畢業(yè)論文外文翻譯-使用不變特征的全景圖像自動拼接

1、使用不變特征的全景圖像自動拼接使用不變特征的全景圖像自動拼接馬修布朗和戴維?洛mbrown|lowe@cs.ubc.ca計(jì)算機(jī)科學(xué)系英國哥倫比亞大學(xué)加拿大溫哥華摘要摘要本文研究全自動全景圖像的拼接問題，盡管一維問題（單一旋轉(zhuǎn)軸）很好研究，但二維或多行拼接卻比較困難。以前的方法使用人工輸入或限制圖像序列，以建立匹配的圖像，在這篇文章中，我們假定拼接是一個(gè)多圖像匹配問題，并使用不變的局部特征來找到所有圖像的匹配特征。由于以上這些，該方法對輸

2、入圖像的順序、方向、尺度和亮度變化都不敏感；它也對不屬于全景圖一部分的噪聲圖像不敏感，并可以在一個(gè)無序的圖像數(shù)據(jù)集中識別多個(gè)全景圖。此外，為了提供更多有關(guān)的細(xì)節(jié)，本文通過引入增益補(bǔ)償和自動校直步驟延伸了我們以前在該領(lǐng)域的工作。1.簡介簡介全景圖像拼接已經(jīng)有了大量的研究文獻(xiàn)和一些商業(yè)應(yīng)用。這個(gè)問題的基本幾何學(xué)很好理解，對于每個(gè)圖像由一個(gè)估計(jì)的33的攝像機(jī)矩陣或?qū)?yīng)矩陣組成。估計(jì)處理通常由用戶輸入近似的校直圖像或者一個(gè)固定的圖像序列來初始化

3、，例如，佳能數(shù)碼相機(jī)內(nèi)的圖像拼接軟件需要水平或垂直掃描，或圖像的方陣。在自動定位進(jìn)行前，第4版的REALVIZ拼接軟件有一個(gè)用戶界面，用鼠標(biāo)在圖像大致定位，而我們的研究是有新意的，因?yàn)椴恍枰峁┻@樣的初始化。根據(jù)研究文獻(xiàn)，圖像自動對齊和拼接的方法大致可分為兩類——直接的和基于特征的。直接的方法有這樣的優(yōu)點(diǎn)，它們使用所有可利用的圖像數(shù)據(jù)，因此可以提供非常準(zhǔn)確的定位，但是需要一個(gè)只有細(xì)微差別的初始化處理?；谔卣鞯呐錅?zhǔn)不需要初始化，但是缺少

4、不變性的傳統(tǒng)的特征匹配方法（例如，Harris角點(diǎn)圖像修補(bǔ)的相關(guān)性）需要實(shí)現(xiàn)任意全景圖像序列的可靠匹配。在本文中，我們描述了一個(gè)基于不變特征的方法實(shí)現(xiàn)全自動全景圖像的拼接，相比以前的方法有以下幾個(gè)優(yōu)點(diǎn)。第一，不變特征的使用實(shí)現(xiàn)全景圖像序列的可靠匹配，盡管在輸入圖像中有旋轉(zhuǎn)、縮放和光照變化。第二，通過假定圖像拼接是一個(gè)多圖像匹配問題，我們可以自動發(fā)現(xiàn)這些圖像間的匹配關(guān)系，并且在無序的數(shù)據(jù)集中識別出全景圖。第三，通過使用多波段融合呈現(xiàn)無縫輸

5、出的全景圖，可以產(chǎn)生高質(zhì)量的結(jié)果。本文通過引入增益補(bǔ)償和自動校直步驟延伸了我們以前在該領(lǐng)域的工作，我們還描述了一個(gè)高效的捆綁調(diào)整實(shí)現(xiàn)并展示對任意數(shù)量波段的多個(gè)重疊圖像如何進(jìn)行多波段融合。（4）jujiiiuuuuui?????00或者等價(jià)于，其中，jijiuAu~~?（5）???????????100232221131211aaaaaaAij是通過一個(gè)關(guān)于的對應(yīng)線性化得到的仿射變換。這意味著每個(gè)小的圖像修補(bǔ)經(jīng)過一0iu次仿射變換，并且合

6、理利用了在仿射變換下局部不變的SIFT特征。一旦從所有n個(gè)圖像中提取特征點(diǎn)后（線性時(shí)間內(nèi)），需對特征點(diǎn)進(jìn)行匹配。由于多個(gè)圖像可能重疊在一個(gè)單一的光線上，在特征空間內(nèi)每個(gè)特征點(diǎn)需和它最近的k個(gè)領(lǐng)域點(diǎn)匹配（k=4），通過使用kd樹算法找到近似最近的領(lǐng)域點(diǎn)，時(shí)間復(fù)雜度為O（）。kd樹是一種軸對齊的二進(jìn)制空間劃分，它在平均最高方差維遞歸劃分特征nnlog空間。3.圖像匹配圖像匹配圖像匹配的目標(biāo)是找到所有匹配（例如重疊）圖像，稍后圖像匹配連通集會

7、成為全景圖。由于每個(gè)圖像可能和任意其他一個(gè)匹配，這個(gè)問題一開始就呈現(xiàn)是出圖像數(shù)的二次方。為了得到一個(gè)好的拼接結(jié)果，對于圖像幾何而言，每個(gè)圖像只需要和少數(shù)重疊的圖像來匹配。從特征匹配這個(gè)步驟中，我們已找出圖像間有大量匹配點(diǎn)的圖像。對于當(dāng)前圖像，我們將m幅圖像作為可能的匹配圖像（m=6），這m幅圖像與當(dāng)前圖像有最大數(shù)量的特征匹配點(diǎn)。首先，使用RANSAC算法選擇一系列和圖像間對應(yīng)矩陣兼容的內(nèi)點(diǎn)，然后應(yīng)用概率模型做進(jìn)一步的驗(yàn)證。3.1使用使用

8、RANSAC算法的魯棒對應(yīng)矩陣估計(jì)算法的魯棒對應(yīng)矩陣估計(jì)RANSAC（隨機(jī)抽樣一致性算法）算法是使用最少的一組隨機(jī)采樣匹配點(diǎn)的一種魯棒估計(jì)過程，用來估計(jì)圖像變換參數(shù)，并找到與數(shù)據(jù)具有最好一致性的解決方案。在全景圖的情況下，我們選擇r=4對匹配特征點(diǎn)，使用直接線性變換（DLT)方法計(jì)算圖像間的對應(yīng)矩陣H。重復(fù)500次試驗(yàn)，選擇內(nèi)點(diǎn)數(shù)最大的解決方案（在像素誤差范圍內(nèi)，其預(yù)測和H是一致的）。假設(shè)一對匹配圖像間的特征匹配點(diǎn)是正確的概率（內(nèi)點(diǎn)概率