本發(fā)明涉及圖像處理領(lǐng)域，特別涉及到一種基于改進(jìn)圖像融合的圖像拼接方法。

背景技術(shù)：

圖像涉及到人們生活工作的各個(gè)領(lǐng)域。隨著計(jì)算機(jī)相關(guān)領(lǐng)域的飛速發(fā)展，數(shù)字圖像處理的應(yīng)用價(jià)值被許多專(zhuān)家學(xué)者發(fā)現(xiàn)，其應(yīng)用領(lǐng)域也在不斷的壯大。數(shù)字圖像處理作為一門(mén)富有前景的交叉性學(xué)科，吸引了很多來(lái)自其他科學(xué)領(lǐng)域的研究者參與其中，并在基礎(chǔ)研究和工程實(shí)踐中應(yīng)用廣泛。圖像拼接技術(shù)是數(shù)字圖像處理中不可或缺的一個(gè)關(guān)鍵分支，近年來(lái)，伴隨著計(jì)算機(jī)視覺(jué)和計(jì)算機(jī)圖形學(xué)的發(fā)展，圖像拼接技術(shù)與其他相關(guān)技術(shù)相結(jié)合開(kāi)拓了不少新興領(lǐng)域，并成為研究熱點(diǎn)。圖像拼接技術(shù)的主要目的是將含有重疊區(qū)域的圖像序列映射到同一坐標(biāo)系下合成為一幅大尺度和寬視角的全景圖像。全景圖像拼接技術(shù)作用領(lǐng)域廣泛，目前已普遍應(yīng)用于虛擬現(xiàn)實(shí)、智能交通、災(zāi)害預(yù)警、軍事作戰(zhàn)、醫(yī)療等多個(gè)領(lǐng)域。虛擬現(xiàn)實(shí)是一種由計(jì)算機(jī)系統(tǒng)生成動(dòng)態(tài)的三維立體圖像的技術(shù)，是近幾年來(lái)圖像處理的熱點(diǎn)，圖像拼接技術(shù)可以用在虛擬現(xiàn)實(shí)技術(shù)三維立體場(chǎng)景的繪制和重建中，是虛擬現(xiàn)實(shí)中一項(xiàng)必不可少的基本技術(shù)，利用拼接技術(shù)可以生成全方位的三維全景圖像,用全景圖表示實(shí)景可代替三維場(chǎng)景建模。在數(shù)字圖像拼接技術(shù)出現(xiàn)之前，人們通過(guò)專(zhuān)業(yè)全景照相機(jī)旋轉(zhuǎn)拍攝或者手動(dòng)拼接獲取全景圖像，這些方法不僅實(shí)施困難而且獲得的全景圖效果不佳。而如今僅僅一臺(tái)數(shù)碼相機(jī)和計(jì)算機(jī)圖像拼接技術(shù)，任何人都可以制作出視角驚人的全景照片。作為圖像拼接的重心，配準(zhǔn)和融合是圖像拼接中不可或缺的部分。精確的圖像配準(zhǔn)是圖像順利融合的前提,傳統(tǒng)圖像配準(zhǔn)算法的計(jì)算時(shí)間復(fù)雜度高、速度慢、精度低，無(wú)法適應(yīng)大量圖像的拼接，圖像配準(zhǔn)技術(shù)的準(zhǔn)確性和實(shí)時(shí)性在一定程度上決定了圖像拼接的效果；圖像融合算法是為了消除重疊部分區(qū)域的色彩過(guò)渡不均和偽影問(wèn)題，高效的圖像融合算法可以有效地提高了圖像信息的利用率，改善全景圖質(zhì)量，因此研究圖像拼接相關(guān)算法是十分必要的。

現(xiàn)有的圖像拼接技術(shù)主要采用sift算法進(jìn)行特征點(diǎn)提取，利用基于kd-tree結(jié)構(gòu)的bbf算法，利用ransac算法去除誤匹配并估算參數(shù)模型完成特征點(diǎn)匹配，最后使用加權(quán)平均融合方法進(jìn)行圖像融合。sift算法能夠提取大量的特征，并且對(duì)于旋轉(zhuǎn)、縮放和尺度變化保持不變性，對(duì)視角變化和噪聲也有很強(qiáng)的魯棒性，被廣泛應(yīng)用。但是sift提取的特征點(diǎn)存在很多不顯著的特征點(diǎn)，冗余性高。這是由于sift特征檢測(cè)算法是基于線性尺度分解的，在構(gòu)建圖像金字塔時(shí)采用線性高斯擴(kuò)展濾波法。高斯濾波魯棒性雖強(qiáng)，但是會(huì)損失圖像邊界信息，會(huì)造成對(duì)象邊界缺失等問(wèn)題，從而犧牲了局部精度，影響了特征點(diǎn)定位精度和特殊性。加權(quán)平均融合簡(jiǎn)單，復(fù)雜度低，運(yùn)算速度快，但是容易降低圖像的對(duì)比度，并且在一定程度上導(dǎo)致圖像的邊界模糊，并不能達(dá)到十分滿意的融合效果。拉普拉斯多分辨率融合打破了加權(quán)平均融合的局限性，無(wú)論是在清晰度還是在細(xì)節(jié)保留方面效果都明顯優(yōu)于加權(quán)平均融合，但是存在算法復(fù)雜性高，運(yùn)算速度較慢的缺點(diǎn)。因此，提供一種準(zhǔn)確性高、實(shí)時(shí)性高的一種基于改進(jìn)圖像融合的圖像拼接方法就很有必要。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是現(xiàn)有技術(shù)中存在的準(zhǔn)確度低、實(shí)時(shí)性低問(wèn)題。提供一種新的一種基于改進(jìn)圖像融合的圖像拼接方法，該一種基于改進(jìn)圖像融合的圖像拼接方法具有準(zhǔn)確性高、實(shí)時(shí)性高的特點(diǎn)。

為解決上述技術(shù)問(wèn)題，采用的技術(shù)方案如下：

一種基于改進(jìn)圖像融合的圖像拼接方法，所述方法包括：

(1)使用a-kaze算法對(duì)目標(biāo)圖像及參考圖像分別進(jìn)行特征點(diǎn)提取，建立特征描述子集合；

(2)將步驟(1)中從目標(biāo)圖像及參考圖像中獲得的特征描述子集合，構(gòu)建kd-tree，建立特征點(diǎn)數(shù)據(jù)索引，使用雙向knn匹配算法進(jìn)行特征點(diǎn)匹配，得到集合c，集合c中的匹配對(duì)為初始匹配的結(jié)果，對(duì)初始匹配結(jié)果使用ransac算法剔除外點(diǎn)保留內(nèi)點(diǎn)，計(jì)算目標(biāo)圖像及參考圖像間的仿射變換矩陣h，將目標(biāo)圖像及參考圖像統(tǒng)一到同一坐標(biāo)系下，得出配準(zhǔn)圖像，完成圖像配準(zhǔn)；所述特征描述子集合包括特征點(diǎn)位置、方向及尺寸；

(3)根據(jù)步驟(2)中圖像配準(zhǔn)結(jié)果，使用改進(jìn)的基于拼接縫的拉普拉斯多分辨率融合算法進(jìn)行圖像融合，所述改進(jìn)的基于拼接縫的拉普拉斯多分辨率融合算法包括使用動(dòng)態(tài)規(guī)劃的方法尋找最優(yōu)拼接縫，根據(jù)最優(yōu)拼接縫限定融合范圍，最后使用拉普拉斯多分辨率融合算法在限定后的融合范圍內(nèi)進(jìn)行融合，完成圖像拼接。

本發(fā)明的工作原理：本發(fā)明運(yùn)用a-kaze特征點(diǎn)提取算法來(lái)對(duì)圖像的特征點(diǎn)進(jìn)行提取，提出一種基于a-kaze特征的無(wú)縫圖像拼接算法。提出一種雙向knn算法，分別對(duì)參考圖像和目標(biāo)圖像建立kd-tree，并分別取其中一個(gè)為參考進(jìn)行knn匹配。提取兩次匹配操作的公共匹配對(duì)作為初始匹配。提高特征點(diǎn)提取的實(shí)時(shí)性和配準(zhǔn)的精確性。拉普拉斯多分辨率融合克服了加權(quán)平均融合的局限性，無(wú)論是在清晰度還是在細(xì)節(jié)保留方面效果都明顯優(yōu)于加權(quán)平均融合，但是存在算法復(fù)雜性高，運(yùn)算速度較慢的缺點(diǎn)。由于人們對(duì)圖像的邊緣信息比較敏感，只需對(duì)拼接縫周?chē)伾^(guò)渡明顯區(qū)域進(jìn)行融合處理即可達(dá)到較好的效果。因此，通過(guò)對(duì)拉普拉斯融合進(jìn)行改進(jìn)，提出基于拼接縫的拉普拉斯融合算法，限定融合區(qū)域，來(lái)消除拼接縫和偽影，減少了算法的計(jì)算量，提高算法的實(shí)時(shí)性，有效的消除拼接過(guò)程中產(chǎn)生的偽影和拼接縫。

上述技術(shù)方案中，為優(yōu)化，進(jìn)一步地，所述步驟(3)中計(jì)算最優(yōu)拼接縫包括：

(a)建立能量公式：t(i,j)＝α·ec(i,j)+β·eg(i,j)²，α和β是權(quán)重值，α+β＝1，α值為0.79，β值為0.21。

其中，ec代表拼接縫周?chē)?×5區(qū)域像素的色調(diào)ech，飽和度ecs和亮度之差ecr；ec＝ech+ecs+ecr，；eg代表拼接縫周?chē)?×5區(qū)域的紋理差。

(b)以重疊區(qū)域交叉p點(diǎn)為起始點(diǎn)，將p點(diǎn)作為拼接縫的第一個(gè)像素值，根據(jù)步驟(a)中能量公式計(jì)算p點(diǎn)的能量值t1；

(c)繼續(xù)向下一行搜索，搜索方向分別為p點(diǎn)正下方、左下方45度和右下方45度，計(jì)算p點(diǎn)下一行中正下方像素點(diǎn)的能量值t2、左下方45度像素點(diǎn)的能量值t3和右下方45度像素點(diǎn)的能量值t4，取t2-t4中最小值對(duì)應(yīng)的像素點(diǎn)p′為該拼接縫的搜索點(diǎn)，令p＝p′返回重復(fù)執(zhí)行步驟(c)；

(d)將搜索到最后一行獲得的搜索點(diǎn)集合作為最優(yōu)拼接縫；

進(jìn)一步地，所述步驟(3)中確定融合范圍包括：

(a)計(jì)算最優(yōu)拼接縫的最小外接矩形的左邊界xmin和右邊界xmax，設(shè)置限定范圍ξ，20≤ξ≤40；

根據(jù)限定范圍ξ確定限定的融合區(qū)域r′，包括限定范圍ξ設(shè)定一個(gè)最優(yōu)拼接縫的外接矩形r，限定的融合區(qū)域矩形r′，矩形r′的左邊界為xmin-ξ、右邊界為xmax+ξ；

(c)限定的融合區(qū)域矩形r′為融合范圍。

進(jìn)一步地，取ξ＝30。

進(jìn)一步地，所述步驟(3)拉普拉斯多分辨率融合算法在融合范圍內(nèi)進(jìn)行融合包括：

(1a)建立拼接縫圖像的權(quán)值圖像ir，拼接縫左側(cè)用像素值0填充，拼接縫右側(cè)用像素值255填充；

(1b)將目標(biāo)圖像i1和配準(zhǔn)后參考圖像i2擴(kuò)充到與權(quán)值圖像ir尺寸一致，所述擴(kuò)展部分賦予像素值0；

(1c)分別在步驟(1a)及步驟(1b)中的三幅尺寸相同的目標(biāo)圖像i1、配準(zhǔn)后參考圖像i2及權(quán)值圖像ir中設(shè)置所述限定的融合區(qū)域矩形r′內(nèi)的圖像，分別為i′1、i′2及i′r；

(1d)根據(jù)拉普拉斯分解法，分別對(duì)步驟(1c)中所述i′1和i′2進(jìn)行分解，得出對(duì)應(yīng)的拉普拉斯金字塔l1及拉普拉斯金字塔l2，構(gòu)建i′1及i′2的高斯金字塔：

構(gòu)建拉普拉斯金字塔：

通過(guò)gl+1升采樣得到與gl；

(1e)對(duì)權(quán)值圖像ir采用高斯擴(kuò)展處理，求解權(quán)值圖像ir的高斯金字塔為gr；

(1f)根據(jù)lsl(i,j)對(duì)i′1和i′2兩幅圖像的拉普拉斯金字塔對(duì)應(yīng)的層進(jìn)行融合，得到各層融合圖像：

(1g)根據(jù)步驟(1f)得到拉普拉斯金字塔的各層融合圖像，通過(guò)重構(gòu)方法獲得融合后的圖像：

其中，1≤l≤n，0≤i＜rl，0≤j＜cl，為5×5的二維可分離窗口函數(shù)，h(·)是高斯密度分布函數(shù)，與gl尺寸大小相同。

進(jìn)一步地，所述步驟(1)包括：

(1a)構(gòu)造使用快速顯示擴(kuò)散算法構(gòu)建非線性尺度空間；

(1b)進(jìn)行特征點(diǎn)檢測(cè)與定位，包括根據(jù)步驟(1a)中非線性尺度空間計(jì)算出在不同非線性尺度下的濾波圖像lⁱ的海森矩陣lⁱhessian，然后利用特征值判斷極值，完成特征點(diǎn)檢測(cè)與定位，得到特征點(diǎn)位置，其中海森矩陣lⁱhessian為：

(1c)進(jìn)行特征點(diǎn)描述，包括根據(jù)步驟(1b)中的特征點(diǎn)位置，以特征點(diǎn)位置為圓心，搜索半徑為3σi的圓形區(qū)域內(nèi)搜索主方向，對(duì)圓形區(qū)域內(nèi)的所有像素點(diǎn)的一階微分值進(jìn)行高斯加權(quán)，將高斯加權(quán)結(jié)果值作為圖像像素點(diǎn)的響應(yīng)值，在面積為π/4的扇形區(qū)域滑動(dòng)窗口內(nèi)，對(duì)所述扇形區(qū)域滑動(dòng)窗口內(nèi)所有的響應(yīng)值求和，使用扇形滑動(dòng)窗口遍歷圓形區(qū)域，響應(yīng)和最大的方向即為特征點(diǎn)的主方向完成特征點(diǎn)描述；

(1d)根據(jù)步驟(1c)及步驟(1d)獲得的特征點(diǎn)的描述信息，采用二進(jìn)制描述子，對(duì)特征點(diǎn)進(jìn)行描述，建立特征描述子集合；

其中，σi為特征點(diǎn)的尺度參數(shù)，σi,norm為對(duì)應(yīng)組中圖像的尺度歸一化比例因子。

進(jìn)一步地，步驟(2)中構(gòu)建kd-tree包括：

①確定分割域，將所述特征點(diǎn)位置坐標(biāo)設(shè)定為二維數(shù)據(jù)點(diǎn)，分別特征點(diǎn)位置坐標(biāo)在x維度及y維度上的方差，取方差最大對(duì)應(yīng)的維度作為當(dāng)前分割域進(jìn)行分割；

②確定當(dāng)前節(jié)點(diǎn)，將特征描述子集合中的特征點(diǎn)位置坐標(biāo)按方差最大的維度進(jìn)行排序，選取排序中的中值作為當(dāng)前節(jié)點(diǎn)，并使用當(dāng)前節(jié)點(diǎn)分割空間域得到左子空間及右子空間，所述左子空間為小于節(jié)點(diǎn)值的坐標(biāo)，所述右子空間為大于節(jié)點(diǎn)值的坐標(biāo)；

③根據(jù)步驟②中包含于左子空間的坐標(biāo)及右子空間的坐標(biāo)為新的特征描述子集合，按照步驟①及步驟②進(jìn)行迭代劃分，直到數(shù)據(jù)集中的特征點(diǎn)數(shù)據(jù)為空，獲得初始匹配結(jié)果。

進(jìn)一步地，所述步驟(2)中ransac算法包括：

(i)根據(jù)步驟③的初始匹配結(jié)果中的n個(gè)匹配對(duì)中隨機(jī)選取r個(gè)點(diǎn)對(duì)集合，所述r個(gè)對(duì)集合輸入圖像的特征點(diǎn)對(duì)構(gòu)成一個(gè)可逆矩陣，計(jì)算仿射變換矩陣h為：

其中，目標(biāo)圖像及參考圖像間的仿射變換矩陣關(guān)系為：

將參考圖像點(diǎn)(x′i,y′i)和目標(biāo)圖像點(diǎn)(xi,yi)匹配對(duì)應(yīng)，得出匹配特征點(diǎn)集合，根據(jù)匹配特征點(diǎn)集合中r對(duì)匹配特征點(diǎn)計(jì)算出仿射變換矩陣h；

(ii)給定距離閥值，根據(jù)步驟(i)中仿射變換矩陣h，計(jì)算目標(biāo)圖像剩余特征點(diǎn)進(jìn)行仿射變換矩陣h變換的特征點(diǎn)值與參考圖像剩余特征點(diǎn)之間的距離為d1，d1小于距離閾值，當(dāng)前剩余特征點(diǎn)的匹配特征點(diǎn)為內(nèi)點(diǎn)；d1大于給定距離閾值，當(dāng)前剩余特征點(diǎn)的匹配特征點(diǎn)為外點(diǎn)，所述參考圖像剩余特征點(diǎn)與目標(biāo)圖像剩余特征點(diǎn)匹配；

(iii)重復(fù)步驟(i)和步驟(ii)n次，計(jì)算每次的內(nèi)點(diǎn)數(shù)量，完成第n次重復(fù)后，取n次中最大內(nèi)點(diǎn)數(shù)與所述最大內(nèi)點(diǎn)數(shù)對(duì)應(yīng)的仿射變換矩陣h，設(shè)定最大內(nèi)點(diǎn)數(shù)為內(nèi)點(diǎn)集；

其中，r為正整數(shù)，θ為圖像旋轉(zhuǎn)角度，u,v為圖像沿x軸與y軸方向的水平位移，n為正整數(shù)。

進(jìn)一步地，所述n＝300，r＝3。

現(xiàn)有的基于線性濾波的特征點(diǎn)提取算法提取的特征點(diǎn)冗余度高實(shí)時(shí)性差，線性高斯濾波會(huì)模糊邊界，導(dǎo)致圖像細(xì)節(jié)的損失。非線性濾波邊界保留完好，克服了線性濾波的缺點(diǎn)。本發(fā)明運(yùn)用a-kaze特征點(diǎn)提取算法來(lái)對(duì)圖像的特征點(diǎn)進(jìn)行提取，提出一種基于a-kaze特征的無(wú)縫圖像拼接算法。提出一種雙向knn算法，分別對(duì)參考圖像和目標(biāo)圖像建立kd-tree，并分別取其中一個(gè)為參考進(jìn)行knn匹配。提取兩次匹配操作的公共匹配對(duì)作為初始匹配。提高特征點(diǎn)提取的實(shí)時(shí)性和配準(zhǔn)的精確性。然后，對(duì)圖像融合部分進(jìn)行了改進(jìn)，提出了基于拼接縫的拉普拉斯融合算法，減少了算法的計(jì)算量，提高了實(shí)時(shí)性，有效的消除拼接過(guò)程中產(chǎn)生的偽影和拼接縫。

在建立特征點(diǎn)匹配之前，需要將從圖像中獲得的所有特征描述子集合構(gòu)建在kd-tree上，建立特征點(diǎn)數(shù)據(jù)索引。kd-tree的實(shí)質(zhì)是平衡二叉樹(shù)，是一種對(duì)數(shù)據(jù)在k維空間進(jìn)行劃分的二叉樹(shù)結(jié)構(gòu)，二叉樹(shù)的每個(gè)節(jié)點(diǎn)代表一個(gè)數(shù)據(jù)空間的范圍。傳統(tǒng)knn算法是單向的，很多錯(cuò)誤匹配會(huì)存在于匹配結(jié)果中。本發(fā)明提出雙向knn算法來(lái)提高匹配準(zhǔn)確度，減少初匹配中的誤匹配對(duì)數(shù)。分別對(duì)參考圖像和目標(biāo)圖像建立kd-tree，為kd-tree1和kd-tree2，采用單向knn算法從kd-tree1上尋找到目標(biāo)圖像的k(k＝2)個(gè)最近鄰特征點(diǎn)p1，p2；從kd-tree2上尋找到參考圖像的k個(gè)最近鄰特征點(diǎn)p′1，p′2。目標(biāo)圖像特征點(diǎn)到p1的歐氏距離為d1，到p2的歐氏距離為d2。目標(biāo)圖像特征點(diǎn)到p′1的歐氏距離為d′1，到p′2的歐氏距離為d′2。如果d1/d2≤h，匹配符合條件，將匹配特征加入集合a，d′1/d′2≤h，將匹配特征加入集合b。經(jīng)過(guò)多次實(shí)驗(yàn)，獲得經(jīng)驗(yàn)值h(h＝0.6)。提取集合a和b的公共匹配作為初始匹配對(duì)，并加入集合c，c中的匹配對(duì)即為初始匹配的結(jié)果。獲得初始匹配結(jié)果后，采用ransac算法剔除外點(diǎn)，保留內(nèi)點(diǎn)，并估算圖像之間的仿射變換矩陣，用于將待拼接圖像統(tǒng)一到同一坐標(biāo)系下。當(dāng)?shù)螖?shù)增加，概率p同樣也會(huì)增加。

其中，當(dāng)n＝300，pi＝0.5時(shí)，對(duì)應(yīng)變換矩陣估計(jì)錯(cuò)誤的概率為1.0×10^-18。需配準(zhǔn)效果和實(shí)時(shí)性兩方面綜合考慮，作為經(jīng)驗(yàn)值，迭代次數(shù)一般設(shè)置為300次為最佳。

圖像配準(zhǔn)后，直接合成將導(dǎo)致圖像拼接處顏色過(guò)渡不連續(xù)，當(dāng)有圖像中存在移動(dòng)目標(biāo)時(shí)拼接結(jié)果還會(huì)存在偽影。因此，需要找到一個(gè)最優(yōu)拼接縫來(lái)消除偽影并隱藏圖像邊緣。圖像拼接縫的位置選取與兩個(gè)因素有關(guān)，一是圖像重疊區(qū)域的色差，二是圖像重疊區(qū)域的紋理差異。人眼對(duì)顏色差異非常敏感，所以我們需要關(guān)注色差。在色差很小的前提下，將紋理差異作為參考因子是為了阻止拼接縫穿過(guò)具有較大紋理差異的目標(biāo)。因此，使用動(dòng)態(tài)規(guī)劃的方法獲取擁有最低能量的拼接縫，使其兩側(cè)色差最小，幾何結(jié)構(gòu)最相似。預(yù)測(cè)當(dāng)前拼接縫區(qū)域周?chē)念伾蛶缀谓Y(jié)構(gòu)是否相似。它給拼接縫的搜索提供了一個(gè)空間的轉(zhuǎn)換,以避免拼接縫兩側(cè)產(chǎn)生過(guò)大的差異。

由于圖像拍攝方向不一致，會(huì)導(dǎo)致圖像曝光度不一樣，所以直接進(jìn)行的圖像拼接仍然存在痕跡。傳統(tǒng)的多分辨率融合算法直接融合擴(kuò)展的圖像，不適合要求高的實(shí)時(shí)圖像拼接。圖像融合的目的是融合拼接縫、消除曝光差異和偽影，其實(shí)對(duì)拼接縫周?chē)M(jìn)行融合即可達(dá)到融合效果。本發(fā)明提出一種基于拼接縫的拉普拉斯多分辨率融合算法，對(duì)融合的范圍進(jìn)行限制。限定圖像融合在一個(gè)有限的范圍內(nèi)可以縮短融合時(shí)間并保證融合效率。在融合之前需建立拼接縫圖像的權(quán)值圖像ir，拼接縫左側(cè)用像素值0來(lái)填充，右側(cè)用像素值255來(lái)填充。求出最優(yōu)拼接縫的最小外接矩形的左邊界xmin和右邊界xmax。多次實(shí)驗(yàn)獲得融合的限定范圍經(jīng)驗(yàn)閾值ξ，20≤ξ≤40，其中ξ＝30最優(yōu)。取一個(gè)最優(yōu)拼接縫的外接矩形r，限定的融合區(qū)域r′，融合區(qū)域r′左邊界為xmin-ξ，右邊界為xmax+ξ，在該范圍內(nèi)進(jìn)行圖像融合，能夠縮短融合時(shí)間，提高實(shí)時(shí)性。

圖像之間能否正確匹配反映了特征點(diǎn)提取算法的精確性和匹配算法的有效性，為了客觀驗(yàn)證圖像的匹配效果定義圖像之間的正確匹配概率為：

a-kaze算法在實(shí)時(shí)性上比傳統(tǒng)sift算法有明顯提高，a-kaze算法在保證實(shí)時(shí)性的同時(shí)，又確保了圖像的正確匹配。因此本發(fā)明采用a-kaze算法來(lái)替代sift算法提取圖像特征，提出了基于a-kaze特征的圖像拼接。

本發(fā)明的有益效果：

效果一，提高了一種基于改進(jìn)圖像融合的圖像拼接方法的準(zhǔn)確性；

效果二，提高了圖像拼接算法的實(shí)時(shí)性；

效果三，消除了拼接縫和偽影。

附圖說(shuō)明

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說(shuō)明。

圖1，特征描述子建立過(guò)程示意圖。

圖2，雙向knn匹配中從參考圖像到目標(biāo)圖像的knn匹配結(jié)果示意圖。

圖3，雙向knn匹配中從目標(biāo)圖像到參考圖像的knn匹配結(jié)果示意圖。

圖4，雙向knn匹配共有匹配結(jié)果示意圖。

圖5，經(jīng)過(guò)ransac算法消除錯(cuò)誤匹配后的配準(zhǔn)結(jié)果。

圖6，最優(yōu)拼接縫結(jié)果示意圖。

圖7，直接拼接結(jié)果示意圖。

圖8，權(quán)值圖像示意圖。

圖9，i1擴(kuò)充后的目標(biāo)圖像。

圖10，i2擴(kuò)充后的參考圖像。

圖11，高斯擴(kuò)展后的權(quán)值圖像。

圖12，融合后的結(jié)果示意圖。

圖13，實(shí)施例1中對(duì)比圖一。

圖14，實(shí)施例1總對(duì)比圖二。

圖15，傳統(tǒng)拼接算法和本實(shí)施例中改進(jìn)算法的拼接時(shí)間對(duì)比示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

實(shí)施例1

本實(shí)施例提供一種基于改進(jìn)圖像融合的圖像拼接方法，所述方法包括：

(1)使用a-kaze算法對(duì)目標(biāo)圖像及參考圖像分別進(jìn)行特征點(diǎn)提取，建立特征描述子集合；

(2)將步驟(1)中從目標(biāo)圖像及參考圖像中獲得的特征描述子集合，構(gòu)建kd-tree，建立特征點(diǎn)數(shù)據(jù)索引，使用雙向knn匹配算法進(jìn)行特征點(diǎn)匹配，得到集合c，集合c中的匹配對(duì)為初始匹配的結(jié)果，對(duì)初始匹配結(jié)果使用ransac算法剔除外點(diǎn)保留內(nèi)點(diǎn)，計(jì)算目標(biāo)圖像及參考圖像間的仿射變換矩陣h，將目標(biāo)圖像及參考圖像統(tǒng)一到同一坐標(biāo)系下，得出配準(zhǔn)圖像，完成圖像配準(zhǔn)；所述特征描述子集合包括特征點(diǎn)位置、方向及尺寸；

(3)根據(jù)步驟(2)中圖像配準(zhǔn)結(jié)果，使用改進(jìn)的基于拼接縫的拉普拉斯多分辨率融合算法進(jìn)行圖像融合，所述改進(jìn)的基于拼接縫的拉普拉斯多分辨率融合算法包括使用動(dòng)態(tài)規(guī)劃的方法計(jì)算最優(yōu)拼接縫，根據(jù)最優(yōu)平接縫確定融合范圍，最后使用拉普拉斯多分辨率融合算法在融合范圍內(nèi)進(jìn)行融合，完成圖像拼接。

其中，所述步驟(1)包括：

(1a)構(gòu)造使用快速顯示擴(kuò)散算法構(gòu)建非線性尺度空間，建立圖像金子塔；

a-kaze算法采用的是非線性擴(kuò)散濾波，通特定流函數(shù)的散度來(lái)描述不同尺度空間上的亮度變化，圖像l的非線性擴(kuò)散方程：

div和分別表示散度和梯度算子，導(dǎo)函數(shù)c(x,y,t)：

表示經(jīng)過(guò)高斯平滑后圖像l的梯度值，函數(shù)g：

λ是控制水平擴(kuò)散的對(duì)比度因子，用來(lái)控制圖像邊緣信息的保留程度，對(duì)比度因子越大，邊緣信息的保留性越差。

a-kaze特征尺度空間的構(gòu)建方式中尺度的大小按照對(duì)數(shù)遞增，采用快速顯示擴(kuò)散算法構(gòu)建圖像金字塔，將圖像金字塔分為o個(gè)組，每一組包括s個(gè)子層。a-kaze組內(nèi)各層圖像均與原始圖像的分辨率相同。組o和子層s與尺度參數(shù)σ一一對(duì)應(yīng)：

σi(o,s)＝2^o+s/so∈[0...o-1],s∈[0...s-1],i∈[0...m]

其中，m＝o*s是濾波圖像的總數(shù)，線性濾波以像素級(jí)的尺度參數(shù)σi為單位，而非線性擴(kuò)散濾波模型的單位是時(shí)間，需要將單位轉(zhuǎn)換成時(shí)間ti：

ti稱(chēng)為進(jìn)化時(shí)間，用于構(gòu)造非線性的尺度空間。

a-kaze算法采用快速顯示擴(kuò)散算法求取近似解。將用顯式法離散化后得到：

lⁱ⁺¹＝(i+τa(lⁱ))lⁱ

a(lⁱ)是圖像lⁱ的傳導(dǎo)矩陣，τ是步長(zhǎng)；

i為單位矩陣，先驗(yàn)估計(jì)l^i+1,0＝lⁱ，一個(gè)快速顯示擴(kuò)散周期可得到方程：

l^i+1,j+1＝(i+τja(lⁱ))l^i+1,jj＝0,...,n-1

其中，n為顯性擴(kuò)散的步數(shù)；τj表示對(duì)應(yīng)步長(zhǎng)：

τmax為滿足顯性擴(kuò)展穩(wěn)定性條件時(shí)的最大步長(zhǎng)。

線性高斯濾波會(huì)模糊邊界，導(dǎo)致圖像細(xì)節(jié)的損失；本實(shí)施中非線性濾波邊界保留完好，克服了線性濾波的缺點(diǎn)。

(1b)根據(jù)步驟(1)計(jì)算出在不同非線性尺度下的濾波圖像lⁱ的海森矩陣lⁱhessian，然后利用特征值判斷極值，完成特征點(diǎn)檢測(cè)與定位，海森矩陣lⁱhessian為：

其中，σi,norm為對(duì)應(yīng)組中圖像的尺度歸一化比例因子。

a-kaze算法在尋找極值點(diǎn)，包括利用3*3的滑動(dòng)窗口遍歷尺度圖像，讓每一個(gè)像素點(diǎn)和它相同尺度的16鄰域點(diǎn)和上下相鄰尺度對(duì)應(yīng)的34個(gè)點(diǎn)進(jìn)行比較，從而檢測(cè)到極值點(diǎn)并確定其位置

(1c)為了確保特征點(diǎn)的旋轉(zhuǎn)不變性，特征點(diǎn)確定位置后，根據(jù)步驟(1b)中特征點(diǎn)定位結(jié)果，以定位結(jié)果為圓心，搜索半徑為3σi的圓形區(qū)域內(nèi)搜索主方向，對(duì)圓形區(qū)域內(nèi)的所有像素點(diǎn)的一階微分值進(jìn)行高斯加權(quán)，將高斯加權(quán)結(jié)果值作為圖像像素點(diǎn)的響應(yīng)值，在一個(gè)3σi的扇形區(qū)域滑動(dòng)窗口內(nèi)，對(duì)扇形區(qū)域滑動(dòng)窗口內(nèi)所有的響應(yīng)值求和，使用扇形滑動(dòng)窗口遍歷圓形區(qū)域，響應(yīng)和最大的方向即為特征點(diǎn)的主方向完成特征點(diǎn)描述；

(1d)根據(jù)獲得的特征點(diǎn)的描述信息后，采用二進(jìn)制描述子，對(duì)特征點(diǎn)進(jìn)行描述，建立特征描述子；

將獲取的特征點(diǎn)的位置、尺度和方向信息后建立特征描述子。a-kzae算法采用二進(jìn)制描述子m-ldb對(duì)特征點(diǎn)進(jìn)行描述。二進(jìn)制描述子m-ldb根據(jù)特征尺度σ，對(duì)網(wǎng)格進(jìn)行二次采樣，并根據(jù)主方向相應(yīng)的對(duì)ldb網(wǎng)格進(jìn)行旋轉(zhuǎn)，增強(qiáng)了描述子的魯棒性和旋轉(zhuǎn)不變性。

在特征點(diǎn)周?chē)囟I(lǐng)域內(nèi)選擇一個(gè)區(qū)域塊，把每個(gè)區(qū)域塊分成n×n個(gè)相同大小的網(wǎng)格，從每個(gè)網(wǎng)格單元中提取具有代表性的信息并且對(duì)一對(duì)網(wǎng)格細(xì)胞(i,j)執(zhí)行二進(jìn)制測(cè)試操作，形成一個(gè)3n(n-1)/2位的二進(jìn)制描述符。

二進(jìn)制測(cè)試操作

func(·)＝{funcintensity(·),funcdx(·),funcdy(·)}

為網(wǎng)格單元中的像素值強(qiáng)度信息；

funcdx(i)＝gradientx(i)為x方向上的梯度信息；

funcdy(i)＝gradienty(i)為y方向上的梯度信息；

特征描述子建立過(guò)程中如圖1，第1行代表3種具有不同像素強(qiáng)度值和分布的圖像塊；第二行中，pj1為平均強(qiáng)度值i，pj2和pj3分別代表x和y方向的梯度值，黑色實(shí)心填充代表左上角網(wǎng)格和白色空心填充代表右下方網(wǎng)格；第三行代表的是三個(gè)二進(jìn)制描述子。步驟(1d)會(huì)得到一個(gè)二進(jìn)制字符串，二進(jìn)制字符串位之間會(huì)有較強(qiáng)的相關(guān)性從而產(chǎn)生一定的冗余。a-kaze運(yùn)用一種隨機(jī)選擇的策略來(lái)選擇一些最不相關(guān)的部分來(lái)生成最后的描述符，來(lái)減少特征描述符的存儲(chǔ)容量。

其中，σi為特征點(diǎn)的尺度參數(shù)，σi,norm為對(duì)應(yīng)組中圖像的尺度歸一化比例因子，func(·)函數(shù)表示從網(wǎng)格單元中提取信息。

步驟(2)中，首先將從圖像中獲得的所有特征描述子集合構(gòu)建在kd-tree上，建立特征點(diǎn)數(shù)據(jù)索引。kd-tree的實(shí)質(zhì)是平衡二叉樹(shù)，是一種對(duì)數(shù)據(jù)在k維空間進(jìn)行劃分的二叉樹(shù)結(jié)構(gòu)，二叉樹(shù)的每個(gè)節(jié)點(diǎn)代表一個(gè)數(shù)據(jù)空間的范圍。構(gòu)建kd-tree的過(guò)程包括：

①確定分割域，將所述特征點(diǎn)位置坐標(biāo)設(shè)定為二維數(shù)據(jù)點(diǎn)，分別特征點(diǎn)位置坐標(biāo)在x維度及y維度上的方差，取方差最大對(duì)應(yīng)的維度作為當(dāng)前分割域進(jìn)行分割；

②確定當(dāng)前節(jié)點(diǎn)，將特征描述子集合中的特征點(diǎn)位置坐標(biāo)按方差最大的維度進(jìn)行排序，選取排序中的中值作為當(dāng)前節(jié)點(diǎn)，并使用當(dāng)前節(jié)點(diǎn)分割空間域得到左子空間及右子空間，所述左子空間為小于節(jié)點(diǎn)值的坐標(biāo)，所述右子空間為大于節(jié)點(diǎn)值的坐標(biāo)；

③根據(jù)步驟②中包含于左子空間的坐標(biāo)及右子空間的坐標(biāo)為新的特征描述子集合，按照步驟①及步驟②進(jìn)行迭代劃分，直到數(shù)據(jù)集中的特征點(diǎn)數(shù)據(jù)為空，獲得初始匹配結(jié)果。

現(xiàn)有的knn算法是單向的，很多錯(cuò)誤匹配會(huì)存在于匹配結(jié)果中。本實(shí)施例提出的雙向knn算法來(lái)提高匹配準(zhǔn)確度，減少初匹配中的誤匹配對(duì)數(shù)。方法是，分別對(duì)參考圖像和目標(biāo)圖像建立kd-tree，kd-tree1和kd-tree2，采用單向knn算法從kd-tree1上尋找到目標(biāo)圖像的k(k＝2)個(gè)最近鄰特征點(diǎn)p1，p2；同樣方法從kd-tree2上尋找到參考圖像的k個(gè)最近鄰特征點(diǎn)p′1，p′2。目標(biāo)圖像特征點(diǎn)到p1的歐氏距離為d1，到p2的歐氏距離為d2。目標(biāo)圖像特征點(diǎn)到p′1的歐氏距離為d′1，到p′2的歐氏距離為d′2。如果d1/d2≤h，匹配符合條件，將匹配特征加入集合a，d′1/d′2≤h，將匹配特征加入集合b。根據(jù)經(jīng)驗(yàn)值h(h＝0.6)。提取集合a和b的公共匹配作為初始匹配對(duì)，并加入集合c，c中的匹配對(duì)即為初始匹配的結(jié)果。

圖2為的是單向從參考圖像到目標(biāo)圖像的knn匹配結(jié)果。圖3為的是雙向knn匹配后提取共有匹配對(duì)的結(jié)果。圖4為共有匹配結(jié)果示意圖。

為進(jìn)一步提高準(zhǔn)確性，優(yōu)選地，所述步驟(2)還包括獲得步驟③中初始匹配結(jié)果后，使用ransac算法剔除外點(diǎn)保留內(nèi)點(diǎn)，求解圖像之間的仿射變換矩陣h，將待拼接圖像統(tǒng)一到同一坐標(biāo)系：

ransac算法包括：

(i)根據(jù)步驟③的初始匹配結(jié)果中的n個(gè)匹配對(duì)中隨機(jī)選取r個(gè)點(diǎn)對(duì)集合，所述r個(gè)對(duì)集合輸入圖像的特征點(diǎn)對(duì)構(gòu)成一個(gè)可逆矩陣，計(jì)算仿射變換矩陣h為：

其中，目標(biāo)圖像及參考圖像間的仿射變換矩陣關(guān)系為：

將參考圖像點(diǎn)(x′i,y′i)和目標(biāo)圖像點(diǎn)(xi,yi)匹配對(duì)應(yīng)，得出匹配特征點(diǎn)集合，根據(jù)匹配特征點(diǎn)集合中r對(duì)匹配特征點(diǎn)計(jì)算出仿射變換矩陣h；

(ii)給定距離閥值，根據(jù)步驟(i)中仿射變換矩陣h，計(jì)算目標(biāo)圖像剩余特征點(diǎn)進(jìn)行仿射變換矩陣h變換的特征點(diǎn)值與參考圖像剩余特征點(diǎn)之間的距離為d1，d1小于距離閾值，當(dāng)前剩余特征點(diǎn)的匹配特征點(diǎn)為內(nèi)點(diǎn)；d1大于給定距離閾值，當(dāng)前剩余特征點(diǎn)的匹配特征點(diǎn)為外點(diǎn)，所述參考圖像剩余特征點(diǎn)與目標(biāo)圖像剩余特征點(diǎn)匹配；

(iii)重復(fù)步驟(i)和步驟(ii)n次，計(jì)算每次的內(nèi)點(diǎn)數(shù)量，完成第n次重復(fù)后，取n次中最大內(nèi)點(diǎn)數(shù)與所述最大內(nèi)點(diǎn)數(shù)對(duì)應(yīng)的仿射變換矩陣h，設(shè)定最大內(nèi)點(diǎn)數(shù)為內(nèi)點(diǎn)集；

其中，r為正整數(shù)，θ為圖像旋轉(zhuǎn)角度，u,v為圖像沿x軸與y軸方向的水平位移，n為正整數(shù)。

為平衡計(jì)算效率和準(zhǔn)確度之間的平衡關(guān)系，作為優(yōu)選，進(jìn)一步地，所述n＝300，r＝3為最佳。設(shè)定兩幅匹配圖像之間特征點(diǎn)正確匹配的內(nèi)點(diǎn)概率為pi，n次迭代后找到正確變換矩陣的概率：

p＝1-(1-(pi)^r)ⁿ

當(dāng)?shù)螖?shù)增加，概率p同樣也會(huì)增加。本實(shí)施例中取經(jīng)驗(yàn)值n＝300時(shí)，pi＝0.5，對(duì)應(yīng)變換矩陣估計(jì)錯(cuò)誤的概率為1.0×10^-18。圖5為ransac算法排除錯(cuò)誤匹配后配準(zhǔn)結(jié)果。

圖像配準(zhǔn)后，直接合成將導(dǎo)致圖像拼接處顏色過(guò)渡不連續(xù)，當(dāng)有圖像中存在移動(dòng)目標(biāo)時(shí)拼接結(jié)果還會(huì)存在偽影。因此，需要找到一個(gè)最優(yōu)拼接縫來(lái)消除偽影并隱藏圖像邊緣。圖像拼接縫的位置選取與兩個(gè)因素有關(guān)，一是圖像重疊區(qū)域的色差，二是圖像重疊區(qū)域的紋理差異。人眼對(duì)顏色差異非常敏感，所以在色差很小的前提下，將紋理差異作為參考因子是為了阻止拼接縫穿過(guò)具有較大紋理差異的目標(biāo)。因此，使用動(dòng)態(tài)規(guī)劃的方法獲取擁有最低能量的拼接縫，使拼接縫兩側(cè)色差最小，幾何結(jié)構(gòu)最相似。

所述步驟(3)中計(jì)算最優(yōu)拼接縫包括：

建立能量公式：

(a)t(i,j)＝α·ec(i,j)+β·eg(i,j)²，

(b)以重疊區(qū)域交叉p點(diǎn)為起始點(diǎn)，將p點(diǎn)作為拼接縫的第一個(gè)像素值，根據(jù)步驟(a)中能量公式計(jì)算p點(diǎn)的能量值t1；

(c)繼續(xù)向下一行搜索，搜索方向分別為p點(diǎn)正下方、左下方45度和右下方45度，計(jì)算p點(diǎn)下一行中正下方像素點(diǎn)的能量值t2、左下方45度像素點(diǎn)的能量值t3和右下方45度像素點(diǎn)的能量值t4，取t2-t4中最小值對(duì)應(yīng)的像素點(diǎn)p'為該拼接縫的搜索點(diǎn)，令p＝p'返回重復(fù)執(zhí)行步驟(c)；

(d)將搜索到最后一行獲得的搜索點(diǎn)集合作為最優(yōu)拼接縫；

其中，ec代表拼接縫周?chē)?×5區(qū)域像素的色調(diào)ech，飽和度ecs和亮度之差ecr。ec＝ech+ecs+ecr，；eg代表拼接縫周?chē)?×5區(qū)域的紋理差。α和β是權(quán)重值，α+β＝1，α值為0.79，β值為0.21。

權(quán)重值的作用是調(diào)整色差和紋理差之間的比例。當(dāng)值α變大，β值相應(yīng)會(huì)變小，在尋找拼接縫的過(guò)程中，將會(huì)過(guò)多考慮顏色因素并忽略縫合縫兩側(cè)圖像紋理的影響。本實(shí)施例取經(jīng)驗(yàn)權(quán)重值，α值為0.83，β值為0.17。

能量公式可以預(yù)測(cè)當(dāng)前拼接縫區(qū)域周?chē)念伾蛶缀谓Y(jié)構(gòu)是否相似。它給拼接縫的搜索提供了一個(gè)空間的轉(zhuǎn)換,以避免拼接縫兩側(cè)產(chǎn)生過(guò)大的差異。最優(yōu)拼接縫的結(jié)果如圖6所示，直接拼接如圖7所示。

由于圖像拍攝方向不一致，會(huì)導(dǎo)致圖像曝光度不一樣，所以在實(shí)際操作中圖像拼接的痕跡仍然存在。傳統(tǒng)的多分辨率融合算法直接融合擴(kuò)展的圖像，不適合要求高的實(shí)時(shí)圖像拼接。圖像融合的目的是融合拼接縫、消除曝光差異和偽影，對(duì)拼接縫周?chē)M(jìn)行融合即可達(dá)到融合效果。

本實(shí)施例對(duì)融合的范圍進(jìn)行限制，圖像融合在一個(gè)有限的范圍內(nèi)可以縮短融合時(shí)間并保證融合效率。

為在不影響圖像拼接質(zhì)量的前提下提高拼接效率，減少計(jì)算量，優(yōu)選地，所述步驟(3)中確定融合范圍包括：

(a)計(jì)算最優(yōu)拼接縫的最小外接矩形的左邊界xmin和右邊界xmax，設(shè)置限定范圍ξ，20≤ξ≤40；

(b)根據(jù)限定范圍ξ確定限定的融合區(qū)域r'，包括限定范圍ξ設(shè)定一個(gè)最優(yōu)拼接縫的外接矩形r，限定的融合區(qū)域矩形r'，矩形r'的左邊界為xmin-ξ、右邊界為xmax+ξ；

(c)限定的融合區(qū)域矩形r'為融合范圍。

優(yōu)選地，所述ξ＝30時(shí)，融合效率和融合質(zhì)量達(dá)到最佳平衡。

所述步驟(3)拉普拉斯多分辨率融合算法在融合范圍內(nèi)進(jìn)行融合包括：

(1a)建立拼接縫圖像的權(quán)值圖像ir如圖8，拼接縫左側(cè)用像素值0填充，拼接縫右側(cè)用像素值255填充；

(1b)將目標(biāo)圖像i1和配準(zhǔn)后參考圖像i2擴(kuò)充到與權(quán)值圖像ir尺寸一致，擴(kuò)充后的目標(biāo)圖像i1如圖9，擴(kuò)充后的i2如圖10，所述擴(kuò)展部分賦予像素值0；

(1c)分別在步驟(1a)及步驟(1b)中的三幅尺寸相同的目標(biāo)圖像i1、配準(zhǔn)后參考圖像i2及權(quán)值圖像ir中設(shè)置所述限定的融合區(qū)域矩形r'內(nèi)的圖像，分別為i′1、i′2及i′r；

(1d)根據(jù)拉普拉斯分解法，分別對(duì)步驟(1c)中所述i′1和i′2進(jìn)行分解，得出對(duì)應(yīng)的拉普拉斯金字塔l1及拉普拉斯金字塔l2，構(gòu)建i′1及i′2的高斯金字塔：

構(gòu)建拉普拉斯金字塔：

通過(guò)gl+1升采樣得到與gl；

(1e)對(duì)權(quán)值圖像ir采用高斯擴(kuò)展處理，求解權(quán)值圖像ir的高斯金字塔為gr；

(1f)根據(jù)lsl(i,j)對(duì)i′1和i′2兩幅圖像的拉普拉斯金字塔對(duì)應(yīng)的層進(jìn)行融合，得到各層融合圖像：

(1g)根據(jù)步驟(1f)得到拉普拉斯金字塔的各層融合圖像，通過(guò)重構(gòu)方法獲得融合后的圖像：

其中，1≤l≤n，0≤i＜rl，0≤j＜cl，為5×5的二維可分離窗口函數(shù)，h(·)是高斯密度分布函數(shù)，與gl尺寸大小相同。

對(duì)權(quán)值圖像采用高斯擴(kuò)展處理使融合結(jié)果在拼接縫處更加平滑，從而使權(quán)值圖像拼接縫處像素值從0到255緩慢的過(guò)渡，降低其階躍性。通過(guò)本實(shí)施例方法步驟融合后的實(shí)驗(yàn)結(jié)果如圖12所示。

本實(shí)施例還設(shè)定正確匹配率為圖像之間能否正確匹配反映了特征點(diǎn)提取算法的精確性和匹配算法的有效性，客觀驗(yàn)證圖像的匹配效果定義圖像之間的正確匹配概率：

本實(shí)施例中a-kaze算法在實(shí)時(shí)性上比傳統(tǒng)sift算法有明顯提高，a-kaze算法在保證實(shí)時(shí)性的同時(shí)，又確保了圖像的正確匹配。因此本實(shí)施例采用a-kaze算法來(lái)替代sift算法提取圖像特征，提出了基于a-kaze特征的圖像拼接。

表1為根據(jù)圖13及圖14，通過(guò)限定范圍后與限定范圍前的拉普拉斯圖像融合時(shí)間對(duì)比結(jié)果。

表1

限定范圍后的拉普拉斯融合算法比傳統(tǒng)的拉普拉斯融合算法在時(shí)間上明顯降低許多，全局融合會(huì)占用大量時(shí)間和空間。在拼接縫周?chē)欢ǚ秶鷥?nèi)進(jìn)行融合可以降低時(shí)間花銷(xiāo)，同時(shí)可達(dá)到理想的融合效果。

除了在實(shí)時(shí)性上，提高了融合算法的效率，還需對(duì)圖像融合的質(zhì)量進(jìn)行評(píng)價(jià)。圖像融合的客觀評(píng)價(jià)標(biāo)準(zhǔn)就是通過(guò)計(jì)算圖像的統(tǒng)計(jì)參數(shù)來(lái)獲得客觀的量化指標(biāo)。為了驗(yàn)證本實(shí)施例提出的改進(jìn)算法的有效性，添加圖像融合的質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)來(lái)對(duì)改進(jìn)融合算法和傳統(tǒng)的加權(quán)融合算法進(jìn)行對(duì)比。本實(shí)施例主要從圖像的tenengrad梯度和圖像的方差兩個(gè)方面來(lái)進(jìn)行融合質(zhì)量評(píng)價(jià)。表2為傳統(tǒng)加權(quán)平均融合與本實(shí)施例中改進(jìn)融合方法的結(jié)果對(duì)比示意圖。

表2

本實(shí)施例算法的tenengrad梯度和方差均比傳統(tǒng)加權(quán)平均融合質(zhì)量高，說(shuō)明本發(fā)明改進(jìn)融合算法獲得的圖像清晰度更高，更符合實(shí)際需求。

傳統(tǒng)sift特征匹配算法的正確匹配率并不穩(wěn)定，時(shí)高時(shí)低，并且匹配率普遍偏低。而本發(fā)明特征點(diǎn)匹配算法的正確匹配率相對(duì)穩(wěn)定，均可達(dá)到75％以上。與傳統(tǒng)sift特征匹配算法相比，本發(fā)明特征點(diǎn)匹配算法的精確性和穩(wěn)定性更強(qiáng)。

圖15為傳統(tǒng)拼接算法和本實(shí)施例中改進(jìn)算法的拼接時(shí)間對(duì)比示意圖。本實(shí)施例拼接算法的拼接速度更快，拼接圖像序列越多越能體現(xiàn)出其優(yōu)越性，更滿足實(shí)時(shí)性的要求。

盡管上面對(duì)本發(fā)明說(shuō)明性的具體實(shí)施方式進(jìn)行了描述，以便于本技術(shù)領(lǐng)域的技術(shù)人員能夠理解本發(fā)明，但是本發(fā)明不僅限于具體實(shí)施方式的范圍，對(duì)本技術(shù)領(lǐng)域的普通技術(shù)人員而言，只要各種變化只要在所附的權(quán)利要求限定和確定的本發(fā)明精神和范圍內(nèi)，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。