基于特征点匹配的图像拼接算法研究(2)

基于特征点匹配的图像拼接算法研究

　第4期　陈　虎:基于特征点匹配的图像拼接算法研究　　　 95 像坐标的原点。为了保证特征点的准确提取和匹配,每幅图像都用一样的特征点提取算法。本文首先利用Canny边缘检测提取图像的边缘,并进一步提取图像的特征点。

1.1　Canny边缘检测

由于Canny边缘检测方法是针对一维信号表达的,必须将其扩展到二维。这样阶跃边缘将由位置、方向和强度来确定。

假设G为一个标准差为α的二维Gaussian算子:

22α)(1)G=exp(x/2

　　将图像I与Gn做卷积,Gn是G沿n方向的一阶方向导数。

Gn==n Gn

+,则对于图像Ixy

n ((边缘就位于Gn。其中: G=

G I=0n

　　将式(2)代入式(4)中,得:

2

G I=052n(5)(2)(3)(4)

满足式(5)的点被视为边缘,边缘强度为:

(6)| (Gn I)|=| (G I)|

　　Canny算子在使用不同的尺度下的高斯算子检测到的边缘信息是不相同的,确定合适的尺度取决于图像中所含的物体情况。要获得理想的边缘信息,需要使用多个尺度,将所得信息收集起来,不同尺度的Canny边缘检测器由Gaussian的不同的标准差来表示。有可能存在几个尺度的算子对边缘都给出突出的响应(即信噪比超过阈值),在这种情况下,选择具有最小尺度的算子,因为它定位最准确。获得多个尺度下的边缘信息后,使用特征综合处理(featuresynthesisapproach)来获取:①首先标记出所有由最小尺度算子得到的突出边缘。②具有较大尺度的算子产生的边缘根据它们(标记出的边缘)合成得到,即根据从较小的尺度收集到的证据来预测较大尺度应具有的作用效果。③然后将合成得到的边缘响应与较大尺度的实际边缘响应作比较。④仅当它们比通过合成预测的响应显著地强时,才将其标记为边缘。

这一过程可以对这个尺度序列(从小到大)重复进行,通过不断加入较小的尺度中没有的边缘点的方式累积起来生成边缘图,最终获得的边缘图中综合了不同尺度下的边缘信息,最能真实反应图像的边缘信息。

1.2　特征点提取

检测图像的边缘后,在每一列的边缘点中找出梯度值最大的一点,记录该点的纵坐标,若此列不存在边缘点,则直接找出该列的梯度值最大点。对于图像中任意一点(i,j),梯度值为:

Mag(i,j)={[(I(i+1,j)-I(i-1,j))/2)]+[(I(i,j+1)-I(i,j-1))/2]}221/2(7)其中:I(i,j)是点(i,j)的灰度值。

这样可得到两个长度分别为W1、W2的数组Mag1,Mag2,数组中的元素是图像中该列上梯度最大点的纵坐标,该数组反映了两幅图像中按列最大梯度特征点分布的情况。在确定每列梯度的最大点时,遵循以下原则:

(1)当该列中梯度最大值的点有两个或两个以上时,取距离图像水平中线距离最近的点作为该列的特征点;