《matlab图像拼接算法研究+文献综述》由会员分享，可在线阅读，更多相关《matlab图像拼接算法研究+文献综述（12页珍藏版）》请在金锄头文库上搜索。
1、-范文最新推荐-1 / 12matlab 图像拼接算法研究+文献综述摘要图像拼接技术是将一组相互间重叠部分的图像序列进行空间匹配对准，经重采样合成后形成一幅包含各图像序列信息的宽视角场景的、完整的、高清晰的新图像的技术。该技术广泛应用于虚拟现实技术、显微图像分析、数字视频、运动分析、医学图像处理和遥感图像处理等领域。图像拼接是计算机视觉、数字图像处理和计算机图形学的热点研究方向。一般来说，图像拼接的过程由图像获取，图像配准，图像融合三步骤组成，其中图像配准是整个图像拼接的基础。SIFT 算法是目前特征检测和匹配算法中最为有效的算法。本论文先利用 SIFT 算法提取特征点，使用RANSAC 算法
2、求出图像变换的单应矩阵 H 的值，最终使用加权平滑算法完成了图像的无缝拼接。本文将利用 matlab 软件进行算法设计和拼接实验。11006关键词图像拼接图像配准图像融合尺度不变特征毕业设计说明书（论文）外文摘要TitleAlgorithm On Image Mosaic AlgorithmAbstractImage mosaic is a technology that carries on the spatial matching to a series of image which are overlapped with each other, and finally builds a
3、seamless and high quality image which has high resolution and big eyeshot. The technology is widely used in virtual reality technology， micro-image analysis, digital video, motion analysis, medical image. Processing and remote sensing image Processing and other fields. Image mosaic is the hot spots
4、of the computer vision. In general, the process of image mosaic is composed of image acquisition, image registration, image fusion. Image registration is the basis of the entire image mosaic. The Scale Invariant Feature Transform( SIFT) algorithm is the most effective algorithm in the feature detect
5、ion and matching algorithms. In this paper , SIFT algorithm is used to extract the feature points. -范文最新推荐-3 / 12Then, the transforming matrix H is computed with RANSAC algorithm. And finally image mosaic is completed with smoothing algorithm. In this paper ，Matlab is used to design algorithm and ma
6、ke experiments. 1.2 国内外研究现状1.3 图像拼接技术的应用领域近二十年来，图像拼接技术得到了广泛的关注与应用。在微小型履带式移动机器人导航系统中，单目视觉不能满足机器人的视觉导航需要，并且单目视觉机器人的视野范围明显小于双目视觉机器人的视野。利用图像拼接技术，将机器人双目采集的图像进行拼接，可以增大机器人的视野，给机器人的视觉导航提供方便。在虚拟现实领域中，人们可以利用图像拼接技术来得到宽视角的图像或 360 度全景图像，用来虚拟实际场景6。在医学图像处理方面7，显微镜或超声波的视野较小，医生无法通过一幅图像进行诊视，同时对于大目标图像的数据测量也需要把不完整的图像拼接成
7、为一个整体。所以把相邻的各幅图像拼接起来是实现远程数据测量和远程会诊的关键环节。在遥感技术领域中，利用图像拼接技术中的图像配准技术可以对来自同一区域的两幅或多幅图像进行比较，也可以利用图像拼接技术将遥感卫星拍摄到的有失真的地面。图像拼接成比较准确的完整图像，作为进一步研究的依据。在军事领域的夜视成像技术中，无论夜视微光还是红外成像设备都会由于摄像器材的限制而无法拍摄视野宽阔的图片。使用图像拼接技术，可以使观察者观察到周围的全部情况。这在红外预警中也起到了很大的作用。从以上方面可以看出，图像拼接技术的应用前景十分广阔，深入研究图像拼接技术有着重要的意义。1.4 本文的主要工作本文的主要工作：(1
8、) 总结了前人在图像拼接方面的技术发展历程和-范文最新推荐-5 / 12研究成果。(2) 学习和研究了常用的图像配准算法。(3) 学习和研究了常用的图像融合算法。(4) 学习和研究研究基于 SIFT 的图像拼接算法 (3)建立变换模型根据模板或者图像特征之间的对应关系，计算出数学模型中的各参数值，从而建立两幅图像的数学变换模型。(4)统一坐标变换根据建立的数学转换模型，将待拼接图像转换到参考图像的坐标系中，完成统一坐标变换。 (5)融合重构将待拼接图像的重合区域进行融合得到拼接重构的平滑无缝全景图像图 2-1 给出了图像拼接的基本流程图 图 2-1 图像拼接的基本流程图2.2 图像预处理算法图
9、像预处理可以从图像校正和图像噪声抑制两方面考虑。图像校正的基本思路是，根据图像失真原因，建立相应的数学模型，从被污染或畸变的图像信号中提取所需要的信息，沿着使图像失真的逆过程恢复图像本来面貌。实际的复原过程是设计一个滤波器，使其能从失真图像中计算得到真实图像的估值，使其根据预先规定的误差准则，最大程度地接近真实图像。图像噪声可以理解为妨碍人的视觉感知，或妨碍系统传感器对所接受图像源信息进行理解或分析的各种因素，也可以理解成真实信号与理想信号之间存在的偏差。一般来说，噪声是不可预测的随机信号，通常-范文最新推荐-7 / 12采用概率统计的方法对其进行分析。噪声对图像处理十分重要，它影响图像处理的
10、各个环节，特别在图像的输入、采集中的噪声抑制是十分关键的问题。若输入伴有较大的噪声，必然影响图像拼接的全过程及输出的结果。可以采取以下两种方法抑制图像噪声。（1）均值滤波所谓均值滤波实际上就是用均值替代原图像中的各个像素值。均值滤波的方法是，对将处理的当前像素，选择一个模板，该模板为其邻近的若干像素组成，用模板中像素的均值来替代原像素的值。如图 2-2 所示，序号为 0 是当前像素，序号为 1 至 8 是邻近像素。求模板中所有像素的均值，再把该均值赋予当前像素点(x， y)，作为处理后图像在该点上的灰度 g(x，y)，即 基于特征的图像拼接是利用图像的明显特征来估计图像之间的变换,而不是利用图
11、像全部的信息。这些明显特征如图像的特征点(角点或关键点 )、轮廓和一些不变矩等。有以下几种常见的基于特征的配准算法（1）自动角点检测配准算法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。一般认为角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点。图像的角点检测方法可概括为两类。第一类方法先将图像分割为区域,用链码表示目标边界,然后通过方向变化确定角点。这种方法的主要缺点是角点检测的结果依赖于前面的图像分割结果。第二类方法直接对图像灰度级进行操作,这些方法主要利用梯度和曲率度量检测角点。经典的第二类角点检测算法包括
12、Harris 角点检测算法、SUSAN(smallest univalue segment assimilatingnucleus,最小同值分割吸收核)角点检测算法以及DoG(difference2of2Gaussian,双高斯差) 算子角点检测算法。-范文最新推荐-9 / 12具体的配准步骤为:a)利用角点检测算子检测图像中的角点;b)利用控制点匹配算法对检测到的角点进行匹配,找出角点匹配对;c)剔除伪匹配对,得到正确匹配对 ,根据这些匹配对计算出变换参数;d)进行拼接融合得到全景图像。基于特征点的配准算法量较小,配准精度高 ,缺点是边缘信息少的图像、大旋转和大尺度缩放的图像和多光谱图像不能
13、很好地进行配准。（2）基于轮廓特征的配准算法基于轮廓特征的配准算法首先对图像进行直方图均衡和去噪处理,再对图像进行轮廓提取 ,然后对提取的轮廓进行配准,进而确定重叠区域。轮廓的匹配准则可以选取链码相关或者其他一些相似性准则,如主轴和不变矩等。基于轮廓特征的配准算法适用于光照不一致、存在尺度关系及旋转的图像。该方法需要准确提取出明显的轮廓特征,对于数据的缺失比较敏感 ,要求两幅图像的对应轮廓要比较完整。对于轮廓特征不明显或噪声干扰较大的图像不适用。 （3）高通滤波融合法高通滤波融合法将高分辨率图象中的边缘信息提取出来，加入到低分辨率高光谱图象中。首先，通过高通滤波器提取高分辨率图象中的高频分量，
14、然后将高通滤波结果加入到高光谱分辨率的图象中，形成高频特征信息突出的融合影象。（4）小波变换融合法利用离散的小波变换，将 N 幅待融合的图象的每一幅分解成 M 幅子图象，然后在每一级上对来自 N幅待融合图象的 M 幅子图象进行融合，得到该级的-范文最新推荐-11 / 12融合图象。在得到所有 M 级的融合图象后，实施逆变换得到融合结果。3SIFT 算法原理Sift 算法是 David Lowe 于 1999 年提出的局部特征描述子，并于 2004 年进行了更深入的发展和完善。Sift 特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。总体来说，Sift 算子具有以下特性：(1)、Sift 特征是图像的局部特征，对平移、旋转
