[发明专利]一种基于改进加权融合的运动场景图像拼接方法

说明书

技术领域

本发明属于图像处理和图像融合，具体指的是一种基于改进加权融合的运动场景图像拼接方法。

背景技术

图像拼接是指将具有重合区域的两幅或多幅小视域图像联接在一起，最终得到一幅大视域的图像。它广泛应用于运动分析、虚拟现实技术、医学图像分析、数字视频等领域。图像拼接的关键技术是图像配准和图像融合。近年来，国内外对于图像拼接各细节的研究已取得了一些成果。

在获取图像序列时，场景可能存在运动物体，当它们位于待拼接图像的重叠区域时，容易使拼接后的图像中产生鬼影。鬼影是指同一物体互相重叠的现象，可分为配准鬼影和合成鬼影。目前，配准细化的大量工作已经很好地解决了配准鬼影的问题，但是合成鬼影的去除尚无较为稳定的方法。

为了解决这一问题，现有的主要方法有两种：1)通过检测运动物体在待拼接图像中的位置，将其分割去除后形成拼接全景，但此方法复杂度较高，而且拼接效果对分割精度和图像连续重复性敏感。2)对待拼接图像中的重复运动物体，从一幅或几幅图像中选取具有代表性的重合区域进行拼接，常用的方法有流形拼接法、顶点覆盖法和最优缝合线法等。其中，最优缝合线法有复杂度较小、计算简单等优点，但是，最优缝合线法只在运动物体较少时效果较好，当运动物体数量过多时，并不能很好地解决合成鬼影问题。

发明内容

发明目的：针对现有技术存在的问题，本发明提供了一种显著提高了图像拼接的成像效果的基于改进加权融合的运动场景图像拼接方法。

发明内容：本发明提供了一种基于改进加权融合的运动场景图像拼接方法，包括如下步骤：

步骤10：采集含有重叠区域的两幅或者多幅图像数据；

步骤20：对步骤10得到的图像数据进行中值滤波，得到高斯金字塔；

步骤30：将步骤20得到的高斯金字塔与图像数据结合卷积，获得步骤10得到的图像的尺度空间；

步骤40：对步骤30得到的尺度空间进行极值点检测，得到极大极小空间的极值点；

步骤50：对步骤40得到的极值点去除对比度小于0.03的关键点和不稳定的边缘响应点，得到确定关键点的位置和尺度；

步骤60：利用步骤50中关键点的位置和尺度，确定领域像素的梯度方向，得到关键点方向参数；

步骤70：将步骤60中得到的关键点方向参数和步骤5中关键点位置和尺度，在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，形成一个种子点；一个关键点由2×2共四个种子点组成，每个种子点有8个方向向量信息；得到多组相互匹配的特征点描述子；

步骤80：将步骤70中得到的多组相互匹配的特征点描述子，使用随机抽样，并对多组相互匹配的特征点描述子进行精炼得到两幅图像或多幅图像中相互匹配的特征点描述子；

步骤90：利用步骤80中得到的相互匹配的特征点描述子，使用改进加权融合算法得到图像拼接的最终拼接结果。

进一步，步骤80中，所述特征点描述子匹配的方法为：

步骤801：随机选择4组相互匹配的特征点描述子组成一个随机样本并计算变换矩阵，计算其中的每组匹配点的特征点之间的距离，随后计算和变换矩阵一致的内点数，经过多次采样，选择内点数最多的变换矩阵，当内点数相等时，选择内点标准差最小的变换矩阵；

步骤802：采用迭代的方法精炼变换矩阵，所述迭代方法中采用LM算法最小化代价函数进行迭代精炼；

步骤803：用步骤802中精炼得到的变换矩阵定义附近的搜索区域，对匹配的特征点描述子进行精炼；

步骤804：反复迭代步骤802-803直到匹配点的特征点数目稳定。

采用这种方法可以有效的减少误匹配的点对。

进一步，步骤90中，所述改进加权融合算法的方法为：

步骤901：利用Sobel边缘检测算法提取各输入图像物体边缘，由此得到重合区域的边缘差异；

步骤902：计算输入图像重叠区域的所有匹配特征点的灰度差，并将之平均化；

步骤903：对步骤901得到的两幅图像重叠区域的物体边缘进行比较，得到互不重合的边缘；

步骤904：计算输入图像自有的不重合边缘两侧像素点的灰度值，分别与输入图像中对应位置的像素点灰度值作差，得到的每一个差值都与步骤902中的平均灰度差比较；若不相等，则证明该像素点为输入图像中运动物体的构成像素点；依次处理其余像素点，直到其他边缘或重合区域边界为止；