基于特征点邻域伪Zernike矩的图像拼接方法

摘要

本发明涉及一种基于特征点邻域伪Zernike矩的图像拼接方法。该方法是将图像统计信息(伪Zernike矩)与图像的特征点相联系，首先利用Harris角检测器提取出参考图像与输入图像的兴趣点，并将兴趣点为中心的矩形邻域作为特征匹配的局部特征区域，然后对这些矩形特征区域计算伪Zernike矩作为该特征区域的描述符，并通过比较各个特征区域描述符特征向量的欧氏距离来实现特征点的匹配。这样的匹配中必然会存在少部分不正确的匹配点，通过RANSAC(RANdom Sample Consensus)算法剔除不正确的匹配点对，并计算出正确的匹配关系以实现图像的拼接。本发明能有效地实现具有平移，旋转，小尺度缩放等几何变换关系的图像配准和拼接，可用于图像处理与通信、多媒体技术等领域的图像合成。

主权项

1.一种基于特征点邻域伪Zernike矩的图像拼接方法，包括如下步骤：(1)利用Harris角点检测方法对参考图像和待拼接图像提取特征点，分别记作p＝{p₁，p₂，p₃，…，p_m}和p′＝{p′₁，p′₂，p′₃，…，p′_n}，以特征点为中心取矩形的区域作为该特征点的特征区域；(2)在所有的特征区域中，分别计算该区域的伪Zernike矩，并将生成的特征向量作为该特征点的描述符；(3)通过比较兴趣点之间特征向量S的欧氏距离可以得到两幅图像兴趣点之间的对应关系。即对于参考图像中的每一个兴趣点S_p，分别计算该点的特征向量与待拼接图像中每一个兴趣点特征向量的欧氏距离，距离越小则说明两点之间的特征向量越相似，取距离最小的点作为参考图像中点S_p在待拼接图像中的匹配点，记作S′_p；(4)通过上述第三步，可以计算出参考图像中每一个兴趣点在待拼接图像中的匹配点，当然这样的匹配对中会包含部分伪匹配对，应用RANSAC算法估计出这些匹配点对的几何变换模型T，同时剔除伪匹配对；$T=\left[\begin{array}{ccc}s\cos \theta & -s\sin \theta & t_x\\ s\sin \theta & s\cos \theta & t_y\\ 0& 0& 1\end{array}\right]$其中s是尺度变换参数，θ是旋转的角度，t_x，t_y分别是x方向和y方向上的平移量。(5)将待拼接图像按照几何变换模型T变换到参考图像的坐标系上；x＝Tx′其中x′是待拼接图像的原始坐标向量，T是几何变换矩阵，x是变换到参考图像坐标系上后的新的坐标向量(6)使用加权平均法将两幅图像的重叠区域进行图像融合，实现拼接图像中重叠区域的平滑过渡，$f(x,y)=\left\{\begin{array}{cc}{f}_1(x,y)& (x,y)\in f_1\\ d_1{f}_1(x,y)+d_2{f}_2(x,y)& (x,y)\in (f_1\cap f_2)\\ f_2(x,y)& (x,y)\in f_2\end{array}\right.$其中d₁，d₂表示权重值，与重叠区域的宽度有关，并且d₁+d₂＝1，0≤d₁，d₂≤1。在重叠区域中d₁由1渐变至0，d₂由0渐变至1，由此实现在重叠区域中由f₁平滑过渡到f₂，f₁，f₂是两幅待拼接的图像，f是融合后的图像。d₁和d₂的计算如下：假设当前像素的横坐标为x_i，重叠区域左右边界的横坐标分别为x_l和x_r，那么$d_1=\frac{x_r-x_i}{x_r-x_l},$$d_2=1-d_1=\frac{x_i-x_l}{x_r-x_l}.$