内蒙古科技大学毕业设计说明书（毕业论文）
拼接后显示的图片：
图3-5 拼接后的图像
从上述的实验中可以明显的看出在传统的算法中存在明显的亮度不同，而且还带有一些模糊，只是表现出拼接的轮廓，但是在质量上存在很大的误差。可以分析到出现这种失误的情况还是在于误匹配，因为前文讨论过有很多特征点没有很强的独立性，所以在匹配的过程中，很多的成功匹配的都是错误的，所以增大成功匹配的成功率上将采取一些改进的办法。
在误匹配的情况出现的前提下，采用一种最近邻域的办法，然后采用霍夫变换进行类聚。本文介绍一种性能较好的算法Best-Bin-First简称为BBF,这是由Beis和Lowe在1997年提出的算法，后来发展中科学工作者不断对其复杂度做了更为深刻的研究。通过实验本文只考虑在比邻距小于0.8的情况下。这样也不用花费太多的时间，在特征点的识别上我们采用的是霍夫曼变换类聚，首先把H的参数进行离散化，然后在匹配的建立空间，按照提前设定的阈值在建立的搜索空间内寻找最大值，认为是正确的。下面是改进的图像拼接实验：
24
内蒙古科技大学毕业设计说明书（毕业论文）
图3-6左图像 图3-7 右图片
图3-8 拼接后的图像
sift算法应用很广泛，以上叙述的方法也是在原有的基础上进行了扩展和集成，在对一些变换上没有做到很好的鲁棒性，这些还是要有有待解决的。
25
内蒙古科技大学毕业设计说明书（毕业论文）
第四章 基于Harris算法的图像拼接研究
在前文的讨论中，图像的特征提取和匹配是图像拼接的核心内容，在特征提取中有一种重要的特征点就是角点，对于角点的定义可以这么形容，就是两个或者是两个以上的边缘区域形成的点。关于角点的研究历史也是很悠久的，在1988年哈里斯提出Harris兴趣点检测，这种方法是依赖于自相关函数来确定二维变化的位置，后来被证明它具有平移，旋转等不变性。而且有很高的精度。同时角点在噪声的处理和光照影响上也有很好的鲁棒性，所以成了研究的重要课题。
4.1 角点提取算子
关于角点的研究，现在基本好多的算法已经被完善，在研究角点提取上，可以从资料上查到很多的算法，例如：Harris算法，莫拉维克算法，普莱西算法等等，下面讨论一下几种算法的区别和优劣。首先Harris算法，对于角点的检测是计算方便，而且是稳定性比较高，所以受到广泛应用，但是它也有很多的缺点，在上文中的多尺度空间中，Harris算法的精度就不是很高，而且还会存在一些伪角点和冗余信息，然后是Moravec算法，它是对每一个角点都进行测量，然后在灰度变化上取一个最小的值，然后在对每一个像素进行映射，这种算法也是比较简单，处理的速度也是比较快，但是Moravce算法对边缘区域比较敏感，而且在对边缘的处理不好，对噪声的敏感也比较大，所以Moravce算法在一定的场合中才会使用它。还有pleesey算法，它是突破了Moravce算法的局限性，是一个比较好的角点检测算法，唯独不好是计算量很大。这也没有影响到人们对他的热爱，在目前的研究应用上pleesey还是有很广泛的引用。虽然说pleesey算法在Moravce上有很大的突破，但是它对于角点的定位不是很准确，会检测到很多错误的角点。虽然算法都有优劣性，但是在实际应用还是能克服。
4.2 Harris角点检测原理
Harris角点是根据自相关函数来确定二维数据变化的位置的，它在应用上基本上都是对处理的图像进行平滑去噪，然后构造响应函数，最后在得到局部最大点，而这个点就被认为是角点，在这种处理的规则上会降低它的精度，所以在这个问题上本文以后还要做改进。在具体的操作之间，首先要明确一个问题，柱面投影的生成，这个在后续的
26
内蒙古科技大学毕业设计说明书（毕业论文）
融合过程中有着重要的意义。 4.2.1 柱面投影生成
在图像采集过程中，可能会因为角度的不同，在一个平面上可能会出现旋转，这也是数据采集上一个重要问题，这个问题会导致出现重叠的区域过大，会给以后的匹配带来麻烦，所以我们可以假想一下平面图像映射到柱面图像的情况，我们所要讨论的是一种特殊情况，当在边缘位置是，图片上所呈现的是一个柱面，这种我们可以采用柱面的投影生成的问题解决办法，也是方便以后计算方便。下面讨论一下平面图像和柱面图像之间对应。
图4-1 柱面投影示意图
设为r是柱面的半径，W是生成图像的宽度，通过一些数学的建模和柱面的性质，最后我们可以得到平面图像到柱面图像的投影公式：
y'? x'?r4.2.2 Harris角点提取
有前文中的论述，我们在提取Harris角点的时候，引入到自相关函数中，在这里我们借助于自相关函数来构建一个M矩阵，矩阵的特征值可以认为是自相关函数的曲率值，若他们两个的曲率值都比较高，就认为是特征点，矩阵M为：
ry (4-1) 22r?(w/2?x)ww/2?x (4-2) ?r*arctan2r?IxIxIy? M?W(S)?? 2?IyIxIy??在这里Ix2是x方向上梯度的平方，同理Iy2是y上的梯度平方。W(s)是高斯滤波函数。
2M矩阵的引入是角点检测的重要的一步，它可以映射二维的特征点。高斯滤波函数作用
27
