[发明专利]一种基于改进RANSAC算法的多图像协同拼接方法

权利要求书

1.一种基于改进RANSAC算法的多图像协同拼接方法，其特征在于，包括以下步骤：

1)获取待拼接图像的特征点；

2)利用KNN算法进行特征点匹配；

3)利用改进RANSAC算法对待拼接图像进行协同优化，并记录每个图像对应的单应性矩阵H；

4)利用奇异值分解求解单应性矩阵H；

5)根据解算后的单应性矩阵H对待拼接图像进行投影映射，完成多图像协同拼接；

利用改进RANSAC算法对待拼接图像进行协同优化的步骤包括：

3.1)从待拼接的图像中选择相邻两张图片，分别记为图片A和图片B；

3.2)计算图片A和图片B之间类内特征点数；

3.3)重复步骤3.1)至步骤3.2)，直至所有待拼接图像每相邻两幅图片之间的类内特征点数计算完毕；

3.4)计算所有图像特征点的类内点个数总和，记为sum；

3.5)重复步骤3.2)至步骤3.4)若干次，循环过程中，若第k次循环的类内点个数总和sum_k大于第k次循环的类内点个数总和sum_k-1，则更新类内点个数总和sum＝sum_k；记录类内点个数总和最大时每个图像对应的单应性矩阵H，完成待拼接图像的协同优化；

计算图片A和图片B之间类内特征点数的步骤包括：

3.2.1)从图片B的特征点中随机选取n个特征点，作为初始值，记为源值s；从图片A中选取与图片B源值s相对应的特征点构建特征对；

3.2.2)利用所述特征对构建齐次方程，并确定特征点变换的单应性矩阵H；

3.2.3)选取图片B除源值s以外的任意特征点,记为D，并建立变换后的特征点D'＝H*D；

3.2.4)计算变换后的特征点D'与图片A对应特征点E的2-范数距离

3.2.5)判断距离Dist是否小于阈值max Dist，若是，则特征点D和特征点E为类内点，否则，特征点D和特征点E为离群点；

3.2.6)重复步骤3.2.3)至步骤3.2.5)，直至图片B除源值s以外的所有特征点均判断完毕；

利用奇异值分解求解单应性矩阵H的步骤包括：

4.1)记图片B中作为源值的特征点为(x_i，y_i)，图片A中与源值S对应的特征点为(u_i，v_i)，并构建方程Sh＝0；h为待求解的单应性初始矩阵；i＝1，2，…，n；n为图片B中作为源值的特征点个数；S为由特征点对组成的矩阵；

4.2)对方程Sh＝0进行展开，得到：

其中，h＝(h1,h2,h3,h4,h5,h6,h7,h8,h9)^T为待求解的单应性矩阵，S为由特征点对组成的矩阵；

4.3)利用奇异值分解求解公式(1)，得到u,s,vt＝SVD(S)；u、s、vt为矩阵S经过奇异值分解后得到的矩阵；矩阵vt的最后一列向量即为矩阵h；

4.4)将矩阵h转换为N*N的单应性矩阵H。

2.根据权利要求1所述的一种基于改进RANSAC算法的多图像协同拼接方法，其特征在于：获取待拼接图像的特征点的步骤包括：

1)利用SIFT算法检测待拼接图像的所有特征点；

2)计算每个特征点周围的梯度方向；

3)获取每一特征点m维的特征向量。

3.根据权利要求1所述的一种基于改进RANSAC算法的多图像协同拼接方法，其特征在于，利用KNN算法进行特征点匹配的步骤包括：

1)选择所有待拼接图像中的两幅图像，分别记为图片M和图片N；

2)计算图片M中第i个特征点到图片N中所有特征点的距离，并写入距离集合中；i初始值为1；

3)记录所述距离集合中数值最小的两个元素，并计算这两个元素的差值Δd；若差值Δd≤ε，则删除图片M中第i个特征点，令i＝i+1，返回步骤2)，直至图片M中每个特征点到图片N中所有特征点的距离均计算完毕，记录图片M和图片N特征点的对应关系，否则，直接令i＝i+1，并返回步骤2)；ε为特征点距离阈值；

3)返回步骤1)，直至所有待拼接图像两两匹配完毕。

4.根据权利要求1所述的一种基于改进RANSAC算法的多图像协同拼接方法，其特征在于，对待拼接图像进行投影映射，完成多图像协同拼接的步骤包括：

1)构建与目标全景图的大小相匹配的画布；

2)依次用每个图像的单应性矩阵H乘以各自图像的坐标点，进行坐标变换；

3)将每个变换后的图像添加到画布上，得到拼接好的全景图。