,采取0-1加权融合算法和平均融合算法结合进行图像融合,得到最终的全景图像。实验结果表明,由于已经进行图像间的校正,减少了待拼接图像的色差,使得图像的融合更加简单。该算法对于存在色差的图片序列可以实现无缝快速的拼接,并且可根据需要调整图像的色彩和亮度。
关键词：图像拼接,色彩校正,SIFT,图像融合
参考文献
[1]Jin J S,Zhu Z,Xu G.A stable vision system for moving vehicles[J].IEEE Transactions on Intell Transport Syst,2000,1(1):32-39.
[2]SU M,WANG W H,CHENG K.Analysis on multiresolution mosaic images[J].IEEE Transactions on Image Processing,2004,13(7):952-959.
[3]LEVIN A,ZOMET A,PELEG S,et al.Seamless image stitching in the gradient domain[C]//Proceedings of 2004 European Conference on Computer Vision.Prague,Czech Republic:ECCV,2004:377-389.
[4]AGUIAR P M Q.Unsupervised simultaneous registration and exposure correction[C]//2006 IEEE International Conference on Image Processing.[S.l.]:IEEE,2006:361-364.
[5]UYTTENDAELE M,EDEN A,SZELISKI R.Eliminating ghosting and exposure artifacts in image mosaics[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2001:509-516.
[6]AGARWALA A.Efficient gradient-domain compositing using quadtrees[J].ACM Transactions on Graphics(Proc.SIGGRAPH),2007,26(3):941-945.
[7]LEVIN A,ZOMET A,PELEG S,et al.Seamless image stitching in the gradient domain[J].Lecture Notes in Computer Science,2004,3024:377-389.
[8]BROWN M,LOWE D G.Automatic panoramic image stitching using invariant features[J].International Journal of Computer Vision,2007,74(1):59-73.
[9]LOWE D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.
[10]Fischler M A,Bolles R C.Random sample consensus:a paradigm for model fitting with applications to image analysis and automated cartography[J].Communication Association Machine,1981,24(6):381-395.
[11]SZELISKI Richard.Video mosaic for virtual environments[J].IEEE Computer Graphics and Applications,1996,16(2):22-30.
色块拼接 大胆出击 篇2
单色块的选择最好 是花纹中有的颜色为佳。
（亚容）蓝色上衣 Betu 参照店内价格/ 绿色花型半裙 SLY参照店内价格/ 黑白格高跟鞋westlink ￥329/ 白色项链 Five plus 参照店内价格/ 橘色边框墨镜mimmonshopping（淘宝店） 参照店内价格
（Mickey）花色连衣裙 SLY 参照店内价格/ 豹纹高跟鞋 westlink￥329/ 荧光蝴蝶卡 北京攻略潮流服饰卖场7-119 参照店内价格/ 粉色边框墨镜 mimmonshopping（淘宝店） 参照店内价格
选择加入腰带或者着重于色块在腰线部有设计的款式为佳。
一件式拼接色块款
双色或多色拼接连衣裙，是本季最热款式，仅搭配尖头高跟鞋就可以很时髦。身材不完美的人，可以选择在袖子或腰线附近等局部有拼接设计的款式，有利于修饰身体线条美感。
（亚容）粉黑色拼接连衣裙2% 参照店内价格/ 粉色挎包westlink ￥369/ 黑色高跟凉鞋 westlink ￥349
（Mickey）粉色收腰连衣裙 Betu ￥629/ 蓝色挎包westlink ￥369/ 黑色高跟凉鞋 westlink ￥399
单色拼接
这些仿佛通过自由排列组合而成的单品已然成为本季的重头戏。无需太多繁琐的装饰，只需将色彩简单的单品混合在一起，就能简便快速地穿出个人风格，呈现出一片勃勃生机。
搭配要点
购买单色单品时也可以选择本身带有褶皱或者机理纹路设计的款式，以至于不会太过单调。
（亚容）粉色无袖上衣Z’DORZI 参照店内价格/ 绿色短裤 Five plus ￥469/ 粉色挎包westlink 参照店内价格/ 蓝色蝴蝶结凉鞋 Kiss Kitty 参照店内价格（Mickey）淡蓝色上衣 Five plus 参照店内价格/ 粉色高腰裙MURUA ￥599/ 蓝粉色拼接单肩包 乐町 ￥259/ 花型坡跟凉鞋Kiss Kitty 参照店内价格
搭配要点
柔和的对比色搭配时一定要选择在同一明度下的色块为佳，比如含白的粉也要配含白的绿或者蓝。
（亚容）粉色圆领上衣 Z’DORZI参照店内价格/ 绿色紧身裙PULL&BEAR ￥99/ 粉色波点发带乐町 参照店内价格/ 蓝色蝴蝶结凉鞋 Kiss Kitty 参照店内价格/ 绿色边框墨镜 乐町 参照店内价格
（M i c k e y）绿色无袖上衣Z’DORZI 参照店内价格/ 粉色短裤 Betu ￥359/ 米色高跟凉鞋 Kiss Kitty 参照店内价格/ 绿色蝴蝶结 北京攻略潮流服饰卖场7-119 参照店内价格/ 粉色边框墨镜 乐町 参照店内价格
暗花拼接
拼接算法 篇3
图像拼接技术作为图像处理的热点问题吸引了很多国内外的研究者对其进行广泛而深入的研究。但是由于数字图像拼接技术涉及到很多学科的理论和技术,致使数字图像拼接技术仍然处于研究和发展的阶段。近些年来,为了提高数字图像拼接的质量和鲁棒性,国内外研究者进行了大量的基础性研究和实际开发工作,取得了大量的研究成果[1]。
图像拼接中最重要的部分是图像配准,图像配准算法分为两大类[2]:一类是基于区域的算法,其中包括基于空间的像素配准算法、基于频域的像素配准算法等;另一类是基于特征的算法,利用图像中的明显特征来计算图像之间的变换。而基于特征的算法由于其较低的复杂度和较高的鲁棒性,成为图像配准的首选,很多学者在这方面进行了研究。文献[3]方法使用基于灰度边缘特征点的拼接方法;文献[4]提出了一种基于角点特征的KLT跟踪全景图像拼接算法;文献[5]提出了一种基于像素点颜色变化特征的拼接算法;文献[6]采取基于像素点颜色变化特征和序列相似性检测算法相结合的图像拼接融合方法;文献[7]采用SIFT特征点进行图像拼接;文献[8]采用SURF特征点进行图像拼接。
本文结合SIFT特征点匹配算法和SURF特征点匹配算法的优点,提出了一种改进的图像拼接算法,实验结果显示,本文改进的算法实时性较高,可以得到比较好的拼接效果。
1 SIFT算法和SURF算法
1.1 SIFT算法
SIFT的主要思路[9]是:首先建立图像的尺度空间表示,然后检测该图像尺度空间特征点,定义特征点主方向,最后生成特征向量描述子。
SIFT算法检测尺度空间主要采用DoG算子,其中DoG算子定义如下:
其中L(x,y,σ)=G(x,y,σ)·I(x,y),G(x,y,σ)为尺度可变高斯函数,I(x,y)为图像位于(x,y)的像素值。
DoG函数在尺度空间的Taylor展开式的二级近似为:
其极值点为:,式(2)对图像的行、列及尺度三个量进行了修正,得到修正值:
将修正后的值带入Taylor展开式,去除不稳定的极值点(Lowe的试验显示取值小于0.04的极值点均可抛弃)。求出精确关键点后,就可以生成用于匹配的描述向量。利用关键点邻域像素的梯度方向分布特性,为每个关键点指定方向参数方向,从而使描述子对图像旋转具有不变性。
1.2 SURF算法
SURF算法由Bay等人[10]提出,它主要分成3部分:1)特征点提取,即在积分图像的基础上,利用方框滤波近似代替二阶高斯滤波计算待选特征点及其周围点的Hessian值,如果最大,则为特征点。2)特征点描述,即在特征点周围小区域上计算Harr小波,并计算其4种和以构成特征描述。3)利用特征点描述向量进行配准。在一定程度上SURF算法是对SIFT算法的改进,它也是一种尺度、旋转不变性的特征点探测器。其最大的特点就是快,并且在快的基础上还能保持性能,能满足实时性的拼接要求。
SURF算法主要部分是Hessian矩阵的计算。Hessian矩阵定义如下:
然后计算其Hessian矩阵的判别式,根据判别式取值正负,来判别该点是否为极值点。因为Hessian矩阵的判别式计算复杂度较高,所以利用方框滤波近似代替二阶高斯滤波计算待选特征点及其周围点的Hessian值,这样可以利用积分图进行快速计算,得到近似的判别值:
2 本文改进的算法
因为传统的SIFT算法能找到大量的特征点,并且通过RANSAC能得到较准确的透视矩阵,所以拼接效果很好,但是它有一个显著的缺点,即使采用BBF算法来加快搜索匹配速度,它的复杂度依然很高。传统的SURF算法只能检测到少量的特征点,还降低了特征点维数,采用积分图方式能加快速度,虽然算法复杂度低,但是其拼接效果有时并不好。上述两个算法的运算时间中检测特征点的过程占据了大部分的时间,此外SIFT的BBF搜索匹配算法比SURF算法要快,而且SIFT中的RANSAC算法能得到较好的矩阵。
本文结合SIFT算法和SURF算法各自的优点,提出了如下改进算法:在求取特征点过程采用SURF算法,由于每幅图像的独立性,采用并行计算来提高速度,在实验中采用多进程算法。对得到的SURF特征点采用SIFT的BBF算法进行快速匹配搜索,最后采用SIFT的RANSAC算法求透视变换矩阵并进行拼接,算法的主要步骤如下:
1)采用并行算法求出每个图像的SURF角点;
2)对每幅图像的特征点建立KD树来加快搜索匹配;
3)利用RANSAC和DLT算法求出两幅图像间的匹配点数量和转换矩阵;
4)利用转换矩阵就可以将两幅图像映射成一幅全景图像。
本算法在Visual C++2005上利用OpenCV库编程实现,算法的实现过程中求两幅图像的匹配点数量和。
转换矩阵的核心代码在下面给出:
3 实验结果及分析
算法实验环境为:AMD Athlon (tm) 64 X2 Dual Core Processor 3600+2000MHz CPU,1GB内存,Windows XP 32位操作系统。编程工具为Visual Studio 2005。实验中所用的三张原始待处理图像是从网络上下载的SIFT角点检测算法的一组测试图片,图片大小为均为568×758。
3.1 SIFT算法拼接结果
图1所示的三张图像即为待处理的图像。通过SIFT算法检测图1中三张图像的尺度空间特征点,如图2所示。其中图(a)共找到2948个特征点,花费时间约11.5s;图(b)共找到3707个特征点,花费时间约12.8s;图(c)共找到3251个特征点,花费时间约12s。图3是SIFT算法拼接得到的全景图像,实验中对三幅经过排序的图像进行拼接总共花费了约52.7s的时间。
3.2 SURF算法拼接结果
采用SURF算法对图1中的3张原图检测尺度空间特征点,检测结果如图4所示。其中(a)共检测到803个特征点,花费时间约5.8s,(b)共检测到874个特征点,共花费约5.8s,(c)共检测到849个特征点,花费时间约5.8s。由图4中3幅图像经过匹配等步骤得到最终的拼接图像,如图5所示。对3幅图像计算特征点总共花费的时间约为17.4s,匹配时间约2.5s,加上矩阵计算,整个完整的拼接过程大约花费约25s。
3.3 本文算法拼接结果
在本文改进算法中,对3幅图像求特征点总共需要11.6s,匹配时间约1.2s,整个拼接过程所花费的时间约为16s,图6为本文算法拼接得到的全景图像。从表1可以看出本文改进算法所耗费的时间比SIFT算法和SURF算法都少,因此本文改进的算法具有较高的实时性。通过比较本文改进算法的拼接全景图和SIFT拼接全景图、SURF拼接全景图,分别如图6、图3、图5所示,可以看出本文改进的算法相较于SURF算法拼接效果更好,与SIFT算法的效果没有太大差别,能得到较好的拼接效果。
4 结语
在基于SIFT算法和SURF算法的基础上,本文提出了一种改进算法,通过实验对比可以看出,本文的改进算法能克服SIFT和SURF的缺点,提高SIFT和SURF算法的运算速度,并且拼接效果也比较好,尤其是速度方面,具有很好的性能。拼接过程采用RANSAC算法求解最优匹配矩阵,有效减少了错拼。由于无人机对算法处理的实时性要求非常高,因此本文改进的算法可以应用于无人机地图全景拼接等方面。本文还没有进行图像拼接的其他步骤,如摄像机误差纠正和图像融合,这是以后工作的重点所在。
摘要：目前,图像拼接技术已经成为数字图像处理、计算机图形学和人工智能等领域的研究热点。介绍基于SIFT(Scale Invariant Feature Transform)特征点的图像拼接算法和基于SURF(Speeded Up RobustFeatures)特征点的图像拼接算法,并且对这两个算法的性能做了比较,给出各自的优劣点。最后,基于这两种算法,提出一种加快图像拼接速度和质量的算法。
关键词：SIFT算法,SURF算法,图像拼接
参考文献
[1]邵向鑫.数字图像拼接核心算法研究[D].长春:吉林大学,2010.
[2]钟力,胡晓峰.重叠图象拼接算法[J].中国图象图形学报,1998,3 (5):367-370.
[3]殷润民,李伯虎,柴旭东.自适应柱状全景图拼接[J].中国图象图形学报,2008,13(6):1191-1196.
[4]胡社教,葛西旺,陈宗海.基于角点特征的KLT跟踪全景图像拼接算法[J].系统仿真学报,2007,12(8):1742-1745.
[5]潘华伟,邹北骥.一种圆柱形全景图生成新算法及其实现[J].计算机工程与科学,2003,25(6):13-16.
[6]彭红星,邹湘军,徐东风,等.改进的全景图拼接融合算法[J].计算机工程与应用,2010,46(25):195-198.
[7]Lowe D G.Object recognition from local scale-invariant features[C]// Proceeding of the seventh International Conference on Computer Vision (ICCV'99).Amsterdam:[s.n.],1999:1150 - 1157.
[8]张锐娟,张建奇,杨翠.基于SURF的图像配准方法研究[J].红外与激光工程,2008,38(1):160-165.
[9]周军太,龙永红.一种改进SURF算法的图像配准[J].湖南工业大学学报,2011,25(2):95-99.
切块拼接法研究综述 篇4
关键词：切块拼接法；Jigsaw；研究综述
一、前言
Jigsaw 的本意是“拼图玩具”，即将一张完整的图案分成诸多小块， 由游戏者按照一定的思路将其再拼接起来。本文所指的Jigsaw（译为切块拼接法）是在1978年由阿伦森等人设计开发出来的一种合作学习方式。它是把学习任务切割成几部分，然后再将部分任务整合的一种教学方法，只是这种方法在分割和拼接时不是随意杂乱的，而是按照一定原则。本文中，笔者对切块拼接法自产生之初的国内外学者的相关研究进行了梳理，以期为未来研究提供文献参考，为日后深入研究进行铺垫。
二、切块拼接法研究综述
（一）国外切块拼接法研究综述
切块拼接法从产生到现在已有40多年历史，国外学者们纷纷将其与不同学科领域相结合，不断提出新的研究思路和角度，使得切块拼接法得到了不断的发展和完善，下面笔者将国外近几十年的研究进行了整理和归纳，共分为三个阶段。
第一阶段：切块拼接法的萌芽阶段（20世纪70年代-80年代）
20世纪60年代，美国德克萨斯州解除种族隔离管制，来自不同种族的学生首次出现在同一个教室，但随之而来的矛盾冲突使得日常教学陷入了一片混乱。为了给学生提供一个良好的学习环境，著名的教育家、社会学家阿伦森和他的同事们尝试了一种新的教学模式，即被后来称为的JigsawⅠ。阿伦森的教学模式包括：异质分组-任务划分-专家小组讨论-原小组报告。
切块拼接法的产生有着很强的历史背景，但由于其目的性很强，因此最初这种方法所应用的领域也比较窄，并且由于该理论处于萌芽状态，理论研究尚未形成完整的体系，教学实践中的评价机制也缺少相关学科理论的支持与指导。
第二阶段：切块拼接法的发展阶段（20世纪80年代-90年代末）
20世纪80年代初，切块拼接法开始被引用到普通课堂。但随后，斯莱文（R.E. Slavin）发现切块拼接法在提高学生成绩方面十分有限。“切块拼接法虽然比非合作性教学有好的影响性，但作为合作教学的一种方法，曾经被许多研究者证明，是众多合作教学方法中最不能提高学习成绩的一种方法”（黄娟，傅霖，2010）。1977年，斯莱文在原有切块拼接法的基础上，引进了学生小组成绩分工法（Student Teams Achievement Divisions，简称STAD）的进步制计分法，同时增加了在学习开始前让学生了解总任务的步骤，提出了切块拼接法的修正型，即JigsawⅡ。
切块拼接法发展到JigsawⅡ以后，许多学者更加关注教学过程中的评价环节。首先是Herlank修定了小组成员的个人成绩进步的积累构成小组测试的总成绩。接着1994年，RStahl在JigsawⅡ的基础上增加了在测试前共同复习的阶段。这就是Jigsaw Ⅲ的形成，Jigsaw Ⅲ在评价体系上比JigsawⅡ更加完善。
在此阶段，合作教学思想的教学改革与实践在世界各地兴起，使得合作教学迅速成为全球性主流的教学理论与策略，这也带动了切块拼接法的不断发展，这一方法也被广泛的引用到各学科领域。
第三阶段：切块拼接法的深化阶段（21世纪初-至今）
2000年，Holliday Dwight C.从关注学生获得知识的准确程度以及教师提供补充讲授方面发展了Jigsaw Ⅲ形成了Jigsaw IV ，步骤从最开始的4 个步骤发展为现在的9个程序：任务介绍-给出专家问题-专家小组学习-专家小组测试-原小组传授知识-原小组测试-竞赛机制的复习-评价-教师补充讲授（Holliday Dwight C.，2000）。Jigsaw IV 主要解决了两个问题：学生如何知道他们的回答是正确的，作为小组如何知道他们的答案是正确的。
此后，国外的研究人员运用Jigsaw IV进行了大量的教学实验发现“切块拼接法有利于学习者在学习的各个方面提升”（sudheesh kumar B.K.，2004）。总而言之，切块拼接法从第一代发展第四代，已经成为一个具有代表性的合作学习方式，其教学步骤和前后链接已经变得越来越完善。
这一阶段，切块拼接法得到了比较完善的发展，形成了一套有体系的教学步骤，并且作为一种合作学习的方法也被广泛接受和应用。
（二）国内切块拼接法研究综述
国内方面，合作学习的思潮出现的较晚，1988年丁邦平先生的《合作学习：大面积提高学业成绩的理论与方法》是第一篇比较全面介绍和评述合作学习的文章。而切块拼接法这一名词最早在我国出现是盛群力教授于1991年发表的《合作学习：一种新的教学策略》的文章。
笔者对国内有关切块拼接法方面的文献进行检索，发现早期有关该方法的著作较少，主要以王坦、盛群力的著作為主；但近十年来相关著作明显增多，主要有：黄娟和傅霖《切块拼接法（Jigsaw）：一种行之有效的协作学习方式》，顾庆蓝《浅谈如何运用“切块拼接法”提高中学地理课堂合作学习的有效性》，于俊玲《浅谈切块拼接法在小学语文教学中的应用》，杨千玲《合作学习切块拼接法在教学中的应用》等。
国内切块拼接法的研究主要是结合各个学科领域，侧重点也放在如何具体操作和运用。这种教学模式在地理、数学、语文等学科领域有一定的发展，但其在英语教学上的应用还比较少。
三、结语
切块拼接法对于合作教学的发展意义重大。随着教学领域日新月异的发展，国内外对于新形势下如何更好的应用切块拼接法的讨论方兴未艾。目前国内有关切块拼接法的研究有待向更深更广的方向发展。
参考文献：
【1】Holliday， Dwight C.The development of Jigsaw IV in a Secondary Social Studies classroom[D].Reproductions Supplied by EDRS， 2000.
【2】Sudheesh Kumar， P .K . Jigsaw process in education： a way for joyful self learning [J]. New Delhi： kanishka publishers Distributors，2004：38-41.
【3】黄娟，傅霖. 切块拼接法（Jigsaw）：一种行之有效的协作学习方式[J]. 电化教育研究 ，2010.
作者简介：徐立（1990.2-），作者单位：河北师范大学外国语学院英语专业学科教学。
拼接算法 篇5
红外搜索系统是通过探测和接收目标的热辐射, 获得目标的红外信息从而解算出目标的方位、俯仰信息。在探测过程中红外系统自身不发射任何辐射, 能够更好的隐蔽自己, 发现敌人, 大大提高了其生存能力;在强电子干扰环境下, 可以替代或辅助雷达搜索跟踪目标, 是在复杂环境下探测目标的首选探测方式, 在未来的战场应用中需求量巨大。
从目前国内外的红外搜索设备研制的情况看, 目前主要还存在以下不足之处:
(1) 在目前的探测器水平条件下, 红外热像仪视场普遍偏小, 故而单帧图像空间覆盖范围小, 仅从单帧图像无法有效对载体周围空情、地情进行有效评估;
(2) 在小视场的条件下, 要快速完成大区域搜索, 必须进行快速搜索, 而在快速搜索时, 红外图像变化过快, 单帧图像基本无法有效提供给操作员观察, 丧失了红外探测能提供昼夜可视图像的突出优点。
红外图像拼接技术可实时将多帧图像拼接成大视场全景图像, 用于解决小视场红外搜索不利于观察的问题;同时通过图像拼接技术, 可获取全景图像, 可在红外搜索阶段加入操作人员观察判断, 能有效降低红外虚警干扰, 提升红外探测的优势, 红外图像拼接技术在红外搜索系统中有广泛的应用前景。
2 图像拼接算法的一般流程
一般来说, 图像拼接的过程由图像预处理, 图像配准, 图像合成三步骤组成[1], 其中图像配准是整个图像拼接的基础, 也是图像拼接技术的关键。
2.1 图像预处理
图像预处理的目的是改善图像的质量, 从而保证下一步图像配准的精度, 包括对图像对比度拉伸、噪声点抑制 (如直方图处理、图像的平滑滤波) 等。对于一些存在几何畸变或者像旋的图像还要进行校正。如果在图像质量不好的情况下直接进行图像拼接, 容易造成误匹配。
2.2 图像配准
图像拼接的质量主要依赖图像的配准精度, 其核心问题是寻找一个变换, 找到待拼接图像中的模板或特征点在参考图像中对应的位置, 根据模板或者图像特征点之间的对应关系, 可以计算出数学模型中的各参量值, 从而建立两幅图像的数学模型, 使图像间相互重叠部分对准, 将待拼接图像转换到参考图像的坐标系, 以此构成完整的图像。精确配准的关键是要有很好描述两幅图像之间的转换关系的模型。
图像配准方法一般可分为基于区域和基于特征两种方法。基于区域的配准方法是利用的是图像的大部分灰度进行匹配, 配准精度高, 但运算量巨大;基于特征的方法则是通过提取图像中的点、边缘、轮廓等特征进行匹配, 运算量相对较少, 受噪声的影响较小, 常用的特征提取算法有SIFT特征提取算法[2]、Harris角点检测算法[3]以及Canny边缘检测算法[4]等, 基于特征的配准方法存在图像特征点提取及匹配困难, 特别是作为单色的红外图像利用特征点匹配存在较大的匹配误差风险。
2.3 图像合成
当准确计算出图像之间的转换参数之后, 我们需要根据求出的参数把多张原始图缝合成一张大的全景图。由于图像配准的结果存在配准误差, 因而不可能在每一点上都精确配准, 因此, 图像合成的策略是尽可能地减少遗留变形以及图像间的灰度差异对合并效果的影响。合成的目标包括:拼接图像的画出, 光度的调整混合, 确定重叠区域和消除拼缝。
2.4 全景图像的生成和视频显示
当结合红外目标信息的红外图像合成以后, 即可生成全景视频图像的编码显示, 每当一个搜索周期结束后, 利用新一周期的空间红外图像实时替换前一周期对应的空间红外图像, 即可生成实时全景红外图像, 能有效的解决红外探测设备快速搜索阶段红外图像无法观察的不足, 突出红外设备探测结果的可观察性的优势, 便于作战人员对战场的直观判断。
3 红外搜索系统图像拼接算法设计
红外图像拼接的算法有多种, 根据红外搜索系统获取的红外图像都具有稳定的像空间位置变化信息的特点, 本文提出了一种结合图像位置信息变化和模板匹配的红外图像的拼接算法, 算法流程如 (图1) 。
为避免红外探测器盲元、坏元点和图像噪声的干扰, 本算法在红外图像获取后即对其进行预处理, 主要的算法为中值滤波[5]和灰度直方图处理[5]。
在完成图像预处理后根据公式 (1) 计算出所需拼接连续图像的重叠区域大小。
式中A为重叠区域的行或列数, V为红外热像仪的搜索速度, f为红外图像帧频, α为红外探测器单个像元对应视场角。
确定重叠区域大小之后, 对参考图重叠区域的灰度进行分析, 提取其灰度梯度的分布情况, 进而选择原图像中一定大小灰度梯度较大的区域 (区域大小根据热像仪视场大小及探测背景复杂程度选取) , 将选取的这一部分区域图像作为拼接的模板, 在待拼接图像的重叠部分中可能匹配的区域进行图像灰度匹配运算 (可能匹配的区域应根据搜索精度确定) , 完成模板匹配算法。由于前后两帧图像亮度的差异, 若在灰度匹配时只将灰度值进行匹配, 必然会造成一定得匹配误差, 特别是当重叠区域图像灰度特征不明显时, 误差会较大, 故而加入了结合灰度比值匹配的方法, 利用图像中两列像元的灰度比值作为模板, 在待拼接图像中找到最优的匹配位置, 大大优化了模板匹配的算法效果, 且计算量小, 速度快。在前后两帧图像基本无灰度特征时 (如热像仪针对均匀的天空背景成像时) , 主要根据红外搜索系统的伺服控制位置信息进行匹配, 解决了无特征图像匹配的技术难题。
图像完成配准后, 再开展图像合成, 若直接进行重叠区域灰度平均, 会造成一定的拼缝和灰度差异, 本算法采用了高斯灰度加权平均的方法[6], 将两幅图像灰度值按照公式 (2) 进行了灰度叠加, 叠加后的图像进行灰度均衡形成最终的合成图像。
式中a为随重叠位置高斯分布的加权系数, I1为参考图的灰度值, I2为待拼接图的灰度值, R1是参考图中未重叠区域, R12是参考图和待拼接图的重叠区域, R2是待拼接图中未重叠区域。
该算法的优点主要有:
(1) 算法设计简单, 计算速度快:利用红外搜索系统图像具有稳定空间位置信息的特点, 只对两帧图像重叠区域进行分析, 并只选择灰度变化梯度较大的区域充当匹配模板, 在与待拼接图像匹配时, 又根据搜索精度的大小确定了可能匹配的位置, 计算量大为减少, 提高了匹配速度, 解决了模板匹配运算量大的问题。
(2) 匹配精度高:结合红外搜索系统高精度的特点, 在待拼接图像匹配区域选择上, 根据红外搜索系统伺服控制精度, 匹配前已设定了匹配运算的可能区域, 在灰度匹配的同时加上了灰度比值匹配, 大大提升了匹配精度。
(3) 适用性强:算法中涉及到的各参数均可根据搜索精度、热像仪视场及成像背景的复杂程度确定, 基本适用于所有的红外搜索系统, 适用性强。
4 算法试验验证结果
4.1 配准算法的仿真结果
根据基于区域特征、基于点特征 (SIFT特征和Canny边缘检测算法) 和本文提出图象配准算法利用同一套图像采集仿真器 (TI-DM642) 对一动态位置控制精度为0.5· (控制精度一般) 的平台搜索阶段采集到的两帧图像 (如图2、3) 进行了配准仿真计算, 各算法的仿真计算时间及精度见 (表1) 。
从 (表1) 可以看出本文提出的配准算法相对于基于区域特征和基于点特征的算法在计算时间和计算精度上都有很大的改善, 且本文采用的搜索平台精度不高, 若采用高精度的控制平台, 本文的配准算法将在计算时间和精度上进一步提高。
4.2 本文提出的图像拼接算法仿真结果展示
根据本文提出的红外搜索系统图像拼接算法, 对某红外搜索平台采集到的连续视频图像进行了试验验证, 验证效果如图4所示。该图为关于某野外树林的连续多帧红外图像的拼接结果, 从图中可以看出该算法较好的实现了一定空域的连续多帧视频图像拼接。
5 结语
本文针对红外搜索系统的特殊性, 提出了一套图像拼接的算法, 从仿真的结果看, 拼接效果较好, 已初步达到工程应用的水平, 成功的解决了传统图像拼接匹配算法运算量大和匹配精度不理想的问题, 运算速度快, 且匹配精度高。
参考文献
[1]SZELISKI R, SHUM H Y.Creating full view panoramic image mosaics and environmentmaps[A].Proc.of SIGGRAPH'97[C], Los Angles, 1997, 251-258.
[2]LOWE D.G.Distinctive image features from scale-invariant keypoints[J].International Journal of computer Vision, 2004, 60 (2) :91-110.
[3]HARRIS, C.&M.STEPHENS.A combined corner and edge detector[C].England:Processing of the 4th Alveyvision Conference Manchester.1988.Pp.147-151.
[4]JOHN CANNY, MEMBER.IEEE.A conputational apporoach to edge detetion.IEEE Trans.Pattern Analysis and Machine Intelligence.Vol.PAMI-8, No.1, 679-697, 1986.
[5]C.Gonzalez, Richard E.Woods著.数字图像处理[M].阮秋琦, 阮宇智等译.第二版.电子工业出版社, 2010.70-81, 93-98.
拼接算法 篇6
在实际中广泛使用的各种图像拼接技术都以图像配准为基础。如医学及航空图像的拼接，三维虚拟场景的模拟等[1,2]。图像配准是对同一场景在不同条件下得到的两幅或以上图像进行对准、叠加的过程。图像拼接技术的核心问题是如何将多幅图像从几何上拼接起来，就是将预拼接的两幅图像进行几何上校正处理，利用重叠区域将它们规划到统一的坐标系中，然后对它们裁剪，去掉重叠部分，再将裁剪后的图像装配成一幅大的图像[3]。求解变换矩阵参数是图像几何校正中的重点。正确求解变换矩阵的参数就要依赖图像角点准确的提取。SUSAN算法广泛应用在图像角点的提取中，SUSAN算法是一种基于图像灰度对比值的角点检测方法。它的优点是无需计算梯度，降低了算法的复杂度，但它检测出的角点数目太多，其中有大量的伪角点[4]。SU-SAN算法提取角点的弱势为接下来的图像对应点匹配增加许多不必要的运算量，匹配精度也会受到影响。
1 SUSAN角点提取方法介绍
图像角点检测的方法分为三类，基于模板的检测方法、基于边缘角点的检测方法、基于灰度变化的检测方法，SUSAN方法是基于灰度变化的角点检测方法中的一种[5]。
1.1 SUSAN角点检测介绍
SUSAN角点检测算法由Smith和Brady所提出，该方法使用圆形模板对图像中的像素点进行USAN面积测算[6]。具体做法为:首先定义图像中对应模板中心的像素点为中心点。模板内的区域(除中心点外)与中心点灰度值相似的区域为USAN区域，其余为非USAN区域。任何一个处于模板下的像素点，要么在USAN区域要么在非USAN区域。因此，可将角点定义为像素点USAN面积足够小的那些点。计算像素点的USAN面积之前要设定模板中其他像素点与中心点的灰度差值t，再用式(1)进行判断区域内中心点的USAN面积。
式中，c(r,r0)是判断函数，用来判断中心点r0模板邻域内的像素r是否属于USAN区域，I(r0)是r0的灰度值，I(r)是模板邻域内的像素r的灰度值。则图像中任一点r0的USAN区域面积表示为式(2):
其中，c(r,r0)代表以r0为中心的圆邻域。为每个像素点计算USAN面积后，再用一个局部非极值抑制方法来确定最终角点，如式(3)所示:
式(3)中，g为非极大值抑制门限，设为USAN最大面积的一半。
SUSAN角点检测算法的步骤:
(1)在图像的中心处设定一个37像素范围的近圆形模板。
(2)用公式(2)计算圆形模板中与中心点灰度值相似的像素点数目n(r0)，其数目定为USAN。
(3)用公式(3)计算初始角点响应函数值，选定函数值大于某一给定阈值的点为角点。
1.2 SUSAN角点检测的不足
通过上述分析可知，SUSAN算法的优点是角点检测时不用计算梯度，不依赖于前期图像处理的结果，直接比较像素的邻域的灰度值就可检测出角点。故在图像处理中应用广泛。但其也有不足之处。
(1)对于图像每个像素点都计算其USAN面积来判断是否为角点，很多明显的非角点也要进行判断，大量地浪费时间。
(2)原算法在检测不同区域、不同对比度的图像时，有角点检测不均匀的情况，有的区域角点很少或没有，有些区域角点密集成簇。这样的结果，在匹配对应点时误匹配的概率大大提高，进而会错误求解变换矩阵的参数，最终的拼接效果会很不理想。
基于上述不足之处，本文改进原算法，提出了一种基于预检测的SUSAN算法。
2 基于预检测的SUSAN算法
2.1 SUSAN算法改进的原则
(1)提高速度
采用原SUSAN算法检测角点时，对所有像素点都计算USAN面积，根据其值判断哪个像素点是角点。实际上有些点尽管其USAN面积很小，也非实际的角点，如噪声点、边缘点等，人们称其为伪角点。伪角点参与运算必会增加不必要的运算量。实际经过简单的判断就可排除这些伪角点。本文采用预检测的方法，排除这些伪角点，减少运算量。
具体的做法如下:
角点周围图像区域的像素灰度值有非常大的变化，而非角点周围邻域内各点像素值没有太大的变化。由此，本文用预检测窗口来对不是角点的像素点进行排除，不对这些伪角点进行SUSAN算法检测。为了便于说明，设定图像点相近数为预检窗口中心像素点与周围8邻域内像素点灰度相近的数量。若8邻域内某点与中心点I(r0)的灰度值的绝对差小于阈值L，则中心点的相近数lcounts值加1，如式(4)所示:
其中，I(r0)、I(r)分别为中心点和像素r的灰度值。r在r0的8邻域内。
本文用count(r0)表示像素r0的8邻域内的图像点相近数的量。将像素点r0的8邻域内的所有像素点用式(4)计算后，便得到r0像素点的相近数count(r0)。根据count(r0)的大小判断像素点r0是否是伪角点。下面将分以下5种情况讨论伪角点的判断。
一是count(r0)=8，表示中心点r0的8邻域范围内的8个像素点都是和中心点相近，故像素r0的USAN面积最大，预检测时要去掉这样的像素点。
二是count(r0)=0，表示中心点r0与周围的8个像素点均不相近，像素点r0为孤立像素点或是噪声点，预检测时要去掉这样的像素点。
三是count(r0)=7，分为图1(a)、图1(b)两种情况考虑，其他情况都可以通过这两种情况旋转得来(图中白色区域表示该位置像素与中心像素相近)。图1(a)中，位于中心像素点的右方的那个像素点可能是角点，图1(b)中位于中心像素点的右下方的那个像素点可能是角点。很明显，预检测时要去掉这样的像素点。
四是count(r0)=1，可分为图1(c)、图1(d)两种情况(与中心像素不相近的区域标志为黑色)，很明显，这两种情况预检测时也要去掉这样的像素点。
五是2≤count(r0)≤6时，不能确认中心点是否是角点，要用SUSAN算法确认角点。
综上，本文仅对在预检测中2≤count(r0)≤6的中心像素点用SUSAN算法进行角点检测。
(2)提高精度
本文在进行预检测和SUSAN角点提取后，运用图像分块技术使角点分布均匀。然后在8邻域内使用排除近邻点的方法来避免角点成簇。分块技术采用固定块数的分法，这样能避开越界分块问题，又能保证处理图像尺寸较大时的良好效果。将分块中检测出的角点按响应函数R值由大到小排序，保留R值相对较大的那些角点。这样，在各个分块中特征明显的角点均被保留，从而实现了检测出的角点的均匀分布。为了减弱或消除角点成簇现象，又采用一个8邻域的模板对整幅图像进行排除近邻的成簇角点工作。若在此模板下存在多个的角点，就保留其R值最大的角点。
2.2 基于预检测的SUSAN角点提取算法的描述
本文提出的基于预检测的SUSAN角点提取算法具体步骤可以描述如下。
(1)计算图像点相近数:对图像的每个像素(除图像的最前、最后三行，图像的最前、最后三列之外)以3×3为模板按照公式(4)在其8邻域内，计算每个像素点的相近数，将这个数值保存在count(r0)中。
(2)预检角点:计算count(r0)的值，如果2≤count(r0)≤6，该像素点为预备角点。
(3)计算预备角点的USAN面积:以每个预备角点为中心，在一个37像素的圆形模板中利用公式(2)计算此模板中有多少像素点与中心点有相似灰度值，既为像素点的USAN面积。
(4)确认SUSAN算法中的角点:利用公式(3)计算每个预备角点初始响应函数值，并标出SUSAN角点。
(5)对图像进行分块:对每一图像块中存在的SUSAN角点C(i,j)(C(i,j)=1,i∈W,j∈H，其中，W,H分别为图像块的宽和高)的R值存储在S[num]中，其中num为数组的大小，即角点的个数。
(6)均匀化分布角点:对S[num]按R值从小到大进行排序，排序后的数组为S'[num]。选择S'[num]中R值相对较大的角点作为最后的角点。具体方法是在num个角点中选取N*num,N∈(0,1]个角点作为最终的角点。为保证每个分块中都有留下的角点，使用迭代算法求解N值。在(0,1]区间中选N的初始值，以N=N+step进行迭代，判断N值，若N=1，迭代终止;否则，判断如果图像块中留下角点就终止迭代，取此时的N值。
(7)排除成簇角点:选用3×3的模板计算此模板下角点数，如果大于1，则只保留R值最大的角点。
3 实验结果及分析
为了验证本文算法的有效性，在Matlab下做了仿真实验。使用100幅测试图像来验证本文算法的有效性，分别用原SUSAN算法和本文的算法进行角点提取。表1是其中5幅图像在两种算法核心部分速度对比数据表。表中给出的是采用原始USUAN算法和采用基于预检测的USUAN算法分别用的时间和检测出的角点数。其中时间以秒为单位，角点数以个为单位。从表1中可以看出改进后的方法提取角点的数目没有太大的改变，但大大减少了角点提取时间，提高了速度。
图2是待拼接的图像1和用本文算法对其检测出的角点效果图。图3是待拼接的图像2和用本文算法对其检测出的角点效果图。采用图像拼接方法对本组图像拼接后得到的图像如图4所示，从图片的效果可以看到图像拼接的精度很好。
4 结束语
本文针对SUSAN角点提取算法的不足提出了一种基于预检测的SUSAN角点提取算法。本方法主要从两个方面改进。其一，在角点提取时采用像素点相近数的概念，排除部分伪角点，保留预备角点。再对预备角点进行SUSAN检测出角点，从而提高角点的检测速度。其二，使用固定分块技术和近邻点排除方法使检测出的角点均匀分布不成簇，为后续的求解变换矩阵提供了良好的原始参数点对。仿真实验证明运用此方法进行图像拼接，既提高拼接的速度又提升了拼接的质量，有较好的实用性。
摘要：为了快速精确提取图像角点,提出了一种基于预检测的SUSAN角点提取方法。文中首先采用预检测的方法排除部分伪角点,对预备角点采用SUSAN算法检测出图像的角点。然后采用图像分块技术和近邻角点排除方法来保证角点分布均匀,没有成簇现象,保证后续图像拼接的精度。实验结果表明,此方法不但能提高角点的检测速度,而且能合理地提取图像中的角点,提高角点的检测精度,进而提高图像拼接的速度和精度。
关键词：角点提取,预检测角点,图像分块,图像拼接
参考文献
[1]杨龙,吴福虎,汤进,等.图像拼接在红外在线监测系统中的应用[J].计算机技术与发展,2012,21(12):194-197.
[2]Kim D W,Hong K S.Real-time mosaic using sequential graph[J].Journal of Electronic Imaging,2006,15(2):1-13.
[3]ZITOVA B,FLUSSER J.Image registration mcthods:a survey[J].Image and Vision Computing,2003,21(11):977-1000.
[4]叶伯洪,徐杜,蒋永平,等.一种改进的SUSAN角点提取方法[J].光学与光电技术,2010(1):47-51.
[5]梁艳.角点检测理论及算法研究[D].华中师范大学2012.
微小型飞行器航空图像拼接算法 篇7
关键词：微小型飞行器,相位相关,特征点提取与匹配,图像拼接
1 引言
微小型飞行器在战场侦察、森林火灾监控、自然灾害区域评估等方面有着广泛的应用。由于微小型飞行器自身的特点和摄像设备的机械限制,从而决定微小型飞行器飞行高度有限,并且所拍摄图像的视场范围有限。为了得到目标区域更多的信息,则需要进一步扩大视场范围,这可以通过将不同角度的成像进行平滑无缝的拼接融合,从而构造一幅全景图以达到扩展视场范围的目的。微小型飞行器的体积相对较小,易于受到外界气流的影响。拍摄两幅相邻图像时,会在不同高度,不同角度上拍摄,图像相同场景之间存在平移、旋转和一定量的缩放。
图像拼接融合已经在很多领域中有了深入研究,但是对于微小型飞行器所拍摄图像的拼接融合研究在国内外还鲜见报道。目前图像拼接算法主要集中在频率域和空间域讨论,频率域一般是利用Fourier变换的相位相关性[1];空间域又分为两大类:基于区域的图像配准算法[2]和基于特征的图像配准算法[3]。频率域的方法优点是使用了FFT而速度快,但是对于图像尺度缩放比较敏感。空间域的优点是对图像变形具有较好的鲁棒性,但是在图像之间寻找匹配的特征区域运算量比较大。
基于现有算法的优缺点,并结合微小型飞行器自身的特点,本文提出了一种适合于微小型飞行器的航空图像全自动稳健拼接算法。该算法将频率域和空间域两种方法相结合,通过频率域获得全局信息,指导空间域中的局部匹配,减少了无效的搜索,也减少了局部独立运动导致的错配。其根本思想是对两幅图像的特征点匹配从粗到细的一种非常稳健的选择策略层层过滤,保证以提纯后准确的特征点数据来做点变换估计,这样就对自动的特征点提取和匹配的准确性放松了限制条件,把核心的任务移交给了特征点的过滤策略和点变换的估计算法。
2 图像特征点提取与匹配
2.1 相位相关法
信号在时域的时移对应于频域的线性相移;信号在时域的卷积对应于频域的相乘。这两个性质是基于频域的图像配准方法的重要理论依据。
相位相关法是一种基于傅立叶功率谱的频域相关技术[4],该方法利用了互功率谱的相位信息进行配准,对图像间的亮度变化不敏感,具有一定的抗干扰能力。
假设图像f1和图像f2的变换模型是平移运动模型:
将其进行傅里叶变换:
互功率谱定义为
其中1F*为1F的复共轭。将式(3)进行傅里叶反变换得到:
寻找上式中冲激函数的峰值位置即可确定图像f1和f2之间的平移运动参数。
上述结论是基于两幅图像具备简单平移关系的假设。冲激函数的峰值高低反映了两幅图像的相关性大小。两幅图像具备更为复杂的透视变换关系,同时被噪声干扰,甚至含有运动物体,那么冲激函数的能量将从单一峰值分布到其他小峰值,但其最大峰值的位置具备一定的稳定性。
由图1(d)可知,当两幅图像仅仅是平移关系时,能量全部集中在了冲激函数峰值位置处。而由图1(e)可知,虽然图1(c)被噪声严重干扰,也有一定的旋转角度,在这种情况下使用相位相关法估算平移量时,冲激函数的能量已经从单一的峰值分散开来,但其最大值的位置几乎没有变。
相位相关法估算的平移参数不是很精确,但已经足以为角点匹配过程提供一个初始搜索范围。重要的是,相位相关法使用FFT实现,速度极快。虽然拍摄的实际图像之间是透视变换关系,但是仍然可以用相位相关法稳健地粗估计算出图像间的平移参数,即图像的粗主运动方向。于是我们可以用相位相关法计算得到的重叠区域近似当作两幅实际图像的重叠区域,并在这个重叠区域内检测特征点。
2.2 特征角点提取
在确定完重叠区域后,仅在这个重叠区域中检测特征点。这样不仅大大减少搜索区域,提高了运算速度,同时也使得成功匹配的命中率大大提高,也较好地避免了运动物体、重复性纹理的影响。这种思想相当于用已知的粗略的全局运动参数去指导更精确的局部特征匹配。
为了保证特征点的准确提取和匹配,要求每幅图像都用一样的特征提取算法,每个特征点周围应该提供足够多的用于判定匹配的信息。本文采用角点作为特征点。常用的角点检测方法分为基于直接像素灰度比较的方法和求轮廓弧度极值的方法。第一类方法比较有代表性的是SUSAN算法[5],SUSAN算法对噪声不敏感,但其计算较复杂,运算量大;第二类方法是,首先对图像求边缘或者轮廓,比如使用Canny算法,然后求该轮廓上的局部弧度最大值就可以确定角点的位置[6],但这种方法常常会具有定位不准的缺点,其角点定位能力主要依赖于边缘检测的结果。本文采用算法计算量小,定位准确的改进的Harris角点算法[7]来检测角点。其角点检测公式为
E的含义是在点(x,y)处移动一个(u,v)小窗口所发生的亮度变化值。式(5)的本质其实就是二维信号的自相关。其中w(x,y)是高斯平滑因子。
将上式进行泰勒级数展开,并忽略高阶项得到:
这里Ix、Iy分别代表图像中该点在水平、竖直方向上的导数。
将M相似对角化处理后得:
上式中,λ1和λ2是四元矩阵M的特征值。每个像素对应着一个这样的四元矩阵。把R看成旋转因子,这样就可以仅由特征值和来分析亮度变化量:当二者都较小时,定义为平坦区域;当二者只有一个较大、而另一个较小时,定义为边缘;当二者都较大时,定义为角点。将这一思想具体用公式表述:
其中:det M=λ1λ2,tr M=λ1+λ2。上式det和tr分别表示求行列式的和与迹。系数k一般取0.04~.02。当Cornerness大于某一个阈值threshold且在某个邻域内取得局部极值时,则标记该点为候选角点。
3 图像间点变换的自动稳健估计
3.1 变换估计与配准误差计算
当所拍摄场景很远时(远大于焦距),都可以认为近似满足透视变换模型[8]。在两幅图像重叠区域提取角点后形成了图像1和图像2之间的一组映射点集。接下来的任务就是从这一组映射点集中估算透视变换模型的8个参数。
给定图像f1(x,y)和f2(x,y)及n组候选初始匹配点:(xt,yt)⇔(xt′,yt′),根据单应性矩阵公式x2=Hx 1,其中H是一个3×3的满秩矩阵,称为平面透视变换矩阵,又称单应性矩阵(Homography)。每一对匹配点可以产生两个方程:
一共有8个未知数,理论上只要代入4对不共线的匹配点,就可以得到8个方程,从而利用求解线性方程组的方法求解即可以得到H的8个独立的未知参数。但是在实际情况下由于噪声、角点定位误差、错配等因素的存在,往往需要代入10对以上匹配点坐标,然后利用最小二乘法求解[9]。
H的平均几何配准误差是衡量配准算法精度的一个重要指标。其公式为
Ddist表示两点之间的距离,误差的单位是像素。一般地,设特征点提取误差符合高斯分布,只要设定一个阈值,就可以初步去除误匹配点。
3.2 改进的鲁棒变换估计算法
由于第一步自动提取和匹配得到的伪匹配点集合中存在一定数量的错配,如果直接使用这些匹配点使用最小二乘法来估计模型参数,则会带来较大的配准误差,因此需要一种容错能力很强的算法来提纯匹配点。本文采用改进的鲁棒变换估计算法——RANSAC(Random Sample Consensus)算法[10],即随机抽样一致性算法,进一步去处错误的匹配。
RANSAC算法的思想简单而巧妙:首先随机选择两个点,这两个点确定了一条直线。在这条直线的一定距离范围内的点称为这条直线的支撑。这样的随机选择重复多次,然后具有最大支撑集的直线被确认为是样本点集的拟合。在拟合的误差距离范围内的点被认为是内点,它们构成所谓的一致集,反之则为外点。该算法可以通过简单的例子解释。
图2(a)中总共有7个点,其中有6个点属于内点,而第7个点属于外点。此时用最小二乘法拟合的直线如图中虚线所示,显然这是错误的,此时实际的最佳拟合直线应该是那条穿越了前6个点的黑色实线。图2(b)显示了正确直线的支撑。对于透视变换,需要有4个点的最小集合,本文采用了一种改进的RANSAC算法,步骤如下:
首先将当前最佳估计内点数目Ni设置为0。
1)为了在一定程度上降低取到共线点的风险,对图像的重叠部分按16×16分割为一系列的子块,然后在所有子块中随机抽取4个子块,并在每个子块中随机抽取一个点,就得到了4个初始点。这样做的优点是避免了取得的4个点过于临近,提高了随机抽样的效率。
2)根据这4个点用最小二乘法计算H的8个参数,然后根据该H统计在给定距离阈值T内的匹配点数目。
3)将当前内点数目与Ni比较,如果大于Ni则将H作为当前最佳估计,并更新Ni,同时动态估计剩余所需要迭代次数S(S正比于|log(p)|,其中p为Ni的比例)。如果当前迭代次数达到S,则保留H并进行下一步;否则循环执行步骤1)~3)。
4)此时的H已经接近实际真值,根据此H和图像1中所有角点的位置信息,估算这些角点在图像2中的位置,并在这个位置取3×3的窗口与图像2中的角点重新进行角点匹配,从而得到最有效的匹配角点,然后退出。
本文提出的改进的RANSAC算法可以有效地提高随机抽样的效率,不仅增加了有效匹配角点的数目,同时进一步确保了最大程度上去除错配的角点。值得注意的是外点的比例将直接影响RANSAC迭代的次数,外点比例越大,迭代次数越多。另外,过多的外点将导致算法的失败,所以相位相关法的计算精度就显得尤为重要。
3.3 图像重叠处的颜色融合
一旦准确地求得了图像间的点变换关系H,就可以确定图像间交叠的准确位置,并对两幅图像进行重采样,注册到一幅新的空白图像中形成一幅融合图像。本文采用了简单的双线性插值方法,设图像f1和f2重叠区的x和y轴最大值和最小值分别为xmax,xmin和ymax,ymin,则融合图像f在重叠区的颜色值为
其中:β=(xmax-x)/(xmax-xmin),这种方法在多数情况下都可以取得较好的效果,如果在重叠区域2幅图像的亮度差别很明显时,可以采用复杂的多分辨率样条技术来解决。
4 实验结果
本文使用Matlab6.5与VC6.0作为开发平台,既利用了Matlab方便的矩阵运算库,又利用了VC方便的人机交换环境。Harris角点检测阈值为1 000,RANSAC算法距离阈值设定为0.01,最大迭代次数设置为2 000次。实验采用微小型飞行器在空中拍摄的航拍图像。
图3(a)显示了相位相关法计算过程中冲激函数的位置,即获得初步平移参数的大小。图3(b)和(c)是相位相关法后在粗略重叠区域中的角点检测结果。图3(d)是第一次使用RANSAC后的结果。最后使用这个结果在第二幅图像中重新进行角点匹配。表1显示了对于实验中的两幅航空图像,算法提取匹配角点是一个从粗到精的过程,通过迭代运算最后得到了收敛的匹配角点对。使用得到的匹配结果经过变换估计和颜色融合得到最后结果图3(e)。在本例图像中,虽然存在相同的操场重复性场景的影响,但是航空图像拼接结果可以看到配准依然准确,图像边缘处过渡自然,说明本算法的鲁棒性较强。
5 结论
本文提出了一种适合微小型飞行器的全自动稳健的图像拼接融合算法,此算法有这几个特点:采用了相位相关法得到图像间的粗略重叠区域,计算速度快,并减少后续搜索过程的运算量;采用改进的Harris角点检测算子提取的特征点精度高;改进的RANSAC把特征点分成内点和外点的策略被理论地定量化,为图像的自动拼接融合提供了强有力的保证;算法对数据层层过滤提纯数据的过程非常稳健。整个算法无论是对输入数据本身还是图像的外部复杂重复文理特征等干扰都有很强的容错能力,是一种稳健有效的实用算法。
参考文献
[1]Jagannadan V,Prakash M C,Sarma R R,et al.Feature extraction and image registration of color images using Fourier bases[J].IEEE Trans on Image Processing,2005,2:657-662.
[2]李强,张钹.一种基于图像灰度的快速匹配算法[J].软件学报,2006,17(2):216-222.LI Qiang,ZHANG Bo.A fast matching algorithm based on image gray value[J].Journal of Software,2006,17(2):216-222.
[3]Tian Guiyun,Gledhill D,Taylor D.Comprehensive Interest Points Based Imaging Mosaic[J].Pattern Recognition Letters,2003,24(9/10):1171-1179.
[4]Reddy B S,Chatterji B N.A FFT-Based Technique for Translation,Rotation,and Scale Invariant Image Registration[J].IEEE Trans on Image Processing,1996,2:5-8.
[5]Rezai-Rad G,Aghababaie M.Comparison of SUSAN and Sobel Edge Detection in MRI Images for Feature Extraction[J].IEEE Information and Communication Technologies,2006,1:1103-1107.
[6]Zhang Y,Rockett P I.The Bayesian Operating Point of the Canny Edge Detector[J].IEEE Trans on Image Processing,2006,15:3409-3416.
[7]Zuliani M,Kenney C,Manjunath B S.A Mathematical Comparison of Point Detectors[D].California,Santa Barbara:Department of Electrical and Computer Engineering,University of California,2004:34-56.
[8]David Peter Capel.Image Mosaicing and Super-resolution[D].Robotics Research Group Department,University of Oxford,2001:80-89.
[9]Gilbert Strang.Linear Algebra and its Applications[M].New York:Academic Press,1997:40-46.
拼接算法 篇8
随着生物医学成像技术的发展, 大幅度全景图像成为此领域研究和工作人员不可或缺的参考资料。医疗领域的成像设备往往都没有很大的视野, 所拍摄的图像都以相对较窄的局部图片呈现。图像拼接技术能在提供高质量的局部信息的同时为观测人员提供观测目标的整体图像, 更有利于医学诊断与治疗。目前在医学图像分析方面很多地方利用到图像拼接技术, 如超声检查、X线成像、病理显微图像处理等[1]。
2 基于特征图像配准中特征点检测算法讨论
图像拼接关键技术分为三个步骤:图像预处理、图像配准、图像融合。图像拼接效果好坏重要的是选择一个鲁棒而快速的图像配准方法。基于图像特征的方法目前应用最多, 具有计算量小, 速度快的特点, 对图像畸变、噪声、遮挡等具有一定的鲁棒性。下面着重讨论几种热门的图像特征点检测算法。
2.1 自动角点检测算法[2]
这类算法通过检测图像中的角点, 然后对两幅图像的角点按照一定的配准原则进行配准, 最后剔除误匹配对, 得到正确的配准结果。Harris角点检测算法是典型的角点检测算法。
2.2 SIFT (尺度不变特征变换) 算法[3]
SIFT (Scale Invariant Feature Transform) 算法可以解决两幅图像之间存在平移、旋转、仿射变换等情况下的匹配问题, 对任意角度拍摄的图像也具备很强的匹配能力。
特征点检测:将图像在各个方向上扩大二倍, 用高斯卷积乘以图像获得Lo G空间。再通过相邻层相减得到Do G尺度空间, 并通过比较Do G尺度空间3维像素灰度值来确定极值。主方向分配:根据像素的梯度来确定。将360°方向分成36份进行直方图统计。特征描述符:4×4个子区域, 8个方向共128维。
2.3 SURF (加速稳健特征描述) 算法[4]
SURF (Speeded Up Robust Features) 是加速稳健特征描述算子, 与SIFT相比较算法更简单速度更快。其特点是计算积分图像。
特征点检测:通过改变Box滤波器的尺度来得到不同的尺度空间, 用Hessian矩阵行列式的特征值符号来确定极值。主方向分配:根据像素在x, y方向上的Haar小波响应值来确定。将360°方向分成72份, 用直方图统计每相邻60°之内的响应值之和。特征描述符:4×4个子区域, 4个方向共64维。
2.4 Harris, SIFT, SURF特征点检测结果与分析
图1和表1是对经典的特征点测试图像和真实的医学图像进行检测结果。可见, Harris算子检测到特征点数量最少但是提取时间最短, SIFT算法与SURF算法检测到特征点更精确, 两者数量差不多, 但是SURF提取时间明显比SIFT时间短很多, 因此本文选择SURF算法来进行系统设计。
3 系统设计与实现
实验环境为Intel双核I5 2.8GHz处理器, 4GB内存, 开发与实验软件为Visual Studio2010+Open CV2.3.4。下面为用C语言编译的基于Open CV的SURF特征点检测程序并用真实医学图像进行试验。
图2 (a) 是医学显微图支气管刷片应用本文设计的系统进行SURF特征点检测结果, 其中圆圈表示特征点的位置和尺度。图 (b) 是透视放射图像的检测结果。
4 结语
实验结果表明, 本文设计的SURF特征点检测系统对纹理清晰特征明显的医学显微类图像提取特征点效果理想, 精度也很高。对纹理不明显的黑白透视放射图特征点检测结果不是很理想, 对于这样的医学图像可以采取基于区域的特征点检测方法来提取特征点。
参考文献
[1]章毓晋.图像处理[M].清华大学出版社, 2006.
[2]赵文彬, 张艳宁.角点检测技术综述[J].计算机应用研究, 2006, 23 (10) :17-19.
[3]陈靖, 王泳天.基于SIFT关键点的增强现实初始化算法[J].红外与激光工程, 2007, 7:158-161.
个性女孩的拼接部落 篇9
Style 1 皮革拼接
巧搭行头：
冬季大热的华丽皮革拼接，这个季节仍很吃香。皮革拼接从打底裤转移到裙摆、肩部、马甲的局部修饰，皮革的质感与毛呢的贴心、蕾丝的诱惑自然地拼接，中和了凌厉的帅气风，使整体造型感十足。
拼接雷区：
对于皮革的拼接面料，一定要谨慎挑选。与身材贴合度较好的面料不仅可以减少皮革的硬朗感，而且修身百搭。雪纺丝绸等飘逸感十足的面料则是皮质拼接的雷区，不但不能拼出个性，反而降低了衣服的档次，让女生变得轻佻、浮夸。
达人单品秀：
经典的灰+黑，上衣的皮质拼接华丽却不张扬，造型感十足的红色双扣腰带与花朵包包，如同黑夜中游走的秀眸，安静中流露着绽放的激情。
Style 2 蕾丝拼接
巧搭行头：
2011年的淑女，代号白色蕾丝。经典的白色蕾丝，大方、纯洁、脱俗，蕾丝的拼接工艺重在衣领、袖口、腰封，清新自然像水润的青苹果。高腰线的蕾丝拼接，拉长了腿型，也让小CUP的MM大秀一把凹凸好身材。
拼接雷区：
本季蕾丝拼接，少量蕾丝拼出足量淑女，精致甜美又迷人，过目不忘。如果你也是个蕾丝控，那么掌握好这个适度原则就OK啦，切忌大面积铺陈的蕾丝，甜得发腻会搭出你的乡村气息的！
达人单品秀：
肩部与裙摆的蕾丝修饰恰到好处，珍珠的镶嵌创意十足，仔细注意，包包也有蕾丝拼接的细节哦，裸色高跟鞋的露趾款型娇俏十足，尽显修长腿型，韩版发箍真是锦上添“花”了！
Style 3 牛仔拼接
巧搭行头：
牛仔是每个女孩的大众情人，无论是酷辣机车范还是学院味十足的牛仔拼接，都是本季收藏的精品。假两件套式牛仔拼接马甲，与皮革的酷辣相得益彰！牛仔拼接豹纹短裙，简直潮爆。
拼接雷区：
牛仔是最常见的拼接布料，但却存在着这样那样的穿搭隐患，臀部较为扁平的MM，可以通过不同亮度的牛仔来提高臀线，胯骨过宽的MM则可选择图案拼接牛仔，巧妙修饰你的大骨架。
达人单品秀：
立体花朵背心能穿出女孩的细密心思，搭配休闲十足两色拼接的牛仔热裤与同为牛仔布料的鱼嘴高跟，细小的铆钉设计充满了轻摇滚的色彩，个性十足的花样项链，让我们禁不住用“冰清玉洁”这个词来形容了，如果搭配水洗中袖牛仔外套，那就是人群中的“娇”点了。
Style 4 雪纺拼接
巧搭行头：
雪纺无疑是近年春夏T台上的明星，飘逸的雪纺将女孩的柔美演绎得淋漓尽致。然而雪纺也有它的秘密，灯笼袖的拼接雪纺衫，让你轻松告别拜拜肉；高腰线的雪纺拼接蛋糕裙，又能轻易打败你的水桶腰……
拼接雷区：
与之拼接的面料在挑选上，拒绝膨胀，强调腰线与身材的贴合，有张有弛，有飘逸的一面也要有修身的一面。切忌与硬挺的面料结合而造成的强烈突兀感。
达人单品秀：
浓郁宫廷韵味的灯笼袖拼接小衫，复古的雪纺袖成为了它的亮点；遵循修身+松垮的穿搭原则，驼色包臀裙展现迷人身姿，波浪细纹精致有品，更有小S大爱的裸粉色防水台高跟鞋，整体的优雅粉色、驼色，举止间尽撒名媛风范。
Style 5 条纹拼接
巧搭行头：
流行的海魂风相信是女孩们衣橱的大爱，经典的条纹邂逅拼接工艺，于是个性色彩愈演愈烈。不必根据你的身材来挑选小衫，因为它普遍很宽松休闲。拼接的条纹服饰几乎很少撞衫，这也减轻了许多MM的烦恼。假两件套式的条纹拼接连衣裙，可爱得不同凡响。
拼接雷区：
条纹拒绝通身拼接，纯色与条纹的拼接是最安全的，不至于整体的眼花缭乱而像个布头废墟。
达人单品秀：
如果你害怕腿型不直的话，这款交叉式条纹拼接legging是你的优选；看惯了大粉，似乎有点腻味，不如选择清新的绿色装扮吧！颇具异域风情的雪纺衫不仅是度假的好选择，而且也是街头难得的潮流，荧绿色的鱼嘴鞋，复古的LadyGaga式圆形墨镜，果色耳饰让你马上炫起来！
Style 6 波点拼接
巧搭行头：
热款波点拼接，高唱欧美大牌风。衬衫拼接了经典的黑白波点便不再平庸，油然而生的幽默感会让你看上去更友好；拼接连衣裙延续了黑白映衬的经典款式，束腰更显纤瘦。抹胸一样的拼接长裙，很吸引路人视线。
拼接雷区：
如果没有很好的创意和剪裁，那就不要选择黑白波点了，一不小心便会掉进俗坑的；彩色的波点虽然很俏皮，但拼接的颜色要接近，波点的底色最好与拼接布料的色彩相一致，否则眼花缭乱。
达人单品秀：
男友式的波点拼接衬衫，胸前的蕾丝以及圆领的剪裁融入了柔柔的女人味；两色拼接的牛仔裤上让整体上升了一个品位，高跟鞋则点亮了整体的色彩，复古宽手镯同样夺人眼球！灵秀的包包只手可握，酷酷的蓝框太阳镜很有大牌范儿。
Style 7 亮色拼接
巧搭行头：
色彩是门艺术，同样也是门技术，色彩拼接，掌握技巧很重要！立体感十足的银色拼接裙，不规则的剪裁很出彩；亮色搭配也能瘦，看看麻豆示范，好身材没得挑。
拼接雷区：
首先要明确一身不超过三色的原则，了解自己的身材缺陷，用亮色拼接来弥补是最快的改良身材的好方法，切忌反向搭配，突出你的缺陷。
达人单品秀：
延续上季的果色潮流，荧光趣味成为了2011年大牌设计师的至爱。藏蓝色格子小西服内搭银白拼接花瓣裙，闪亮的玫红色legging搭配玫红色拼接高跟鞋，蝴蝶结式晚宴包，可爱也妩媚，最后束上复古式亮片宽发箍，你，就是Party女王！
拼接算法 篇10
关键词：图像拼接,Brute-Force算法,RANSAC算法
1 SURF特征点的检测
图像的SURF特征点具有尺度、旋转不变的性质, 适用于对相同场景、不同尺度、不同拍摄角度的图像进行视野拼接, 这些特征点要能反映图像的尺度信息。为了提取这种点, 引入高斯卷积核和Hessian行列式, 为加快卷积速度, SURF算法用积分矩阵代替原图像矩阵进行运算。积分矩阵像素点的值为从矩阵原点到当前像素点的累加值。做卷积运算时只需进行两步减法和一步加法运算。高斯核化简和积分矩阵明显提高了SURF算法的实时性。
2 SURF特征点描述与提取
2.1 SURF特征点的尺度、旋转不变
SURF特征点描述算法将特征点的邻域半径设为特征点所在尺度σ的常数倍。因此, 对于相同目标而不同尺度的特征点, 其邻域所包含的特征总是一致的, 实现了尺度不变性。
特征点方向由邻域内所有点梯度方向决定。为使特征点描述子具有旋转不变性, 要先确定特征点主方向, 由此计算描述子。SURF算法对特征点圆形邻域内的图像滤波, 得到一个以梯度坐标为元素的圆形区域, 对梯度坐标邻域进行高斯加权, 可对特征点的主方向进行检测。算法做一个滑动扇形, 随着扇形区域的连续旋转, 梯度模和梯度方向的值不断更新, 且在扇形区域旋转过程中, 梯度模必会出现一个极大值, 该特征点的方向即为极大值所对应的梯度方向, 这样就解得特征点的主方向。只要将特征点统一到各自的主方向上, 就能提取到旋转不变的描述子。
2.2 SURF特征点描述子生成
对于特征点P (m0, n0, σ) , 以该点为中心, 以其主方向为垂直坐标轴, 做一个边长为4σ的正方形邻域, 然后将这个正方形邻域平均分成4*4个正方形子区域, 那么对于点p的4*4个子区域, 总共可以提取出64维向量, 这个64维的向量就是特征点P的描述子。
2.3 SURF特征点的初步匹配
对于从两幅待拼接图像中提取到的两组特征点描述子, 可以采用Brute Force算法, 进行特征点的初步匹配。为了进一步滤除误匹配对, 引入RANSAC模型估计算法对匹配进行提纯。从图2的效果中可以看到, 匹配的结果比较凌乱, 并且里面包含大量的错误匹配。
3 变换模型估计与匹配提纯
3.1 RANS AC算法性能分析
在RANSAC算法中, 如果随机选出的样本均为内点, 估算出的数学模型是正确的。假定M个样本中, 内点所占的比例为p, 那么, 随机选出的m个样本均为内点的概率约为pm, 1次估算出错误数学模型的概率约为1-pm, N次估算中至少出现一次正确数学模型的概率约为1- (1-pm) N, 这就是RANSAC算法的命中概率。在最小支撑样本数m确定、迭代次数趋于无穷时, 命中率趋于1。只要迭代次数取值足够大, 足以保证RANSAC算法的性能。
3.2 RANSAC算法在图像匹配中的应用
在Brute Force匹配中, 会引入很多误匹配点。可将正确的匹配样本作为RANSAC的内点, 误匹配样本作为外点。每一个内点均符合仿射变换模型, 结合仿射变换模型的求解条件, 可对仿射变换矩阵做RANSAC迭代推导。若给定图像SURF特征点匹配样本及对应点坐标, 按RANSAC算法随机抽取3组, 对仿射变换模型运算解得仿射变换矩阵后, 对匹配元组的元素验证。若小于阈值, 对应点的匹配为元组内点, 否则为外点。N次迭代中, 因选取特征点匹配样本不同, 计算得到的仿射变换模型也不尽相同, 选取对应内点数最多的模型作为最佳变换模型。若两幅图像包含同一目标映像, 通过最佳仿射变换矩阵, 将两幅图像中同一目标映射到相同的位置。
4 小结
引入图形变换理论和RANSAC配准算法, 对匹配结果提纯。图形变换理论就是将图像中的每个像素坐标按照统一的规则进行变换, 最终可以将图像变换为不同视角的效果。RANSAC算法是一种非线性方法, 可以利用一系列包含外点的样本来拟合数学模型。本文将Brute Force算法输出的一系列匹配作为样本, 利用RANSAC算法来求解图形变换矩阵, 从而滤除了样本中的外点, 对匹配进行提纯处理。
参考文献
[1]Bay, Herbert, Tinne Tuytelaars, Luc Van Gool.Surf:Speeded up robust features.Computer Vision-ECCV 2006.Springer Berlin Heidelberg, 2006:404-417.
[2]Koenderink, Jan J.T he structure of images.Biological cybernetics 50.5 (1984) :363-370.