一种图像自动拼接的快速算法

针对现有基于灰度级相似的图像拼接方法的缺点,提出了一种图像自动拼接的快速算法。该算法综合考虑了图像拼接的精度和速度,在基准特征块的提取上,采用简单的边缘信息阈值法,实现了基准块的自主选取,提高了图像拼接的精度;在块搜索上,采用金字塔式分层搜索策略,提高了图像拼接的速度。实验证明,该算法扩展了传统拼接算法的适用范围,具有较好的性能。     

一种快速的柱面全景图像拼接算法

长久以来在计算机视觉、图像处理和计算机图形学的研究中,图像拼接技术一直都是主流方向。利用它能够构造大场景图像及全景图像,借此以产生大视角的高清晰度图像。目前,这种技术被广泛应用在虚拟现实领域、医学图像处理领域、遥感技术领域和军事领域中。提出了一种基于图像特征点匹配的柱面全景图像拼接算法,实验表明,该算法具有匹配精度高、鲁棒性强等特点,可以快速而高效地生成柱面全景图像,具有很高的实用价值。     

一种基于SIFT和改进RANSAC的稳健图像拼接算法

针对图像间因存在旋转以及采集图像时光线强度的差异等现象而导致的拼接效果不理想和拼接速度慢的问题,作者提出了一种基于SIFT和改进RANSAC的稳健图像拼接算法,具体包括SIFT特征提取、图像配准以及图像的加权平均融合等步骤。其中,该文重点研究了图像配准这一阶段,此阶段包括图像的初始匹配和精确配准两步,实验证明该拼接算法不仅可以很好的拼接存在平移、旋转、尺度缩放、视角以及光照变化的图像,而且较之传统的RANSAC算法,改进的RANSAC算法迭代次数变少了并且运行时间也减少了,拼接效率得到了明显的提高。     

图像拼接方法综述

概述了图像拼接的基本理论和一般过程,分类介绍了各种图像配准方法的原理和优缺点,重点分析了基于特征的图像配准技术,详细阐述了随机采样一致算法在基于特征的图像配准技术中的应用.     

遥感图像拼接系统

提出和实现了一种图像配准方法,利用OpenCV库开发了一个低空遥感图像拼接系统. 将SIFT作为图像拼接特征向量,实现了图像局部尺度空间中极值点的计算和SIFT特征点的提取. 使用特征向量的欧氏距离实现特征点的粗匹配,结合随机抽样一致RANSAC算法对匹配点进行优化,并精确估算出投影变换矩阵,实现两幅图像的拼接. 最后实现对重合区域的图像融合. 实验结果表明本文方法较好的解决了遥感图像中常出现的图像的平移、缩放、旋转等变换下的配准问题,达到较好的拼接效果.     

一种SAS图像拼接改进算法

SWF算子提取的特征点对图像尺度和旋转具有不变性,对环境变化、噪声以及仿射变换都具有很强的鲁棒性。本文在基于SIFT算子和RANSAC算法的图像拼接算法的基础上,根据SAS图像分辨率高、相邻帧图像重合度大且只存在平移和旋转变换的特点,对提取稳定特征点和计算拼接图像之间特征点匹配对的过程进行了改进。实际的SAS湖试图像拼接处理结果说明,改进算法提高了拼接算法的速度和图像之间的配准精度,增强了算法的鲁棒性。     

一种基于特征块的图像拼接算法

提出一种基于基本特征块的图像拼接算法。该方法先定义边缘特征量,逐点计算各像素点邻域的边缘信息量大小,并采用局部非极大值抑制及阈值法进行排除,最终确定基本特征块;先利用基本特征块的位置信息初步估计模型参数,再提取特征点对模型参数进行修正;最后,对图像进行拼接获得更大视野更高分辨率的拼接图。实验表明,该算法运算量较小,但可保证一定的精确度,具有一定的可行性和适用性。     

一种消除图像拼接缝和鬼影的快速拼接算法

由于提取SIFT特征进行图像拼接的算法复杂度较高且不能很好地处理拼接缝和鬼影等问题,提出了一种消除拼接缝和鬼影的快速图像拼接算法.该算法首先划定提取SIFT特征的范围,计算出匹配特征点后使用RANSAC算法求取两幅图像间的坐标变换关系矩阵H,然后结合最佳缝合线算法和改进的加权平均融合算法实现无缝拼接.实验结果表明,提出的算法不仅有效地消除了拼接缝和鬼影,也提高了图像拼接的效率.     

一种改进的Harris角点图像拼接算法

主要研究图像拼接的优化问题,针对传统的Harris角点检测算法进行了改进。避免了角点响应函数中的k 值和检测过程中的阂值T的选取对角点检测带来的影响。在图像拼接过程中通过NCC对图像进行配准,采用加权 平均法对拼接后的图像进行融合并消除拼接缝隙,从而提高了运算的速率。为验证其有效性,该算法被应用于一个图 像拼接的实例中,仿真结果表明,该算法缩短了图像拼接所消耗的时间,提高了图像拼接的精度和效率,能够达到无缝 拼接的效果,具有良好的实用性。     

图像拼接技术综述*

给出了图像拼接的一般流程,在此基础上将图像拼接技术分为两个关键技术——图像配准技术和图像融合技术,并分别对图像配准技术和图像融合技术的经典算法及最新算法作一概述和比较。     

基于SIFT算法的红外图像拼接方法改进

针对红外图像拼接误匹配点过多、耗时过长等问题, 对基于SIFT算法的红外图像拼接方法进行改进. 首先利用高斯差分金字塔建立尺度空间, 然后利用FAST算法对高斯差分金字塔图像进行特征点提取, 提高了算法运行效率, 随后以特征向量的欧式距离作为特征点的相似性度量, 从而找到初始匹配点对, 并利用结合了方向一致性判断的Ransac算法剔除错误匹配点对, 最后用加权平衡算法实现图像的快速融合. 通过红外人物图像拼接实验, 证明改进后的算法在旋转、缩放、光照等情况下更稳定、效率更高, 有较大的理论和应用价值.     

基于DPP改进RANSAC算法的图像拼接

为提高图像拼接时的配准速度和精度,针对鲁棒性模型估计问题,提出一种基于行列式点过程的改进RANSAC算法（Random Sample Consensus）.该方法利用行列式点过程抽样法的全局负相关特性对匹配的特征点进行建模,实现抽样点的均匀化和分散化,剔除一些错误匹配点.用行列式点过程抽取的点集作为RANSAC算法的输入来求取变换矩阵.实验结果表明：该算法相对于传统的RANSAC算法,能够保持较高的精度和鲁棒性,减少传统RANSAC算法迭代次数,显著提升图像自动拼接的计算效率.     

重叠图象拼接算法

全景视频是一种利用３６０度全景图象建立虚拟环境的新方法。全景图象是通过将普通照相机拍照到的边界部分重叠的图象进行拼接而创建的。本文利用图象重叠部分对应像素的相似性,提出了一种行之有效的拼接算法,使得到的图象无缝平滑。     

基于垂直边缘处理的全景图像的拼接

基于图像的绘制技术是虚拟现实中建立虚拟环境的重要方法,而全景图像是基于图像绘制的关键。该文提出了一种基于图像垂直边缘处理的全景图像拼接方法,通过边缘检测方法锐化图像的主要垂直边缘,增强图像的匹配特征,实现了图像有效的自动拼接。     

一种全景图快速生成算法及其实现

针对柱面全景图拼接提出一种快速稳定的拼接算法。该方法将待拼接的二维图像的灰度值投影变换到一维数轴上，选择特征明显的灰度段作为模板，通过序贯相似性检测进行匹配，并在匹配过程中能够自适应地调整阀值，最后采用线性加权法对图像进行无缝拼接。采用普通相机拍摄的序列图像进行实验，实验结果证明该方法提高了拼接速度，降低了图像亮度差异的影响，使结果图像自然逼真。     

网格驱动的双向图像拼接算法

图像拼接是将不同视角下的多幅图像合并成一幅宽视角图像的技术。该技术不仅要求拼接后的重叠区域重影尽可能少,而且要求非重叠区域的扭曲尽可能小。在Moving DLT(Moving Direct Linear Transformation)的基础上,文中提出了网格驱动的双向图像拼接算法。对于重叠区域,利用双向Moving DLT做特征点对齐,并通过定量评估的方式来判断图像叠加的方式,进而得到拼接准确、重影少的结果;对于非重叠区域,利用网格在单应变换和相似变换后的顶点插值进行矫正,进而减小非重叠区域的扭曲。实验结果显示,提出的双向拼接算法比单向拼接算法更准确,对应点的MAE(Mean Absolute Error)会下降0.2个点,而且得到的拼接结果更加自然平滑。     

边界重叠图象的一种快速拼接算法

针对边界部分有重叠的图象,提出了一种基于网络的快速对准算法,并通过平滑因子对图象实现了无缝拼接。     

Automatic Panoramic Image Stitching using Invariant Features

This paper concerns the problem of fully automated panoramic image stitching. Though the 1D problem (single axis of rotation) is well studied, 2D or multi-row stitching is more difficult. Previous approaches have used human input or restrictions on the image sequence in order to establish matching images. In this work, we formulate stitching as a multi-image matching problem, and use invariant local features to find matches between all of the images. Because of this our method is insensitive to the ordering, orientation, scale and illumination of the input images. It is also insensitive to noise images that are not part of a panorama, and can recognise multiple panoramas in an unordered image dataset. In addition to providing more detail, this paper extends our previous work in the area (Brown and Lowe, 2003) by introducing gain compensation and automatic straightening steps.