[发明专利]基于旋转不变LBP-SURF特征相似度的图像拼接评价方法

说明书

本发明公开了，基于旋转不变LBP‑SURF特征相似度的图像拼接评价方法，针对图像拼接产生的图像特征点丢失等现象，提出一种新的图像拼接评价方法，先使用SURF算法提取出粗匹配特征点，之后将旋转不变LBP特征与SURF特征进行融合以提升特征点的匹配精度，再使用双向匹配与Ransac算法去除误匹配，之后利用获得的匹配点对拼接图像进行评价。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于旋转不变LBP-SURF特征相似度的图像拼接评价方法。

背景技术

随着科学技术的进步与社会生产力的发展，摄像头成为人们获取外界信息的重要的手段，特别是智能汽车等依赖摄像头的行业近年来发展迅猛，摄像头的需求量逐年提高。

为了能够从摄像头获取到更多的外部信息，除了提高摄像头的清晰度之外，还可以增加摄像头的广度。常用的增加摄像头广度的方法有采用广角摄像头、使用图像拼接技术。第一种方法的虽然能够达到较好的视觉效果但是其成本较高、焦距较短、范围有限。第二种方法使用图像处理技术将多幅图像进行拼接，此种方法具有成本较低、视角范围广等优点得到了广泛的研究与应用。然而图像拼接会产生亮度突变、重影、结构变化等问题，所以需要方法对图像拼接质量进行评价。

发明内容

本发明的目的在于提供一种基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，以实现对拼接图像的拼接质量进行评价。本发明采用提取图像的SURF特征，将旋转不变LBP特征与SURF特征融合，使用Ransac算法去除误匹配，之后通过比较拼接前后匹配特征点的数量与拼接前图像之间匹配特征点的数量来达到图像拼接的评价。

为达到上述目的，本发明采用如下技术方案：

基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，包括以下步骤：

步骤1：读入拼接前的两幅图像与拼接后的图像，分别记为矩阵I₁、I₂和I₃；

步骤2：根据步骤1获取的矩阵I₁、I₂和I₃分别构建尺度空间；

步骤3：使用构建Hessian矩阵的方法对步骤2构建的尺度空间进行处理；

步骤4：利用步骤3获取的处理后的尺度空间进行特征点定位；

步骤5：对步骤4定位的特征点进行主方向分配；

步骤6：沿着步骤5确立的特征点主方向生成特征点描述子；

步骤7：利用旋转不变LBP算法对步骤1获取的矩阵I₁、I₂和I₃提取旋转不变LBP特征，并将其合并到步骤6的特征点描述子，得到合并后的特征点描述子；

步骤8：利用步骤7得到的合并后的特征点描述子进行双向匹配得到粗匹配的特征点，即匹配点对；

步骤9：随机从步骤8中确立的匹配点对中随机抽出至少四对样本数据，且抽取的样本之间不共线，计算出变换矩阵H；

步骤10：利用步骤9获得的变换矩阵H将一幅图像中的匹配点投影到另一幅图像中，计算匹配点之间的欧氏距离，若欧氏距离小于距离阈值则将匹配点加入内点集，否则该匹配点不加入内点集；计算完所有匹配点对之间的欧式距离后，比较此次投影计算得到的内点数量与上一次计算的内点数量，若大于则将此次得到的内点集保存，删除之前计算得到的内点集，小于等于时本次得到的内点集不保存；重复步骤9、步骤10达到设定次数；

步骤11：利用步骤10获得的内点集即最终匹配点对图像拼接质量进行评价。