基于改进SIFT的像拼接算法

黄小君

[摘 要]为了提高交通监控图像拼接技术的精确性，本文提出了一种基于改进的sift特征点的交通图像拼接新方法。首先对待拼接图像进行图像增强预处理；然后提取待拼接图像序列改进的sift特征点；对带拼接图像序列的特征点进行匹配，得到图像序列之间的变换关系，从而进行图像配准。实验结果表明，改进的sift特征点对图像拼接算法的精确性有很大的提升，同时也能保证拼接效率不会降低。

[关键词]图像配准，图像融合，

中图分类号：X946 文献标识码：A 文章编号：1009-914X（2016）30-0277-01

0 前言

图像拼接技术是数字图像处理领域中的一项重要技术，是将同一场景下有相互重叠区域的图像序列，进行空间配准融合后生成一幅包含所有图像序列信息、大视角的图像[1]。随着数字图像处理技术在各个不同领域的广泛发展和应用，图像拼接技术也成了一个研究热点，其常用于计算机视觉、医学图像处理、遥感技术、虚拟现实、智能交通等领域。

目前的图像配准算法基本上可以分为两类：基于频域的方法（相位相关方法）和基于时域的方法。

相位相关法最早是由Kuglin和Hines在1975年提出的。该方法对拼接的图像进行快速傅立叶变换，将两幅待配准图像变换到频域，然后通过它们的互功率谱直接计算出两幅图像间的平移矢量，从而实现图像的配准。但是相位相关方法一般需要比较大的重叠比例，如果重叠比例较小，则容易造成平移矢量的错误估计，从而较难实现图像的配准[2]。1987年De Castro 和Morandi等人提出扩展相位相关法，其优势在于对存在旋转和平移变换的两幅图像配准问题依然能够适用[2]。

基于时域的方法又可具体分为基于特征的方法和基于区域的方法。基于特征的方法首先找出两幅图像中的特征点（如边界点、拐点），并确定图像间特征点的对应关系，然后利用这种对应关系找到两幅图像间的变换关系。2003年，M.Brown和D.G.Lowe提出了基于尺度不变特征变换的图像拼接技术，该算法的优势在于自动的实现了图像的多尺度融合[3]。

上述图像拼接方法中，在图像拼接精度或者拼接效率上面都存在自己的不足之处。因此本文提出一种改进的基于SIFT特征点的图像拼接算法。

1 预处理

首先，为了保证图像拼接结果的精确性，需要先对带拼接图像序列进行图像的预处理，一般的预处理是对图像进行图像滤波、增强变换，为图像序列的下一步拼接做准备。

2 圖像配准

图像配准是整个图像拼接流程的核心，配准的精度决定了图像的拼接质量。其基本思想是：首先找到待配准图像与参考图像的模板或特征点的对应位置，然后根据对应关系建立参考图像与待配准图像之间的变换矩阵，将待配准图像转换到参考图像的坐标系中，确定两图像之间的重叠区域。精确配准的关键是寻找一个能很好描述两幅图像转换关系的数据模型。

2.1 尺度空间的生成

特征空间是从图像中提取的用于配准的信息。特征可以是图像的灰度值，也可以是边界、轮廓等结构特征，或是角点、高曲率点等显著特征，或是统计特征、高层结构描述与句法描述等。

2.2 空间极值点检测

为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点进行比较，看是否比他的图像域和尺度域的相邻点大或者小，如图1所示，中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的18个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点，一个点如果在DOG尺度空间本层以及上下两层的26个邻域中是最大值或最小值，就认为该点是图像在该尺度下的一个特征点。

2.3 精确定位极值点

通过拟合三维二次函数以精确确定关键点的位置和尺度，同时去除对比度低的关键点和不稳定的边缘响应点，以增强匹配的稳定性，提高抗噪能力。

2.4 关键点方向分配

利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。

2.5 生成特征描述符（图1，2，3）

3.图像融合

经过图像配准之后，可以得到待拼接图像序列之间的变换矩阵，然后将带拼接图像序列合并显示，呈现完整、精确、可靠的拼接结果。通常图像融合分为三类：像素级融合、决策级融合和特征级融合，其中像素级融合是最基本的融合策略。

4.结语

本文提出的改进的基于SIFT特征点的图像拼接方法，提高了基于特征点图像拼接方法的准确度，同时能较好的保证时间复杂度不会明显增加。相对于参考文献中的方法，本文提出的方法适用于多种复杂环境，具有较强的鲁棒性。但是本文提出的方法仍然存在一定的不足，未来对于图像拼接的研究不仅要提高图像拼接的精度，同时也要增强拼接算法的效率。

参考文献

[1] 盖进伟，韩燮. 一种基于特征点匹配的图像拼接方法研究[J].计算机测量与控制，2012，20（3）：836-851

[2] 江铁，朱桂斌. 全景图像拼接技术研究现状综述[J]. 重庆工商大学学报，2012，29（12）：60-65

[3] Brown M.，Lowe D G. Distinctive image features from scale-invariant keypoints. Journal of Computer Vision， 60，2（2004）：91-110