[发明专利]用于图像拼接的多尺度不变ORB算法

权利要求书

1.用于图像拼接的多尺度不变ORB算法，主要包括以下步骤：

(1)使用一种基于尺度不变的特征检测算法对图像进行特征点检测，解决ORB算法缺少尺度不变的特性；

(2)用ORB描述子对检测到的特征点进行特征描述，再用ORB匹配算法进行粗匹配，并且用双向匹配法和RANSAC(随机抽样一致性)算法对匹配点对其进行精匹配和提纯，进一步提高其精度；

(3)使用渐入渐出加权融合完成图像拼接。

2.如权利要求1所述的基于尺度不变ORB的图像拼接方法，按上述步骤(1)：对图像构建金字塔，金字塔包含了普通层和中间层，数量各为4个。各层的缩放尺度如下式:

t(c_i)＝2ⁱ,t(d_i)＝2ⁱ×1.5 (1)

其中c_i代表图像的普通层，d_i表示图像的中间层，一共可以得到8张图，对这8张图进行FAST9-16角点检测，得到具有角点信息的8张图，对原图像进行一次FAST5-8角点检测(当做d_-1层-虚拟层)，总共会得到9幅有角点信息的图像。对这9幅图像，进行空间上的非极大值抑制(同SIFT算法的非极大值抑制)：特征点在位置空间(8邻域点)和尺度空间(上下层2x9个点)，共26个邻域点的FAST的得分值要最大，否则不能当做特征点；此时得到的极值点还比较粗糙，需要进一步精确定位。

过上面步骤，得到了图像特征点的位置和尺度，在极值点所在层及其上下层所对应的位置，对FAST得分值(共3个)进行二维二次函数插值(x、y方向)，得到真正意义上的得分极值点及其精确的坐标位置(作为特征点位置)；再对尺度方向进行一维插值，得到极值点所对应的尺度(作为特征点尺度)，这就解决了尺度不变性。

3.如权利要求1所述的基于尺度不变ORB的图像拼接方法，按所述步骤(2)：采用ORB自身的特征点匹配算法进行粗匹配，再采用双向交叉匹配算法，使得匹配的结果更加精确.基于双向匹配的相似性度量算法的原理：首先，以参考图像的特征点为参考点M₁，遍历待配准图像中特征点，得到最近邻特征点M_2j，和次最近邻特征点M_2k，如果最近邻特征点M_2j,，和次最近邻特征点M_2k，满足式(2)，则参考点M₁的匹配点为最近邻特征点M_2j；，遍历参考图像中所有的特征点，得到匹配点对集A。同理，以待配准图像的特征点为参考点M₂，得到匹配点对集B。最后，将匹配点对集A与匹配点对集B作比较，如果两个集中图像特征点完全相同，则是有效的匹对，有效的匹配点对的集合为最终的匹配点对。

式中:D(M₁，M_2j),D(M₁，M_2k)分别是参考图像的特征点与待配准图像的征点的最近邻特征点的距离相似性度量值、次最近邻特征点的距离相似性度量值，T_h是设定的阈值为0.6运用双向匹配算法便可有效地去除这样的大部分错误匹配点。

随机抽样一致性算法(RANSAC):初始最大内点(本文指精确匹配点)数max_inliner＝0，反投影误差阈值threshold的取值一般为0.001～0.01，最大循环次数max_circle＝1000，numof_inliner为当前基础矩阵F所对应的内点数，通过矩阵F所计算出来的对称变换误差为d_i。

4.如权利要求1所述的基于尺度不变ORB的图像拼接方法，按述步骤(3)：在获得两幅图像的精确匹配特征点对后，由式(3)图像变换关系可以求解出变换矩阵H，将待配准图像通过H进行变换后与参考图像进行叠加。

式中,(x,y)和(x’,y’)是待配准图像和参考图像的匹配点对。

由于输出图像存在亮度等方面的差异，在完成图像配准叠加后，在得到的拼接图像上一般会存在明显的缝合线，不利于视觉观察，本文可以采用加权平滑算法来实现两幅图像间的融合过渡^[15]。融合方法如下:

式中，R₁为图像1的非重合区域，R₃为图像2的非重合区域，R₂为两幅图像的重叠区域，a₁和a₂，分别为加权值，与重叠区域有关，并且a₁+a₂＝1，0<a₁<1，0<a₂<1。在重叠区域，a₁由1平滑变到0，a₂由0平滑变到1，这样就实现了两幅图像的平滑融合。