图像拼接技术毕业论文.docx
《图像拼接技术毕业论文.docx》由会员分享，可在线阅读，更多相关《图像拼接技术毕业论文.docx（24页珍藏版）》请在冰豆网上搜索。
图像拼接技术毕业论文
图像拼接技术毕业论文
摘要
面向对象的图像拼接技术摘要:
图像拼接技术就是利用面向对象的方式将数张有重叠部分的图像（可能是不同时间、不同视角或者不同传感器获得的）拼成一幅大型的无缝高分辨率图像的技术。
图像配准和图像融合是图像拼接的两个关键技术。
图像配准是图像融合的基础,而且图像配准算法的计算量一般非常大,因此图像拼接技术的发展很大程度上取决于图像配准技术的创新。
早期的图像配准技术主要采用点匹配法,这类方法速度慢、精度低,而且常常需要人工选取初始匹配点,无法适应大数据量图像的融合。
图像拼接流程图像拼接的方法很多,不同的算法步骤会有一定差异,但大致的过程是相同的。
一般来说,图像拼接主要包括以下五步:
a）图像预处理。
包括数字图像处理的基本操作（如去噪、边缘提取、直方图处理等）、建立图像的匹配模板以及对图像进行某种变换（如傅里叶变换、小波变换等）等操作。
b）图像配准。
就是采用一定的匹配策略,找出待拼接图像中的模板或特征点在参考图像中对应的位置,进而确定两幅图像之间的变换关系。
c）建立变换模型。
根据模板或者图像特征之间的对应关系,计算出数学模型中的各参数值,从而建立两幅图像的数学变换模型。
d）统一坐标变换。
根据建立的数学转换模型,将待拼接图像转换到参考图像的坐标系中,完成统一坐标变换。
e）融合重构。
将带拼接图像的重合区域进行融合得到拼接重构的平滑无缝全景图像。
相邻图像的配准及拼接是全景图生成技术的关键,有关图像配准技术的研究至今已有很长的历史,其主要的方法有以下两种:
基于两幅图像的亮度差最小的方法和基于特征的方法。
本文采用基于特征模板匹配特征点的拼接方法。
该方法允许待拼接的图像有一定的倾斜和变形,克服了获取图像时轴心必须一致的问题,同时允许相邻图像之间有一定色差。
全景图的拼接主要包括以下4个步骤:
图像的预拼接,即确定两幅相邻图像重合的较精确位置,为特征点的搜索奠定基础。
特征点的提取,即在基本重合位置确定后,找到待匹配的特征点。
图像矩阵变换及拼接,即根据匹配点建立图像的变换矩阵并实现图像的拼接。
最后是图像的平滑处理。
图片拼接镶嵌（imagesplineandmosaics）应用很广，可以实现不同图片之间的拼接和镶嵌。
这方面的一个经典算法是PeterJ.Burt和EdwardH.Adelson在《AMultiresolutionSpline
WithApplicationToImageMosaics》中提出的。
实现该算法还需要精读一篇论文"TheLaplacianpyramidasacompact
imagecode"（Burt&Adelson1983）。
用MultiresolutionSpline算法来消除这些痕迹。
MultiresolutionSpline的基本原理是使用Gaussian算子通过对
图像进行层叠分解（pyramiddecomposition），使用REDUCE和EXPAND算子来获得G（Gaussian图）和L（Laplacian图），kk
并在给定曲线（一般指重叠的痕迹）上对每层的两个L图进行k
融合。
然后将融合后的P图放大，以得到S（即每层的最终图Kk
像，由P和S求得）。
最终的图像是S。
如下图所示:
kk+10
实现该算法，主要需要以下步骤:
1、完成对图像的高斯和拉普拉斯金字塔存储转换。
主要有以下
三个函数:
[p]=gaussianPyramid（im,n,a）
[p]=laplacianPyramid（im,n,a）
[im]=collapsePyramid（p,a）
2、写出对两张图像进行融合拼接的函数:
[im]=imBlend（fg,bg,n）
3、根据不同的应用问题，可以按照PeterJ.Burt和EdwardH.Adelson的经典算法的要求，对上面的函数的进行修改。
由于该算法是比较早期提出的，现已经有许多改进。
但该算法仍然是一个经典算法，通过该算法，可以进一步理解图像分层数据结构的原理和应用。
以下是一些效果展示:
1、原文中苹果和梨的拼接效果:
苹果梨
直接拼接效果该算法实现效果
2、不同风格图片的拼接:
小狗壁画形式
直接拼接效果该算法实现效果
【摘要】错误～未定义书签。
I第一章绪论
1.1图像拼接技术的研究背景及研究意义1.2图像拼接算法的原理与分类1.3本文的主要工作和组织结构
1.4本章小结
第二章图像拼接的基础理论及图像预处理2.1图像拼接
2.2图像的获取方式
2.3图像的预处理
2.3.1图像的校正
2.3.2图像噪声的抑制
2.4本章小结
第三章图像配准算法
3.1图像配准的概念
3.2基于区域的配准
3.2.1逐一比较法
3.2.2分层比较法
3.2.3相位相关法
3.3基于特征的配准
3.3.1比值匹配法
3.3.2特征点匹配法
第四章图像融合技术
4.1图像融合技术的基本概念
4.2手动配准与图象融合
4.3图像融合规则
4.4图像融合方法
4.5图像融合步骤
4.6本章小结
第五章图像拼接matlab实现
5.1Matlab简介
5.2各算法程序
5.2.1一般方法
5.2.3金字塔（Pyramid）算法程序
第一章绪论
1.1图像拼接技术的研究背景及研究意义
图像拼接（imagemosaic）是一个日益流行的研究领域，他已经成为照相绘图学、计算机视觉、图像处理和计算机图形学研究中的热点。
图像拼接解决的问题一般式，通过对齐一系列空间重叠的图像，构成一个无缝的、高清晰的图像，它具有比单个图像更高的分辨率和更大的视野。
早期的图像拼接研究一直用于照相绘图学，主要是对大量航拍或卫星的图像的整合。
近年来随着图像拼接技术的研究和发展，它使基于图像的绘制（IBR）成为结合两个互补领域——计算机视觉和计算机图形学的坚决焦点，在计算机视觉领域中，图像拼接成为对可视化场景描述（VisualSceneRepresentaions）的主要研究方法:
在计算机形学中，现实世界的图像过去一直用于环境贴图，即合成静态的背景和增加合成物体真实感的贴图，图像拼接可以使IBR从一系
列真是图像中快速绘制具有真实感的新视图。
在军事领域网的夜视成像技术中，无论夜视微光还是红外成像设备都会由于摄像器材的限制而无法拍摄视野宽阔的图片，更不用说360度的环形图片了。
但是在实际应用中，很多时候需要将360度所拍摄的很多张图片合成一张图片，从而可以使观察者可以观察到周围的全部情况。
使用图像拼接技术，在根据拍摄设备和周围景物的情况进行分析后，就可以将通过转动的拍摄器材拍摄的涵盖周围360度景物的多幅图像进行拼接，从而实时地得到超大视角甚至是360度角的全景图像。
这在红外预警中起到了很大的作用。
微小型履带式移动机器人项目中，单目视觉不能满足机器人的视觉导航需要，并且单目视觉机器人的视野范围明显小于双目视觉机器人的视野。
利用图像拼接技术，拼接机器人双目采集的图像，可以增大机器人的视野，给机器人的视觉导航提供方便。
在虚拟现实领域中，人们可以利用图像拼接技术来得到宽视角的图像或360度全景图像，用来虚拟实际场景。
这种基于全景图的虚拟现实系统，通过全景图的深度信息抽取，恢复场景的三维信息，进而建立三维模型。
这个系统允许用户在虚拟环境中的一点作水平环视以及一定范围内的俯视和仰视，同时允许在环视的过程中动态地改变焦距。
这样的全景图像相当于人站在原地环顾四周时看到的情形。
在医学图像处理方面，显微镜或超声波的视野较小，
医师无法通过一幅图像进行诊视，同时对于大目标图像的数据测量也需要把不完整的图像拼接为一个整体。
所以把相邻的各幅图像拼接起来是实现远程数据测量和远程会诊的关键环节圆。
在遥感技术领域中，利用图像拼接技术中的图像配准技术可以对来自同一区域的两幅或多幅图像进行比较，也可以利用图像拼接技术将遥感卫星拍摄到的有失真地面图像拼接成比较准确的完整图像，作为进一步研究的依据。
从以上方面可以看出，图像拼接技术的应用前景十分广阔，深入研究图像拼接技术有着很重要的意义
1.2图像拼接算法的原理与分类
1.2.1图像拼接算法原理
图像拼接是计算机视觉中的重要分支，它是将两幅以上的具有部分重叠的图像进行无缝拼接从而得到较高分辨率或宽视角的图像。
目前成形算法原理大致如下:
1、频率域:
利用"相位相关法"完成两幅图像的平移估计（只能精确到像素级）。
2、空间域:
（1）基于特征的方法:
找出特征点，进行匹配。
a.使用HARRIS角点,然后使用灰度相关加松弛匹配找到对应点,如果两幅图像重叠区域较大,且透视变形较小,可以考虑使用这种方法。
b.通过特征点的梯度方向等信息，确定一组最佳的特征匹配，利用这一组数据给出两幅图像间变换矩阵的估计初值，再利用递归算法找到最终的精确变换关系。
在拍摄图片的相机的旋转与缩放不是很大的情况下可以实现较好效果。
（2）和基于光差的方法（方法精确但收敛慢）。
应用最广泛的一类拼接算法是柱面与球面图像的拼接，经过球面与柱面变换后，问题就归结为确定每幅图像的平移量。
1.2.2图像拼接算法的分类
论文关键词:
图像拼接图像配准图像融合全景图论文摘要:
一般来说,图像拼接的过程由图像获取,图像配准,图像合成三步骤组成,其中图像配准是整个图像拼接的基础。
本文研究了两种图像配准算法:
基于特征和基于变换域的图像配准算法。
在基于特征的配准算法的基础上,提出一种稳健的基于特征点的配准算法。
图像拼接（imagemosaic）技术是将一组相互间重叠部分的图像序列进行空间匹配对准,经重采样合成后形成一幅包含各图像序列信息的宽视角场景的、完整的、高清晰的新图像的技术。
图像拼接在摄影测量学、计算机视觉、遥感图像处理、医学图像分析、计算机图形学等领域有着广泛的应用价值。
首先改进Harris角点检测算法,有效提高所提取特征点的速度和精度。
然后利用相似测度NCC（normalizedcrosscorrelation——归一化互相关）,通过用双向最大相关系数匹配的方法提取出初始特征点对,用随
机采样法RANSAC（RandomSampleConsensus）剔除伪特征点对,实现特征点对的精确匹配。
最后用正确的特征点匹配对实现图像的配准。
本文提出的算法适应性较强,在重复性纹理、旋转角度比较大等较难自动匹配场合下仍可以准确实现图像配准。
图像拼接作为这些年来图像研究方面的重点之一，国内外研究人员也提出了很多拼接算法。
图像拼接的质量，主要依赖图像的配准程度，因此图像的配准是拼接算法的核心和关键。
根据图像匹配方法的不同仁阔，一般可以将图像拼接算法分为以下两个类型:
（1）基于区域相关的拼接算法。
这是最为传统和最普遍的算法。
基于区域的配准方法是从待拼接图像的灰度值出发，对待配准图像中一块区域与参考图像中的相同尺寸的区域使用最小二乘法或者其它数学方法计算其灰度值的差异，对此差异比较后来判断待拼接图像重叠区域的相似程度，由此得到待拼接图像重叠区域的范围和位置，从而实现图像拼接。
也可以通过FFT变换将图像由时域变换到频域，然后再进行配准。
对位移量比较大的图像，可以先校正图像的旋转，然后建立两幅图像之间的映射关系。
当以两块区域像素点灰度值的差别作为判别标准时，最简单的一种方法是直接把各点灰度的差值累计起来。
这种办
法效果不是很好，常常由于亮度、对比度的变化及其它原因导致拼接失败。
另一种方法是计算两块区域的对应像素点灰度值的相关系数，相关系数越大，则两块图像的匹配程度越高。
该方法的拼接效果要好一些，成功率有所提高。
（2）基于特征相关的拼接算法。
基于特征的配准方法不是直接利用图像的像素值，而是通过像素导出图像的特征，然后以图像特征为标准，对图像重叠部分的对应特征区域进行搜索匹配，该类拼接算法有比较高的健壮性和鲁棒性。
基于特征的配准方法有两个过程:
特征抽取和特征配准。
首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集冈。
然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。
一系列的图像分割技术都被用到特征的抽取和边界检测上。
如canny算子、拉普拉斯高斯算子、区域生长。
抽取出来的空间特征有闭合的边界、开边界、交叉线以及其他特征。
特征匹配的算法有:
交叉相关、距离变换、动态编程、结构匹配、链码相关等算法。
1.3本文的主要工作和组织结构
本文的主要工作:
（1）总结了前人在图像拼接方面的技术发展历程和研究成果。
（2）学习和研究了前人的图像配准算法。
（3）学习和研究了常用的图像融合算法。
（4）用matlab实现本文中的图像拼接算法
（5）总结了图像拼接中还存在的问题，对图像拼接的发展方向和应用前景进行展望。
本文的组织结构:
第一章主要对图像拼接技术作了整体的概述，介绍了图像拼接的研究背景和应用前景，以及图像拼接技术的大致过程、图像拼接算法的分类和其技术难点。
第二章主要介绍讨论了图像预处理中的两个步骤，即图像的几何校正和噪声点的抑制。
第三章主要介绍讨论了图像配准的多种算法。
第四章主要介绍讨论了图像融合的一些算法。
第五章主要介绍图像拼接软件实现本文的算法。
第六章主要对图像拼接中还存在的问题进行总结，以及对图像拼接的发展进行展望。
1.4本章小结
本章主要对图像拼接技术作了整体的概述，介绍了图像拼接的研究背景和应用前景，以图像拼接算法的分类和其技术难点，并且对全文研究内容进行了总体介绍。
第二章图像拼接的基础理论及图像预处理
2.1图像拼接
图像拼接技术主要分为三个主要步骤:
图像预处理、图像配准、图像融合与边界平滑，图像预处理主要指对图像
进行几何畸变校正和噪声点的抑制等，让参考图像和待拼接图像不存在明显的几何畸变。
在图像质量不理想的情况下进行图像拼接，如果不经过图像预处理，很容易造成一些误匹配。
图像预处理主要是为下一步图像配准做准备，让图像质量能够满足图像配准的要求。
图像配准主要指对参考图像和待拼接图像中的匹配信息进行提取，在提取出的信息中寻找最佳的匹配，完成图像间的对齐。
图像拼接的成功与否主要是图像的配准。
待拼接的图像之间，可能存在平移、旋转、缩放等多种变换或者大面积的同色区域等很难匹配的情况，一个好的图像配准算法应该能够在各种情况下准确找到图像间的对应信息，将图像对齐。
图像融合指在完成图像匹配以后，对图像进行缝合，并对缝合的边界进行平滑处理，让缝合自然过渡。
由于任何两幅相邻图像在采集条件上都不可能做到完全相同，因此，对于一些本应该相同的图像特性，如图像的光照特性等，在两幅图像中就不会表现的完全一样。
图像拼接缝隙就是从一幅图像的图像区域过渡到另一幅图像的图像区域时，由于图像中的某些相关特性发生了跃变而产生的。
图像融合就是为了让图像间的拼接缝隙不明显，拼接更自然。
2.2图像的获取方式
图像拼接技术原理是根据图像重叠部分将多张衔接的图像拼合成一张高分辨率全景图。
这些有重叠部分的图
像一般由两种方法获得:
一种是固定照相机的转轴,然后绕轴旋转所拍摄的照片;另一种是固定照相机的光心,水平摇动镜头所拍摄的照片。
其中,前者主要用于远景或遥感图像的获取,后者主要用于显微图像的获取,它们共同的特点就是获得有重叠的二维图像。
2.3图像的预处理
2.3.1图像的校正
当照相系统的镜头或者照相装置没有正对着待拍摄的景物时候，那么拍摄到的景物图像就会产生一定的变形。
这是几何畸变最常见的情况。
另外，由于光学成像系统或电子扫描系统的限制而产生的枕形或桶形失真，也是几何畸变的典型情况。
几何畸变会给图像拼接造成很大的问题，原本在两幅图像中相同的物体会因为畸变而变得不匹配，这会给图像的配准带来很大的问题。
因此，解决几何畸变的问题显得很重要。
图象校正的基本思路是，根据图像失真原因，建立相应的数学模型，从被污染或畸变的图象信号中提取所需要的信息，沿着使图象失真的逆过程恢复图象本来面貌。
实际的复原过程是设计一个滤波器，使其能从失真图象中计算得到真实图象的估值，使其根据预先规定的误差准则，最大程度地接近真实图象。
2.3.2图像噪声的抑制
图像噪声可以理解为妨碍人的视觉感知，或妨碍系统传感器对所接受图像源信息进行理解或分析的各种因素，也可以理解成真实信号与理想信号之间存在的偏差。
一般来说，噪声是不可预测的随机信号，通常采用概率统计的方法对其进行分析。
噪声对图像处理十分重要，它影响图像处理的各个环节，特别在图像的输入、采集中的噪声抑制是十分关键的问题。
若输入伴有较大的噪声，必然影响图像拼接的全过程及输出的结果。
根据噪声的来源，大致可以分为外部噪声和内部噪声;从统计数学的观点来定义噪声，可以分为平稳噪声和非平稳噪声。
各种类型的噪声反映在图像画面上，大致可以分为两种类型。
一是噪声的幅值基本相同，但是噪声出现的位置是随机的，一般称这类噪声为椒盐噪声。
另一种是每一点都存在噪声，但噪声的幅值是随机分布的，从噪声幅值大小的分布统计来看，其密度函数有高斯型、瑞利型，分别成为高斯噪声和瑞利噪声，又如频谱均匀分布的噪声称为白噪声等。
1.均值滤波
所谓均值滤波实际上就是用均值替代原图像中的各个像素值。
均值滤波的方法是，对将处理的当前像素，选择一个模板，该模板为其邻近的若干像素组成，用模板中像素的均值来替代原像素的值。
如图2.4所示，序号为0是当前像素，序号为1至8是邻近像素。
求模板中所有像素的均
值，再把该均值赋予当前像素点（（x,y），作为处理后图像在该点上的灰度g（x,y），即
g（x,y）=
（2-2-2-1）
其中，s为模板，M为该模板中包含像素的总个数。
图2.2.2.1模板示意图
2.中值滤波
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。
它的核心算法是将模板中的数据进行排序，这样，如果一个亮点（暗点）的噪声，就会在排序过程中被排在数据序列的最右侧或者最左侧，因此，最终选择的数据序列中见位置上的值一般不是噪声点值，由此便可以达到抑制噪声的目的。
取某种结构的二维滑动模板，将模板内像素按照像素值的大小进行排序，生成单调上升（或下降）的二维数据序列。
二维德中值滤波输出为
（2-2-2-2）
其中，f（x,y），g（x,y）分别为原图像和处理后的图像，w二维模板,k,l为模板的长宽，Med为取中间值操作，模板通常为33、55区域，也可以有不同形状，如线状、圆形、十字形、圆环形。
2.4本章小结
本章主要介绍了图像几何畸变校正和图像噪声抑制两种图像预处理.
第三章图像配准算法
3.1图像配准的概念
图像配准简而言之就是图像之间的对齐。
图像配准定义为:
对从不同传感器或不同时间或不同角度所获得的两幅或多幅图像进行最佳匹配的处理过程。
为了更清楚图像配准的任务，我们将图像配准问题用更精确的数学语言描述出来。
配准可以用描述为如下的问题:
给定同一景物的从不同的视角或在不同的时间获取的两个图像I,I和两个图像间的相似度量S（I,I）,找出I,I中的同名点，确定图像间的最优变换T,使得S（T（I）,I）达到最大值。
图像配准总是相对于多幅图像来讲的，在实际工作中，通常取其中的一幅图像作为配准的基准,称它为参考图,另一幅图像,为搜索图。
图像配准的一般做法是，首先在参考图上选取以某一目标点为中心的图像子块，并称它为图像配准的模板，然后让模板在搜索图上有秩序地移动，每移到一个位置，把模板与搜索图中的对应部分进行相关比较，直到找到配准位置为止。
如果在模板的范围内，同一目标的两幅图像完全相同，那么完成图像配准并不困难。
然而，实际上图像配准中所遇到的同一目标的两幅图像常常是在不同条件下获得的，如不同的成像时
间、不同的成像位置、甚至不同的成像系统等，再加上成像中各种噪声的影响，使同一目标的两幅图像不可能完全相同，只能做到某种程度的相似，因此图像配准是一个相当复杂的技术过程。
3.2基于区域的配准
3.2.1逐一比较法
设搜索图为s待配准模板为T，如图3.1所示，S大小为MN，T大小为UV,如图所示。
图3.1搜索图S与模板T示意图
逐一比较法的配准思想是:
在搜索图S中以某点为基点（i,j），截取一个与模板T大小一样的分块图像，这样的基点有（M-U+1）（N-V+1）个，配准的目标就是在（M-U+1）（N-V+1）个分块图像中找一个与待配准图像最相似的图像，这样得到的基准点就是最佳配准点。
设模板T在搜索图s上移动，模板覆盖下的那块搜索图叫子图S,（i,j）为这块子图的左上角点在S图中的坐标，叫做参考点。
然后比较T和S的内容。
若两者一致，则T和S之差为零。
在现实图像中，两幅图像完全一致是很少见的，一般的判断是在满足一定条件下，T和S之差最小。
根据以上原理，可采用下列两种测度之一来衡量T和S的相似程度。
D（i,j）的值越小，则该窗口越匹配。
D（i,j）=[S（m,n）-T（m,n）]（3-1）
或
D（i,j）=[S（m,n）-T（m,n）（3-2）
或者利用归一化相关函数。
将式（3-1）展开可得:
D（i,j）=[S（m,n）]-2S（m,n）*T（m,n）+[T（m,n）]（3-3）
式中等号右边第三项表示模板总能量，是一常数，与（i,j）无
关;第一项是与模板匹配区域的能量，它随（（i,j）的改变而改变，当
T和S匹配时的取最大值。
因此相
关函数为:
R（i,j）=（3-4）
当R（i,j）越大时，D（i,j）越小，归一化后为:
R（i,j）=（3-5）根据Cauchy-Schwarz不等式可知式（3-5）中0R（i,j）1，并且仅当
值S（m,n）T（m,n）=常数时，R（i,j）取极大值。
该算法的优点:
（1）算法思路比较简单，容易理解，易于编程实现。
（2）选用的模板越大，包含的信息就越多，匹配结果的可信度
也会提高，同时能够对参考图像进行全面的扫描。
该算法的缺点:
（1）很难选择待配准图像分块。
因为一个如果分块选择的不正
确，缺少信息量，则不容易正确的匹配，即发生伪匹配。
同时，
如果分块过大则降低匹配速度，如果分块过小则容易降低匹配精
度。
（2）对图像的旋转变形不能很好的处理。
算法本身只是把待配准图像分块在标准参考图像中移动比较，选择一个最相似的匹配块，但是并不能够对图像的旋转变形进行处理，因此对照片的拍摄有严格的要求。
3.2.2分层比较法
图像处理的塔形（或称金字塔:
Pyramid）分解方法是由Burt和Adelson首先提出的，其早期主要用于图像的压缩处理及机器人的视觉特性研究。
该方法把原始图像分解成许多不同空间分辨率的子图像，高分辨率（尺寸较大）的子图像放在下层，低分辨率（尺寸较小）的图像放在上层，从而形成一个金字塔形状。
在逐一比较法的思想上，为减少运算量，引入了塔形处理的思想，提出了分层比较法。
利用图像的塔形分解，可以分析图像中不同大小的物体。
同时，通过对低分辨率、尺寸较小的上层进行分析所得到的信息还可以用来指导对高分辨率、尺寸较大的下层进行分析，从而大大简化分析和计算。
在搜索过程中，首先进行粗略匹配，每次水平或垂直移动一个步长，计算对应像素点灰度差的平方和，记录最小值的网格位置
升级会员 