方靜

摘要：該文主要詳細講解圖像拼接技術中基于特征點的圖像拼接算法，通過詳細介紹幾種常見的特征點提取算法，Harris算子，LOG算子，SUSAN算子，SIFT算法，并通過實驗結果對這幾種算法的優(yōu)缺點進行比較，從而在實際的應用中，我們年應該根據需要選取合適的算法，從而更好的完成圖像拼接工作。

關鍵詞：特征點；拼接算法

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2013）07-1645-03

全景圖像拼接技術是一個重要的研究方向，也是計算機視覺領域的新的研究內容。圖像拼接技術就是將數張有重疊部分的圖像（可能是不同時間、不同視角或者不同傳感器獲得的）拼成一幅大型的無縫高分辨率圖像的技術。圖像拼接經過圖像的采集，圖像的處理，圖像特征處理，圖像匹配，建立模型，圖像融合等步驟，最終完成全景圖片的拼接。圖像拼接技術融合了多個學科，涉及多個領域，在實際生活中引用非常的廣泛，研究圖像拼接技術意義很重要的現實意義。

目前，全景圖像拼接的研究主要集中在以下幾個方面，圖像的獲取，圖像信息的提取，圖像順序的識別，圖像配準方法，參考平面的選取和圖像的融合。

本文主要詳細講解基于特征點的圖像拼接算法?；谔卣鼽c的圖像拼接算法的主要流程是：首先，將參考圖片進行預處理，提取參考圖片的特征點，同時，將待配圖片進行預處理，提取待配準圖片的的特征點，然后將參考圖片和待配準圖片的特征點進行匹配，接下來，計算參數，變換模型，最后進行圖像的融合，最終實現了全景圖像的拼接，我們發(fā)現，在進行圖像拼接的時候，特征點的提取非常重要，只要對特征點進行了很好的提取，就能達到很好的匹配效果，這樣就提高了圖像拼接的質量和速度，如果特征點提取的不夠好，產生的誤差就會比較大，拼接出來的圖片效果就會不盡如人意，所以如何更好的提取特征點，就成了研究圖像拼接課題中的熱點。

目前有3種比較常見的特征點提取算法。

1 3種常見的特征點提取算法

1.1 Harris算子

Harris算子是在1988年提出的。Harris算子用高斯函數代替了二值窗口函數，對離中心點越近的像素賦于越大的權重，以減少噪聲影響，它采用了一種新的角點判定方法，通過矩陣的兩個特征向量與矩陣的主曲率成正比，利用表征變化最快和最慢的兩個方向，若兩個都很大就是角點，一個大一個小就是邊緣，兩個都小就是在變化緩慢的圖像區(qū)域。

1.2 LOG算子

在圖像中，邊緣可以看做是位于一階導數較大的像素處，因此，我們可以求圖像的一階導數來確定圖像的邊緣問題。但是這存在噪聲的影響，在噪聲點處一階導數也會取極大值，而且求解極大值比較復雜，因此就有了使用二階導數的方法，即LoG算子，又叫高斯-拉普拉斯算子，有了高斯算子我們就克服了噪聲的影響。高斯-拉普拉斯算子其實就是：先對圖像進行高斯模糊，然后再求二階導數，二階導數等于0處對應的像素就是圖像的邊緣。

1.3 SUSAN算子

SUSAN算子是一種基于圖像局部灰度特征的算法，利用一個圓形的模板對圖像進行掃描，比較模板內部的點與模板中心點的灰度值，如果灰度差值小于一定的閾值，就認為該點與中心點的灰度相同。統(tǒng)計模板內部與中心點灰度相同的點的個數，與一個閾值進行比較，判斷該點是否屬于某個區(qū)域的邊緣點，從而實現對目標的檢測。

2 3種算子性能比較

利用Matlab對三種算子進行特征檢測，檢測效果如下面圖像所示。其中圖1為我校十四教的原始灰度圖，圖2是用Harris算子提取的特征點的圖像，圖3是LOG算子提取的特征點的圖像，圖4是用SUSAN算子提取的特征點的圖像。

從上圖中我們可以看出，Harris算法在提取角點的時候只用到了灰度的一階差分，計算比較地簡單，但是它提取角點的個數是和圖像的紋理信息的多少成正比的，即在紋理信息豐富的區(qū)域，能夠提取出比較多的特征點，在紋理信息少的區(qū)域，提取的特征點就比較的少。此圖中提取特征點數目最好，效果較其它兩種算法要好些，是唯一個把圖像四個角上的點都提出來的算子，但在突出部分的拐點上有些遺漏，如最左邊的護欄上，不及SUSAN算子。

LOG算子首先用高斯函數對圖像做平滑濾波處理，然后使用Laplacian算子檢測，因此克服了Laplacian算子抗噪聲能力比較差的缺點。但是在抑制噪聲的同時，也可能將原有的比較尖銳的邊緣也平滑掉，造成這些尖銳邊緣無法被檢測到。如十四教旁邊的樹木、十三教等檢測出來的特征點沒有其它兩種算法檢測的多，所以應用LOG算子時，一定要注意合理的選取高斯函數中的方差參數。

SUSAN算子在提取特征中較適合提取圖像邊緣上的拐點，由于它不需對圖像求導數，所以也有較強的搞噪聲能力。但缺點在于在弱邊緣上不容易檢測出正確的角點，閾值不易設定，增加了不穩(wěn)定因素，如靠右邊的好多輪廓點都沒提取出來。為克服影像灰度值分布不均對提取角點的影響，可對影像采取二值化分割，以改進提取效果。

3 SIFT特征點提取算法

上面3種算法在圖像特征點的提取上多多少少都有一些不足，圖像的效果不是特別好，尤其是在尺度發(fā)生了變化的條件下，效果更是難以保證。David G. Lowe在2004年提出的一種基于尺度空間的、對圖像縮放、旋轉甚至仿射變換保持不變性的特征描述算法SIFT。SIFT算法提取出的特征點具有尺度不變的特性，穩(wěn)定性強，SIFT特征點提取算法成為了近幾年來圖像圖像拼接方面的一個熱點。

SIFT的步驟主要分為四步：1）檢測尺度空間極值點；2）精確定位極值點；3）對于每個特征點需要給其指定一個或者多個方向，方向是基于特征點鄰域的梯度值大小所確定的；4）計算特征向量。

下圖是通過SIFT算法求得的我校十四教的圖片特征點分布圖：

從上圖實驗結果分析表明，SIFT算法由于剔除了大量外點，在很大程度上提高了圖像配準的精確度和執(zhí)行速度。SIFT獲取圖像局部最值還是十分穩(wěn)定的，但是在求主方向階段太過于依賴局部區(qū)域像素的梯度方向，有可能使得找到的主方向不準確，后面的特征向量提取以及匹配都嚴重依賴于主方向，即使不大偏差角度也可以造成后面特征匹配的放大誤差，從而導致匹配不成功，SIFT是一種只利用到灰度性質的算法，在色彩方面還處理的不夠好。

沒有一種算法是完美的，每種算法都具有它的不足之處，基于特征點的方法相比于其它方法也有其不足之處，在實際應用中我們應該根據實際的需要來選擇合適的算法，從而更好地完成拼接的工作。

圖像拼接技術的發(fā)展是一個不斷完善的過程，關于特征點匹配精確性的判斷到目前為止還沒有一個統(tǒng)一的標準，因此如何建立科學的評價標準將是一個值得思考的問題，讓我們拭目以待。

參考文獻：

[1] 孫廣家.計算機圖形學[M].3版.北京：清華大學出版社，2012.

[2] 曹俊杰，封靖波，蘇志勛，等.全景圖像拼接算法[J].大連理工大學學報，2003，43（sl）：180-192.

[3] Irani M， Peleg S. Improving Resolution by Image Registration[J]. Graphical models and Image processing. 1991， 53（3）：231-239.

[4] Irani M， Anandan P ，Hsu S.Mosaic-based Representations of Video Sequences and Their Applications[C].5th International Conference on Computer Vision（ICCV95）， MIT， Cambridge， MA， 1995：605-611.

[5] 蔣文燕，朱曉華，陳晨.虛擬旅游研究進展[J].科技導報，2007，25（14）：53-57.

[6] 周天，魯東明，潘云鶴.基于圖像的繪制技術研究與發(fā)展[J].計算機科學，2001，28（5）：l-5.

[7] Shun H Y，Szeliski R. Panoramic ImageMosaies[R]. MSR2TR297223，Microsoft Research Center，Seattle，WA，USA，1998.