《全景图像拼接》由会员分享，可在线阅读，更多相关《全景图像拼接（9页珍藏版）》请在金锄头文库上搜索。
1、实验目的： 图像拼接的目的是将有衔接重叠的图像拼成一张高分辨率全景图像，它是计算机视觉、图像处理和计算机图形学等多学科的综合应用技术。图像拼接技术是指将对同一场景、不同角度之间存在相互重叠的图像序列进行图像配准，然后再把图像融合成一张包含各图像信息的高清图像的技术。本实验是根据输入的只有旋转的一系列图像序列，经过匹配，融合后生成一张360度的全景图像。实验步骤： 下图是实验的流程图，实验大体上分为以下几个步骤：输入图像序列 输出图像 图像融合投影到圆柱表面根据两两匹配求出焦距f RANSAC特征匹配 Sift描述特征点检测 特征点提取和sift描述： 角点检测，即通过查看一个小窗口，即可简单的
2、识别角点在角点上，向任何一个方向移动窗口，都会产生灰度的较大变化，通过R的值的大小来判断是否为角点。H=，为矩阵的两个特征值。实验中的SIFT描述子是对每个角点周围进行4个区域进行描述，分别是上下左右四个区域，每个方块大小为5*5，然后对每个方块的每个点求其梯度方向。SIFT方向共有8个方向，将每个点的梯度方向做统计，最后归为8个方向中的一个，得到分别得到sift（k,0），sift（k，1）sift(k,8)，k为方块序列，0-8为方向，共有四个方块，所以生成32维的向量，然后按幅值大小对这32维向量进行排序，并找出最大的作为主方向。图为角点检测和sift描述后的图如果直接根据描述子32维向
3、量进行匹配的话，因为噪声的影响，角点检测的不准确，会导致找出一些错误的匹配对，如何去掉这些错误的匹配呢？RANSAC算法是基于特征的图像配准算法中的典型算法，其优点是：可靠、稳定、精度高，对图像噪声和特征点提取不准确，有强健的承受能力，鲁棒性强，并且具有较好的剔出误匹配点的能力，经常被使用在图像特征匹配中。RANSAC的基础是大多数的点是正确的，然后在这些正确的点的基础上找出模型，算出其他点和这模型的误差，以此来判断此点是不是正确点。实验具体做法：因为实验图像只有水平偏移，所以不需要考虑其他方向，在参考图像中的角点中随机选取一点，然后找到待匹配图像中和它SIFT描述子相近的一点，找到这两点后，
4、求出两点的水平坐标之差。然后依此坐标之差为模型，将其他角点根据此模型找到待匹配图像中的相应点，然后算出角点和此点的SSD值，如果距离小于某个阈值内满足的点数很多，那么这个模型就是对的。然后就以此模型找出匹配对，并在图像中标出匹配点。 上图为RANSAC匹配后的结果.因为后面得投影到圆柱平面上，所以得先求出焦距。实验的基础是在旋转的过程中，焦距不变。根据实验中的18副图像序列两两匹配Pi+1Oi+1 Oi+1 光心上图为图像I经过角度旋转后得到的图像I+1，在图像I中的中心点经过旋转后在图像I+1为点Pi+1，三角形光心O Pi+1 Oi+1为直角三角形，光心到Oi+1的距离即为焦距f，所以 又
5、因为摄像机旋转一周，所以得到：，此方程可以用牛顿迭代法进行逼近求其解，本实验中采用的是近似，即。的值可以通过图像两两匹配求的。具体为：先选取第一幅图像为参考图像，然后用第二幅图像和其匹配，知道了第一幅的图像中心映射到第二幅图像中的具体点，然后求其和第二幅图像中心点的水平坐标差，此差即为值，同理依次求出第二幅和第三幅，第三幅和第四幅直到第17和第18。然后将这些距离值相加，得到总的偏移量，然后即得到焦距值f。将坐标投影到圆柱平面上，由上面的求焦距图中，可以得知，当角度旋转后，同一物体在一幅图像和另一幅图像中离光心点的距离会不一样，因此在不同图像中对应的尺度就会不一样。因此，如果不进行坐标投影的话
6、，两幅图中的同一物体即使匹配点找到了，但由于两幅图中物体尺度不一样，拼出来的图也会产生缝隙或者扭曲变形，所以全景拼接之前得先进行投影变换。XYZ(X,Y,Z)(sinq,h,cosq) fx X，Y，Z为投影前的坐标， 为中心偏移量 ， 为图像上的点投影到圆柱平面后，在ZOX平面内投影线和Z轴夹角，s为圆柱半径。上图为投影后的一个园平面上，x为X相对于参考点O的偏移量，即为投影到圆柱后投影线和Z轴夹角，f为圆柱半径，此处也为焦距。所以有，即x=f*， 实验中采用的投影公式为： W，H分别为图像的宽度和高度，f为相机的焦距，x，y为图像的原来坐标，u，v为投影后的坐标。由上面的两个式子可以看出，
7、当x坐标相同时，u坐标也相同，所以竖直直线投影后仍然是竖直直线，但是y坐标相同，由于x坐标不同，所以得到的v坐标不会相同，也就是水平直线投影后得到的不是水平直线而是一段弧线。所以最后得到的投影图像为上下为弧线段，两边为直线段。 投影前的图像 投影后的图像得到柱面投影后，产生新的坐标（u，v），然后再操作步骤一和二，得到角点和描述子，找出匹配点。图像融合：图像融合就是将配准后的图像根据对应关系合并为一幅图像。一般情况下，由于采样时间、采样角度和光照强度等获取图像时的差异，易使两幅图像重叠区域出现明暗强度和变形程度的差异，为了使融合后的图像具有视觉一致性而且没有明显的接缝，目前常采用Szelisk
8、i 加权平均法对图像进行融合。假如f1，f2为待融合的图像，f为融合后的图像。那么有： 式中d1 和d2 分别表示权重值，一般取，其中width表示重叠区域的宽度，并且满足d1+d2=1。重叠区域内， d1 由1 渐变为0，d2由0 渐变为1，由此实现了重叠区域由f 1到f2 的平滑过渡。如下图所示： 上图为融合后的图像实验结果：实验中使用的原始数据都是用未经校准的简易摄像机获得的. 从实验结果看, 尽管摄像机采集的各帧图像之间有上下跳动、镜头的轻微倾斜, 以及光照强度的剧烈变化, 本文的算法仍能较准确地拼接出一定质量的全景图像. 实验中不够准确的地方就是焦距的近似求法，没有进行迭代。然后进行匹配的时候，特征点选取的多少以及RANSAC选取的阈值会对结果产生较大影响。最终的拼接图像是分别对18幅图像两两拼接后得到一副新的图像，然后再对新的图像进行两两拼接再得到新的图像，以此类推，最后得到全景的拼接图像如下图所示：全景拼接后的图像实验总结： 本实验根据RANSAC配准算法应用于平面图像配准的高稳健性等优点，完成了生成柱面全景图像的拼接方法，该方法能够准确、快速地提取出待配准图像中的对应特征点对，剔除了伪匹配对的干扰，降低了误匹配的几率，并完成柱全景图像的拼接。通过该次实验学会了用RANSAC剔除错误点，牛顿迭代法求解方程的根，怎样把平面投影到圆柱平面上以及图像融合的方法。
