基于改進的sift特征點的交通圖像拼接方法

黃小君

[摘 要]為了提高交通監控圖像拼接技術的精確性，本文提出了一種基于改進的sift特征點的交通圖像拼接新方法。首先對待拼接圖像進行圖像增強預處理；然后提取待拼接圖像序列改進的sift特征點；對帶拼接圖像序列的特征點進行匹配，得到圖像序列之間的變換關系，從而進行圖像配準。實驗結果表明，改進的sift特征點對圖像拼接算法的精確性有很大的提升，同時也能保證拼接效率不會降低。

[關鍵詞]圖像配準，圖像融合，

中圖分類號：X946 文獻標識碼：A 文章編號：1009-914X（2016）30-0277-01

0 前言

圖像拼接技術是數字圖像處理領域中的一項重要技術，是將同一場景下有相互重疊區域的圖像序列，進行空間配準融合后生成一幅包含所有圖像序列信息、大視角的圖像[1]。隨著數字圖像處理技術在各個不同領域的廣泛發展和應用，圖像拼接技術也成了一個研究熱點，其常用于計算機視覺、醫學圖像處理、遙感技術、虛擬現實、智能交通等領域。

目前的圖像配準算法基本上可以分為兩類：基于頻域的方法（相位相關方法）和基于時域的方法。

相位相關法最早是由Kuglin和Hines在1975年提出的。該方法對拼接的圖像進行快速傅立葉變換，將兩幅待配準圖像變換到頻域，然后通過它們的互功率譜直接計算出兩幅圖像間的平移矢量，從而實現圖像的配準。但是相位相關方法一般需要比較大的重疊比例，如果重疊比例較小，則容易造成平移矢量的錯誤估計，從而較難實現圖像的配準[2]。1987年De Castro 和Morandi等人提出擴展相位相關法，其優勢在于對存在旋轉和平移變換的兩幅圖像配準問題依然能夠適用[2]。

基于時域的方法又可具體分為基于特征的方法和基于區域的方法。基于特征的方法首先找出兩幅圖像中的特征點（如邊界點、拐點），并確定圖像間特征點的對應關系，然后利用這種對應關系找到兩幅圖像間的變換關系。2003年，M.Brown和D.G.Lowe提出了基于尺度不變特征變換的圖像拼接技術，該算法的優勢在于自動的實現了圖像的多尺度融合[3]。

上述圖像拼接方法中，在圖像拼接精度或者拼接效率上面都存在自己的不足之處。因此本文提出一種改進的基于SIFT特征點的圖像拼接算法。

1 預處理

首先，為了保證圖像拼接結果的精確性，需要先對帶拼接圖像序列進行圖像的預處理，一般的預處理是對圖像進行圖像濾波、增強變換，為圖像序列的下一步拼接做準備。

2 圖像配準

圖像配準是整個圖像拼接流程的核心，配準的精度決定了圖像的拼接質量。其基本思想是：首先找到待配準圖像與參考圖像的模板或特征點的對應位置，然后根據對應關系建立參考圖像與待配準圖像之間的變換矩陣，將待配準圖像轉換到參考圖像的坐標系中，確定兩圖像之間的重疊區域。精確配準的關鍵是尋找一個能很好描述兩幅圖像轉換關系的數據模型。

2.1 尺度空間的生成

特征空間是從圖像中提取的用于配準的信息。特征可以是圖像的灰度值，也可以是邊界、輪廓等結構特征，或是角點、高曲率點等顯著特征，或是統計特征、高層結構描述與句法描述等。

2.2 空間極值點檢測

為了尋找尺度空間的極值點，每一個采樣點要和它所有的相鄰點進行比較，看是否比他的圖像域和尺度域的相鄰點大或者小，如圖1所示，中間的檢測點和它同尺度的8個相鄰點和上下相鄰尺度對應的18個點共26個點比較，以確保在尺度空間和二維圖像空間都檢測到極值點，一個點如果在DOG尺度空間本層以及上下兩層的26個鄰域中是最大值或最小值，就認為該點是圖像在該尺度下的一個特征點。

2.3 精確定位極值點

通過擬合三維二次函數以精確確定關鍵點的位置和尺度，同時去除對比度低的關鍵點和不穩定的邊緣響應點，以增強匹配的穩定性，提高抗噪能力。

2.4 關鍵點方向分配

利用關鍵點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數，使算子具備旋轉不變性。

2.5 生成特征描述符（圖1，2，3）

3.圖像融合

經過圖像配準之后，可以得到待拼接圖像序列之間的變換矩陣，然后將帶拼接圖像序列合并顯示，呈現完整、精確、可靠的拼接結果。通常圖像融合分為三類：像素級融合、決策級融合和特征級融合，其中像素級融合是最基本的融合策略。

4.結語

本文提出的改進的基于SIFT特征點的圖像拼接方法，提高了基于特征點圖像拼接方法的準確度，同時能較好的保證時間復雜度不會明顯增加。相對于參考文獻中的方法，本文提出的方法適用于多種復雜環境，具有較強的魯棒性。但是本文提出的方法仍然存在一定的不足，未來對于圖像拼接的研究不僅要提高圖像拼接的精度，同時也要增強拼接算法的效率。

參考文獻

[1] 蓋進偉，韓燮. 一種基于特征點匹配的圖像拼接方法研究[J].計算機測量與控制，2012，20（3）：836-851

[2] 江鐵，朱桂斌. 全景圖像拼接技術研究現狀綜述[J]. 重慶工商大學學報，2012，29（12）：60-65

[3] Brown M.，Lowe D G. Distinctive image features from scale-invariant keypoints. Journal of Computer Vision， 60，2（2004）：91-110