[发明专利]一种基于改进型SURF算法的图像快速拼接方法

权利要求书

1.一种基于改进型SURF算法的图像快速拼接方法，其特征在于，包括以下步骤：

步骤1，检测参考图像和待拼接图像两幅图像中的角点；

步骤2，对两幅图像检测的角点进行特征描述，然后进行特征点匹配；

步骤3，对匹配得出的特征点对，去除误匹配，得到优化后的特征点对；

步骤4，计算变换矩阵；

步骤5，对两幅图像进行融合；

采用改进的FAST算法进行角点检测，包括：在图像中选取一个像素点P，判断像素点P是否是兴趣点的像素；判断像素点P是否为兴趣点的方法为：令选取的像素点灰度值为I_P，图像灰度阈值T，在像素点P周围，以4个像素为半径画圆，在该圆圆周上得到16个像素点；如果在16个像素点中存在N个连续的点，它们的灰度值大于I_P+T或者小于I_P-T时，则判定该像素点P为兴趣点，N为大于等于12的自然数；

先将选中像素的上下左右四个点的像素值与I_P进行比较，如果至少存在三个像素值不大于I_P+T或者不小于I_P-T时，得判断该点不是兴趣点，否则检查所有16个像素并判断N个连续像素是否符合标准；

采用史托马斯算法得到每个角点的分数，令λ₁和λ₂为角点结构张量矩阵A的两个最大特征值，计算最小值min(λ₁,λ₂)，以此作为分数，令(x,y)为偏移量，I为图像灰度，I_x和I_y为图像灰度I的偏导数，角点位置的协方差矩阵为A^-1，

A-1=1<Ix2><Iy2>-<IxIy>2<Iy2>-<IxIy>-<IxIy><Ix2>,]]>

在得到每个角点的评分后按照的得分高低顺序对角点序列进行排序，排序完成后按顺序循环比较两个角点之间的距离，如果两个角点的距离小于期望的角点间距离，则保留Shi-Tomasi得分高的角点，期望的距离不小于10像素；

获取最终的改进FAST角点；

步骤2中，采用改进的SURF算法对两幅图像进行特征描述，包括以下步骤：

创建一个以兴趣点为中心的矩形区域，矩形的方向为兴趣点的方向，将每个区域划分为两个以上的3×3的子区域，对于每个子区域，用5×5间隔采样计算Haar小波响应，令d_x为Haar小波在x方向上响应，d_y为该响应在y方向上的响应，对响应的d_x和d_y采用高斯加权，得出每个子区域中小波响应d_x和d_y的和组成第一组特征向量，同时把强度响应绝对值的总和添加进特征描述；

得到每个子分解区域的四个描述，用矢量v表示为v＝(∑d_x,∑d_y,∑|d_x|,∑|d_y|)，所有3×3的区域描述子的个数为36，即36维的描述；

步骤2中，采用改进的LBP算法对两幅图像进行特征描述，包括以下步骤：

采用检测窗口检测，对于图像单元中的每一个像素点，取其相邻的连续16个点作为采样点，对于单个像素点而言，当中心点的像素大于一个邻近点的像素值，则将该临近点值设为0，反之可以设为1，从而得到了一个16位的二进制数；对所有像素位置加权求和获取该检测窗口的LBP编码值；将这16位数据依次进行循环左移操作，每次左移对应产生16个新的数据，在其中找到最大一个，作为最终的编码数据；

步骤2中，先判断LBP纹理特征是否符合要求，然后通过计算欧式距离和比较最佳匹配次最佳匹配来查找匹配点，通过两级匹配，保留180～220个角点，包括以下步骤：

设定一个欧式距离最大值MAX，分别从参考图像和待拼接图像中选择一个角点，采用LBP纹理特征分别对两个角点计算每个位的差异，选取一个阈值为2，若位差异大于阈值2，则重新再从参考图像中选取角点计算每个位差异，当在参考图像中选取的角点与待匹配图像每个位差异不大于阈值2时，计算这两个角点描述的欧式距离平方和，若欧式距离平方和小于当前已得出的最佳匹配，则令小于当前最佳欧式距离平方和的点作为当前最佳匹配，当前最佳匹配初始值MAX；不然，则令大于当前最佳欧式距离平方和但小于第二最小欧式距离平方和的点设为第二最佳匹配点，第二最佳匹配点初始值为MAX；如此将参考图像中的每一个特征点与待拼接图像中的特征点进行比较，分别得出最佳和第二佳匹配点；若得到的最佳和第二佳欧式距离平方和之比小于阈值，则该点对为匹配点对，否则判定该点对不是匹配点对；

步骤3中，设定采样次数N，每次采样随机抽取两个匹配点对共4个点，其中在参考图像上选取两个特征点，在待匹配图像上选取对应的两个特征点；如果同一图像中选取的两个点不相关，则重新选取，如果相关，则根据选取的两个匹配点对计算单应性矩阵；然后计算满足单应性矩阵匹配点的个数，若满足单应性矩阵的匹配点数量不为最大，则重新选取匹配点对；若为最大，则通过计算匹配点超距离，判断内点和外点，设定外点是误匹配，并去除；设定内点被认为是正确匹配，予以保留，剩下的角点，用来融合参考图像和待拼接图像；

步骤4中，得到4对匹配点对以后，对待拼接图像进行矫正，使其处于和参考图像相同的坐标系下；根据4对匹配点对，利用OpenCV中的“cvFindHomography()”函数，求解透视变换的单应性矩阵；将单应性矩阵与待拼接图像作用后，待拼接图像被转换到与参考图像相同的坐标系中；

步骤5中，待拼接图像在与变换矩阵相乘后，采用渐入渐出法融合两幅图像；对两幅图像的重叠部分的每一个像素，按照其距离重叠部分边缘的远近分别进行加权，计算拼接图像重叠部分每个位置像素值的加权和；

在渐入渐出公式P(x)中引入微调系数α渐入渐出公式：

P(x)＝T(x)·P₁(x)+(1-T(x))·P₂(x)+α，

其中，0≤α≤1；0≤T(x)≤1；

T(x)的取值根据图像重叠部分的大小来选取，重叠部分越大，T(x)的增加约平缓；图像的过度也随之更加平滑，令重叠部分的最左侧为坐标0点，重叠部分宽度为m，

T(x)=xm,x=1,2,3,...,m,]]>

对两幅图像的重叠部分按渐入渐出法拼接，得到平滑的图像。