[发明专利]一种基于SURF特征提取结合CS-LBP描述符的图像拼接方法

权利要求书

1.一种基于SURF特征提取结合CS-LBP描述符的图像拼接方法，其特征在于包括以下步骤：

使用SURF提取待拼接图像的特征点信息；包括提取尺度信息、提取位置信息、提取方向信息；

求取上述每个特征点的Harr描述符和CS-LBP描述符；其中，求取每个特征点的CS-LBP描述符包括：

选定特征点P_i(x,y,s,θ)，其中(x,y)为特征点在原始图像上的位置坐标，s和θ分别为特征点的尺度和主方向；

以特征点P_i为中心，取半径为R的圆上的N点像素灰度值，将圆上采样的像素灰度值与中心像素灰度值进行比较，通过CS-LBP中心对称的编码规则，生成16维特征向量；

对上述得到的特征向量进行归一化处理，得到CS-LBP描述符；

求取每个特征点的Harr描述符，包括：在特征点周围选取一个正方形框，将所述正方形框分为16个子区域，在所述每个子区域中统计25个像素的水平方向和垂直方向的Harr小波特征,得到每个特征点的16×4＝64维的向量作为特征点的Harr描述符；

利用上述得到的Harr描述符和CS-LBP描述符，确定待拼接图像的特征点匹配对；

所述确定待拼接图像的特征点匹配对，包括：将得到Harr描述符匹配对的最近邻NN和得到CS-LBP描述符匹配对的最近邻距离比NNDR相乘，得到的值作为一组特征值，当特征值小于设定的阈值T时，即NN×NNDR≤T，得到一组特征点匹配对；

Harr描述符采用最近邻NN，使用欧式距离获得匹配对：

式中，d_R(i)和d_L(i)分别为待匹配的两幅图像中Harr特征描述符向量的第i个分量；

CS-LBP描述符则采用最近邻距离比NNDR，使用欧式距离获得匹配对：

式中，d_R'(i)为待匹配的一幅图像中CS-LBP特征描述符向量的第i个分量，d_L,1(i)和d_L,2(i)分别为另一幅图像中最近邻和次近邻特征点距离的CS-LBP特征描述符的第i个分量；

根据上述特征点匹配对结果，利用平滑的渐入渐出法对图像进行融合，得到拼接图像；融合公式如下：

I(x,y)＝dI₁(x,y)+(1-d)I₂(x,y)

其中，I(x,y)为融合后的图像，I₁(x,y)和I₂(x,y)分别为待融合的两幅图像，d和1-d为两幅图像重叠区域对应的像素点权值，x₁和x₂是重叠区x轴的最小和最大值，d为一渐变系数，d由1慢慢变化到0时，图像从I₁(x,y)慢慢过渡到了I₂(x,y)，即得到拼接的图像。

2.根据权利要求1所述的方法，其特征在于，所述CS-LBP中心对称的编码规则为：

式中，N为均匀分布在半径为R的圆上的像素点数，n_i和n_i+N/2为中心对称像素点对的灰度值，T'为取值范围为[0，1]的阈值，u、v为特征向量的坐标。

3.根据权利要求1所述的方法，其特征在于，还包括采用RANSAC 方法对上述得到的特征点匹配对进行筛选，剔除误匹配，包括：

从上述得到的特征点匹配对中随机抽取L个匹配对，计算出变换矩阵H所有参数，得到匹配图像模型M的所有参数；

利用上述得到的已知参数的模型M去测试数据集中其他特征点匹配对，如果符合该模型，则认为是假设的内点；

设定一个阈值T”，如果内点的数目超过阈值，保存内点则执行下一步，否则重新进行匹配对的随机抽取，进行筛选；

上述过程被重复执行n次，统计每次内点数目，将数目最大的集合作为初步精确的匹配对集合。

4.根据权利要求1-3之一所述的方法，其特征在于，还包括对待拼接图像进行预处理。