基于SIFT的全景圖像拼接技術研究

摘要：全景圖是一種能夠覆蓋寬視角范圍的場景圖像，通過利用兩幅圖像重疊區域特征關鍵點之間的相似性，將其拼接成一幅具有寬視角的高質量全景圖像。文章主要研究一種新型SIFT算法，即選用SIFT算法實現特征點的快速匹配策略。通過該算法確定特征關鍵點的位置屬性和梯度方向，生成相應關鍵點的特征描述子，實現特征之間的配準。圖像融合部分采用漸入漸出加權算法，改善特征配準過程中出現的拼接縫問題。文章通過與傳統算法對比，證明了該算法的可行性。

關鍵詞：全景圖像拼接；SIFT算法；特征檢測；漸入漸出加權平均融合

中圖分類號：TP391文獻標識碼：A

文章編號：1009-3044（2025）15-0118-06

0引言

隨著信息化產業的快速發展，人們對視覺感知的要求也在不斷提升，對圖像的分辨率和視角范圍等視覺效果提出了較高要求。全景圖像在增強圖像真實感、拓寬視角場景等方面具有巨大潛力，通過對同一場景下的圖像特征進行分析，將一組存在部分重疊的圖像特征進行配準和融合，生成一幅包含各圖像序列全部信息的全方位圖像。為了實現寬視角、高分辨率的全景圖，圖像拼接技術[1]通過將普通相機獲取的具有重疊區域的圖像進行融合，有效解決了普通相機的視角限制問題。全景圖像拼接技術作為計算機視覺[2]和虛擬仿真等領域的核心技術，未來將受到各研究領域廣大科研人員的廣泛關注，該研究課題具有重要的科學研究價值和實際應用意義。

1圖像拼接基本理論

1.1全景拼接基本流程

圖像拼接技術是一種將多幅具有部分重疊區域的不同圖像合成一張寬視角全景圖的方法。如圖1所示，在全景拼接過程中，利用相機采集不同視角下多幅具有部分重疊區域的圖像，通過圖像預處理算法對圖像進行高斯模糊[3]等處理。隨后對預處理后的圖像進行配準操作[4]，圖像配準模塊根據兩幅圖像重疊區域，尋找圖像之間的對應變換關系。圖像融合則主要用于解決拼接過程中縫接線附近的部分失真現象，使得圖像拼接效果更加自然。

1.2像采集及預處理

1.2.1圖像采集

在圖像采集過程中，由于攝像機自身硬件、曝光以及機身抖動等因素的干擾，會導致成像質量下降，實驗效果欠佳。因此，圖像采集對相機的拍攝動作有一定要求，拍攝過程中應保持相機機身的水平，所拍攝的景物和角度應位于中間位置；同時避免因亮度和光照變化造成色彩差異。相機的拍攝狀態可以通過人為因素加以控制。采用三腳架固定的方式既簡單又無需調整過多相機參數，因此通過固定三腳架來連續旋轉相機，獲得一組具有重疊區域的圖像，如圖2所示。

圖像采集過程中涉及成像坐標系之間的關系，坐標系主要包括現實世界坐標系、圖像坐標系、相機坐標系以及像素坐標系。重點涉及相機坐標系的空間成像位置關系。如圖3所示，設P（Xw，Yw，Zw）點為實際存在的一點，連接P點與相機的焦點，分別以相機的焦距為半徑畫球，球面與射線的切點即為p（xi，yi），則現實坐標系下的P點在相機中對應的點即為p點。

1.2.2圖像預處理

采用普通設備進行圖像采集的過程中，圖像往往摻雜噪聲和形變，噪聲的存在會對最終成像結果產生干擾，因此需對采集后的圖像進行預處理。常見的預處理操作主要包括圖像增強、幾何校正[5]以及圖像降噪等。噪聲可分為非平滑噪聲和平滑噪聲，噪聲的存在常干擾特征點的匹配，進而影響最終成像質量。圖像處理中常用的去噪方法包括中值濾波和小波去噪法。由于拍攝距離及角度的變化，圖像還可能產生一定程度的形變，此時需要對形變或畸形的圖像進行幾何投影處理，以保證全景圖像良好的視覺效果。

2.2.1創建尺度空間

圖像尺度空間取決于圖像金字塔模擬仿真，高斯金字塔采用參數（o，s）表示，（o，s）分別代表金字塔的組和層，（o）分組通過分辨率的不同進行劃分，參數（s）表示每組進行卷積的次數。相同組內的不同層采用參數不同的高斯核函數σ，以實現不同程度的圖像模糊。同時需要選擇合適的高斯卷積尺寸組數，并注意分組的大小。當參數組數過大時，會導致圖像高斯卷積計算消耗增加，同時頂層圖像因特征尺寸過小，失去關鍵點檢測的實際意義。組別n的計算表達式如公式（4）所示。

2.3SIFT特征點匹配

確定SIFT特征描述子的具體特征點后，接下來以兩個特征的空間歐氏距離作為特征間相似度的標準，進行不同特征點之間的配準。在匹配過程中，通過設置閾值，計算最小距離與次小距離的比值并與閾值比較。當比值大于閾值時，說明配準失敗，丟棄該特征點；反之，則說明配準成功。假設參考數據中待配準特征點的特征描述子為A=（a1，a2，a3，...，a128），記圖片的特征描述向量為B=（b1，b2，b3，...，b128）。采用歐氏距離作為相似度距離計算，判斷特征點的匹配度，歐氏距離定義如公式（9）所示。

3.2.2配置OpenCV

選用VS2022調用OpenCV視覺庫，實現部分圖像處理函數的調用。在使用OpenCV之前，需要在Vi?sualStudio中進行屬性和工作區配置。

第一步：從官網分別下載安裝OpenCV和VS安裝包。

第二步：在電腦環境變量中配置OpenCV的路徑。

第三步：在VS2022中新建項目，選擇Release/De?bug配置，點擊屬性管理器，在VC++的包含目錄下添加OpenCV路徑，如圖14所示，測試編譯環境是否配置成功。

3.3圖像融合實驗展示

采用全景圖像融合方案對圖像的光照變化、旋轉變化等因素具有良好效果。如下分別展示從特征關鍵點的生成（如圖15所示）到特征點匹配（如圖16所示）的過程，最終得到圖像融合后的全景圖像效果（如圖17所示）。從圖像可以看出，采用SIFT圖像特征融合的方式，在圖像拼接中未出現明顯痕跡，提升了普通融合算法的圖像質量，滿足了實際生活的需求。

如圖17所示，為更直觀展示合并效果，將一張圖片人工分為左右兩個視圖，進行拼接后與原圖進行對比。首先，在關鍵點描述算子的生成環節中，無論簡單結構還是復雜結構，左右視圖均能生成大量關鍵點，為后續匹配奠定堅實基礎。其次，在關鍵點匹配環節，所選用的算法能從眾多關鍵點中挑選合適的進行匹配，匹配線豐富，說明關鍵點描述子的生成合理有效。最后，從融合拼接結果可見，拼接圖與原圖基本保持一致，證明該算法具有較高的融合準確度。

4總結與展望

本文重點介紹了圖像拼接與融合技術的發展現狀，深入分析了圖像預處理、特征配準和圖像融合三者之間的關系，實現了圖像融合。對加權平均法和漸入漸出加權法等融合算法進行了對比分析。實驗結果顯示，采用漸入漸出加權融合算法[7]結合SIFT多尺度特征算子，不僅融合時間較短，且融合效果適中。為提升系統實用性，設計了一套全景圖像融合系統，以保證運行便捷。

盡管如此，圖像融合技術仍需深入研究，涉及多個領域，如更魯棒的特征匹配算法、優化圖像融合策略，以及探索基于深度學習的全景圖像拼接方法等。當前技術仍存在諸多限制，有待研究人員持續攻關和突破。

參考文獻：

[1]王磊.圖像拼接關鍵技術研究[D].西安：西安工業大學，2024.

[2]齊珺麟，容銘健，付浩辰，等.計算機視覺中若干問題實現技術探究與討論[N].科學導報，2024-10-29（B08）.

[3]李亞成.高斯模糊圖像復原與匹配算法研究[D].武漢：華中科技大學，2019.

[4]楊毅，李大成，于杰，等.基于迭代更新的SIFT遙感圖像配準算法[J].無線電工程，2023，53（2）：401-409.

[5]張戰偉，劉培明，趙熹.遙感影像三角網幾何校正并行算法及優化研究[J].山西建筑，2023，49（16）：173-176.

[6]劉迪，汪峰坤.基于改進SIFT算法的圖像識別研究[J].佳木斯大學學報（自然科學版），2024，42（7）：149-151.

[7]張立勇，張利，李丹.基于最優分組原則的多傳感器分組加權融合算法[J].儀器儀表學報，2008，29（1）：6-11.

【通聯編輯：唐一東】