论文部分内容阅读
图像拼接技术是计算机视觉、图像处理和计算机图形学的研究热点，它可以用来建立大视觉、高分辨率的图像，在虚拟现实领域、医学图像处理领域、遥感技术等诸多领域都有广泛应用。图像拼接就是将同一场景中有重叠的图像序列拼接在一起，以还原真实场景中大分辨率的图像。近年来，随着无人机技术的迅速发展，人们也开始使用无人机搭载相机进行低空图像拍摄，无人机技术是对遥感图像的一种弥补，它比较适合小区域内的图像采集，得到的图像更清晰。比如对景区进行拍摄，通过拼接获得全景图给游客更直观的展示；同时，在地质灾害中无人机技术也应用得很广泛。因此，针对无人机图像进行拼接相关技术研究具有很大的实用价值。本文主要研究了基于特征点的图像拼接技术，基于特征点的图像拼接技术主要包括特征点选取、图像配准和图像融合三个部分，随后研究了全景图像拼接过程中所遇到的问题及使用的解决方法。在特征点选取部分，首先介绍了三种基于角点的特征点检测算法，SUSAN算法、Moravec算法和Harris算法。其中对Harris角点检测算法介绍最为详细，它是一种稳定的也较成熟的算法。然后介绍了近年来较流行的SIFT（ScaleInvariant Feature Transform）算法，该算法在Harris角点检测算法的基础上更进了一步，它是在多尺度下提取特征点，使特征点具有尺度不变性，同时由于SIFT算法对特征点采用了128维向量的描述符，因此，选取的特征点具有很强的独特性。本文针对无人机图像数量大、分辨率高等特性，同时考虑到SIFT算法提取的特征点数量众多的情况，对SIFT算法针对无人机应用做了小的改进，通过增加极值点选取时需要比较的像素数量来减小特征点数量，同时又不至于影响高质量特征点的提取，这样可以减少在特征点配准过程中的比较次数，增加算法的效率。在图像配准部分，介绍了基于像素差平方和的特征匹配和基于互相关的特征匹配。这两种特征点匹配算法都可以应用于检测到的特征点的匹配过程中，如SUSAN角点、Moravec角点和Harris角点。在配准时，通过对特征点周围像素信息的对比从而判定特征点的相关性，实现配准。而对于SIFT算法，它是采用欧氏距离来判定两个特征点之间的相似性，这是因为SIFT算法所提取的特征点，不只包括位置信息，同时还对每个特征点采用了惟一的描述，因此在特征点匹配过程中只需要使用特征点位置、尺度、方向及描述符信息就可以进行特征点配对，而这些信息都是在特征点提取过程中产生的。在图像融合部分，本文分析了两种常用的图像融合算法：平均值法和加权平均值法。在文章最后，分析了多幅图像拼接过程中可能出现的累计误差，累计误差包括对称误差和非对称误差，它们对图像最终拼接质量影响很大，通过将累计误差分散到各个拼接接缝，可有效减小累计误差对全景图质量的影响。本文针对所研究的特征点配准算法，在逐步扩大拼接方法过程中使用最小化误差来减小累计误差对图像质量的影响。本文研究了无人机图像的特点，研究了现有的基于特征点的图像配准算法，通过对算法原理的分析及实验仿真效果选择了适合无人机图像特征的拼接算法。本文最终选择了SIFT算法作为无人机图像的配准算法，本文在此基础上针对无人机图像的独特特征进行改进，使之更适合实际应用。然后，研究了全景图的拼接过程中存在的问题及采取的措施。最后，对本文工作做了系统的总结，并对未来的研究提出自己的意见。