張永梅1，2，張晨希3，郭 莎1

（1.北方工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，北京 100144；2.廣東省普及型高性能計(jì)算機(jī)重點(diǎn)實(shí)驗(yàn)室，深圳市服務(wù)計(jì)算與應(yīng)用重點(diǎn)實(shí)驗(yàn)室，深圳 518060；3.北方工業(yè)大學(xué)電子信息工程學(xué)院，北京 100144）

基于SIFT特征的彩色圖像拼接方法研究

張永梅1，2，張晨希3，郭 莎1

（1.北方工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，北京 100144；2.廣東省普及型高性能計(jì)算機(jī)重點(diǎn)實(shí)驗(yàn)室，深圳市服務(wù)計(jì)算與應(yīng)用重點(diǎn)實(shí)驗(yàn)室，深圳 518060；3.北方工業(yè)大學(xué)電子信息工程學(xué)院，北京 100144）

針對(duì)傳統(tǒng)特征提取拼接算法在復(fù)雜圖像中配準(zhǔn)過(guò)程中出現(xiàn)的過(guò)多誤匹配，導(dǎo)致拼接后圖像出現(xiàn)鬼影、模糊等問(wèn)題，從而影響拼接圖像的質(zhì)量，提出一種改進(jìn)的SIFT配準(zhǔn)算法；在對(duì)目標(biāo)圖像提取SIFT特征后，利用SIFT描述子的尺度以及梯度方向信息建立最小鄰域匹配剔除誤匹配點(diǎn)，之后利用局部均方根誤差（RMSE）評(píng)價(jià)映射矩陣與RANSAC算法相結(jié)合，迭代出精確變換模型；在對(duì)圖像進(jìn)行幾何矯正后，提出一種自適應(yīng)的混合線性算法對(duì)重合區(qū)域圖像變換至HIS顏色空間進(jìn)行圖像拼接，最后得到平滑無(wú)縫的完整彩色全景拼接圖像；實(shí)驗(yàn)結(jié)果證明，該算法在拼接復(fù)雜場(chǎng)景并且重合區(qū)域不多時(shí)仍有較好的準(zhǔn)確性及穩(wěn)定性。

圖像拼接；客觀評(píng)價(jià)；最小鄰域匹配；自適應(yīng)混合線性拼接

0 引言

圖像拼接技術(shù)是將一組由傳感器拍攝到在同一區(qū)域，并且具有相互重疊區(qū)域的圖像集合拼接成一幅寬視角的無(wú)縫高分辨率圖像或360°全景圖像的技術(shù)［1 5］，在圖像處理、計(jì)算機(jī)視覺(jué)、計(jì)算機(jī)圖形學(xué)和虛擬現(xiàn)實(shí)等學(xué)科中都占有重要的地位［6 7］。圖像拼接的本質(zhì)是對(duì)待拼接圖像進(jìn)行圖像配準(zhǔn)找出重疊部分，再對(duì)其進(jìn)行圖像拼接消除拼接縫隙的過(guò)程。通過(guò)圖像配準(zhǔn)可以確定相鄰圖像序列間的旋轉(zhuǎn)和平移等參數(shù)，從而通過(guò)變換模型將圖像轉(zhuǎn)換至同一視角，最終達(dá)到無(wú)縫拼接。

圖像拼接的兩個(gè)關(guān)鍵技術(shù)是圖像配準(zhǔn)和圖像拼接。圖像配準(zhǔn)是圖像拼接的基礎(chǔ)也是最重要的一部分，目前圖像配準(zhǔn)技術(shù)經(jīng)過(guò)長(zhǎng)時(shí)間發(fā)展有了很大進(jìn)步，新的技術(shù)也如雨后春筍般層出不窮，因此圖像配準(zhǔn)技術(shù)的創(chuàng)新也成為圖像拼接技術(shù)發(fā)展的主要原因。相比較于圖像的配準(zhǔn)，圖像拼接技術(shù)的差異在于對(duì)不同拼接圖像的特點(diǎn)，應(yīng)選擇恰當(dāng)?shù)钠唇臃椒ú拍艿玫捷^好的拼接效果。一般來(lái)說(shuō)，圖像拼接技術(shù)主要包括圖像預(yù)處理、圖像配準(zhǔn)、拼接重構(gòu)三步。

圖像預(yù)處理是對(duì)源圖像進(jìn)行數(shù)字圖像處理的基本操作，如去噪、圖像銳化、直方圖均衡化等。利用傅里葉變換、小波變換等分析手段，將圖像轉(zhuǎn)換至頻域進(jìn)行分析處理。

圖像配準(zhǔn)是根據(jù)圖像的特性，采用一定的匹配策略，找出相鄰兩幅待配準(zhǔn)圖像中的特征點(diǎn)、統(tǒng)計(jì)特性、顏色等相似區(qū)域及像素點(diǎn)在參考圖像中對(duì)應(yīng)的位置，從而確定兩幅圖像之間的數(shù)學(xué)變換關(guān)系模型。

拼接重構(gòu)是完成統(tǒng)一坐標(biāo)變換后，將待拼接圖像的重合區(qū)域進(jìn)行圖像拼接處理，消除邊緣縫隙、模糊、像素點(diǎn)錯(cuò)位等問(wèn)題，得到重構(gòu)的無(wú)縫平滑全景圖像。

1 基于SIFT的最小鄰域匹配圖像配準(zhǔn)算法

準(zhǔn)確的圖像配準(zhǔn)是圖像拼接能夠順利完成的重要先決條件。圖像配準(zhǔn)的方法可以分為基于區(qū)域和基于特征兩大類(lèi)方法［8 11］。在基于特征的配準(zhǔn)方法中，1999年由Lowe提出并在2004年改進(jìn)完善的SIFT［12］算法對(duì)圖像旋轉(zhuǎn)、比例縮放、光照變化表現(xiàn)出較強(qiáng)的魯棒性，并能提取出較多的特征點(diǎn)。

1.1 鄰域特征匹配法原理

該方法首先直接從目標(biāo)和待配準(zhǔn)兩個(gè)源圖像中提取各自的特征點(diǎn)集，再對(duì)兩者對(duì)應(yīng)的特征點(diǎn)集進(jìn)行匹配。本文針對(duì)已提取出的特征點(diǎn)集先構(gòu)建一棵K－D樹(shù) （K－Dimensional Tree），然后在該數(shù)據(jù)結(jié)構(gòu)中采用BBF算法搜索特征點(diǎn)的最近鄰域點(diǎn)。

本文將圖像中的特征點(diǎn)表示為Si＝［Xi，ri，θi，f（Xi，ri，θi）］T，其中Xi∈R2，描述該點(diǎn)的位置信息，ri描述該點(diǎn)的尺度大小信息，θi描述該點(diǎn)的梯度方向，f（Xi，ri，θi）描述對(duì)應(yīng)匹配特征點(diǎn)描述子。

1.2 鄰域特征匹配算法步驟

1）初始的正確匹配點(diǎn)集采用兩兩匹配遍歷方式，重復(fù)匹配直到確定該兩點(diǎn)滿(mǎn)足鄰域關(guān)系，這樣就可以確定初始正確匹配點(diǎn)集，具體方法如3）和4）所示。

2）從圖像中任意選擇未匹配的一點(diǎn)S1，以該點(diǎn)為圓心（歐氏距離）尋找最臨近的正確匹配特征點(diǎn)S2和與之對(duì)應(yīng)的匹配點(diǎn)f（S2）；

3）連接S1與最鄰近匹配點(diǎn)S2，同時(shí)連接這兩點(diǎn)各自對(duì)應(yīng)的點(diǎn)f（S1）與f（S2），并計(jì)算其各自連線與S1點(diǎn)和f（S1）梯度方向角度的差值θx；

4）本文設(shè)定閾值角度為10°，考慮到不同拍攝角度引起的誤差，如果計(jì)算所得的匹配點(diǎn)的角度差在設(shè)定的閾值范圍內(nèi)，則本文判斷該鄰近點(diǎn)匹配成功，并且保留該點(diǎn)，否則判斷其為誤匹配候選點(diǎn)。

5）同樣利用上述方法計(jì)算點(diǎn)S1與其次鄰近點(diǎn)的角度差值，如果同樣未在閾值內(nèi)，則判斷該點(diǎn)是錯(cuò)誤的匹配點(diǎn)，否則判斷其與次臨近點(diǎn)為正確匹配；

6）重復(fù)步驟2）～5），直到遍歷完圖像中所有匹配特征點(diǎn)。

該方法能有效利用鄰域的特征點(diǎn)位置關(guān)系來(lái)進(jìn)行特征點(diǎn)的匹配，并且可以消除一定誤匹配。鄰域匹配法如圖1所示。

圖1 最近鄰域匹配表示兩幅圖像之間匹配關(guān)系

1.3 反向匹配法刪除誤匹配

本文對(duì)待配準(zhǔn)圖像中的特征點(diǎn)進(jìn)行單向匹配后，再對(duì)待配準(zhǔn)圖像中的同名匹配點(diǎn)進(jìn)行同閾值的逆向匹配，只保留雙向匹配均為相同對(duì)應(yīng)雙方的特征點(diǎn)對(duì)，將剩余特征點(diǎn)刪除掉。這樣做的目的是：在第一次匹配后，經(jīng)常會(huì)出現(xiàn)目標(biāo)圖像中多個(gè)點(diǎn)與待配準(zhǔn)圖像中同一個(gè)點(diǎn)匹配，而在逆向匹配后，可以找到唯一對(duì)應(yīng)的同名點(diǎn)，從而有效排除其他錯(cuò)誤的匹配。如圖2所示，三條連接線只有一條是正確匹配。

1.4 RANSAC算法與客觀評(píng)價(jià)相結(jié)合的變換矩陣校正方法

本文提出一種基于局部均方根有效值的客觀評(píng)價(jià)方法，并結(jié)合RANSAC算法對(duì)配準(zhǔn)圖像進(jìn)行客觀評(píng)價(jià)，如果評(píng)價(jià)指標(biāo)達(dá)到客觀評(píng)價(jià)要求，則認(rèn)為符合標(biāo)準(zhǔn)，如果達(dá)不到要求，則找出并刪除引起偏差的不準(zhǔn)確匹配點(diǎn)，再利用RANSAC算法重新計(jì)算內(nèi)點(diǎn)，重復(fù)上述步驟，排除誤差偏大的不穩(wěn)定匹配點(diǎn)，迭代出達(dá)到亞像素級(jí)匹配標(biāo)準(zhǔn)的變換矩陣，從而得到最好的配準(zhǔn)結(jié)果。

圖2 雙向匹配法排除誤匹配點(diǎn)

相比傳統(tǒng)的SIFT算法，經(jīng)過(guò)客觀評(píng)價(jià)方法提純后，特征點(diǎn)匹配的正確率以及計(jì)算變換矩陣的精度上都有明顯提高。

2 多通道自適應(yīng)線性混合圖像拼接方法

經(jīng)過(guò)上一步配準(zhǔn)，得到了變換矩陣并將待拼接圖像與目標(biāo)圖像轉(zhuǎn)換為同一個(gè)坐標(biāo)系，下一步將多幅彩色圖像拼接后拼接為一幅完整的全景圖像。如果所有的圖像都已經(jīng)完美配準(zhǔn)并且經(jīng)過(guò)了曝光補(bǔ)償?shù)仁侄翁幚?，這將是一個(gè)簡(jiǎn)單的問(wèn)題，只需要把坐標(biāo)對(duì)準(zhǔn)就可以，但是在實(shí)際的圖像拼接中，明顯的拼接縫隙、模糊都有可能發(fā)生。

拼接縫隙是由于拍攝角度不同、光照強(qiáng)弱等，導(dǎo)致拼接后出現(xiàn)明顯兩端變換的縫隙，模糊是指由于配準(zhǔn)未能精確或拼接時(shí)像素點(diǎn)未能對(duì)齊，導(dǎo)致像素點(diǎn)的錯(cuò)位，視覺(jué)效果會(huì)有模糊的感覺(jué)，鬼影是指由于圖像之間有相對(duì)移動(dòng)的目標(biāo)而在拼接后，圖像之間在同一位置會(huì)有像素點(diǎn)相對(duì)位移的沖突，出現(xiàn)物體重影、多重顯示等問(wèn)題。

為了解決這些問(wèn)題，需要選擇哪些在圖像重合區(qū)域像素拼接時(shí)需要被保留、放大或者舍棄，因?yàn)榇唇訄D像存在多樣性，所以如何選擇不能僅僅依靠一定閾值、權(quán)值的預(yù)設(shè)，而需要計(jì)算機(jī)根據(jù)圖像信息自適應(yīng)選取。選擇什么樣的拼接策略把這些重合區(qū)域中不同的像素點(diǎn)計(jì)算出來(lái)將會(huì)直接影響拼接圖像的質(zhì)量好壞。

線性平均法最簡(jiǎn)單的方法就是將兩幅圖像重合區(qū)域的對(duì)應(yīng)像素取平均值

在誤匹配較大或者圖像場(chǎng)景中物體移動(dòng)明顯的情況下，上述的線性平均法不能達(dá)到理想的效果，雖然可以在一定程度上模糊拼接接縫，但是會(huì)出現(xiàn)較嚴(yán)重的鬼影效果，不能作為彩色圖像拼接方法的普遍應(yīng)用方法。通過(guò)中值濾波法能夠有效地消除線性平均法的不足，但是相對(duì)地會(huì)帶來(lái)拼接圖像模糊的問(wèn)題。

為了解決上述兩種方法帶來(lái)的不足，本文改進(jìn)了一種自適應(yīng)權(quán)值的線性拼接方法。該線性拼接方法提高靠近圖像中心點(diǎn)像素的權(quán)重值，降低靠近圖像邊緣像素點(diǎn)的權(quán)重值，當(dāng)圖像出現(xiàn)切口或間斷區(qū)域時(shí)，降低臨近部分像素點(diǎn)的權(quán)重值會(huì)有比較好的效果。而這個(gè)權(quán)重的計(jì)算可以使用自適應(yīng)計(jì)算方法來(lái)表示為距離映射關(guān)系。

將每一個(gè)有效的像素標(biāo)記為其歐氏距離最近的無(wú)效像素。

雖然這種簡(jiǎn)單的加權(quán)平均可以有效地解決不同圖像曝光差異引起的邊緣接縫，但是無(wú)法很好地解決模糊與鬼影的問(wèn)題，這是因?yàn)槿绻麅煞鶊D像出現(xiàn)過(guò)度衰減的值不能只是用簡(jiǎn)單的求和方法來(lái)拼接。

為了解決兩幅圖像重合區(qū)域存在不同移動(dòng)物體或場(chǎng)景帶來(lái)的鬼影問(wèn)題，本文提出一種利用ωpk（x）來(lái)提高距離映射的權(quán)值，如果高于某一定范圍，那么權(quán)重值就會(huì)被這個(gè)距離映射的更大的值所決定。這種方法可以在曝光差異與模糊之間提供一種合理的折衷，達(dá)到比較理想的拼接結(jié)果。

如果p→∞，那么只有最高權(quán)重的圖像中的像素可以被選擇作為拼接后圖像像素點(diǎn)。

則按照選擇函數(shù)選擇圖像的相應(yīng)像素點(diǎn)來(lái)直接填充拼接后圖像對(duì)應(yīng)的像素點(diǎn)值。這種方法相對(duì)于其他線性平均法，高通濾波法等在進(jìn)行拼接時(shí)，可以完全采用其中一幅圖像的像素值，這樣的好處是可以有效地消除兩幅圖像間存在移動(dòng)物體帶來(lái)的錯(cuò)位，也稱(chēng)為鬼影，但是會(huì)減少圖像的一些信息量。

考慮到人眼對(duì)HIS顏色的敏感程度，本文選擇待拼接圖像S（飽和度）顏色空間做距離映射，計(jì)算之后再返回到RGB空間，對(duì)圖像采用本文的拼接方法。

最后，整體看來(lái)就是通過(guò)S顏色空間計(jì)算出重合區(qū)域圖像的距離映射，權(quán)值α與β在范圍0－1內(nèi)自適應(yīng)改變，該操作可以用來(lái)對(duì)兩幅圖像或兩段視頻產(chǎn)生時(shí)間上的畫(huà)面疊化效果。

本文對(duì)目標(biāo)圖像與待拼接圖像進(jìn)行投影變換，變換至同一坐標(biāo)系中，解決圖像旋轉(zhuǎn)、縮放、平移和錯(cuò)切等問(wèn)題，接下來(lái)利用曝光補(bǔ)償消除拼接圖像之間的光照差異，為拼接做好預(yù)處理準(zhǔn)備。預(yù)處理完成后將拼接圖像變換到HIS顏色空間，在S顏色空間內(nèi)計(jì)算拼接圖像間的顏色距離映射，從而得到拼接每個(gè)圖像像素點(diǎn)所占權(quán)重值，然后利用得到權(quán)重計(jì)算拼接后圖像像素值，最后利用圖像拼接客觀評(píng)價(jià)指標(biāo)計(jì)算拼接前后圖像相似度指標(biāo)，得到拼接圖像同時(shí)進(jìn)行其質(zhì)量評(píng)價(jià)。算法流程如圖3所示。

圖3 拼接算法流程圖

在圖4的實(shí)驗(yàn)圖像中，（a）是利用線性平均法的結(jié)果，可以看到如果兩幅圖像重合區(qū)域相對(duì)移動(dòng)物體過(guò)多，或者由變換矩陣不準(zhǔn)確帶來(lái)的像素點(diǎn)錯(cuò)位，那么將會(huì)出現(xiàn)大量鬼影、模糊等問(wèn)題，很大程度上會(huì)影響拼接結(jié)果；（b）中雖然利用中值濾波方法消除了鬼影的存在，但是帶來(lái)的大量錯(cuò)位以及縫隙對(duì)人類(lèi)視覺(jué)感官影響較大；（c）中利用帶權(quán)值的線性拼接方法，比起線性平均法有較好的效果，但是還是會(huì)存在一定鬼影導(dǎo)致拼接效果欠佳；（d）、（e）利用本文的自適應(yīng)分配權(quán)值的線性模型方法，將圖像轉(zhuǎn)到S顏色空間進(jìn)行拼接處理，在兩幅圖像出現(xiàn)運(yùn)動(dòng)物體混疊，導(dǎo)致像素值相差過(guò)大時(shí)，將權(quán)值分配大部分為上方圖像α→∞、β→0，優(yōu)化消除了鬼影及縫隙，從視覺(jué)效果上有一定提升。

圖4 各種拼接方法效果對(duì)比

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文方法的有效性與可靠性，在Visual studio 2010上進(jìn)行了12組圖像拼接的實(shí)驗(yàn)，由于篇幅限制，本文給出兩組實(shí)驗(yàn)結(jié)果，圖5、6分別為圖像分辨率900×900由無(wú)人機(jī)拍攝的圣亞歷山大·涅夫斯基大教堂圖像以及分辨率為900 ×1 300的馬尼拉人笑容圖像。圖7分辨率為2 500×1 800。表1、2、3、4給出了幾種算法對(duì)比結(jié)果。

表1 本文算法與各類(lèi)算法配準(zhǔn)正確率比較%__

表2 不同方法真實(shí)映射矩陣RMSE誤差

通過(guò)表1實(shí)驗(yàn)結(jié)果可知，本文算法在傳統(tǒng)SIFT特征點(diǎn)提取算法的基礎(chǔ)上，利用最小鄰域雙向匹配法進(jìn)行特征點(diǎn)的匹配，相比傳統(tǒng)BBF匹配方法在精確度上有較大提升，接著利用客觀評(píng)價(jià)方法均方根誤差值反向?qū)ふ义e(cuò)誤匹配點(diǎn)，如此迭代達(dá)到高精度的配準(zhǔn)模型。表2所示的真實(shí)映射矩陣誤差是指排除所有誤匹配后，待配準(zhǔn)圖像通過(guò)求得矩陣映射至目標(biāo)圖像后的RMSE誤差，如果越小說(shuō)明所求矩陣越精確。如表3所示，相比于其他3種方法，本文因?yàn)檠赜昧薙IFT特征點(diǎn)，雖然在特征點(diǎn)提取時(shí)間并未突破，但可以計(jì)算出變換矩陣的精度均強(qiáng)于SURF算法以及專(zhuān)業(yè)配準(zhǔn)軟件ENVI所得結(jié)果，能夠?yàn)椴噬珗D像拼接提供更好的配準(zhǔn)圖像。

圖5 無(wú)人機(jī)拍攝圣亞歷山大·涅夫斯基大教堂全景拼接圖像（該組圖像為無(wú)人機(jī)拍攝，存在較大角度旋轉(zhuǎn)，小幅度重合區(qū)域并且?guī)в懈咚乖肼暎?/p>

圖6 無(wú)人機(jī)拍攝馬尼拉人笑容全景拼接圖像（該組圖像為無(wú)人機(jī)拍攝，帶有大幅度的旋轉(zhuǎn)，并且因?yàn)楝F(xiàn)實(shí)原因帶有白色邊框補(bǔ)充區(qū)域）

圖72 500×1 800高分辨率復(fù)雜城市拼接結(jié)果

表3 圖像拼接評(píng)價(jià)結(jié)果

表4 圖像拼接信息量結(jié)果

通過(guò)表3本文算法與現(xiàn)有算法的對(duì)比可以看到，本文算法雖然在精度以及時(shí)間都不是最佳選擇，但是綜合兩點(diǎn)后得到了較好的結(jié)果。根據(jù)SSIM相似度評(píng)價(jià)指標(biāo)的定義，結(jié)果越接近1，說(shuō)明拼接前圖像與拼接后圖像越接近，反之說(shuō)明差異性越大。相比于普通的線性加權(quán)平均方法，本文算法在利用顏色距離空間對(duì)權(quán)重的自適應(yīng)分割，選取在顏色空間更加符合人眼的圖像作為拼接像素點(diǎn)的基準(zhǔn)，而不僅是單單加權(quán)平均像素點(diǎn)，這在主觀視覺(jué)以及客觀評(píng)價(jià)指標(biāo)上都有了較好的提升；相比于基于小波變換的Mallat與高通濾波法，本文算法在保證較高的拼接質(zhì)量的同時(shí)又具有較低的時(shí)間復(fù)雜度，這在彩色圖像拼接的實(shí)際應(yīng)用中會(huì)給用戶(hù)較好的視覺(jué)體驗(yàn)。

信息熵是衡量圖像信息豐富程度的一個(gè)重要指標(biāo)，該指標(biāo)只關(guān)心拼接圖像本身的灰度，拼接圖像的熵越大，說(shuō)明拼接圖像的信息量增加得越多。表4表明，通過(guò)本文拼接處理后圖像信息量?jī)H略低于文獻(xiàn)［6］提出的Mallat算法拼接的圖像，因?yàn)榛谛〔ǖ姆椒ㄔ诟鱾€(gè)頻帶上分別進(jìn)行了圖像拼接，所以信息量相比原圖會(huì)有少許增加，這種方法在帶拼接圖像之間靜止物體較多的時(shí)候比較適用，但是如果圖像之間運(yùn)動(dòng)物體較多，則會(huì)出現(xiàn)鬼影、模糊等現(xiàn)象；相比其他兩種方法，本文方法可以有效保持圖像的信息量。

5 結(jié)論

針對(duì)傳統(tǒng)圖像拼接方法時(shí)間復(fù)雜度高，精度低，配準(zhǔn)時(shí)圖像要求重合度較高等不足，本文利用客觀評(píng)價(jià)方法與改進(jìn)的SIFT特征提取算法相結(jié)合的方法，有效地提高了圖像的配準(zhǔn)率及穩(wěn)定性，接著根據(jù)人類(lèi)視覺(jué)對(duì)顏色敏感機(jī)制，提出了一種基于多通道自適應(yīng)線性混合圖像拼接算法，相對(duì)于其他拼接算法，本文算法在繼承線性拼接方法速度快的同時(shí)，有效地改善了傳統(tǒng)方法沒(méi)有解決的鬼影、陰影、模糊等問(wèn)題，可以有效地解決待拼接圖像之間出現(xiàn)過(guò)多移動(dòng)目標(biāo)的情況。

［1］王 娟，師 軍，吳憲祥.圖像拼接技術(shù)綜述［J］.計(jì)算機(jī)應(yīng)用研究，2008，25（7）：1940-1943.

［2］余先川，呂中華，胡 丹.遙感圖像配準(zhǔn)技術(shù)綜述［J］.光學(xué)精密工程，2013，21（11）：2960-2972.

［3］王 勇，何曉川，劉清華，等.一種感興趣區(qū)域?qū)?yōu)搜索的全自動(dòng)圖像拼接算法［J］.電子與信息學(xué)報(bào)，2009，31（2）：261 -264.

［4］Hernani Goncalves，JoséA.Goncalves，Luís Corte－Real，Member，Measures for an objective evaluation of the geometric correction process quality［J］.IEEE Geoscience And Remote Sensing Letters，2009，6（2）：292-296.

［5］Fischler MA，Bolles R C.Random sample consensus：a paradigm for model fitting with applications to image analysis and automated cartography［J］.Communications of the ACM，1981，24（6）：381-395.

［6］延偉東，田 錚，溫金環(huán)，等.基于偏最小二乘的SIFT誤匹配校正方法［J］.計(jì)算機(jī)應(yīng)用，2012，32（5）：1255-1257.

［7］鄭雪梅，范 勇，石琦凱，等.一種基于點(diǎn)的快速圖像配準(zhǔn)算法［J］.計(jì)算機(jī)工程，2012，38（1）：220-221.

［8］羅曉清，吳小俊.一種基于區(qū)域相似性的圖像融合評(píng)價(jià)方法［J］.電子學(xué)報(bào)，2010，38（5）：1152-1155.

［9］劉 輝，申海龍.基于相似性的圖像融合質(zhì)量的客觀評(píng)估方法［J］.軟件學(xué)報(bào)，2006，17（7）：1580-1587.

［10］王海鳳，范 輝，李晉江.結(jié)合SIFT和Krawtchouk矩不變量的圖像配準(zhǔn)方法［J］.計(jì)算機(jī)工程與應(yīng)用，2013，49（1）：202 -205.

［11］Liu Z X，An J B，Jing Y.A simple and robust feature point matching algorithm based on restricted spatial order constraints for aerial image registration［J］.IEEE Trans on Geoscience and Remote Sensing，2012，50（2）：514-527.

［12］Lowe D G.Distinctive image features from scale－invariant key points［J］.International Journal of Computer Vision，2004，60 （2）：245-251.

Color Image Mosaic Algorithm Based on Improved SIFT

Zhang Yongmei1，2，Zhang Chenxi3，Guo Sha1

（1.School of Computer Science，North China University of Technology，Beijing 100144，China；2.Guangdong Key Laboratory of Popular High Performance Computers，Shenzhen Key Laboratory of Service Computing and Applications，Shenzhen 518060，China；3.Institute of Information Engineering，North China University of Technology，Beijing 100144，China）

For too many unstable matching errors extracted by the traditional feature extraction algorithm in process of big complex images registration，reduces the mosaic image quality because of ghost，fuzzy problem after fusion image.Improved algorithm based on SIFT is proposed in this paper，after extracting SIFT feature from the target image，using the Minimum Neighbor Feature Matching eliminate false matches based on scale and gradient direction information from SIFT descriptor.Then iterate the accurate mapping matrix by using Random Sample Consensus algorithm（RANSAC）and the local root mean squared error（RMSE）.After image geometric correction，adaptive mix linear blend algorithm is proposed to fuse the overlap region of image in HIS color space.Finally achieve the full color image smooth and seamless panorama stitching.The results show the proposed algorithm is accuracy and stability in the complex scene and with little splicing overlap regions.

image mosaic；objective evaluation；minimum neighbor feature matching；adaptive mix linear blend

1671-4598（2016）08-0236-04

10.16526／j.cnki.11－4762／tp.2016.08.065

：TP751.1

：A

2016-02-23；

：2016-03-11。

國(guó)家自然科學(xué)基金項(xiàng)目（61371143）；廣東省普及型高性能計(jì)算機(jī)重點(diǎn)實(shí)驗(yàn)／深圳市服務(wù)計(jì)算與應(yīng)用重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題（SZU －GDPHPCL2014）；北京市教委面向虛實(shí)融合的多源圖像配準(zhǔn)與識(shí)別科研項(xiàng)目（PXM2015_014212_000024）；北京市教委多源遙感圖像配準(zhǔn)與識(shí)別科研項(xiàng)目（XN081）；北京市教委基于內(nèi)容感知的最優(yōu)圖像縮放技術(shù)研究與應(yīng)用科研項(xiàng)目。

張永梅（1967-），女，山西太原人，博士，教授，主要從事圖像處理、智能識(shí)別方向的研究。