王欣 邢玉娟 楊波

（蘭州文理學院數(shù)字媒體學院，甘肅 蘭州 730010）

0 引言

由于使用相機拍攝的圖像包含的信息少于人眼可以觀察到的信息，因此圖像拼接技術(shù)將兩個或多個部分重疊的圖像組合在一起形成高分辨率圖像[1]，廣泛應(yīng)用于數(shù)字視頻壓縮、運動控制、虛擬現(xiàn)實技術(shù)、遙感圖像處理和醫(yī)學圖像分析，圖像拼接技術(shù)已成為照片圖形，計算機視覺，圖像處理和計算機圖形學的熱點。

圖像拼接主要包括兩個步驟，即圖像配準和圖像融合。圖像配準是最困難和最關(guān)鍵的過程，不僅從圖像中提取特征點，而且還搜索正確的匹配點。通常，特征點檢測包括許多方法，例如Harris特征點、KLT特征點、Susan特征點、SIFT特征點、Surf點和其他方法。

近年來，研究人員在圖像拼接技術(shù)方面做了大量工作。Richard Szeliski提出了一種基于運動的全景圖像拼接算法，它可以計算圖像之間的幾何變換[2]，結(jié)果實現(xiàn)了圖像配準和圖像平滑。Papandreou等[3]提出了一種新的圖像拼接技術(shù)，它使用旋轉(zhuǎn)矩陣來表示馬賽克圖像之間的關(guān)系，提高了圖像拼接的清晰度。與外國相比，中國的圖像拼接技術(shù)起步較晚，但發(fā)展很快。清華大學孫家光、劉強、齊馳通過追蹤相鄰幀之間的紋理特征，提出了一種圓柱全景方法，該算法的精度很高，但也需要太多的計算。在圖像拼接算法中，RANSAC exaction是一個重要的步驟，而且這一步驟實時性差。本文提出了一種改進的RANSAC算法，該算法基于特征點的統(tǒng)計規(guī)律。在這種方法中，沒有重疊區(qū)域存在的一些不匹配點將被拒絕，以支持實時。

1 圖像馬賽克

1.1 Harris特征點檢測

基于信號點提取特征的Harris算子由C. Harris和M. J. Stephens提出。它具有計算簡單，提取均勻，操作穩(wěn)定等特點。

1）左框架和右框架上的每個點由改進的水平和垂直差分算子過濾。

2）使用高斯濾波器過濾l的四個參數(shù)，然后得到新的l。該離散高斯函數(shù)是：

3）計算特征點的張量：

4）最后，當cim滿足閾值并且該點是局部最大點時，找到特征點。

1.2 歸一化互相關(guān)方法

Harris算子提取的特征點可能不匹配，因此必須處理匹配方法。歸一化互相關(guān)方法（NCC）是一個經(jīng)典算法，計算其間的互相關(guān)值模板。

1）圖1中的特征點的5個鄰域被過濾平滑操作。

2）提出歸一化的互相關(guān)矩陣。讓搜索圖像S的大小為M*M，模板T的大小為M*N，M、N都是像素，M大于N，讓模板T移動，Si，j是圖像S中由模板T覆蓋的區(qū)域，（i，j）是Si，j左上角的坐標，度量函數(shù)測量搜索圖像和模板之間的相似性。

3）在歸一化互相關(guān)矩陣的基礎(chǔ)上，計算特征點的最大值。

4）通過使用3的結(jié)果，找到初始匹配點。

5）循環(huán)計算所有特征點。

1.3 改進的RANSAC Exaction

隨機樣本共識（RANSAC）算法能夠使特征點與噪聲相匹配，并且具有良好的魯棒性。由于很少有特征點沒有重疊區(qū)域，因此沒有重疊區(qū)域之間存在明顯差異。

在重疊區(qū)域，改進的RANSAC提取可以根據(jù)特征點的統(tǒng)計規(guī)律輕松去除無重疊區(qū)域。

1）整個圖像分為八個部分。計算每個區(qū)域中的要素點數(shù)。結(jié)果表明，更多數(shù)量的特征點位于重疊區(qū)域，而較少的特征點位于重疊區(qū)域。刪除無重疊區(qū)域，同時通過特征點的數(shù)量保留重疊區(qū)域。

2）在保留區(qū)域中，隨機選擇四對特征點。

3）將模型一致點的數(shù)量設(shè)置為零。

4）從（x1，y1）（x2，y2）…（x3，y3）和（x’1，y’1）（x’2，y’2）…（x’n，y’n）中選擇點，點（xi，yi）和點（x’i，y’i）使投影變換產(chǎn)生支持點。根據(jù)投影變換模型，a11、a12、b1、a21、a22、b2可以被計算出來。

如果（7）是正確的，則一致點的數(shù)量加1。

5）如果一致點的數(shù)量大于給定的閾值Nt（10%），則該模型將是最佳模型。否則，該過程從步驟1-3重復(fù)。

1.4 圖像平滑

為了消除明顯的邊緣，本文提出了一種常用于重疊區(qū)域的線性過渡方法?？梢愿鶕?jù)等式（8）計算重疊區(qū)域的像素值。

其中，k是加權(quán)平均系數(shù)(0＜k＜1)。在重疊區(qū)域圖像部分的左側(cè)到右側(cè)的k變?yōu)?到0。

d1、d2是重疊區(qū)域中從匹配點到左邊界和右邊界的距離。

2 模擬結(jié)果分析

實驗硬件平臺是一臺PC，包含2.93GHz CPU和2.00GB內(nèi)存。軟件平臺為Matlab R2009a/Simulink，是系統(tǒng)仿真平臺。在該方法中，主要模塊是特征點檢測，NCC特征點粗匹配，RANSAC特征點匹配，投影變換，圖像平滑。改進的RANSAC方法的結(jié)果如圖1所示。

從上面的實驗中，改進的RANSAC方法可以消除異常值，可以極大地支持實時性。同時，為投影變換準備了投影矩陣的計算參數(shù)。圖像平滑消除了邊緣。圖像平滑的結(jié)果如下所示（圖2）。排除異常值和包括異常值的比較見表1。

圖1 改進后的RANSAC提取

圖2 圖像平滑的結(jié)果

表1 改進結(jié)果

3 結(jié)語

本文提出了一種改進的RANSAC彩色圖像拼接算法。它適合不同的時間和不同的攝像機角度。Harris角點檢測，NCC角點粗略匹配，改進的RANSAC提取，估計投影變換矩陣，投影變換，圖像平滑是算法的主要模塊。改進的RANSAC算法基于特征點的統(tǒng)計規(guī)律。在這種方法中，一些不匹配的點存在于永不重疊的區(qū)域?qū)⒈痪芙^以支持實時。