[发明专利]用于图像拼接的多尺度不变ORB算法

说明书

用于图像拼接的多尺度不变ORB(Oriented FAST and Rotated BRIEF)算法，主要包括以下步骤：首先，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；然后用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；最后使用渐入渐出加权融合完成图像拼接。本发明的方法有效地解决ORB算法检测到的图像特征点缺少尺度不变特性，误匹配率高，造成拼接图像质量差等问题，对图像的不同光照条件、角度旋转、分辨率低、尺度变化等均有良好的鲁棒性和稳定性，是一种耗时短、精确度高、拼接效果良好的图像拼接方法。

技术领域

本发明所属技术领域是数字图像处理，运用ORB算法并结合图像特征点尺度不变和双向匹配思想，提出一种新颖、快速、精度高的图像拼接方法。

背景技术

图像拼接技术一直是计算机视觉、计算机图形学和数字图像处理等领域的重点研究方向，随着计算机技术的飞速发展，数字图像处理技术也得到显著的提高，其中的图像拼接技术已经在遥感技术、虚拟现实、医学图像处理和军事等领域得到了广泛的应用。图像拼接技术是将数张有重叠部分的图像(可能是不同时间、不同视角或者不同传感器获得的)拼成一幅大型的无缝高分辨率图像的技术。图像拼接主要包括图像预处理、图像配准和图像融合。

图像配准是图像拼接的关键。总体分为两类:基于灰度信息的配准方法和基于特征的配准方法。基于灰度的图像配准方法较为简单，直接计算图像间的灰度值关系来匹配图像，这种方法虽然简单、易实现，但其稳定性差，对光照变化敏感。相比之下，基于局部特征的方法具有良好的稳定性，在克服图像的光照、尺度、旋转等变化上比基于灰度的方法有更好的鲁棒性，是目前主流的图像配准方法。

SIFT(Scale Invariant Feature Transform)特征检测算法是Lowe于1999年提出并在2004年完善的，该算法对于尺度缩放、平移旋转、光照变化都具有良好的不变性，对于图像的仿射变换及噪声也具有一定的稳定性，但其描述算子复杂，运行时间过长，满足不了实时性要求(International Journal of Computer Vision,2004,60(2))。SURF(Speeded-Up Robust Features)是Herbert Bay于2006年提出，SURF算法的优点是速度远快于SIFT且稳定性好；在时间上，SURF运行速度大约为SIFT的3倍(IEEE International Conferenceon Computer Vision,2011,6-13)。ORB(ORB：An Efficient Alternative to SIFT orSURF)是Ethan Rublee于2011年提出的，其主要优点是运行速度大约是SIFT的100倍，是SURF的10倍，能满足实时性要求，但是其尺度不变性不如SIFT，误匹配率高。

发明内容

本发明的目的是提供改进的ORB图像拼接方法，能一定程度改善传统图像拼接时间久，ORB算法匹配正确率较低，缺少尺度不变特性，图像拼接精度低等问题等。算法通过构造尺度不变特征点来弥补ORB算缺少尺度不变的缺点，同时采用双向匹配和RANSAC算法来提高匹配正确率,能够有效剔除误匹配点，提高配准的准确率和精度。该方法对图像的光照条件不同、角度旋转、分辨率低、尺度变化等均有良好的鲁棒性和稳定性，是一种耗时短、精确度高、拼接效果良好的图像拼接方法。

本发明设计了用于图像拼接的多尺度不变ORB算法，主要包括以下步骤：

(1)特征点检测及描述

先对图像构建金字塔，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)