摘要：为了降低图像拼接中对图像序列获取的苛刻要求，增强拼接算法的适应性和灵活性，本文给出了一种从特征点提取，匹配到图像间点变换估计和拼接融合的全自动稳健算法。实验结果表明，该算法不仅保持了较好的图像拼接准确性和鲁棒性，而且降低了对图像序列获取的要求，增强了应用的适应性和灵活性。
论文关键词：图像融合,图像拼接,图像配准
0 引言
图像拼接[1]就是把针对同一场景的相互有部分重叠的一系列图片合成一张大的宽视角的图像。拼接后的图像要求最大程度地与原始图像接近，失真尽可能小，没有明显的缝合线。整个算法主要包含3步：特征点的提取和匹配；图像间点变换的估计；图像交接处的无缝过渡。对每步算法的研究虽然已取得了一些成果，但基本上还没有形成一种稳健完全自动的拼接融合技术。Richard以手动确定至少4对特征点，并以特征点像素的亮度误差构造优化函数来估计图像间的点变换关系，取得了比较好的平面和深度场景融合效果，但此算法以亮度误差来做点变换估计，这对图像的光照变化非常敏感且整个算法的自动化程度不够。Pollefey详细研究了特征点自动提取和匹配问题，但没有针对图像处理做更深入的研究。Peter分别运用多分辨率样条技术和单调函数插值技术对图像的交接处进行了有效的颜色平滑过渡，不过这是在特征点匹配和点变换的准确估计基础上完成的。
基于以上算法的优缺点，本文给出了一种从特征点提取，匹配到图像间点变换估计和拼接融合的全自动稳健算法。
1 边缘检测
边缘是信号的突变点，在图像信号中表现为灰度的突变，非边缘点与边缘点之间的灰度相差较大。基于此，首先对行提升，以检测垂直方向的边缘，再对列提升，以检测水平方向的边缘，最后将所得行、列边缘点综合则得到该图像的边缘点。
第一步：剖分采用较好的惰性小波变换[2]，即对原始信号（sj）进行奇采样（s2l+1）和偶采样（s2l）。
第二步：预测算子的构造方法很多，如插值细分、均值一插值细分和B 样条细分等，选择怎样的构造方法要视实际处理的问题而定。对于边缘提取，只要充分利用相邻点的相关性即可。由于将图像的边缘分为水平和垂直方向提取，因此采用较简单的Haar 预测算子或线性预测算子就能将图像的边缘提取出来。
Haar 预测算子是一个奇采样sj，2l+1，可以用它左边邻近的偶采样sj，2l来作为其预测值，然后让细节系数(小波系数)dj-1，l为奇采样和它的预测的差分：
 
线性预测为一个奇采样sj，2l+1 ，用它左右两边相邻的偶采样sj，2l和sj，2l+2的平均值作为其预测值;然后，让细节系数(小波系数)dj-1，l ，为奇采样和它预测的差分：
 
找到了细节系数dj-1，l后，就让它与一给定阈值T相比较来确定该点是否为边缘：
（1）对于Haar 预测算子:若dj-1，l >T 且dj-1，l >0，那么sj，2l+1为边缘点;若dj-1，l > T 且dj-1，l <0，那么sj，2l为边缘点。
（2）对于线性预测算子:若dj-1，l >T 且dj-1，l >0，那么sj，2l+1为边缘点；若dj-1，l >T 且dj-1，l <0，此时，若sj，2l -sj，2l+2>T，则sj，2l为边缘点，否则sj，2l+2为边缘点。
2 图像特征点提取和匹配
为了保证特征点的准确提取和匹配，要求每幅图像都用一样的特征提取算法，每个特征点周围应该提供足够的用于判定匹配的信息（如靠近图像边沿的特征点就剔除）。采用如下的Harris角检测算子来做特征点提取：
 =  
其中，I为像素点亮度，(x，y)为像素点坐标。的两个特征值的大小反映了像素点“突显”程度，如果(x，y)是一个特征点，那么M的两个特征值在以(x，y)为中心的局部范围取得极大值。因此一幅图像的所有特征点对应了一个特征点函数：
 =   – k( )2 
这里，k是一个实验参数取值(一般取0.04)，特征点就是此函数的局部极大值点。实践中，应先对图像进行低通滤波以减少图像的噪声。此方法特征点提取精度可以达到亚像素级[3]。提取特征点后，每幅图像的特征点有相当冗余，采用以特征点为中心的灰度窗互相关法来对有冗余的特征点进行匹配计算，以像素为中心选择一个（2N+1）×(2N+1)的灰度窗，在2幅图像间做互相关运算。
 = 
式中， 和 为亮度值， 和 为这个窗所有像素点的亮度平均值。通过这样的匹配可以大幅度减少不匹配的特征点，当然留下的“匹配”特征点中也存在一些伪匹配特征点。
3 图像缝合算法
当准确的计算出图像之间的转换参数之后,我们需要根据求出的参数把多张原始图像缝合成一张大的Mosaic 图像或者全景图。图像缝合演算法的目标包括:Mosaic 图像的画出，光度的调整混合。我们需要消除全局匹配的累计误差和图像重合区域的失真。
相同的场景在不同的图像上的灰度值和对比度都不一致。可以定义一个光度补偿因子G来修正图像重叠区域s0 的光度偏差[4]：
 
其中keyimg241和I 2 表示象素点的光度。在画出Mosaic图像时,对重叠区域的象素的光度值乘上此因子。本文使用了重叠区域平滑过渡的方法对相邻图像重叠区域局部光强逐渐过渡,这种方法使图像融合结果更加平滑流畅。
图像对齐以后,将原始图像合并起来的方法有很多。在目标图像的每个坐标点可能有许多原始图像的坐标与其对齐,问题在于选取哪幅图像的对应坐标象素作为Mosaic图像的象素。选均值的方法是取与目标图像坐标对齐的所有象素的平均值[5],该方法容易产生图像模糊；选中值的方法是取所有原始图像的象素值的中间值,该方法能消除快速移动的局部噪声。我们采用选均值的方法[6],并尽量选取离图像中心点较近的象素，目标图像坐标（x,y）上的象素可用如下公式表示:
 
 是能与坐标（x,y）对齐的图像 是与 对齐的第 幅图像上坐标 离便框的最近距离，其中 。
4 实验结果
通过平台实验表明,本算法在图像拼接中算法优化,缝合点查找精确,在重叠区域过渡平滑,无缝拼接能够取得良好的效果。由于是随机选点,因此每次实验所得的匹配点不一定相同,但都可以达到预期的拼接效果。
 
图1 原始图像
图2 拼接后效果
5 结束语
本文研究了图像配准、几何校正、色差调整等图像拼接的关键环节，提出了一种从特征点提取，匹配到图像间点变换估计和拼接融合的全自动稳健算法。
1/2 1 2 下一页 尾页 |
