[发明专利]一种光流辅助的大尺度显微图像拼接算法

摘要

本发明公开了一种光流辅助的大尺度显微图像拼接算法，特点是1、通过相机实时采集数码显微镜的图像，在两幅相邻图像之间，引入基于金字塔Lucas‑Kanade算法实现的光流法检测图像之间的位移；2、检测采集到的前后两幅图像上的所有的特征点；3、特征点匹配；4、对特征点对进行优化，剔除误匹配的特征点；5、通过最优单应矩阵和最佳特征点匹配点对，计算得到由相机的内参矩阵、外参矩阵和拉伸因子构成的图像运动参数估计，进而对采集到的图像进行仿射、畸变校正和平移变换，将所有采集到的图像变换成待合成图像；6、将待合成图像融合得到一幅完整的全视野的显微图像；优点在于能够获得视野较大并且分辨率高的图像。

主权项

一种光流辅助的大尺度显微图像拼接算法，其特征在于具体包括以下步骤：步骤一：通过相机实时采集数码显微镜的图像，在两幅相邻图像之间，引入基于金字塔Lucas‑Kanade算法实现的光流法检测图像之间的位移；步骤二：检测采集到的前后两幅图像上的所有的特征点；步骤三：对步骤二中采集到的前后两幅图像中所有的特征点应用最近邻特征点距离与次近邻特征点距离的比值来进行特征点匹配，比值设为0.4，大于等于0.4认为是匹配上的特征点，小于0.4认为是没有匹配上的特征点，即如果该特征点的最近邻特征点的距离与次近邻特征点距离的比值大于等于0.4，则认为该特征点与最近邻特征点构成特征点对，加入到特征点集中，找到前后两幅图像中相对应的特征点作为特征点对；所述的最近邻特征点是指用不变的特征点描述符进行运算的与样本点具有最短欧几里德距离的特征点；所述的次近邻特征点是指除最近邻点以外具有最短的欧几里德距离的特征点；步骤四：利用随机抽样一致性RANSAC来剔除无效数据，对步骤三中得到的特征点对进行优化，剔除误匹配的特征点，具体步骤包括：1、从匹配的特征点对中随机抽取4个样本数据放入内点集，计算其单应矩阵；2、计算所有特征点对在单应矩阵的作用下的投影误差，将投影误差小于0.98的点对，加入到内点集，并优化单应矩阵；重复步骤2，直到内点集中所有的投影误差小于某个阈值，得到的单应矩阵为最优的单应矩阵通过该单应矩阵匹配上的特征点对为最佳特征点匹配点对；步骤五：通过步骤四得到的最优单应矩阵和最佳特征点匹配点对，计算得到由相机的内参矩阵、外参矩阵和拉伸因子构成的图像运动参数估计，所述的内参矩阵包括描述相机内部属性的焦距和内部距离，所述的外参矩阵包括描述相机外部运动参数的旋转和平移，进而对采集到的图像进行仿射、畸变校正和平移变换，将所有采集到的图像变换成待合成图像；步骤六：将在步骤五中得到的待合成图像，融合得到一幅完整的全视野的显微图像。