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計算機科學系英國哥倫比亞大學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，并可以在一個無序的圖像數(shù)據(jù)集中識別多個全景圖。此外，為了提供更多有關(guān)的細節(jié)，本文通過引入增益補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和一些商業(yè)應用。這個問題的基本幾何學很好理解，對于每個圖像由一個估計的33的攝像機矩陣或?qū)仃嚱M成。估計處理通常由用戶輸入近似的校直圖像或者一個固定的圖像序列來初始化

3、，例如，佳能數(shù)碼相機內(nèi)的圖像拼接軟件需要水平或垂直掃描，或圖像的方陣。在自動定位進行前，第4版的REALVIZ拼接軟件有一個用戶界面，用鼠標在圖像大致定位，而我們的研究是有新意的，因為不需要提供這樣的初始化。根據(jù)研究文獻，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，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確的定位，但是需要一個只有細微差別的初始化處理?；谔卣鞯呐錅什恍枰跏蓟?，但是缺少

4、不變性的傳統(tǒng)的特征匹配方法（例如，Harris角點圖像修補的相關(guān)性）需要實現(xiàn)任意全景圖像序列的可靠匹配。在本文中，我們描述了一個基于不變特征的方法實現(xiàn)全自動全景圖像的拼接，相比以前的方法有以下幾個優(yōu)點。第一，不變特征的使用實現(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，我們還描述了一個高效的捆綁調(diào)整實現(xiàn)并展示對任意數(shù)量波段的多個重疊圖像如何進行多波段融合。（4）jujiiiuuuuui?????00或者等價于，其中，jijiuAu~~?（5）???????????100232221131211aaaaaaAij是通過一個關(guān)于的對應線性化得到的仿射變換。這意味著每個小的圖像修補經(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個圖像中提取特征點后（線性時間內(nèi)），需對特征點進行匹配。由于多個圖像可能重疊在一個單一的光線上，在特征空間內(nèi)每個特征點需和它最近的k個領(lǐng)域點匹配（k=4），通過使用kd樹算法找到近似最近的領(lǐng)域點，時間復雜度為O（）。kd樹是一種軸對齊的二進制空間劃分，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。由于每個圖像可能和任意其他一個匹配，這個問題一開始就呈現(xiàn)是出圖像數(shù)的二次方。為了得到一個好的拼接結(jié)果，對于圖像幾何而言，每個圖像只需要和少數(shù)重疊的圖像來匹配。從特征匹配這個步驟中，我們已找出圖像間有大量匹配點的圖像。對于當前圖像，我們將m幅圖像作為可能的匹配圖像（m=6），這m幅圖像與當前圖像有最大數(shù)量的特征匹配點。首先，使用RANSAC算法選擇一系列和圖像間對應矩陣兼容的內(nèi)點，然后應用概率模型做進一步的驗證。3.1使用使用

8、RANSAC算法的魯棒對應矩陣估計算法的魯棒對應矩陣估計RANSAC（隨機抽樣一致性算法）算法是使用最少的一組隨機采樣匹配點的一種魯棒估計過程，用來估計圖像變換參數(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，使用直接線性變換（DLT)方法計算圖像間的對應矩陣H。重復500次試驗，選擇內(nèi)點數(shù)最大的解決方案（在像素誤差范圍內(nèi)，其預測和H是一致的）。假設(shè)一對匹配圖像間的特征匹配點是正確的概率（內(nèi)點概率