基于SURF算法的图像拼接方法

最新推荐文章于 2024-06-24 13:05:38 发布

MATLAB管家matlab674

最新推荐文章于 2024-06-24 13:05:38 发布

阅读量2.1k

点赞数 1

分类专栏：图像处理文章标签：算法计算机视觉 python 人工智能机器学习

本文链接：https://blog.csdn.net/m0_59833680/article/details/119908262

版权

图像处理专栏收录该内容

275 篇文章 153 订阅

订阅专栏

一种基于SURF算法的图像拼接方法

本设计涉及一种图像拼接方法，涉及图像处理技术领域。

背景技术

现有的图像拼接方法一般采用SIFT算法和Harris角点算法，采用SIFT算法和Harris角点算法存在特征点提取速度慢，而且鲁棒性低。尤其是在图像中存在尺度变换、视角变换、光照变化时，图像拼接处理效果不理想。

一种基于SURF算法的图像拼接方法，涉及图像处理技术领域。本发明为了解决采用SIFT算法和Harris角点算法存在特征点提取速度慢，而且鲁棒性低，致使图像拼接处理效果不理想的问题。应用Matlab对工业摄像头进行驱动，完成摄像头的标定，以使用摄像头进行视频录制；应用灰色世界法，对所录制视频中每一帧的图像进行白平衡的调节；应用SURF算法，对白平衡调节后的同时刻录制的两张照片进行特征点提取；应用RANSAC算法，将已经标出特征点的两张图像进行误匹配特征点对剔除；采用插值运算，将经RANSAC算法处理后的图像拼接在一起，完成图像拼接，获得视角更大的图像。本发明尤其是适用于工业摄像头平台下的图像拼接。

本设计为解决上述技术问题采取的技术方案是：

一种基于SURF算法的图像拼接方法，所述方法的实现过程为：

步骤一：应用Matlab对工业摄像头进行驱动，完成摄像头的标定，以使用摄像头进行视频录制；

步骤二：应用灰色世界法，对所录制视频中每一帧的图像进行白平衡的调节；

步骤三：应用SURF算法，对白平衡调节后的同时刻录制的两张照片进行特征点提

取；

步骤四：应用RANSAC算法，将已经标出特征点的两张图像进行误匹配特征点对剔

除；

步骤五：采用插值运算，将经RANSAC算法处理后的图像拼接在一起，完成图像拼

接，获得视角更大的图像。

步骤一中，在应用摄像头进行视频录制时，利用多媒体移动采集平台；所述多媒体移动采集平台用于同时承载充电电池、电脑、工业摄像头，以实现摄像头边录制边移动。

步骤三中，应用SURF算法进行特征点提取的过程为：第一步、特征点检测：

利用盒子滤波器对白平衡调节后的同时刻录制的两张图像进行卷积，通过改变盒子滤波器的大小，用不同大小的滤波器在所述两张图像的x，y，z三个方向上作卷积，形成多尺度空间函数Dxx，Dyy，Dxy，构建尺度空间金字塔；

detH的含义是Hessian矩阵的行列式，

在尺度空间金字塔构建完毕后，通过下式近似代替detH detH＝Dxx×Dyy-(0 .9×Dxy)2

求取某一特定尺度下的局部极值；在得到局部极值后，需要对它们在3×3×3的立体邻域内进行非极大值抑制，把符合条件的点筛选为候选极值点，同时记下位置和尺寸，完成特征点检测；

第二步、特征点描述：

在确定特征点位置之后，利用haar小波对特征点进行主方向的确定以保证特征点的旋转和尺度不变性，在完成haar小波主方向确定之后，以特征点为中心，将坐标轴旋转到haar小波主方向上，做一个边长为20σ的正方形窗口，σ为高斯滤波器的尺度，并将窗口划分为16个大小为5σ×5σ的子窗口区域；

以采样间隔σ，分别计算每个子窗口水平和垂直方向上的小波响应，得到的小波系数记为dx和dy；然后对响应系数求和得到∑dx和∑dy，再求取响应系数绝对值之和得到∑|dx

|和∑|dy|；因此，每个子窗口都能够得到一个4维向量v＝[∑dx ,∑dy ,∑|dx| ,∑|dy]，并且用这个向量来描述该特征点；

第三步、特征点匹配：

完成特征点描述后进行特征匹配，特征匹配是指在高维向量空间中寻找出最相似的特征向量；

根据特征向量之间的欧式距离来衡量特征点的相似度，选取一张图像中的一个特征点与别一张图像中所有特征点分别求取欧式距离，从中选出最近邻特征点欧式距离和次近征点欧式距离，计算二者的比值ratio；

对于比值ratio小于某阈值的特征点，则认为是正确匹配的特征点，否则是错误匹配的特征点，将正确匹配的特征点进行连接，

步骤四中，应用RANSAC算法，将已经标出特征点的两张图像进行误匹配特征点对剔除的具体过程为：

从正确匹配的特征点对中随机选择m对特征点来求解单应性矩阵模型Hcur；
将除上述m对特征点以外的其他特征点对利用Hcur计算其对称变换误差di ，统计误差di<T_dist的内点的个数M；T_dist为指定的一个阈值，用于表示欧式距离；
若M>M_inlier，或者M＝M_inlier，则认为Hcur是当前最好的模型，并且保存内

M_inlier为指定的一个阈值，表示符合单应性矩阵模型Hcur的内点的个数；