基于改进ORB-GMS-SPHP算法的快速图像拼接方法

针对传统图像拼接算法存在拼接速度慢、图像拼接有色差等问题,提出了一种基于ORB-GMS-SPHP算法的大视场多图像拼接方法。该方法首先利用高斯函数构建尺度空间,将高斯尺度空间划分为多个网格,在每个网格内借助FAST算法提取尺度空间特征点,使用BRIEF算法提取描述符并匹配,得到更加均匀分布的特征点;然后使用运动网格统计算法筛选匹配点;最后采用SPHP算法融合图像重叠区域,从而得到完整的拼接图像。将改进的ORB-GMS-SPHP算法与现有的传统特征点匹配算法在特征点匹配精度和特征点匹配速度进行对比与评价,验证了该方法特征点匹配速度快、精度高,并且可以保留更多的正确匹配点的特点。将该拼接方法与传统拼接方法在拼接速度、图像配准均方误差RMSE以及视觉主观判断拼接色差进行对比与评价,验证了该拼接方法具有较快的拼接速度、更高的拼接精度和无明显色差。该方法在2736像素×3648像素图像中,特征点匹配时间降低至6.463 s,图像配准精度RMSE降低至3.87。实验证明该方法特征点匹配速度快、精度高,且拼接精度高、无明显色差。

基于网格运动统计算法和最佳缝合线的密集重复结构图像快速拼接方法

针对常用的图像拼接算法对具有密集重复结构的图像会产生大量误匹配点从而出现明显鬼影且耗时较长的问题,将网格运动统计(GMS)算法与最佳缝合线算法相结合,提出了一种密集重复结构的图像快速拼接方法。首先,在图像的重叠区域提取大量粗匹配点;接着,采用GMS算法进行精匹配,然后在此基础上估计变换模型;最后,采用基于动态规划思想的最佳缝合线算法完成图像拼接。实验结果表明,将所提算法应用于两组具有密集重复结构的图像上,不仅可以有效消除鬼影,得到理想的拼接效果,而且显著减少了拼接时间;平均拼接速度分别是传统尺度不变特征变换(SIFT)和加速稳健特征(SURF)算法的7.4倍和3.2倍,分别是结合区域分块的SIFT算法和SURF算法的4.1倍和1.4倍。所提算法能够有效地消除密集重复结构拼接时的鬼影,同时缩短了拼接时间。

基于深度学习的图像特征匹配方法

针对同一场景或同一物体的两组或多组图像的匹配问题,提出了一种基于深度学习的图像特征匹配方法。首先用SuperPoint网络框架提取图像特征点,在最近邻次近邻比值法的基础上通过网络运动统计(GMS)算法区分正确匹配点和错误匹配点,最后采用随机抽样一致性(RANSAC)算法进一步剔除误匹配点对。实验结果表明:所提算法在图像发生光照以及视角变化时平均匹配确正确率达到95%以上,具有较好的匹配识别率和鲁棒性。