论文部分内容阅读
普通数码相机所拍摄的图像具有大视场图像分辨率低、分辨率高的图像视场小的特点。为了解决视场和分辨率的矛盾，人们提出了图像拼接技术，将反映同一场景的多幅有重叠区域的图像拼成一幅高分辨率大视野范围的图像。该技术现已广泛应用在全景监控、虚拟现实、遥感图像处理、医学图像处理等领域。
本文研究基于图像特征点的自动拼接算法，该算法可以实现多幅有序图像的自动拼接，最终得到环绕全景图，可用于全景监控系统。本文重点研究了基于特征点的全景图生成的各个阶段的技术，并针对其中的两个阶段提出了改进。
在特征匹配阶段，本文提出了改进的最小费用K流算法(MKP算法)。该算法根据已有的最小费用K流算法的思想，将图论中的匹配知识同图像匹配知识相结合，把图像特征点匹配建模成最小费用最大流问题，并用改进的对偶算法进行求解，可以自动获得有较高准确率的图像特征点匹配集。实验表明，在不需人工干预的情况下，和基于k-d tree的最近邻匹配算法相比，该算法可以提高匹配准确率约5％。
在变换估计阶段，本文提出了基于类内散布矩阵的改进的RANSAC算法，用于对图像的特征点匹配集进行提纯。改进的RANSAC算法用类内散布矩阵进行初选，改变了原RANSAC算法中匹配点对的随机选取方式，有效减少了原RANSAC算法的迭代次数，提高了计算效率。实验表明，在保证准确率的条件下，本文算法的计算效率比原算法高出约20％。