图像融合技术外文翻译--使用不变特征的全景图像自动拼接

《图像融合技术外文翻译--使用不变特征的全景图像自动拼接》由会员分享，可在线阅读，更多相关《图像融合技术外文翻译--使用不变特征的全景图像自动拼接（38页珍藏版）》请在毕设资料网上搜索。

1、 PDF外文：http:/ *大学   毕业设计（英文翻译）   原文题目： Automatic Panoramic Image Stitching using Invariant Features  译文题目： 使用不变特征的全景图像自动拼接        学   院： 电子与信息工程学院   专   业 ：      *       姓   名：       *     &

2、nbsp;  学   号：      *        使用不变特征的全景图像自动拼接  马修布朗和戴维洛  mbrown|lowecs.ubc.ca 计算机科学系  英国哥伦比亚大学  加拿大温哥华  摘要  本文研究全自动 全景图像 的拼接问题， 尽管一维问题（单一旋转轴）很好研究， 但二维或多行拼接却比较困难 。以前的方法使用人工输入或限制图像序列，以建立匹配的图像， 在这 篇文章 中，我们 假定 拼接是 一个多图像匹配问题，并 使用不变的

3、局部特征来找到所有图像 的匹配 特征 。由于 以上这些 ， 该 方 法对输入图像的顺序、方向、尺度和亮度 变化 都不敏感； 它也对不 属于全景图一部分的噪声图像不敏感，并 可以 在一个无序的图像数据集中识别多个全景图。此外，为了提供更多 有关 的细节，本文通过引入增益补偿和自动校直步骤延伸了我们以前在该领域 的工作。  1.  简介  全景图像拼接已经有了大量的研究文献和一些商业应用。 这个问题的基本几何学很好理解，对于每个图像由一个估计的 33 的摄像机 矩阵或 对应 矩阵组成。 估计处理通常由用户 输入近似的校直图像或者一个固定的图像序列来初始化， 例如，佳能

4、数码相机内的图像拼接软件需要 水平或垂直扫描，或 图像的方阵。 在自动定位进行前， 第 4 版的REALVIZ 拼接 软件 有一个用户界面，用鼠标在图像大致定位，而 我们的研究 是有新意的，因为 不需要提供这样的初始化。  根据研究文献，图像自动对齐和拼接的 方法大致可分为两类 直接 的 和基于特征的 。直接的方法有这样的优 点 ， 它 们使用所有可利用的图像数据，因此可以提供非常准确的定位，但是需要一个 只有细微差别 的初始化 处理 。基于特征的 配准 不需要初始化，但是缺少不变性的传统的特征匹配方法（例如， Harris 角点图像修补的相关性）需要实现任意全景图像序列的可靠匹配。

5、  在本文中，我们描述了一个基于不变特征的方法 实现 全自动全景图像 的拼接，相 比以前的方法有 以下几个 优点。第一，不变特征的使用实现 全景图像序列的可靠匹配，尽管在输入图像中有旋转、缩放和光照变化。第二，通过 假定 图像拼接 是 一个多图像匹配问题，我们可以自动发现这些图像间的匹配关系，并且在无序的数据集中 识别 出全景图。第三，通过使用多 波 段 融合 呈现无缝输出的全景图，可以产生高质量的结果。 本文通过引入增益补偿和自动校直步骤延伸了我们以前在该 领域 的工作， 我们还描述了一个高效的捆绑调整实现并 展示 对任 意 数量波段的多个重叠图像如何进行多波段 融 合。 &nbs

6、p;本文 其余部分的结构如 下。第二部分说明所研究问题的几何学和我们选择不变特征  的原因 。第三部分介绍了图像匹配方法（ RANSAC）和 验证图像匹配的 概率模型。 第四部分中，我们描述了图像对 准 算法（捆绑调整），即共同优 化每个摄像头的参数。五到七部分描述了 处理 过程 ，包括自动校直、增益补偿和多波段 融 合。第九部分中，我们给出了结论和对未来工作的 展望 。  2.  特征匹配  全景识别算法的第一步是在所有图像之间提取和匹配 SIFT 特征检测点。 SIFT 特征检测子位于不同尺度空 间高斯插值函数的极值点处，对每一个特征点，特征尺度和方

7、向被确定 ， 这为测量提供了一个相似不变的结构。尽管在这个结构中简单的采样强度值是相似不 变的，但是不变 描述子 实际上 是通过对 方向直方图的局部 梯度 值进行累积计算得到的， 这样 就允许边缘有轻微的移动而不会改变描述子的矢量，对仿射变换提供了一定的鲁棒性 。 空间 累积计算对平移不变性同样重要，因为 感兴趣 点位置 通常仅在 03 个像素 的范围内是精确的 。为了实现亮度不变性 可以使用梯度（消除偏差）和对描述子矢量归一化（消除 增益 ）。  由于 SIFT 特征 在旋转和尺度变化时是不变的，我们可以 处理具有变化的 方向和大小 的 图像（见图 8）。 值得注意的是， 这是传统

8、的特征匹配技术不能实现的，例如 Harris角点图像修补的相关性。 传统的相关性在图像旋转时是变化的， Harris 角点在改变图像尺度时 也 是变化的。  假设相机绕光 学中心旋转，图像的变换群 是一个 对应 矩阵的特殊群。 由一个旋转矢量 321 ， 和焦距 f 将 每个摄像头 参数化 ， 就给出了成对的对应矩阵 jiji uHu ，其中  1 jTjiiij KRRKH                           （ 1） &nbs

9、p;并且 ji uu , 是均匀的图像坐标 （ 1, iii usu ， 其中 iu 是二维的图像坐标）。 4 参数的相机模型定义为 ：  1000000iii ffK                            （ 2）  对旋转使用指数表示 ：   , ieRi 000121323iiiiiii                   （ 3）  在这个变换群中，理想条件下将会使用 不变的图像特征 。可是，在图像坐标中对于小的变换表示如下：