[发明专利]一种基于高斯二阶差分特征检测算子的图像拼接方法

说明书

技术领域

本发明涉及数字图像拼接领域，具体涉及一种基于改进特征检测算子匹配的图像自动拼接方法，用于实现快速准确的序列图像无缝拼接。

背景技术

图像拼接（Image Mosaic）技术是将一组存在重叠部分的图像序列进行空间匹配对准，经重采样融合后形成一幅包含各图像序列信息的宽视觉场景的、完整的新图像的技术，要求最大程度与原始图像接近，失真尽可能小，且没有明显的缝合线。随着数字成像技术的发展，宽视野、高分辨率的图像在一些重要的领域越来越重要，而利用图像拼接技术被广泛的应用于全景图的拼接、医学图像分析、海底图像分析、遥感图像分析以及军事情报分析等重要领域。由于数字图像拼接技术解决了宽视野与高分辨率的矛盾，因而它为上述领域的关键技术提供了很好的解决途径。它不管对国家的科技发展还是经济建设都发挥重要的作用，因此，图像拼接的研究具有深刻的研究意义。

图像拼接主要包含两个部分：图像配准和图像融合。而图像拼接的质量主要依赖于图像的配准精度。目前，图像配准主要包括基于面积和基于特征的方法。基于面积的方法中，较为经典的算法为基于模板的配准算法，基于模板匹配是取一幅图像中处于重叠区域的一块作为模板，在另外一幅图像中搜索具有相同（或相似）值的对应块，从而确定两幅图像的重叠范围。该算法简单，但是由于受耗时局限性影响，且算法实用性不强，误差较大；基于特征点匹配首先对图像中关键信息进行提取，再利用提取的特征完成两幅图像特征之间的匹配，通过特征的匹配关系建立图像间的几何变换模型以完成图像的配准。由于该算法通过对图像中关键信息的提取，可以大大减少匹配过程的计算量，它不仅能够适用于重合度较低的图像之间的配准，而且还能够应用于运动场景图像以及含有遮盖物体图像之间的配准，在实际运用中得到了广泛的使用。

基于特征点匹配的方法，如Moravec算法以像素的四个主要方向上最小灰度方差表示该像素与邻近像素的灰度变化情况，即像素的兴趣值，然后在图像的局部选择具有最大兴趣值的点（灰度变化明显的点）作为特征点。虽然此算法相对简单，计算量小，但是对噪声的影响十分敏感，容易产生误匹配点对。SUSAN算法直接利用像素的灰度进行角点检测，而不考虑曲率等复杂的角点特征，它的基本原理是与每一图像点相关的局部区域具有相同的亮度。但是在对实际图像进行SUSAN角点检测时角点数量过多，不利于角点匹配的局限性。Harris角点检测模型提取出的兴趣点具有旋转不变性，对于光照和噪声都具有很强的适应能力，Etienne和Robert使用Harris角点检测模型提取出兴趣点，通过计算归一化相关函数来得到图像中兴趣点的对应点，还有很多学者也通过使用Harris角点检测模型提取出兴趣点后，通过不同的求精和匹配方法来进行图像拼接。但该算法只能在单一尺度下检测角点，这它仅适用于存在平移、旋转以及很小尺度变换的图像。

David.Lowe总结现以上特征检测方法的不足，提出了尺度不变特征变换（Scale Invariant Feature Transform），以下简称SIFT算法。SIFT算法首先在尺度空间进行特征检测，并确定特征点的位置和特征点所处的尺度，然后使用特征点邻域梯度的主方向作为该特征点的方向特征，以实现算子对尺度和方向的无关性。利用SIFT从图像中提取出的特征可用于同一个物体或场景的可靠匹配，对图像尺度和旋转具有不变性，对光照变化、噪声以及仿射变换都具有很好的鲁棒性。

近几年的研究表明：SIFT特征独特性好，在特征匹配时可以以一个高概率正确匹配，这对图像拼接至关重要，但SIFT算法复杂度高，计算量大，使得计算时间长，不能满足实时性拼接。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种保证精度的前提下，降低了运算的复杂度，提高了图像拼接的实时性的基于高斯二阶差分特征检测算子的图像拼接方法。本发明的技术方案如下：

一种基于高斯二阶差分特征检测算子的图像拼接方法，其包括以下步骤：

101、分别获取待拼接图像A和参考图像B的像素矩阵函数I(x,y)，并将待拼接图像A和B的像素矩阵函数I(x,y)在高斯尺度空间下高斯尺度差分化生成高斯一阶差分金字塔，高斯一阶差分金字塔表达式为