基于ROI的高精度红外全景拼接算法研究

发布时间：2020-12-17 16:14

　　针对红外图像空间分辨率低、视场窄,导致图像配准率低、实时性差的问题,提出一种基于感兴趣区域（ROI）的高精度红外全景拼接算法。该算法首先根据两张相邻图像的近似位置关系,求取图像间的ROI;接着,在ROI窗口中提取尺度不变特征变换（SIFT）特征点并将其作为运动目标,结合KLT（Kanade-Lucas-Tomasi）实时跟踪算法确定待配准图像中特征点的位置信息并进行匹配;然后采用随机采样一致性（RANSAC）算法剔除误匹配点对;最后利用像素级融合法消除拼接痕迹,合成一幅分辨率稳定、视场宽的红外全景图像。经实验验证,该算法与传统SIFT算法相比,配准率提高了3.491%,运行时间约提高了50%,能够准确、有效地实现多帧红外图像的无缝拼接。 

【文章来源】：半导体光电. 2020年04期 北大核心

【文章页数】：6 页

【部分图文】：

SIFT图像配准流程图

如图2(b）所示，将DOG中每一个极值点与同层8个相邻点以及上下相邻两层对应的9×2=18个点进行比较，满足大于（或小于）26个像元且在原图像I(x,y）和DOG上都是极值点的才确定该点为稳定的特征点[10-11]。(3）确定关键点主方向。通过计算特征点梯度与梯度直方图，使得特征描述向量在主方向上具有旋转不变性[12]。DOG金字塔中关键点的梯度模值m(x,y）与梯度方向θ计算公式为

(4）特征描述符生成。以特征点为中心，选取8×8=64的窗口，将子窗口再分割成4×4=16个，计算这16个小块上的8个方向向量，得到一个特征点为16×8=128维的特征描述符。具体生成过程如图3所示，其中小格子和箭头长度分别代表梯度方向和梯度幅值。至此，每个特征点信息可以用（x,y，σ，θ）表示，即（x,y）表示位置，σ表示尺度，θ表示主方向。SIFT特征点的提取结果如图4所示。

【参考文献】：
期刊论文
[1]基于改进的SIFT算法的图像配准方法[J]. 周佳欣,徐梦云,刘建全.  工业控制计算机. 2019(05)
[2]具有SIFT描述的多尺度角点图像配准[J]. 苏培峰,黄世奇,王艺婷,刘代志.  计算机工程与科学. 2017(09)
[3]基于区域分块与尺度不变特征变换的图像拼接算法[J]. 李玉峰,李广泽,谷绍湖,龙科慧.  光学精密工程. 2016(05)
[4]全景图像拼接关键技术研究[J]. 何亚黎,袁义.  信息化建设. 2016(03)

硕士论文
[1]基于改进的SIFT特征的图像匹配算法研究[D]. 章雷.安徽理工大学 2019
[2]全景图像拼接关键技术研究[D]. 张少坤.西安建筑科技大学 2018
[3]基于改进SIFT和改进K-means的遥感图像配准算法[D]. 祁曦.华东师范大学 2018
[4]基于SIFT特征检测与匹配的快速图像拼接方法研究[D]. 陈月.吉林大学 2017
[5]基于多角度的蛇果图像匹配算法研究[D]. 林文彬.浙江大学 2014



本文编号：2922322