本文探讨了在全景照片拼接中，如何通过Harris角点检测和SIFT特征提取进行图像匹配。Harris角点检测用于兴趣点定位，但缺乏尺度不变性；而SIFT则提供了旋转和尺度不变的描述子，提高了匹配准确性。SIFT展示了更好的匹配效果和运行速度，尤其在地理标记图像中的应用明显。
文章目录
问题背景
图像的匹配
在拍摄全景照片时，图像的拼接需要图像的匹配，对于定位图像中具有相似特征的位置，需要进行特征提取
特征提取
常见的RGB图像的特征过多，进行灰度化处理后加快特征提取
计算机识别物体，依赖于物体的边缘，而边缘的寻找，依赖于梯度的计算。
在灰度化之后的图片中，使用特定的模板j对其进行卷积运算，计算出的函数值再去求解梯度，梯度直接反映其函数值改变
主要算法
在传统目标识别中，主要使用的特征主要有如下几类：
边缘特征、纹理特征、区域特征、角点特征
在本次实验中，我们选择提取其角点特征
Harris角点检测
基本原理
什么是角点
局部窗口沿各方向移动，均产生明显变化的点
在图像中有以下三种区域
可以看出，平坦区域的窗口移动时，局部灰度变化小，边缘的窗口移动时，在特定方向局部灰度变化大，在角点的窗口移动时，所有方向局部灰度变化大
公式表示为
E ( u , v ) = ∑ x , y w ( x , y ) [ I ( x + u , y + v ) − I ( x , y ) ] 2 E(u, v)=\sum_{x, y} w(x, y)[I(x+u, y+v)-I(x, y)]^{2} E(u,v)=x,y∑w(x,y)[I(x+u,y+v)−I(x,y)]2
M = ∑ x , y W ( x , y ) [ I x ( x , y ) 2 I x ( x , y ) I y ( x , y ) I x ( x , y ) I y ( x , y ) I y ( x , y ) 2 ] M=\sum_{x, y} W(x, y) \left[ \begin{array}{cc}{I_{x}(x, y)^{2}} & {I_{x}(x, y) I_{y}(x, y)} \ {I_{x}(x, y) I_{y}(x, y)} & {I_{y}(x, y)^{2}}\end{array}\right] M=x,y∑W(x,y)[Ix(x,y)2Ix(x,y)Iy(x,y) Ix(x,y)Iy(x,y)Iy(x,y)2]
可以得到卷积
M ‾ I = W ∗ M I \overline{M}_I=W*M_I MI=W∗
最低0.47元/天 解锁文章
扫一扫
680
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
