[发明专利]一种多视角图像自动拼接方法

摘要

本发明公开了一种多视角图像自动拼接方法，属于图像拼接领域。通过逼近投影变换模型，提高了重叠区域融合的精度；使用全局最优相似变换，解决了拼接图发生透视变形的问题；将逼近投影变换模型与全局最优相似变换相结合，使得拼接图的局部更加精准，总体更加自然，很好地提高了图像拼接的性能；使用多波段融合技术，解决拼接图曝光差异的问题，进一步提高了图像拼接的精度。本方法首先提取图像特征点；其次计算局部投影变换模型；接着计算全局最优相似变换模型；然后将局部投影变换模型与全局最优相似变换模型相结合；最后使用多波段融合技术得到最终的拼接图。

主权项

一种多视角图像自动拼接方法，其特征在于，图像自动拼接方法是使用现有的逼近投影变换方法，通过计算拼接图像重叠区域的逼近投影变换，提高重叠区域拼接的精度，通过计算全局相似变换矩阵，减小拼接图像的透视变形，最后通过多波段融合算法对拼接图像进行处理，消除曝光差异的影响；具体步骤如下：步骤一：图像特征点提取：使用尺度不变特征转换算法提取参考图像与目标图像的特征点，首先构建尺度空间，高斯差分尺度空间；然后在高斯差分尺度空间中进行极值点检测，关键点精确定位；最后确定关键点的模值与方向，生成关键点描述子；步骤二：计算图像的逼近投影变换：对于待拼接图像，计算目标图像到参考图像的变换模型，计算目标图像中每个像素点的局部投影变换模型，使用经典的直接线性转换算法计算逼近投影变换模型，计算逼近投影变换模型，使用公式1中的目标函数：$h_{*}=\underset{h}{\mathrm{argmin}}\underset{i=1}{\overset{N}{\Σ}}\left|\right|{\mathrm{\ω}}_{*}^i{\mathrm{\α}}_{i}h|{|}^2,subjectto|\left|h\right||=1---\left(1\right)$${\mathrm{\ω}}_{*}^i={\left(\exp \right(-\left|\right|x_{*}-x_i|{|}^2/{\mathrm{\σ}}^2\left)\right)}^2---\left(2\right)$公式2中x_*为目标图像中任一像素点，x_i表示第i个特征匹配点在原始图像中的坐标。ω_*是权重参数，用于提高局部投影变换的精度；得到局部投影变换模型的目标函数之后，在目标函数中添加一个权重参数，该参数能够保证对于目标图像中的像素点，距离较近的点有更高的权重，距离较远的点有相等的较小的权重，保证局部投影变换的精度；步骤三：计算全局最优相似变换：获取图像的特征点之后，使用分组对应特征点的方式来计算参考图像与目标图像之间的最优相似变换模型；使用每一组内点计算一个相似变换矩阵，对内点数目从多到少进行排序，将旋转角度从小到大进行排序，选择排序之和最小的相似变换矩阵作为最优相似变换模型；首先使用阈值为ε_g的随机采样一致性算法去除外点；然后，使用阈值为ε_l(ε_l＜ε_g)的RANSAC算法查找有最多内点的单应矩阵，移除内点；重复执行上一步骤，直到内点数目小于设定值η；使用每一组内点计算一个相似变换矩阵，对内点数目从多到少进行排序，将旋转角度从小到大进行排序，选择排序之和最小的相似变换矩阵作为最优相似变换模型；步骤四：结合局部变换与全局最优相似变换：单独对目标图像进行局部投影变换，虽然能保证重叠区域有较高精度，但是不能解决透视变形的问题，为此，结合步骤三计算得到的全局最优相似变换，对目标图像与参考图像进行调整；得到全局相似变换之后，为了减轻拼接图的透视变形，将相似变换与投影变换相结合：对目标图像调整之后，需要对参考图像进行补偿；使用公式3计算目标图像的变换模型，同时结合局部投影变换与全局相似变换，使用公式4对参考图像进行变换，以补偿目标图像变换的影响：${\hat{H}}_i^{\left(t\right)}={\mathrm{\μ}}_h{H}_i^{\left(t\right)}+{\mathrm{\μ}}_{s}S---\left(3\right)$${\hat{H}}_i^{\left(r\right)}={\hat{H}}_i^{\left(t\right)}{\left({\hat{H}}_i^{\left(t\right)}\right)}^{-1}---\left(4\right)$其中，表示第i个局部单应矩阵，是更新的第i个局部单应矩阵，S是全局相似变换，μ_h和μ_s是加权系数，上标t表示目标图像，上标r表示参考图像；步骤五：多波段融合处理：经上述步骤得到的拼接图，没有解决曝光差异造成的影响，使用多波段融合处理技术，通过构建拉普拉斯尺度空间，对目标图像与参考图像的每一层分别进行融合，将得到的每一层再进行相加得到拼接图。