爱华网
关键词：SIFT算法 特征匹配 图像融合 图像拼接
中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2016）11-0129-02
Image Stitching Technology Based on SIFT Algorithm
在实际应用中，当拍摄时由于离的原因一些大型的物体不能用一张照片记录下来，通常采用广角镜头来获取图像来解决此类问题，然而这种方法的成本较高而且操作较为复杂，所以图像拼接技术的出现使我们用普通相机也能得到一幅高分辨率的完整图像；图像拼接技术就是将具有重叠部分的一组图像进行匹配对准，然后经过融合处理后得到一幅包含每幅图像信息的宽视角、高分辨率以及信息完整的图像[1]。
图像拼接技术可以分为三个主要步骤：图像预处理、图像配准、图像融合。目前国内外已经提出了多种图像配准算法，其中传统的SIFT匹配算法[2]以其旋转、尺度缩放、亮度变化以及信息量丰富的特性被广泛使用，不过考虑到算法结构的复杂，特征点的提取与匹配时间也随之增加，缺乏工程的实时性。故本文采用改进的SIFT算法快速提取源图像和待匹配图像的角点并匹配，保证了算法的速度和精度。本文在实验中发现当两幅图片亮度存在太大差异时很容易出现拼缝，因此文中采用加权平均[3]的像素级融合算法，有效的消除拼缝。
1 改进SIFT算法获得稳定匹配对
最初的SIFT算法图像配准[4]主要分为：尺度空间构造、空间极值点检测、生成SIFT特征向量、特征匹配几大步。本文运用一种简化的SIFT算法，通过减少图层数来简化图像配准。一幅二维图像的多尺度空间表示：
（1）
为高斯卷积核，建立DOG金字塔并有效提取关键点，利用不同尺度的高斯差分核与图像卷积生成：
（2）
由于函数D的性质与尺度归一化的拉普拉斯高斯函数十分相似。Mikolajczyk通过实验得到，其极值能够产生比Hessian，Harris等特征提取函数更加稳定的图像特征[5]。
（3）
式中，为Laplace算子，结合公式（3）得：
（4）
公式（4）通过图像边缘的高斯滤波得到DOG金字塔各层图像。由于高斯滤波对边缘图像的中值平滑性，图像信息量快速下降，所以每组第一层中极值点最多，并且其他层提取的特征点与第一层存在冗余，故可以只借助于第一层的信息完成图像配准。
图1（a）、（b）为传统SIFT算法和改进SIFT算法的匹配结果。由图1可以观察到传统的SIFT算法虽然匹配点对多，但是同样误匹配率也相应增大，而改进的算法误匹配率会降低。
2 图像拼接及融合
完成匹配之后，将待拼接的图像与变换完的原图像拼接在一起，但是拼接后很容易出现拼缝。为了消除拼接后产生的拼缝，要对拼接后的图像做融合处理，通常融合是在信号级、像素级和特征级[6-7]上进行融合的，像素级的图像融合是一种低层次的融合可以使人更容易识别潜在目标，保留了更多的信息，精度比较高，像素级的图像融合由于其可利用的信息多被广泛应用。本文中选择了像素加权平均融合算法来处理拼接后的图像。
图像重叠区域中像素点的灰度值为，在两幅图像中对应点的像素分别为和，关系如下：
（5）
其中是渐变因子，满足条件：，在重叠区域中，按照从左图像到右图像的方向，由1渐变至0，由此实现了在重叠区域中由左边重叠区到右边区域的像素融合。
3 实验结果分析
用文中的算法得到的两组拼接的结果如图2所示，从结果可以看出该方法能够得到无拼缝的完整拼接图像。
本算法采用改进SIFT算法进行提取和匹配操作，把传统的128维向量计算减少到32维向量计算，提高了运行速度。利用图像加权平均融合的方法对拼接后的图像进行处理，能够消除拼缝。不论是拼接还是融合都采用的是像素级别的，误差是很小的，得到完整的图像的概率得到了大大提高。
4 结语
本文通过改进的SIFT算法来匹配校正，减少特征点的误匹配率，通过对特征点对连线的斜率的限制来提出误匹配，简化了算法结构，大大提高了整个系统的处理速度。用图像加权平均融合对拼接完的图像做处理，消除拼缝，得到最终的拼接图像。
从本文的算法结构来看，简化的SIFT算法虽然匹配的精度有所提高，当图像的旋转缩放比较大时，匹配的准确性就会下降，所以算法有待完善。图像中存在运动物体时，产生的误匹配和拼缝是否能用本文的算法得到消除，这也是接下来要改善的工作。
参考文献
[1]廖飞，叶玮琼，王鹏程，吴金津，许可可.基于SIFT特征匹配的图像拼接算法[J].湖南工业大学学报，2014，28（1）：71-75.
[2]Brown M， Love D. Recognizing Panoramas[C]//Proceedingof the 9th International Conference on Computer Vision.（ICCV’99）， 2003：218-225.
[3]蔡丽欢，廖英豪，郭东辉.图像拼接方法及其关键技术研究[J].计算机技术与发展，2008，18（3）：1-4.
[4]LOWE D G. Distinctive image features from scale invariant key points [J]. International Journal of Computer Vision，2004，60（2） ：91-110.
[5]K. Mikolajczyk， C. Schmid. A performance evaluation of local descriptors. IEEE Transactions onPattern Analysis and Machine Intelligence， 2005， 27（10）： 1615-1630.
[6]林诚凯，李惠，潘金贵.一种全景生成的改进算法[J].计算机工程与应用，2004，35（3）：69-71.
[7]赵向阳，杜利民.一种全自动稳健的图像拼接融合算法[J].中国图象图形学报，2004，9（4）：417-422.
百度搜索“爱华网”,专业资料、生活学习,尽在爱华网!
