(“图像算法”微信公众号,猛击关注)
图像拼接是一种将同一场景的多个重叠图像拼接成较大图像的方法。它在医学成像,计算机视觉,卫星数据,军事目标自动识别等领域具有重要意义。图像拼接的输出是两个输入图像的并集。通常使用五个步骤:
特征提取:检测所有输入图像中的特征点以进行图像配准:建立图像之间的几何对应关系,以便在共同的参照系中对它们进行变换,比较和分析。它大致可分为以下几类
直接使用图像的像素值的算法,例如,相关方法
用于频域处理的算法,例如基于FFT的方法;
低级特征,低级特征的算法,通常使用边和角,例如,基于特征的方法。
高级特征是高级特征的算法,通常用于重叠图像对象的部分,特征关系,如图论方法。
图像变形:图像变形是指重新投影其中一个图像的图像并将其放在更大的画布上。
图像融合混合:图像融合是改变边界附近图像的灰度,去除这些间隙,并创建混合图像,从而实现图像之间的平滑过渡。混合模式用于将两个层合并在一起。
特征点提取
该功能用于匹配图像块内部的两个输入图像中的元素。这些图像块是图像中的像素组。在输入图像上执行补丁匹配。具体说明如下:图1和图2给出了补丁的良好匹配,如下图所示,因为图2中的一个补丁看起来与图1中的补丁非常相似。当我们考虑图3和图4时,这里的补丁不匹配,因为图4有许多类似的补丁,看起来非常类似于图3中的补丁。因为像素的强度非常相似,所以不可能执行精确的特征匹配。
为了为图像对提供更好的特征匹配,角匹配用于定量测量。角落是一个很好的匹配功能。当视点改变时,角部特征是稳定的。此外,角落附近的强度突然变化。角点检测算法用于检测图像的角落。角点检测算法包括Harris角点检测算法,SIFT特征点检测算法(Scale Invariant Feature Transform),FAST角点检测算法,SURF特征点检测算法(Speeded-up robust feature
Harris角点检测算法:
Harris算法是一种基于Moravec算法的特征提取算法。1988年,C。Harris和M. J. Stephens设计了一个局部图像检测窗口。通过沿不同方向移动少量窗口,可以确定强度的平均变化。我们可以通过观察小窗口中的强度值来轻松识别角点。移动窗户时,平坦区域不会显示所有方向的强度变化。边缘区域的强度不会沿边缘方向变化。对于拐角,在所有方向上发生显着的强度变化。哈里斯角点检测器提供了一种检测平坦区域,边缘和角落的数学方法。Harris检测具有许多特征,例如旋转不变性和尺度可变性。位移下的强度变化:其中,
是窗口函数,
是移动后的强度,
是单个像素位置的强度。
Harris角点检测算法如下:
对图像中的每个像素点
计算自相关矩阵