php拼接赋值技巧_图像拼接算法及实现一

关键词：图像拼接　图像配准　图像领悟　全景图

第一章 绪论

1.1 图像拼接技能的研究背景及研究意义

图像拼接(image mosaic)是一个日益盛行的研究领域，他已经成为摄影绘图学、打算机视觉、图像处理和打算机图形学研究中的热点。
图像拼接办理的问题一样平常式，通过对齐一系列空间重叠的图像，构成一个无缝的、高清晰的图像，它具有比单个图像更高的分辨率和更大的视野。

早期的图像拼接研究一贯用于摄影绘图学，紧张是对大量航拍或卫星的图像的整合。
近年来随着图像拼接技能的研究和，它使基于图像的绘制（IBR）成为结合两个互补领域——打算机视觉和打算机图形学的武断焦点，在打算机视觉领域中，图像拼接成为对可视化场景描述（Visual Scene Representaions）的紧张研究方法：在打算机形学中，现实天下的图像过去一贯用于环境贴图，即合成静态的背景和增加合成物体真实感的贴图，图像拼接可以使IBR从一系列真是图像中快速绘制具有真实感的新视图。

在军事领域网的夜视成像技能中，无论夜视微光还是红外成像设备都会由于摄像器材的限定而无法拍摄视野宽阔的图片，更不用说360 度的环形图片了。
但是在实际运用中，很多时候须要将360 度所拍摄的很多张图片合成一张图片，从而可以使不雅观察者可以不雅观察到周围的全部情形。
利用图像拼接技能，在根据拍摄设备和周围景物的情形进行剖析后，就可以将通过迁徙改变的拍摄器材拍摄的涵盖周围360 度景物的多幅图像进行拼接，从而实时地得到超大视角乃至是360 度角的全景图像。
这在红外预警中起到了很大的浸染。

眇小型履带式移动机器人项目中，单目视觉不能知足机器人的视觉导航须要，并且单目视觉机器人的视野范围明显小于双目视觉机器人的视野。
利用图像拼接技能，拼接机器人双目采集的图像，可以增大机器人的视野，给机器人的视觉导航供应方便。
在虚拟现实领域中，人们可以利用图像拼接技能来得到宽视角的图像或360 度全景图像，用来虚拟实际场景。
这种基于全景图的虚拟现实系统，通过全景图的深度信息抽取，规复场景的三维信息，进而建立三维模型。
这个别系许可用户在虚拟环境中的一点作水平环视以及一定范围内的俯视和仰视，同时许可在环视的过程中动态地改变焦距。
这样的全景图像相称于人站在原地环顾四周时看到的环境。
在医学图像处理方面，显微镜或超声波的视野较小，医师无法通过一幅图像进行诊视，同时对付大目标图像的数据丈量也须要把不完全的图像拼接为一个整体。
以是把相邻的各幅图像拼接起来是实现远程数据丈量和远程会诊的关键环节圆。
在遥感技能领域中，利用图像拼接技能中的图像配准技能可以对来自同一区域的两幅或多幅图像进行比较，也可以利用图像拼接技能将遥感卫星拍摄到的有失落真地面图像拼接成比较准确的完全图像，作为进一步研究的依据。

从以上方面可以看出，图像拼接技能的运用前景十分广阔，深入研究图像拼接技能有着很主要的意义

1.2图像拼接算法的分类

图像拼接作为这些年来图像研究方面的重点之一，国内外研究职员也提出了很多拼接算法。
图像拼接的质量，紧张依赖图像的配准程度，因此图像的配准是拼接算法的核心和关键。
根据图像匹配方法的不同仁阔，一样平常可以将图像拼接算法分为以下两个类型： （1) 基于区域干系的拼接算法。
这是最为传统和最普遍的算法。
基于区域的配准方法是从待拼接图像的灰度值出发，对待配准图像中一块区域与图像中的相同尺寸的区域利用最小二乘法或者其它数学方法打算其灰度值的差异，对此差异比较后来判断待拼接图像重叠区域的相似程度，由此得到待拼接图像重叠区域的范围和位置，从而实现图像拼接。
也可以通过FFT 变换将图像由时域变换到频域，然后再进行配准。
对位移量比较大的图像，可以先校正图像的旋转，然后建立两幅图像之间的映射关系。
当以两块区域像素点灰度值的差别作为判别标准时，最大略的一种方法是直接把各点灰度的差值累计起来。
这种办法效果不是很好，常常由于亮度、比拟度的变革及其它缘故原由导致拼接失落败。
另一种方法是打算两块区域的对应像素点灰度值的干系系数，干系系数越大，则两块图像的匹配程度越高。
该方法的拼接效果要好一些，成功率有所提高。
(2) 基于特色干系的拼接算法。
基于特色的配准方法不是直策应用图像的像素值，而是通过像素导出图像的特色，然后以图像特色为标准，对图像重叠部分的对应特色区域进行搜索匹配，该类拼接算法有比较高的健壮性和鲁棒性。
基于特色的配准方法有两个过程：特色抽取和特色配准。
首先从两幅图像中提取灰度变革明显的点、线、区域等特色形成特色集冈。
然后在两幅图像对应的特色集中利用特色匹配算法尽可能地将存在对应关系的特色对选择出来。
一系列的图像分割技能都被用到特色的抽取和边界检测上。
如canny 算子、拉普拉斯高斯算子、区域成长。
抽取出来的空间特色有闭合的边界、开边界、交叉线以及其他特色。
特色匹配的算法有：交叉干系、间隔变换、动态编程、构造匹配、链码干系等算法。

1.3本文的紧张事情和组织构造

本文的紧张事情：(1) 了古人在图像拼接方面的技能发展进程和研究成果。

(2) 学习和研究了古人的图像配准算法。

(3) 学习和研究了常用的图像领悟算法。

(4) 用matlab实现本文中的图像拼接算法

(5) 总结了图像拼接中还存在的问题，对图像拼接的发展方向和运用前景进行展望。

本文的组织构造：

第一章紧张对图像拼接技能作了整体的概述，先容了图像拼接的研究背景和运用前景，以及图像拼接技能的大致过程、图像拼接算法的分类和其技能难点。
第二章紧张先容谈论了图像预处理中的两个步骤，即图像的几何校正和噪声点的抑制。
第三章紧张先容谈论了图像配准的多种算法。
第四章紧张先容谈论了图像领悟的一些算法。
第五章紧张先容图像拼接软件实现本文的算法。
第六章紧张对图像拼接中还存在的问题进行总结，以及对图像拼接的发展进行展望。

1.4 本章小结

本章紧张对图像拼接技能作了整体的概述，先容了图像拼接的研究背景和运用前景，以图像拼接算法的分类和其技能难点，并且对全文研究内容进行了总体先容。
第二章 图像拼接的根本理论及图像预处理

2.1图像拼接

图像拼接技能紧张有三个紧张步骤：图像预处理、图像配准、图像领悟与边界平滑，

如图。

图像拼接技能紧张分为三个紧张步骤：图像预处理、图像配准、图像领悟与边界平滑，图像预处理紧张指对图像进行几何畸变校正和噪声点的抑制等，让参考图像和待拼接图像不存在明显的几何畸变。
在图像质量不理想的情形下进行图像拼接，如果不经由图像预处理，很随意马虎造成一些误匹配。
图像预处理紧张是为下一步图像配准做准备，让图像质量能够知足图像配准的哀求。
图像配准紧张指对参考图像和待拼接图像中的匹配信息进行提取，在提取出的信息中探求最佳的匹配，完成图像间的对齐。
图像拼接的成功与否紧张是图像的配准。
待拼接的图像之间，可能存在平移、旋转、缩放等多种变换或者大面积的同色区域等很难匹配的情形，一个好的图像配准算法该当能够在各种情形下准确找到图像间的对应信息，将图像对齐。
图像领悟指在完成图像匹配往后，对图像进行缝合，并对缝合的边界进行平滑处理，让缝合过渡。
由于任何两幅相邻图像在采集条件上都不可能做到完备相同，因此，对付一些本该当相同的图像特性，如图像的光照特性等，在两幅图像中就不会表现的完备一样。
图像拼接缝隙便是从一幅图像的图像区域过渡到另一幅图像的图像区域时，由于图像中的某些干系特性发生了跃变而产生的。
图像领悟便是为了让图像间的拼接缝隙不明显，拼接更自然

2.2 图像的获取办法

图像拼接技能事理是根据图像重叠部分将多张衔接的图像拼合成一张高分辨率全景图 。
这些有重叠部分的图像一样平常由两种方法得到 : 一种是固定摄影机的转轴 ,然后绕轴旋转所拍摄的照片 ;另一种是固定摄影机的光心 ,水平摇动镜头所拍摄的照片。
个中 ,前者紧张用于远景或遥感图像的获取 ,后者紧张用于显微图像的获取 ,它们共同的特点便是得到有重叠的二维图像。

2.3 图像的预处理

2.3.1 图像的校正

当摄影系统的镜头或者摄影装置没有正对着待拍摄的景物时候，那么拍摄到的景物图像就会产生一定的变形。
这是几何畸变最常见的情形。
其余，由于光学成像系统或扫描系统的限定而产生的枕形或桶形失落真，也是几何畸变的范例情形。
几何畸变会给图像拼接造成很大的问题，原来在两幅图像中相同的物体会由于畸变而变得不匹配，这会给图像的配准带来很大的问题。
因此，办理几何畸变的问题显得很主要。

图象校正的基本思路是，根据图像失落真缘故原由，建立相应的数学模型，从被污染或畸变的图象旗子暗记中提取所须要的信息，沿着使图象失落真的逆过程规复图象本来面貌。
实际的复原过程是设计一个滤波器，使其能从失落真图象中计算得到真实图象的估值，使其根据预先规定的偏差准则，最大程度地靠近真实图象。

2.3.2 图像噪声的抑制

图像噪声可以理解为妨碍人的视觉感知，或妨碍系统传感器对所接管图像源信息进行理解或剖析的各种成分，也可以理解成真实旗子暗记与空想旗子暗记之间存在的偏差。
一样平常来说，噪声是不可预测的随机旗子暗记，常日采取概率统计的方法对其进行剖析。
噪声对图像处理十分主要，它影响图像处理的各个环节，特殊在图像的输入、采集中的噪声抑制是十分关键的问题。
若输入伴有较大的噪声，一定影响图像拼接的全过程及输出的结果。
根据噪声的来源，大致可以分为外部噪声和内部噪声；从统计数学的不雅观点来定义噪声，可以分为平稳噪声和非平稳噪声。
各种类型的噪声反响在图像画面上，大致可以分为两种类型。
一是噪声的幅值基本相同，但是噪声涌现的位置是随机的，一样平常称这类噪声为椒盐噪声。
另一种是每一点都存在噪声，但噪声的幅值是随机分布的，从噪声幅值大小的分布统计来看，其密度函数有高斯型、瑞利型，分别成为高斯噪声和瑞利噪声，又如频谱均匀分布的噪声称为白噪声等。

1.均值滤波

所谓均值滤波实际上便是用均值替代原图像中的各个像素值。
均值滤波的方法是，对将处理确当前像素，选择一个模板，该模板为其临近的多少像素组成，用模板中像素的均值来替代原像素的值。
如图2.4所示，序号为0是当前像素，序号为1至8是临近像素。
求模板中所有像素的均值，再把该均值授予当前像素点((x, y)，作为处理后图像在该点上的灰度g(x,y)，即

g(x,y)=

(2-2-2-1)

个中，s为模板，M为该模板中包含像素的总个数。

图2.2.2.1模板示意图

2.中值滤波

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性旗子暗记处理技能。
它的核心算法是将模板中的数据进行排序，这样，如果一个亮点（暗点）的噪声，就会在排序过程中被排在数据序列的最右侧或者最左侧，因此，终极选择的数据序列中看法位上的值一样平常不是噪声点值，由此便可以达到抑制噪声的目的。
取某种构造的二维滑动模板，将模板内像素按照像素值的大小进行排序，天生单调上升（或低落）的二维数据序列。
二维德中值滤波输出为 ( 2-2-2-2 )

个中，f(x,y)，g (x,y)分别为原图像和处理后的图像，w二维模板,k ,l为模板的长宽，Med 为取中间值操作，模板常日为3 3 、5 5 区域，也可以有不同形状，如线状、圆形、十字形、圆环形。

2.4 本章小结

本章紧张先容了图像几何畸变校正和图像噪声抑制两种图像预处理.

第三章 图像配准算法

3.1 图像配准的观点

图像配准简而言之便是图像之间的对齐。
图像配准定义为:对从不同传感器或不同韶光或不同角度所得到的两幅或多幅图像进行最佳匹配的处理过程。
为了更清楚图像配准的任务，我们将图像配准问题用更精确的数学措辞描述出来。
配准可以用描述为如下的问题:

给定同一景物的从不同的视角或在不同的韶光获取的两个图像I ,I 和两个图像间的相似度量S(I ,I ),找出I ,I 中的同名点，确定图像间的最优变换T,使得S(T(I ),I )达到最大值。

图像配准总是相对付多幅图像来讲的，在实际事情中，常日取个中的一幅图像作为配准的基准,称它为图,另一幅图像,为搜索图。
图像配准的一样平常做法是，首先在参考图上选取以某一目标点为中央的图像子块，并称它为图像配准的模板，然后让模板在搜索图上有秩序地移动，每移到一个位置，把模板与搜索图中的对应部分进行干系比较，直到找到配准位置为止。

如果在模板的范围内，同一目标的两幅图像完备相同，那么完成图像配准并不困难。
然而，实际上图像配准中所碰着的同一目标的两幅图像常常是在不同条件下得到的，如不同的成像韶光、不同的成像位置、乃至不同的成像系统等，再加上成像中各种噪声的影响，使同一目标的两幅图像不可能完备相同，只能做到某种程度的相似，因此图像配准是一个相称繁芜的技能过程。
3.2 基于区域的配准

3.2.1 逐一比较法

设搜索图为s待配准模板为T，如图3.1所示，S大小为M N，T大小为U V,如图所示。

图3.1搜索图S与模板T示意图

逐一比较法的配准思想是:

在搜索图S中以某点为基点(i,j)，截取一个与模板T大小一样的分块图像，这样的基点有(M-U+1) (N-V+1)个，配准的目标便是在(M-U+1)(N-V+1)个分块图像中找一个与待配准图像最相似的图像，这样得到的基准点便是最佳配准点。

设模板T在搜索图s上移动，模板覆盖下的那块搜索图叫子图S ,(i,j)为这块子图的左上角点在S图中的坐标，叫做参考点。
然后比较T和S的内容。
若两者同等，则T和S之差为零。
在现实图像中，两幅图像完备同等是很少见的，一样平常的判断是在知足一定条件下，T和S 之差最小。

根据以上事理，可采取下列两种测度之一来衡量T和S 的相似程度。
D(i,j)的值越小，则该窗口越匹配。

或

(3-2)

或者利用归一化干系函数。
将式(3-1)展开可得:

(3-3)

式中等号右边第三项表示模板总能量，是一常数，与(i,j)无关;第一项是与模板匹配区域的能量，它随((i,j)的改变而改变，当T和S 匹配时的取最大值。
因此相

关函数为:

R(i,j)=

(3-4)

(3-5)

1，并且仅当值S (m, n)/T (m, n)=常数时，R(i,j)取极大值。

该算法的优点:

(1)算法思路比较大略，随意马虎理解，易于编程实现。

(2)选用的模板越大，包含的信息就越多，匹配结果的可信度也会提高，同时能够对参考图像进行全面的扫描。

该算法的缺陷:

(1)很难选择待配准图像分块。
由于一个如果分块选择的禁绝确，短缺信息量，则不随意马虎精确的匹配，即发生伪匹配。
同时，如果分块过大则降落匹配速率，如果分块过小则随意马虎降落匹配精度。

(2)对图像的旋转变形不能很好的处理。
算法本身只是把待配准图像分块在标准参考图像中移动比较，选择一个最相似的匹配块，但是并不能够对图像的旋转变形进行处理，因此对照片的拍摄有严格的哀求。

3.2.2 分层比较法

图像处理的塔形(或称金字塔:Pyramid)分解方法是由Burt和Adelson首先提出的，其早期紧张用于图像的压缩处理及机器人的视觉特性研究。
该方法把原始图像分解成许多不同空间分辨率的子图像，高分辨率(尺寸较大)的子图像放不才层，低分辨率(尺寸较小)的图像放在上层，从而形成一个金字塔形状。

在逐一比较法的思想上，为减少运算量，引入了塔形处理的思想，提出了分层比较法。
利用图像的塔形分解，可以剖析图像中不同大小的物体。
同时，通过对低分辨率、尺寸较小的上层进行剖析所得到的信息还可以用来辅导对高分辨率、尺寸较大的下层进行剖析，从而大大简化剖析和。
在搜索过程中，首先进行粗略匹配，每次水平或垂直移动一个步长，打算对应像素点灰度差的平方和，记录最小值的网格位置。
其次，以此位置为中央进行精确匹配。
每次步长减半，搜索当前最小值，循环这个过程，直到步长为零，末了确定出最佳匹配位置。

算法的详细实现步骤如下:

（1）将待匹配的两幅图像中2

2邻域内的像素点的像素值分别取均匀，作为这一区域(22)像素值，得到分辨率低一级的图像。
然后，将此分辨率低一级的图像再作同样的处理，也便是将低一级的图像44邻域内的像素点的像素值分别取均匀，作为这一区域(44)点的像素值，得到分辨率更低一级的图像。
依次处理，得到一组分辨率依次降落的图像。

(2)从待匹配的两幅图像等分辨率最低的开始进行匹配搜索，由于这两幅图像像素点的数目少，图像信息也被肃清一部分，因此，此匹配位置是禁绝确的。
以是，在分辨率更高一级的图像中搜索时，该当在上一次匹配位置的附近进行搜索。
依次进行下去，直到在原始图像中探求到精确的匹配位置。

算法的优点:

(1)该算法思路大略，随意马虎理解，易于编程实现。

(2)该算法的搜索空间比逐一比较要少，在运算速率较逐一比较法有所提高。

算法的缺陷:

(1)算法的精度不高。
在是在粗略匹配过程中，移动的步长较大，很有可能将第一幅图像上所取的网格划分开，这样将造成匹配中无法取出与第一幅图像网格完备匹配的最佳网格，很难达到精确匹配。

(2)对图像的旋转变形仍旧不能很好的处理。
与逐一比较法一样，该算法只是对其运算速率有所改进，让搜索空间变小，并无实质变革，因此对图像的旋转变形并不能进行相应处理。

3.2.3 相位干系法

相位干系度法是基于频域的配准常用算法。
它将图像由空域变换到频域往后再进行配准。
该算法利用了互功率谱中的相位信息进行图像配准，对图像间的亮度变革不敏感，具有一定的抗滋扰能力，而且所得到的干系峰尖锐突出，位移检测范围大，具有较高的匹配精度。

相位干系度法思想是利用傅立叶变换的位移性子，对付两幅数字图像s,t，其对应的傅立叶变换为S,T，即:

(3-6)

若图像s,t相差一个平移量(x ,y )，即有:

s(x,y) = t(x-x ,y-y ) (3-7)

根据傅立叶变换的位移性子，上式的傅立叶变换为:

(3-8)

也便是说，这两幅图像在频域中具有相同的幅值，只是相位不同，他们之间的相位差可以等效的表示为互功率谱的相位。
两幅图的互功率谱为:

(3-9)

个中为共扼符号， 表示频谱幅度。
通过对互功率谱式(3-9)进行傅立叶逆变换，在((x,y)空间的（x ,y )，登基移处，将形成一个单位脉冲函数 ，脉冲位置即为两幅被配准图像间的相对平移量x 和y

式(3-9)表明，互功率谱的相位等价于图像间的相位差，故该方法称作相位干系法。

相位干系度法的优点:

(1)该算法大略速率快，因此常常被采取。
对付其核心技能傅立叶变换，现在己经涌现了很多有关的快速算法，这使得该算法的快速性成为浩瀚算法中的一大上风。
其余，傅立叶变换的硬件实现也比其它算法随意马虎。

(2)该算法抗滋扰能力强，对付亮度变革不敏感。

相位干系度法的缺陷:

(1)该算法哀求图像有50%旁边的重叠区域，在图像重叠区域很小的时，算法的结果很难担保，随意马虎造成误匹配。

(2)由于Fourier变换依赖于自身的不变属性，以是该算法只适用于具有旋转、平移、比例缩放等变换的图像配准问题。
对付任意变换模型，不能直接进行处理，而要利用掌握点方法，掌握点方法可以办理诸如多项式、局部变形等问题。

3.3 基于特色的配准

3.3.1 比值匹配法

比值匹配法算法思路是利用图像中两列上的部分像素的比值作为模板，即在参考图像T的重叠区域等分别在两列上取出部分像素，用它们的比值作为模板，然后在搜索图S中搜索最佳的匹配。
匹配的过程是在搜索图S中，由左至右依次从间距相同的两列上取出部分像素，并逐一打算其对应像素值比值;然后将这些比值依次与模板进行比较，其最小差值对应的列便是最佳匹配。
这样在比较中只利用了一组数据，而这组数据利用了两列像素及其所包含的区域的信息。

该算法的详细实现步骤如下:

(1)在参考图像T中间隔为c个像素的间隔上的两列像素中，各取m个像素，打算这m个像素的比值，将m个比值存入数组中，将其作为比较的模板。

(2)从搜索图S中在同样相隔c个像素的间隔上的两列，各取出m+n个像素，打算其比值，将m+n个比值存入数组。
假定垂直错开间隔不超过n个像素，多取的n个像素则可以办理图像垂直方向上的交错问题。

(3)利用参考图像T中的比值模板在搜索图S中探求相应的匹配。
首先进行垂直方向上的比较，即记录下搜索图S中每个比值数组内的最佳匹配。
再将每个数组的组内最佳匹配进行比较，即进行水平方向的比较，得到的最小值就认为是全局最佳匹配。
此时全局最佳匹配即为图像间在水平方向上的偏移间隔，该全局最佳匹配队应的组内最佳匹配即为图像间垂直方向上的偏移间隔。

比值匹配法的优点:

(1)算法思路清晰大略，随意马虎理解，实现起来比较方便。

(2)在匹配打算的时候，打算量小，速率快。
比值匹配法的缺陷:

(1)利用图像的特色信息太少。
只利用了两条竖直的平行特色线段的像素的信息，没有能够充分利用了图像重叠区域的大部分特色信息。
虽然算法提到，在搜索图S中由左至右依次从间距相同的两列上取出部分像素，打算其对应像素的比值，然后将这些比值依次与模版进行比较，彷佛是利用了搜索图S中的重叠区域的大部分图像信息，但在参考图像T中，只是任意选择了两条特色线，没有充分利用到参考图像T的重叠区域的特色信息。

(2)对图片的采集提出了较高的哀求。
此算法对照片前辈行垂直方向上的比较，然后再进行水平方向上的比较，这样可以办理高下较小的错开问题。
在采集的时候只能使摄影机在水平方向上移动。
然而，有时候不可避免的摄影机镜头会有小角度的旋转，使得拍摄出来的照片有一定的旋转，在这个算法中是无法办理的。
而且对重叠区域无明显特色的图像，比较背景是海洋或者天空，这样在选取特色模版的时候存在很大的问题。
由于照片中存在大块纹理相同的部分，以是与模版的差别就不大，这样有很多匹配点，很随意马虎造成误匹配。

(3)不易对两条特色线以及特色线之间的间隔进行确定。
算法中在参考图像T的重叠区域中取出两列像素上的部分像素，并没有给出选择的限定。
然而在利用拼接算法实现自动拼接的时候，如果选取的特色线不是很恰当，那么这样的特色线算出来的模版就失落去了作为模版的意义。
同时，在确定特色线间距时，选的过大，则不能充分利用重叠区域的图像信息。
选择的过小，则打算量太大。

3.3.2 特色点匹配法

比值匹配法利用图像特色较少，而且在图像发生小角度旋转的时候随意马虎发生误匹配。
基于特色点的匹配法可以很好的办理这类问题。
特色点紧张指图像中的明显点，如房屋角点、圆点等。
用于点特色提取得算子称为有利算子或兴趣算子。
自七十年代以来涌现一系列各不相同、各有特色的兴趣算子，较有名的有Moravec算子、Hannah算子与Foistner等。

本文采取Moravec算子进行特色点提取:

Moravec算子的基本思想是，以像素点的四个紧张方向上最小灰度方差表示该像素点与临近像素点的灰度变革情形，即像素点的兴趣值，然后在图像的局部选择具有最大的兴趣值得点(灰度变革明显得点)作为特色点，详细算法如下:

（1）各像素点的兴趣值IV (interest value)，例如打算像素点(c,r)的兴趣值，先在以像素点((cr)为中央的n n的影像窗口中(如图3.3.2所示的5 5的窗口)，打算四个紧张方向相邻像元灰度差的平方和。

图3.3.2 Moravec 算子特色点提取示意图

个中k=INT(n/2)。
取个中最小者为像元((c,r)的兴趣值:

IV(c,r)=V=min{ V1,V2,V3,V4}

(2)根据给定的阂值，选择兴趣值大于该阐值的点作为特色点的候选点。
设VR

为事先设定好的闭值，如果V > VR ，则V为特色点的候选点。

阑值得选择应以候选点中包括须要的特色点，而又不含过多的非特色点。

(3)在候选点中选取局部极大值点作为须要的特色点。
在一定大小的窗口内(可不同于兴趣值打算窗口)，去掉所有不是最大兴趣值的候选点，只留下兴趣值最大者，该像素即为一个特色点。

在有了以上的特色点提取的根本上，基于特色点匹配算法紧张步骤如下:

(1)在图像T的重叠部分中选取4个区域，每个区域利用Moravec算子找出特色点。

(2)选取以特色点为中央的区域，本文大小选择7X7的区域，在搜索图S中探求最相似的匹配。
由于有4个特色点，故有4个特色区域，找到相应的特色区域的匹配也有4块。

(3)利用这4组匹配的特色区域的中央点，也便是4对匹配的特色点，代入方程式(3-2-2)求解，所求的解即为两幅图像间的变换系数。

(3-2-2)

该算法的紧张优点:

(1)图像的特色信息得到了利用，能够对症下药，不是在盲目的搜索。

(2)误匹配发生的概率小，由于利用了参考图像T包含特色点的特色区域来探求相应匹配，因此在搜索图S中相应的特色区域随意马虎确认。

该算法的紧张缺陷:

(1)打算的代价高，打算量大。
该算法须要打算出特色点以及特色点的匹配点，同时还要将所有4对特色点带入式3-2-2求解变换系数，打算量大。

3.4 本章小结

本章剖析了现有的多种图像配准算法以及图像配准中的难点。

第四章 图像领悟技能

4.1 图像领悟技能的基本观点

数字图像领悟（Digital Image Fusion）因此图像为紧张研究内容的数据领悟技能，是把多个不同模式的图像传感器得到的同一场景的多幅图像或同一传感器在不同时候得到的同一场景的多幅图像合成为一幅图像的过程。
由于不同模式的图像传感器的成像机理不同，事情电磁波的波长不同，以是不同图像传感器得到的同一场景的多幅图像之间具有信息的冗余性和互补性，经图像领悟技能得到的合成图像则可以更全面、更精确地描述所研究的工具。
正是由于这一特点，图像领悟技能现已广泛地运用于军事、遥感、打算机视觉、医学图像处理等领域中。

数字图像领悟是图像剖析的一项主要技能，该技能在数字舆图拼接、全景图、虚拟现实等领域有着重要运用。
虽然Photoshop等图像处现软件供应了图像处理功能，可以通过拖放的办法进行图像拼接，但由于完备是手工操作，单调乏味，且精度不高，因此，有必要探求一种方便可行的图像领悟方法。
Matlab具有强大的打算功能和丰富的工具箱函数，例如图像处理和小波工具箱包含了大多数经典算法，并且它供应了一个非常方便快捷的算法研究平台，可让用户把精力集中在算法上而不是编程上，从而能大大提高研究效率。

4.2 手动配准与图象领悟

图像领悟包含图像配准和无缝合成两个部分.由于成像时受到各种变形成分的影响，得到的各幅图像间存在着相对的几何差异。
图像配准是通过数学仿照来对图像间存在着的几何差异进行校正，把相邻两幅图像合成到同一坐标系下，并使得相同景物在不同的局部图像中对应起来，以便于图像无缝合成。
本文采取Matlab中的cpselect、cp2tform函数完成几何配准。
cpselect函数显示图像界面，手动在两幅图像的重叠部分选取配准掌握点，Matlab自动进行亚像素剖析，由cp2tform函数值正重叠部分的几何差异。
Matlab中的cp2tform函数能改动6种变形，分别是图(b)：线性相似；图(c)：仿射；图(d)：投影；图(e)：多顶式；图(o：分段线性；图(g)：局部加权均匀。
前4种为全局变换，后两种为局部变换，如图I所示，图(a)为改动结果；图(b)至图(g)为对应的变形。

图1-1 cp2tform函数能改动的6种几何变形

图像配准之后，由于图像重叠区域之间差异的存在，如果将图像象素大略叠加，拼按处就会涌现明显的拼接缝，因此须要一种技能改动待拼接图像拼接缝附近的颜色值，使之平滑过渡，实现无缝合成。
传统的领悟方法多是在韶光域对图像进行算术运算，没有考虑处理图像时其相应频率域的变革。
从数学上讲，拼接缝的肃清相称于图像颜色或灰度曲面的光滑连接，但实际上图像的拼接与曲面的光滑不同，图像颜色或灰度曲面的光滑表现为对图像的模糊化，从而导致图像模糊不清。

4.3 图像领悟规则

图像的领悟规则(Fusion rule)是图像领悟的核心，领悟规则的好坏直接影响领悟图像的速率和质量。

Burt提出了基于像素选取的领悟规则，在将原图像分解身分歧分辨率图像的根本上，选取绝对值最大的像素值(或系数)作为领悟后的像素值(或系数)。
这是基于在不同分辨率图像中，具有较大值的像素(或系数)包含更多的图像信息。

Petrovic和Xydeas提出了考虑分解层内各图像(若存在多个图像)及分解层间的干系性的像素选取领悟规则。
蒲恬在运用小波变换进行图像领悟时，根据人类视觉系统对局部比拟度敏感的特性，采取了基于比拟度的像素选取领悟规则。

基于像素的领悟选取仅因此单个像素作为领悟工具，它并未考虑图像相邻像素间的干系性，因此领悟结果不是很空想。
考虑图像相邻像素间的干系性，Burt和Kolczynski提出了基于区域特性选择的加权均匀领悟规则，将像素值(或系数)的领悟选取与其所在的局部区域联系起来。

在Lietal提出的领悟规则中，其在选取窗口区域中较大的像素值(或系数)作为领悟后像素值(或系数)的同时，还考虑了窗口区域像素(或系数)的干系性。
Chibani和Houacine在其领悟规则中，通过打算输入原图像相应窗口区域中像素绝对值比较较大的个数，决定领悟像素的选取。
基于窗口区域的领悟规则由于考虑相邻像素的干系性，因此减少了领悟像素的缺点选取。
领悟效果得到提高。

ZZhang和Blum提出了基于区域的领悟规则，将图像中每个像素均看作区域或边缘的一部分，并用区域和边界等图像信息来辅导领悟选取。
采取这种领悟规则所得到的领悟效果较好，但此规则相对其他领悟规则要繁芜。
对付繁芜的图像，此规则不易于实现。

4.4 图像领悟方法

迄今为止，数据领悟方法紧张是在像元级和特色级上进行的。
常用的领悟方法有HIS领悟法、KL变换领悟法、高通滤波领悟法、小波变换领悟法、金字塔变换领悟法、样条变换领悟法等。
下面简要先容个中的几种方法。

（1） HIS领悟法

HIS领悟法在多传感器影象像元领悟方面运用较广，例如：一低分辨率三波段图象与一高分辨率单波段图象进行 领悟处理。
这种方法将三个波段的低分辨率的数据通过HIS变换转换到HIS空间，同时将单波段高分辨率图象进行比拟度拉伸以使其灰度的均值与方差和HIS空间中亮度分量图象同等，然后将拉伸过的高分辨率图象作为新的亮度分量代入HIS反变换到原始空间中。
这样得到的高分辨率彩色图象既具有较高空间分辨率，同时又具有与影象相同的色调和饱和度，有利于目视解译和打算机识别。

（2） KL变换领悟法

KL变换领悟法又称为主身分剖析法。
与HIS变换法类似，它将低分辨率的图象（三个波段或更多）作为输入分量进行主身分剖析，而将高分辨率图象拉伸使其具有于第一主身分相同的均值和方差，然后用拉伸后的高分辨率影象代替主身分变换的第一分量进行逆变换。
高空间分辨率数据与高光谱分辨率数据通过领悟得到的新的数据包含了源图象的高分辨率和高光谱分辨率特色，保留了原图象的高频信息。
这样，领悟图象上目标细部特色更加清晰，光谱信息更加丰富。

（3） 高通滤波领悟法

高通滤波领悟法将高分辨率图象中的边缘信息提取出来，加入到低分辨率高光谱图象中。
首先，通过高通滤波器提取高分辨率图象中的高频分量，然后将高通滤波结果加入到高光谱分辨率的图象中，形成高频特色信息突出的领悟影象。

（4） 小波变换领悟法

利用离散的小波变换，将N幅待领悟的图象的每一幅分解成M幅子图象，然后在每一级上对来自N幅待领悟图象的M幅子图象进行领悟，得到该级的领悟图象。
在得到所有M级的领悟图象后，履行逆变换得到领悟结果。

4.5 图像领悟步骤

目前国内外己有大量图像领悟技能的研究宣布，不论运用何种技能方法，必须遵守的基本原则是两张或多张图像上对应的每一点都应对位准确。
由于研究工具、目的不同，图像领悟方法亦可多种多样，其紧张步骤归纳如下:

(1) 预处理:对获取的两种图像数据进行去噪、增强等处理，统一数据格式、图像大小和分辨率。
对序列断层图像作三维重修和显示，根据目标特点建立数学模型;

SHAPE \ MERGEFORMAT

图3-1 图像领悟步骤示意图

(2) 分割目标和选择配准特色点:在二维或三维情形下，对目标物或兴趣区进行分割。
选取的特点应是同一物理标记在两个图像上的对应点，该物理标记可以是人工标记，也可以是人体解剖特色点;

(3 )利用特色点进行图像配准:可视作两个数据集间的线性或非线性变换，使变换后的两个数据集的偏差达到某种准则的最小值;

(4) 领悟图像创建:配准后的两种模式的图像在同一坐标系下将各自的有用信息领悟表达成二维或三维图像;

(5) 参数提取:从领悟图像中提取和丈量特色参数，定性、定量剖析

4.6 本章小结

本章紧张先容了图像领悟的观点，方法以及步骤。

第五章 图像拼接matlab实现

5.1 Matlab简介

MATLAB 的名称源自 Matrix Laboratory ，它是一种打算软件，专门以矩阵的形式处理数据。
MATLAB 将高性能的数值打算和可视化集成在一起，并供应了大量的内置函数，从而被广泛地运用于科学打算、掌握系统、信息处理等领域的剖析、仿真和设计事情，而且利用 MATLAB 产品的开放式构造，可以非常随意马虎地对 MATLAB 的功能进行扩充，从而在不断深化对问题认识的同时，不断完善 MATLAB 产品以提高产品自身的竞争能力。

Matlab措辞有如下特点： 1．编程效率高 它是一种面向科学与工程打算的高等措辞，许可用数学形式的措辞编写程序，且比Basic、Fortran和C等措辞更加靠近我们书写打算公式的思维办法，用Matlab编写程序犹如在演算纸上排列出公式与求解问题。
Matlab编写大略，以是编程效率高，易学易懂。
2．用户利用方便 Matlab措辞是一种阐明实行的措辞（在没被专门的工具编译之前），它灵巧、方便，其调试程序手段丰富，调试速率快，须要学习韶光少。
人们用任何一种措辞编写程序和调试程序一样平常都要经由四个步骤：编辑、编译、连接以及实行和调试。
各个步骤之间是顺序关系，编程的过程便是在它们之间作瀑布型的循环。

3．扩充能力强

高版本的Matlab措辞有丰富的库函数，在进行繁芜的数学运算时可以直接调用，而且Matlab的库函数同用户文件在形成上一样，以是用户文件也可作为Matlab的库函数来调用。

4．语句大略，内涵丰富

Mat1ab措辞中最基本最主要的身分是函数，其一样平常形式为[a，6，c……] = fun（d，e，f，……），即一个函数由函数名，输入变量d，e，f,……和输出变量a，b，c……组成，同一函数名F，不同数目的输入变量（包括无输入变量）及不同数目的输出变量，代表着不同的含义（有点像面向工具中的多态性。
。
5．高效方便的矩阵和数组运算 Matlab措辞象Basic、Fortran和C措辞一样规定了矩阵的算术运算符、关系运算符、逻辑运算符、条件运算符及赋值运算符，而且这些运算符大部分可以毫无改变地照搬到数组间的运算，有些如算术运算符只要增加\公众·\公众就可用于数组间的运算，其余，它不需定义数组的维数，并给出矩阵函数、分外矩阵专门的库函数，使之在求解诸如旗子暗记处理、建模、系统识别、掌握、优化等领域的问题时，显得大为简捷、高效、方便，这是其它高等措辞所不能比拟的。

6．方便的绘图功能

Matlab的绘图是十分方便的，它有一系列绘图函数（命令），例如线性坐标、对数坐标，半对数坐标及极坐标，均只需调用不同的绘图函数（命令），在图上标出图题、XY轴标注，格（栅）绘制也只需调用相应的命令，大略易行。
其余，在调用绘图函数时调度自变量可绘出不变颜色的点、线、复线或多重线。
这种为科学研究着想的设计是通用的编程措辞所不及的。

总之，Matlab措辞的设计思想可以说代表了当前打算机高等措辞的方向。
我们相信，在不断利用中，读者会创造它的巨大潜力。
因此本文采取matlab来实现本文的算法。

5.2 各算法程序

5.2.1 一样平常方法

图像领悟是通过一个数学模型把来自不同传感器的多幅图像综合成一幅知足特定运用需求的图像的过程，从而可以有效地把不同图像传感器的优点结合起来，提高对图像信息剖析和提取的能力。
大略的图像领悟方法不对参加领悟的源图像进行任何变换和分解，而是直接对源图像中的各对应像素分别进行选择、均匀或加权均匀、多元回归或其它数学运算等处理后，终极合成一幅领悟图像。

对付图像领悟的工具，可以分为两大类，即多光谱图像(常日为RGB彩色图像)与灰度图像之间的领悟，以及灰度图像之间的领悟。
灰度图像之间的领悟，在大体上可分为三大类。
一类是大略领悟方法，包括将空间对准的两幅图像直接求加权均匀值。
另一类方法是基于金字塔形分解和重修算法的领悟方法，紧张包括梯度金字塔法、比拟度和比率金字塔法以及拉普拉斯金字塔法等，它们首先布局输入图像的金字塔，再按一定的特色选择方法取值形成领悟金字塔，通过对金字塔履行逆变换进行图像重修，最终生成领悟图像，它们的领悟效果要远优于第一类方法，然而它也有很多不尽如人意的地方。
还有一类方法便是近几年兴起的基于小波变换的图像领悟方法，它常日采取多分辨剖析和Mallat快速算法，通过在各层的特色域上进行有针对性的领悟，比较随意马虎提取原始图像的构造信息和细节信息，以是领悟效果要好于基于金字塔形变换的图像领悟法。
这是由于小波变换更为紧凑;小波表达式供应了方向信息，而金字塔表达式未将空间方向选择性引入分解过程;由于可以选择正交小波核，因此不同分辨率包含的信息是唯一的，而金字塔分解在两个不同的尺度之间含有冗余，其余金字塔不同级的数据干系，很难知道两级之间的相似性是由于冗余还是图像本身的性子引起的;金字塔的重构过程可能具有不稳定性，特殊是两幅图像存在明显差异区域时，领悟图像会涌现斑块，而小波变换图像领悟则没有类似的问题。
此外，小波变换具function Y = fuse_pca(M1， M2)

%Y = fuse_pca(M1， M2) image fusion with PCA method

%

% M1 - input image #1

% M2 - input image #2

%

% Y - fused image

% (Oliver Rockinger 16.08.99)

% check inputs

[z1 s1] = size(M1);

[z2 s2] = size(M2);

if (z1 ~= z2) | (s1 ~= s2)

error('Input images are not of same size');

end;

% compute， select & normalize eigenvalues

[V， D] = eig(cov([M1(:) M2(:)]));

if (D(1，1) > D(2，2))

a = V(:，1)./sum(V(:，1));

else

a = V(:，2)./sum(V(:，2));

end;

% and fuse

Y = a(1)M1+a(2)M2;

5.2.3 金字塔（Pyramid）算法程序

金字塔图像领悟法:用金字塔在空间上表示图像是一种大略方便的方法。
概括地说金字塔图像领悟法便是将参加领悟的每幅源图像作金字塔表示，将所有图像的金字塔表示在各相应层上以一定的领悟规则领悟，可得到合成的金字塔。
将合成的金字塔，用金字塔天生的逆过程重构图像，则可得到领悟图像。
金字塔可分为:Laplacian金字塔、Gaussian金字塔、梯度金字塔、数学形态金字塔等。

基于FSD Pyramid的图像领悟算法程序：

function Y = fuse_fsd(M1， M2， zt， ap， mp)

%Y = fuse_fsd(M1， M2， zt， ap， mp) image fusion with fsd pyramid

%

% M1 - input image A

% M2 - input image B

% zt - maximum decomposition level

% ap - coefficient selection highpass (see selc.m)

% mp - coefficient selection base image (see selb.m)

%

% Y - fused image

% (Oliver Rockinger 16.08.99)

% check inputs

[z1 s1] = size(M1);

[z2 s2] = size(M2);

if (z1 ~= z2) | (s1 ~= s2)

error('Input images are not of same size');

end;

% define filter

w = [1 4 6 4 1] / 16;

% cells for selected images

E = cell(1，zt);

% loop over decomposition depth -> analysis

for i1 = 1:zt

% calculate and store actual image size

[z s] = size(M1);

zl(i1) = z; sl(i1) = s;

% check if image expansion necessary

if (floor(z/2) ~= z/2)， ew(1) = 1; else， ew(1) = 0; end;

if (floor(s/2) ~= s/2)， ew(2) = 1; else， ew(2) = 0; end;

% perform expansion if necessary

if (any(ew))

M1 = adb(M1，ew);

M2 = adb(M2，ew);

end;

% perform filtering

G1 = conv2(conv2(es2(M1，2)， w， 'valid')，w'， 'valid');

G2 = conv2(conv2(es2(M2，2)， w， 'valid')，w'， 'valid');

% select coefficients and store them

E(i1) = {selc(M1-G1， M2-G2， ap)};

% decimate

M1 = dec2(G1);

M2 = dec2(G2);

end;

% select base coefficients of last decompostion stage

M1 = selb(M1，M2，mp);

% loop over decomposition depth -> synthesis

for i1 = zt:-1:1

% undecimate and interpolate

M1T = conv2(conv2(es2(undec2(M1)， 2)， 2w， 'valid')， 2w'， 'valid');

% add coefficients

M1 = M1T + E{i1};

% select valid image region

M1 = M1(1:zl(i1)，1:sl(i1));

end;

% copy image

Y = M1;

.2 .4 小波变换（DWT）算法程序

在浩瀚的图像领悟技能中，基于小波变换的图像领悟方法已成为现今研究的一个热点。
这类算法紧张是利用人眼对局部比拟度的变革比较敏感这一事实，根据一定的领悟规则，在多幅原图像中选择出最显著的特色，例如边缘、线段等，并将这些特色保留在终极的合成图像中。
在一幅图像的小波变换中，绝对值较大的小波系数对应于边缘这些较为显著的特色，以是大部分基于小波变换的图像领悟算法紧张研究如何选择合成图像中的小波系数，也便是三个方向上的高频系数，从而达到保留图像边缘的目的。
虽然小波系数(高频系数)的选择对付保留图像的边缘等特色具有非常紧张的浸染，但尺度系数(低频系数)决定了图像的轮廓，精确地选择尺度系数对提高合成图像的视觉效果具有举足轻重的浸染。

基于SIDWT（Shift Invariance Discrete Wavelet Transform）小波变换的算法程序：

function Y = fuse_sih(M1， M2， zt， ap， mp)

%Y = fuse_sih(M1， M2， zt， ap， mp) image fusion with SIDWT， Wavelet is Haar

%

% M1 - input image A

% M2 - input image B

% zt - maximum decomposition level

% ap - coefficient selection highpass (see selc.m)

% mp - coefficient selection base image (see selb.m)

%

% Y - fused image

% (Oliver Rockinger 16.08.99)

% check inputs

[z1 s1] = size(M1);

[z2 s2] = size(M2);

if (z1 ~= z2) | (s1 ~= s2)

error('Input images are not of same size');

end;

% cells for selected images

E = cell(3，zt);

% loop over decomposition depth -> analysis

for i1 = 1:zt

% calculate and store actual image size

[z s] = size(M1);

zl(i1) = z; sl(i1) = s;

% define actual filters (inserting zeros between coefficients)

h1 = [zeros(1，floor(2^(i1-2)))， 0.5， zeros(1，floor(2^(i1-1)-1))， 0.5， zeros(1，max([floor(2^(i1-2))，1]))];

g1 = [zeros(1，floor(2^(i1-2)))， 0.5， zeros(1，floor(2^(i1-1)-1))， -0.5， zeros(1，max([floor(2^(i1-2))，1]))];

fh = floor(length(h1)/2);

% image A

Z1 = conv2(es(M1， fh， 1)， g1， 'valid');

A1 = conv2(es(Z1， fh， 2)， g1'，'valid');

A2 = conv2(es(Z1， fh， 2)， h1'，'valid');

Z1 = conv2(es(M1， fh， 1)， h1， 'valid');

A3 = conv2(es(Z1， fh， 2)， g1'，'valid');

A4 = conv2(es(Z1， fh， 2)， h1'，'valid');

% image B

Z1 = conv2(es(M2， fh， 1)， g1， 'valid');

B1 = conv2(es(Z1， fh， 2)， g1'，'valid');

B2 = conv2(es(Z1， fh， 2)， h1'，'valid');

Z1 = conv2(es(M2， fh， 1)， h1， 'valid');

B3 = conv2(es(Z1， fh， 2)， g1'，'valid');

B4 = conv2(es(Z1， fh， 2)， h1'，'valid');

% select coefficients and store them

E(1，i1) = {selc(A1， B1， ap)};

E(2，i1) = {selc(A2， B2， ap)};

E(3，i1) = {selc(A3， B3， ap)};

% copy input image for next decomposition stage

M1 = A4;

M2 = B4;

end;

% select base coefficients of last decompostion stage

A4 = selb(A4，B4，mp);

% loop over decomposition depth -> synthesis

for i1 = zt:-1:1

% define actual filters (inserting zeros between coefficients)

h2 = fliplr([zeros(1，floor(2^(i1-2)))， 0.5， zeros(1，floor(2^(i1-1)-1))， 0.5， zeros(1，max([floor(2^(i1-2))，1]))]);

g2 = fliplr([zeros(1，floor(2^(i1-2)))， 0.5， zeros(1，floor(2^(i1-1)-1))， -0.5， zeros(1，max([floor(2^(i1-2))，1]))]);

fh = floor(length(h2)/2);

% filter (rows)

A4 = conv2(es(A4， fh， 2)， h2'， 'valid');

A3 = conv2(es(E{3，i1}， fh， 2)， g2'， 'valid');

A2 = conv2(es(E{2，i1}， fh， 2)， h2'， 'valid');

A1 = conv2(es(E{1，i1}， fh， 2)， g2'， 'valid');

% filter (columns)

A4 = conv2(es(A4+A3， fh， 1)， h2， 'valid');

A2 = conv2(es(A2+A1， fh， 1)， g2， 'valid');

% add images

A4 = A4 + A2;

end;

% copy image

Y = A4;

5．3实验结果

下面将本文的算法用于多聚焦图像的领悟。
多聚焦图像指的是对相同的场景用不同的焦距进行拍摄，得到镜头聚焦目标不同的多个图像。
经由图像领悟技能后，就可以得到一个所有目标都聚焦清晰的图像。
图5-1中左边的目标较为清晰，图5-2中右边的目标较为清晰。

图5-1 聚焦在左边的图像

图5-2 聚焦在右边的图像

我们分别利用基于PCA的算法、金字塔图像领悟法和小波变换法的算法程序得到的的领悟图像结果，如图5-3、图5-4、图5-5所示

图5-3 基于PCA算法的领悟图像

图5-4 基于金字塔图像领悟算法的领悟图像

图5-5 基于SIDWT小波变换的领悟图像

从实验结果可以看出，三种方案都可以得到较满意的视觉效果，肃清了原图像的聚焦差异，提高了图像的清晰度，在合成图像中左、右两边的目标都很清晰。
但通过比较剖析，我们可以看出基于小波变换的领悟图像（图5-5）最为清晰，所表现的图像细节效果最好，重影征象肃清得最干净。
图5-3的清晰度不足，而图5-4的细节表现力较弱，只有图5-5的边缘最清晰，重影肃清地最干净，细节得到了最好地保留。

第六章 与展望

6.1 本事情的总结

图像拼接技能一贯是机视觉、图像处理和打算机图形学的热点研究方向。
它可以用来建立大视角的高分辨率图像，在虚拟现实领域、医学图像处理领域、遥感技能领域和军事领域中均有广泛的运用。

本文总结了古人在图像拼接领域的研究成果和研究现状，按照图像拼接的流程(图像预处理、图像配准和图像领悟)，详细先容了图像拼接技能，紧张完成的事情有:(1)图像预处理紧张指对图像进行几何畸变校正和噪声点的抑制等，让图像和待拼接图像不存在明显的几何畸变。

(2)图像配准紧张指对参考图像和待拼接图像中的匹配信息进行提取，在提取出的信息中探求最佳的匹配，完成图像间的对齐。
图像配准是图像拼接技能中的核心部分。
本文剖析了现有的多种图像配准算法。

(3)图像领悟指在完成图像匹配往后，对图像进行缝合，并对缝合的边界进行平滑处理，让缝合过渡。

(4)论文的末了简要先容了利用matlab实现的图像拼接软件，该软件实现了本文谈论到的所有方法。

6.2展望

经由3个月的研究，本文对图像拼接技能的研究涉及到了现有图像拼接领域的大多方法。
但对付这一研究领域来说，本文所作的事情只是沧海一粟。
事实上，还有很多图像拼接问题值得去研究和解决，由于韶光的关系，本文没有做进一步的研究。

根据图像拼接技能的研究体会，本人认为以下几个方面有待于进一步研究:

(1)本文的图像拼接算法的研究，是基于两幅图像间重叠区域并不存在运动的物体的假设的。
但是在有些情形下，待拼接的图像采集过程中，会有运动的物体涌现。
如果在重叠区域存在运动物体的情形下，如何肃清运动物体对拼接图像带来的影响例如，两幅图像由于重叠区域的运动物体，在合成的图像中该区域涌现重影)，是须要进一步研究的问题。

(2)本文谈论的图像拼接算法，并不是针对特定图像的研究。
但是，图像拼接在用于实际运用的时候，有时是针对某一特定的图像。
如何通过特定目标的特色从图像中提取出特定目标(例如，人脸、足球)，以此来帮助完成图像拼接，这须要加深对图像中特定目标的理解和分割。
因此，如何更好的理解图像，分割出特定图像中的目标物体，通过特色物体的配准来完成图像拼接，是一个可以重点研究的方向。