基于特征点的图像拼接算法图文说明

配的特征点计算得到两幅图的仿射变换矩阵。

图3 特征点描述因子的示意图

如图3所示，每个点，根据它周围的点的方向，统计起来共同来描述这个点，那么这个点就有了描述因子，可以区别该特征点与其他特征点。该描述因子就具备了尺度不变性及旋转不变性。尺度的变化不改变方向，而旋转的变换只会引起直方图左移或右移。 4、图像排序

通过特征点，可以计算两幅图像的相关程度，就可以确定图像的排序，从而自动为图像寻找正确的顺序。

图4图片排序示意图

1、将图像分为两类，队列组和待排序组；

2、对待排序组每幅图计算左右半张图的特征点得到TempPointLft与TempPointRht；

3、计算队列组第一张的左半张和最后一张的右半张得到PointLft与PointRht；

4、找到匹配度最大按序排入队列； 5、重复步骤2-4. 5、计算仿射矩阵

得到了两幅图像之间的特征点，并且根据特征点一一对应的关系便可以得到两幅图像之间的相对关系（拉伸，旋转关系）。以此便可以计算出图像之间的仿射变换矩阵。

?x'??a0?y'???b???0??1?1??? a1a2??x????b1b2??y?11????1??

图5仿射变换矩阵

如图5所示，一张图片可以通过与仿射矩阵卷积完成变换，矩阵中各个值可以通过表1确定。由于后续的图像融合中需要运用到图像平移量，所以，对于仿射矩阵，不仅要求理解仿射矩阵意义，还需要知道各个参数所代表的变换意义。

表1 放射性变换中变换矩阵T的取值表

仿射性变换类型 a0 a1 a2 b0 b1 b2 平移 缩放 逆时针旋转 水平切变 垂直切变 整体切边 1 sx cos?0 0 sin? 0 shy shy ?x 0 0 -sin? shx 1 sy cos??y 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 shx 6、插值投影变换

在处理投影变换及后续图像融合中仿射变换中，都需要对坐标变换进行插值计算。如果简单的对坐标点取最近值，会使图像产生锯齿边（其实就是灰度值不连续的一种表现）。而双线性插值就能有效的削弱这种现象。

图6双线性插值示意图

7、图像融合

两幅图像确定了融合位置还是不够的，在融合区域会出现明显的边界，出现这种现象的原因一般有几种：一方面是亮度差值的存在；一方面是因为投影圆柱面，圆柱面的参数理论值与实际值之间的偏差造成；还有可能是图像获取时，采集到的图像本身就会出现边缘失真现象。针对拼接痕迹，采用浅入浅出的方法。拼接部分的两幅图像分别乘一个系数，该系数随着距离的变化而变化。

图7渐入渐出融合示意图