发布时间 : 星期二 文章基于特征点的图像拼接算法图文说明更新完毕开始阅读
本文说明的内容是图像拼接，采用基于特征点的匹配方法将两张
定点拍摄的照片进行拼接，合成一张图，将全景图生成简化成两张图片的拼接，具体可以分为以下几点：
掌握图像灰度化、图像投影变换、图像特征点提取、图像仿射矩阵变换及图像融合。
1、在数字图像的预处理中，灰度图像是进行图像识别与处理的基础。彩色图像转换为灰度图像的方法主要有平均值法、最大值法和加权平均值法。
2、图像的投影变换也是图像拼接不可或缺的过程，待拼接的图像素材往往不在一个坐标系下，直接拼接会因为角度的问题导致景物扭曲变形，目前普遍的方式是将图像投影到几何体表面上，如球面，立方体或柱面上。
3、特征点是进行本图像匹配方法的基础，质量的好坏将直接影响匹配的精度和效率，特征点应具有旋转、平移不变形等特性，保证不会因为相机的曝光等原因造成图像的错误匹配。
4、图像特征点提取之后，需要根据特征点计算图像的放射矩阵，从而对图像进行变换而实现拼接。放射变换的过程中，插值的方法确保图像不失真。
5、图像拼接完成后，最后需要将图像融合，使两幅图像不会因为曝光等原因造成可视的匹配错误。
图1 基于特征点图像拼接步骤
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- 详细步骤： 1、图像的灰度化
在图像处理中，灰度化一直作为预处理的一部分，有时不仅仅是算法的需要，也是将三维降成一维从而减小计算量与增加运行速度的重要方法。彩色图像转换为灰度图像的方法有平均值法、最大值法及加权平均值法，其转换公式为：
平均值法，gray＝（R＋G＋B）／3； 最大值法，gray＝max（R，G，B）
加权平均值法，gray＝（R×0．3＋G×0．59＋B×0．11） 其中 R、G、B 为红、绿、蓝分量，gray 为转换后的灰度值。本程序中采用matlab自带的rgb2gray函数，该函数是用加权平均值法计算的。 2、投影到柱面
图像投影是将待拼接的两幅图像投影到同一个坐标系下，这样能
避免因角度问题引起图像中景物扭曲变换，可以分为球面投影、柱面投影、立方体投影。理论上，球面投影更加科学，但是球面投影带来的弊端是储存方式，所以柱面投影往往用的是更多的，柱面张开后是矩形，在数据存储方面具有优势。本方案采用柱面投影的方法，以下是投影公式：
图2 柱面投影几何关系示意图
x'?r*sin()?r*sin[2Hy?H2y'?r*?k2WW??xr?其中：k?r?? ??2tan??/2??2?22?arctan(x?rW)2]
H为图像高度，W为图像宽度，?为投影宽度角，r为圆柱半径 3、特征提取
特征提取的算法有许多，其中Lowe提出的SIFT算法是一种非常有名的算法，得到了广泛的应用，也被不断地改良。这种算法是建立了多尺度空间，确定特征点的位置，同时确定特征点所在尺度，以达
到尺度抗缩放的目的，并提取旋转不变特征描述符以达到仿射变换的目的。
特征提取分为两步，第一步是特征点的提取，在图像中找到一些具备一定性质的点，第二步为特征点增加描述，使特征点之间能相互区别。 3.1 特征点提取
特征点是图像中的一些特别的点，它是图像经过变化后得到的点，这些点应该具有一些性质：选取的特征明显，易于提取，在待匹配的图中足够多且分布广。
其中SIFT的特征点提取方法是先利用高斯卷积核生成尺度空间，因为高斯卷积核是实现尺度变换的唯一线性核。二维图像的尺度空间定义：
L(x,y,?)?G(x,y,?)?I(x,y)G(x,y,?)?12??2?x2?y2??e2?2
?)其中G(x,y,是尺度可变的高斯函数，I(x,y)是原图像，是变
L(x,y,?)换后的图像
在寻找特征值时，为了减少计算量，只提取了半张图的特征点，当提取右半张图像的特征点时，每个特征点的横坐标值就需要增加半个图像宽度。 3.2 增加描述因子
仅仅找到特征点并不够，还应该为这些特征点增加一些描述，使特征点具备区别其他特征点的性质，这样就可以通过两幅图的相互匹