Computer Vision_18_Image Stitching：Automatic Panoramic Image Stitching using Invariant Features——200...

最新推荐文章于 2024-06-10 09:41:32 发布

AllisWell_WP

最新推荐文章于 2024-06-10 09:41:32 发布

阅读量1k

点赞数

本文链接：https://blog.csdn.net/qq_21685903/article/details/103623041

版权

本文介绍了使用不变特征自动进行全景图像拼接的方法，该方法适用于旋转、缩放和光照变化的图像。通过提取SIFT特征进行匹配，使用RANSAC和概率模型验证图像配对，然后进行束调整优化相机参数，实现无序图像数据集的全景图识别。此外，多波段混合策略用于处理图像间的亮度变化，以生成无缝的全景图像。该系统在具有不同曝光和运动物体的复杂场景中表现稳健，为全景图像拼接提供了全面的解决方案。

摘要由CSDN通过智能技术生成

此部分是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。

18. Image Stitching
图像拼接，另一个相关的词是Panoramic。在Computer Vision: Algorithms and Applications一书中，有专门一章是讨论这个问题。这里的两面文章一篇是综述，一篇是这方面很经典的文章。
[2006 Fnd] Image Alignment and Stitching A Tutorial
[2007 IJCV] Automatic Panoramic Image Stitching using Invariant Features

若引用文献：Brown M , Lowe D G . Automatic Panoramic Image Stitching using Invariant Features[J]. International Journal of Computer Vision, 2007, 74(1):59-73.

翻译

使用不变特征自动全景图像拼接——http://tongtianta.site/paper/38233

作者：MATTHEW BROWN AND DAVID G. LOWE

摘要 -本文涉及全自动全景图像拼接的问题。虽然很好地研究了1D问题(单轴旋转)，但2D或多行拼接更加困难。先前的方法已经使用人类输入或对图像序列的限制来建立匹配图像。在这项工作中，我们将拼接表示为多图像匹配问题，并使用不变的局部特征来找到所有图像之间的匹配。因此，我们的方法对输入图像的排序，方向，比例和照明不敏感。它对不属于全景图的噪声图像也不敏感，并且可以识别无序图像数据集中的多个全景图。除了提供更多细节之外，本文还通过引入增益补偿和自动矫直步骤扩展了我们之前在该领域的工作(Brown和Lowe，2003)。
关键词：多图像匹配，拼接，识别

1.简介

全景图像拼接有广泛的研究文献(Szeliski，2004; Milgram，1975; Brown和Lowe，2003)和几个商业应用(Chen，1995; Realviz，http://www.realviz.com;
http://www.microsoft.com/products/imaging)。问题的基本几何形状是很好理解的，包括估计每个图像的3×3相机矩阵或单应性(Hartley和Zisserman，2004; Szeliski和Shum，1997)。该估计过程需要初始化，其通常由用户输入提供以近似对准图像，或者固定图像排序。例如，与佳能数码相机捆绑在一起的PhotoStitch软件需要水平或垂直扫描或方形图像矩阵。REALVIZ Stitcher版本4(http://www.realviz.com)具有用户界面，用于在自动注册进行之前用鼠标粗略定位图像。我们的工作很新颖，因为我们不需要提供这样的初始化。

在研究文献中，自动图像对齐和拼接的方法大致分为两类 - 直接(Szeliski和Kang，1995; Irani和Anandan，1999; Sawhney和Kumar，1999; Shum和Szeliski，2000)和基于特征(Zoghlami等，1997; Capel和Zisserman，1998; McLauchlan和Jaenicke，2002)。直接方法的优点是它们使用所有可用的图像数据，因此可以提供非常准确的配准，但它们需要密切初始化。基于特征的配准不需要初始化，但是传统的特征匹配方法(例如，Harris角落周围的图像块的相关性(Harris，1992; Shi和Tomasi，1994))缺乏实现任意全景图像序列的可靠匹配所需的不变性。

在本文中，我们描述了一种基于不变特征的全自动全景图像拼接方法。这比以前的方法有几个优点。首先，尽管输入图像中的旋转，变焦和光照变化，但我们使用不变特征使得能够可靠地匹配全景图像序列。其次，通过将图像拼接视为多图像匹配问题，我们可以自动发现图像之间的匹配关系，并识别无序数据集中的全景图。第三，我们使用多波段混合生成高质量的结果，以呈现无缝的输出全景图。本文通过引入增益补偿和自动矫直步骤，扩展了我们在该领域的早期工作(Brown和Lowe，2003)。我们还描述了一个有效的束调整实现，并展示了如何对具有任意数量的波段的多个重叠图像执行多波段混合。

在本文的其余结构如下。第2节开发了问题的几何形状，并激发了我们对不变特征的选择。第3节描述了我们的图像匹配方法(RANSAC)和图像匹配验证的概率模型。在第4节中，我们描述了我们的图像对齐算法(束调整)，它共同优化了每个摄像机的参数。第5-7节描述了渲染管道，包括自动拉直，增益补偿和多频段混合。在第9节中，我们提出了未来工作的结论和想法。

2.特征匹配