基于全局拼接的航拍图像拼接算法研究_张琳
无人机图像拼接算法的研究及实现
无人机图像拼接算法的研究及实现随着近年来无人机技术的飞速发展，无人机图像拼接技术也得到了广泛的应用。
该技术可以将无人机拍摄得到的相邻区域的图像进行拼接，生成高分辨率的全景图像，提供了一种高效的地图制作和空中监测的手段。
本文将从无人机图像拼接的原理入手，分析其算法的研究，介绍常见的图像拼接算法以及其应用场景，并在最后给出一个无人机图像拼接的实现实例。
一、无人机图像拼接原理无人机的航拍图像拼接是借助现代数字图像处理技术来实现的。
该技术需要处理大量的数据，并结合图像的特征进行定位，将相邻图像进行拼接，生成全景图像。
以下是无人机图像拼接的原理图：如图所示，相机通过对地面连续拍摄，得到多幅重叠区域较多的图像。
在无人机图像拼接中，首先需要对相机进行标定，得到相机的内外参数。
然后，根据每张拍摄的图像的特征，例如SIFT特征，计算出每幅图像的特征点。
接着，通过匹配不同图像之间的特征点，建立不同图像之间的关系。
最后，运用优化算法对关系进行优化，完成图像拼接，生成全景图像。
二、无人机图像拼接的算法研究目前，无人机图像拼接的算法主要有以下几种：1. 基于特征点匹配的无人机图像拼接算法这种算法主要的思路是在多副图像上提取一些稀有的、具有代表性的特征点。
然后根据特征点的相似程度进行匹配，得到匹配点对。
匹配点对的质量好坏非常重要，其正确率和准确度直接决定了拼接后的图像质量。
这种算法的核心是对特征点的提取和匹配两个部分的处理。
由于SIFT, SURF和ORB等算子在特征提取和匹配上有着良好的效果，因此应用广泛。
2. 基于区域分割的无人机图像拼接算法该算法主要是先将输入的拍摄图像进行区域分割，将该图像分为多个区域，然后根据区域之间的相似度，通过一系列的变换操作，将这些不同区域的图像配准后合并起来生成全景图像。
这种算法具有很好的兼容性和可扩展性，能够处理不同场景和不同光照下的图像拼接。
但是该算法也存在着一些缺陷，例如耗费计算时间比较长而导致对计算机处理性能的要求比较高。
图像拼接算法研究
图像拼接算法研究引言图像拼接是一项在计算机视觉领域中被广泛研究和应用的技术。
它的目的是将多张部分重叠的图像融合成一张完整的图像，从而实现对大尺寸场景或广角视野的展示。
随着数字摄影技术的发展和智能手机的普及，图像拼接技术也逐渐受到了更多的关注和需求。
一、图像拼接的基本原理图像拼接的基本原理是通过将多张图像进行对齐、配准和融合等处理，最终合成一张完整的图像。
一个典型的图像拼接过程包括以下几个步骤：1. 特征提取和匹配在图像拼接之前，首先需要对图像进行特征提取，通常使用SIFT、SURF等算法来检测图像中的关键点和描述子。
然后，通过比较不同图像中的特征点，利用匹配算法找出相对应的特征点对。
2. 图像对齐和配准根据匹配得到的特征点对，可以利用几何变换来对图像进行对齐和配准。
最常用的变换包括平移、旋转、缩放和透视变换等。
通过变换参数的优化，可以使得多张图像在对应的特征点处重叠得更好。
3. 图像融合在完成对齐和配准后，下一步就是将图像进行融合。
常用的融合方法包括加权平均法、多分辨率融合法和无缝克隆法等。
这些方法在保持图像平滑过渡和消除拼接痕迹方面都有一定的优势和适用场景。
二、图像拼接算法的发展与研究现状随着数字图像处理和计算机视觉技术的不断发展，图像拼接算法也得到了长足的发展和改进。
早期的图像拼接算法主要依赖于几何变换和像素级别的处理，但是随着深度学习和神经网络的兴起，基于特征的图像拼接方法逐渐成为主流。
1. 传统方法传统的图像拼接方法主要基于光流估计、图像配准和基础几何变换等技术。
例如，基于RANSAC算法的特征点匹配和单应性矩阵估计，可以实现对图像进行准确的拼接和质量控制。
然而，这些方法在处理拼接边缘和重叠区域的细节时往往存在一定的问题。
2. 基于特征的方法基于特征的图像拼接方法主要利用卷积神经网络（CNN）或循环神经网络（RNN）等深度学习模型进行特征提取和匹配。
这些方法通过学习局部特征表示和上下文关系，可以进一步提高拼接图像的质量和鲁棒性。
无人机航拍图像拼接的研究与实现
无人机航拍图像拼接的研究与实现肖映彩;徐光辉;朱森【摘要】Aiming at the characteristics of UAV aerial images, and with mosaic technology based on the features of images, the seamless mosaic of UAV aerial images is implemented. First, a modified Harris algorithm with adaptive threshold is proposed to extract the feature points of images. Then the normalized cross-correlation function is used to make two-way match of the feature points, and with RANSAC algorithm the false pairs of matching points are eliminated, and the transformation model also estimated. Finally, a gradually fade-out weighted fusion method is adopted to implement image fusion. The experimental results indicate that the proposed algorithm has good reliability and robustness, and performs well in implementing mosaic of UAV aerial images.%针对无人机航拍图像的特点，采用基于图像特征的拼接技术，实现了无人机航拍图像的无缝拼接。
无人机航拍影像拼接算法研究及应用
无人机航拍影像拼接算法研究及应用无人机技术的发展和普及，使得无人机航拍成为了热门的领域。
随着无人机航拍的应用越来越广泛，无人机航拍影像的拼接算法研究及应用变得尤为重要。
本文将重点探索无人机航拍影像拼接算法的研究现状和应用，分析其中的挑战和发展空间。
一、无人机航拍影像拼接算法研究的现状无人机航拍影像拼接算法是指将多幅无人机拍摄的影像进行拼接，形成一幅完整的影像。
目前，已经涌现出了多种无人机航拍影像拼接算法。
其中，基于特征点匹配的算法是最常见和成熟的一种。
该算法通过提取影像中的特征点，并对这些特征点进行匹配，从而实现影像拼接。
此外，还有基于图像配准、光束法平差和多视图几何模型等算法。
在算法的研究中，需要考虑以下几个关键点：特征提取、特征匹配、坐标转换和影像融合。
特征提取主要通过图像处理技术，如边缘检测、角点检测等，从影像中提取关键的特征点。
特征匹配是通过比较两个或多个影像中的特征点，找到它们之间的对应关系。
坐标转换是将不同影像的坐标系统进行统一，以便进行影像配准和融合。
影像融合是将多张影像拼接为一幅完整的影像，需要考虑色彩一致性和无缝衔接。
二、无人机航拍影像拼接算法应用无人机航拍影像拼接算法的应用十分广泛，以下是几个典型的应用场景：1. 地理测绘与地形建模：利用无人机航拍影像，通过拼接算法可以生成高精度的地图和地形模型，用于土地规划、环境监测、灾害评估等领域。
2. 建筑工程与城市规划：通过无人机航拍影像的拼接，可以实现建筑物的三维模型重建、朝向分析和遥感检测，为建筑工程和城市规划提供重要数据支持。
3. 农业监测与精准农业：利用无人机航拍影像的拼接，可以实现农田的植被指数监测、农作物的生长情况分析和病虫害的检测，为农业生产提供精确的决策依据。
4. 环境保护与生态监测：通过无人机航拍影像的拼接，可以实现自然保护区的植被分布图、生态系统的动态变化等监测，为环境保护和生态研究提供数据支持。
三、无人机航拍影像拼接算法的挑战和发展空间尽管无人机航拍影像拼接算法在不同领域已经有了广泛的应用，但是仍然存在一些挑战和发展空间。
基于全局拼接的航拍图像拼接算法研究
ｉｇｅ ｍａ ．Ｅ ｐ ｒｍｅ ｔ ｈ ｗ ｔａ ｈ ｔ ｏ ａ ｓ ｈ ｎｏ ｍａｉｎ ｏ ｅ ｗ ｏｅ ｉ ｇ ｎ ｃ ｕ ａｅｙ ｒ ａｉｅ ｉ ｇ ｘｅ ｉ ｎ ｓｓ ｏ ｈ ｔｔ ｅ ｍｅｈ ｄ ｃ ｎ ｕ ｅ ｔ ｅ ｉ ｆｒ ｔ ｆｔ ｈ ｌ ｍａ ｅ ａ ｄ ａ ｃ ｒ ｔ ｌ ｅ ｚ ｍａ ｅ ｏ ｈ ｌ
率 图像 ， 以实现 对原 景的 准确 重建 ， 得到 地 面的全 景 图。其 中， 如何利用所有 图像 的信 息将 图像准 确地 拼接 ， 到完 整 得
摘要： 研究航拍 图像 的拼接 问题 ， 提高 图像拼接 的准确度。 由于当通过航拍获取 的图像 中部分 图像相互存 在重叠 区域 的 比 例不 大时 ， 造成拼接不准确 。传统 的区域的图像拼接算法无法将具有较小重叠区域的图像准确拼接。为了提高航拍 图像 拼 接 的准确率 ， 出一种全局 的图像拼接算法 ， 提 通过使用Ｓ Ｔ Ｉ 算法提取图像的 Ｓ Ｔ特征点 ， Ｆ Ｉ Ｆ 根据位置误差最 小的原则完成 两 幅图像 的 Ｓ 特征点 匹配， Ｉ Ｔ Ｆ 最后利用整体最优化方法对拼接结果进行 优化 ， 采用全 局特征点 的拼 接方法 ， 避免传统方 法 可 只利用重叠区域灰度特征 而不 能准确拼接低重叠度 图像 的问题 。实验证 明， 改进方法利用 图像的全局信 息 ， 准确地 实现 图
ｅ ｔ ｃ Ｉ ｅ ｔ ｒ ｏｎ ｓ ｉ ｈ ｍａ ｅ ｃ ｏ ｄ ｎ ｅ ｐ ｎ ｉ ｌ ｆｔ ｅ ｍｉ ｉ ｍ ｏ ｉ ｏ ｒｏ ，ｔ ｅ Ｓ Ｆ ｆ ａｕ ｅ ｘｒ ｔ Ｆ ｆａｕ ｅｐ ｉ ｔ ｎ ｔ ｅ ｉ ｇ ，ａ ｃ ｒ ｉｇ ｔ ｔ ｒ ｃｐ ｅ ｏ ｎ ｍｕ ｐ ｓｔ ｎ ｅ ｒ ｒ ｈ Ｉ Ｔ ｅ ｔ ｒ ａ ＳＴ ｏｈ ｉ ｈ ｉ
基于特征点匹配的无人机航拍图像拼接技术
去除伪配准对——constraint registration algorithm
设点 A ( xA ,yA) 和点 B ( xB , yB) 分别是参考图像中任意的两个特征点， 在 待拼接图像中有两个对应的特征点分别是 A′ ( x′A ,y′A ) 和 B′ (x′B, y′B )， 如果(A,A′) , (B,B′) 的坐标满足如下关系:
角点检测的方法主要分为两种：(1) 基于图像边缘的方法 : 先提取图像信息的边缘，然后再求角点； (2) 基于图像灰 度的方法， 例如： Moravec算法 、Harris算法、SUSAN 算法等。
几种角点检测的比较
目录
背景 角点检测 ✓ 本文提出的改进算法 后续工作 实验结果
流程图
use Harris operator to detect the image corner
use the correlation feature registration to find registration pair
remove the false registration using constraint registration algorithm
ω1、ω2：重叠区域对应像素的权值。 一般取ωi ＝ ω 1/ ω ，ω 表示重叠区域的宽度 (i=0或1) 且满足条件 ω 1 ＋ ω2 ＝ 1 ，0< ω1,ω2 <１ 。
目录
背景 角点检测 本文提出的改进算法 后续工作 ✓ 实验结果
实验结果
实验结果
实验结果
实验结果
use the gradual fade-out method for image fusion
经典的Harris角点检测算法
Harris角点检测算法只计算图像的一阶导数
医学影像中图像拼接算法研究及应用
医学影像中图像拼接算法研究及应用医学影像学是医学领域中一个重要的分支。
通过影像学，可以让医生看到人体内部的各种结构和病变情况，从而辅助医生做出正确的诊断和治疗方案。
在医学影像学中，图像拼接算法是一个重要的技术。
本文将对医学影像中图像拼接算法进行研究并探讨其应用。
一、图像拼接算法概述图像拼接算法是指将多个图像拼接成一个大图的过程。
在医学影像学中，我们需要将多个照片组合起来形成一个更大的图像，以获取更多的信息。
比如，一个医生需要查看一位患者的肺部 X光片，但是单张 X 光片无法提供足够的信息。
在这种情况下，医生需要将多张 X 光片组合起来，形成一个更大的图像，以便于观察病变情况。
在图像拼接算法中，有许多不同的方法，比如基于特征点匹配的方法、基于全景相机的方法等。
这些算法的原理不尽相同，但基本思路都是通过将多个图像进行重叠、配准，最终得到一个完整的图像。
在医学影像中，由于影像本身质量已经很高，因此图像拼接算法主要考虑匹配精度和速度。
在保证匹配精度的基础上，加快算法速度是至关重要的。
二、医学影像中图像拼接算法应用图像拼接算法在医学影像中有着广泛的应用。
下面列举几个典型例子：1. CT/MRI 三维成像：在 CT/MRI 检查中，由于扫描的限制，通常只能得到患者某一部位的截面图像。
利用图像拼接算法，可以将这些截面图像拼接成一个三维图像，进一步帮助医生观察病变情况，并制定更为准确的治疗方案。
2. 医学图像拼接：医学图像拼接是将多张医学影像拼接成一幅更大的图像，以获得更全面、更精确的信息。
比如，在组成灰度图像的过程中，通过图像拼接可以有效地减少噪声和影像缺陷，提高影像质量。
3. 远程会诊：利用图像拼接技术，医生们可以方便地进行远程会诊。
在原始数据的互联网传输过程中，医生们可以利用拼接技术对这些数据进行重组和按需修改，以便于进行病人的会诊。
三、医学影像中图像拼接算法研究医学影像中图像拼接算法的研究主要集中在两个方面。
航拍图像自动拼接并行化算法的研究与实现的开题报告
航拍图像自动拼接并行化算法的研究与实现的开题报告一、研究背景随着无人机技术的快速发展，航拍图像已经成为获取高分辨率地图的重要手段。
但是，由于航拍图像的数量庞大、分辨率高、数据量大，因此需要进行图像自动拼接处理才能得到完整的拍摄区域地图。
在传统的图像拼接算法中，通常采用特征点匹配、投影变换和图像融合等步骤，但这些算法存在计算量大、处理时间长、运行效率低等问题。
因此，如何实现快速有效的航拍图像自动拼接已经成为研究的热点之一。
二、研究目的本文旨在通过研究航拍图像自动拼接并行化算法，实现快速高效的图像拼接处理，提高无人机航拍数据的处理效率和质量。
主要研究内容包括：基于多核CPU或GPU的并行计算模型设计，图像配准和拼接算法的优化，处理结果的评估等。
三、研究内容（一）并行计算模型设计：为了实现快速的航拍图像自动拼接，需要使用高效的并行计算模型，利用多核CPU或GPU等硬件资源提高处理效率。
本文将结合Hadoop平台和CUDA技术，设计并实现基于分布式计算和并行计算的图像拼接处理模型。
（二）算法优化：图像自动拼接过程中，需要进行图像预处理、特征点提取和配准、投影变换和图像融合等多个步骤。
本文将针对每个环节开展优化措施，如基于SIFT算法的特征点检测和匹配、基于RANSAC算法的异常值检测和剔除、基于CUDA的并行矩阵计算等。
（三）结果评估：本文将根据航拍图像数据集，利用均方误差、拼接效果和处理时间等多个指标，对所设计和实现的航拍图像自动拼接并行化算法进行评估和分析，并与传统的图像拼接算法进行对比。
四、研究方法本文采用实证研究方法，主要包括以下几个步骤：（一）数据采集：利用无人机对指定地区进行航拍，获取高分辨率航拍图像数据集。
（二）算法设计：基于并行计算模型，设计航拍图像自动拼接并行化算法。
（三）算法实现：利用Hadoop平台和CUDA技术，实现所设计的算法，并对算法进行优化。
（四）结果评估：根据图像拼接的效果、处理时间、算法精度等指标，对所实现的算法进行评估和比较。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
。图像的配准是根据图像的几何运动模型将图像变换
到同一个坐标系中表示 。 图像融合是指将配准后的图像像 素结合， 融合成一张完整的拼接图像的过程， 拼接后的图像 相邻像素间是自然的过渡 。 图像融合技术在算法上已经相 对比较成熟， 对图像拼接的质量影响并不大， 而图像配准技 是图像拼接的 术的好坏直接关系到图像拼接的效率和质量， 因此寻找高质量、 高效率的图像配准算法是关系 核心技术， 到图像拼接质量好坏的关键因素 。
［4 ］
绝对误差和与图像拼接的准确度成反比， 即传统方法的 绝对误差和过大， 导致传统方法在完成图像拼接时的准确度 不高， 不能高效、 高质量的完成对航拍图像的拼接 。 显然传 统的基于区域的图像拼接方法不能将低重叠度的图像准确 拼接， 不能满足人们对图像拼接准确度的要求 。 针对传统方法不能准确拼接低重叠度图像的缺点， 提出 一种基于全局的图像拼接算法 。首先通过使用 SIFT 算法提 取图像的 SIFT 特征点， 然后根据位置误差最小的原则完成 两幅图像的 SIFT 特征点匹配， 最后利用整体最优化方法对 拼接结果进行优化， 这样利用全局特征点的拼接方法， 就避 免了传统方法只利用重叠区域灰度特征而不能准确拼接低 准 重叠度图像的问题。这种方法能够利用图像的全局信息， 确地实现图像的拼接。
^ 带入到式（ 8 ） 中可以得到 然后根据图像中一个确切的位置 X ^） ： D（ X ^ ） = D + 1 D D（ X 2 X （ 9）
［1 ］
。
当通过航拍获取的图像中部分图像相互重叠区域的比 例不大时， 传统的基于区域的图像拼接算法无法将具有较小 重叠区域的图像准确拼接 。 基于区域的图像拼接方法是通 过将图像变换到 CMY 颜色系统中， 提取 CMY 系统下图像重 以图像的灰度特征为配准准则， 寻找图像 叠区域的灰度级， 的灰度特征相似性高的图像完成图像的拼接
2
图像拼接的原理
通常获取图像的场景的大小与拍摄装置的分辨率之间
即要想获取全场景的图像则图像分辨率较 是矛盾的关系， 低， 想得到高分辨率的图像则图像的拍摄范围有效 。 图像拼 接技术的产生解决了这一矛盾， 通过将多张高分辨率的图像 拼接得到全景的完整图像， 既满足了场景大小的需要， 又达 图 到了图像分辨率的要求 。随着图像处理技术的不断发展， 像拼接技术逐渐成为图像处理领域的一个热点问题之一 。 图像拼接技术总共可以分为两个步骤完成， 一个是图像的配 准， 一个 是 图 像 的 融 合。 图 像 拼 接 的 原 理 框 图 如 图 1 所 示
S（ x， y） =
∑∑
x
y
| T（ i + x， j + y） － H（ i + x， j + y） | （ 2）
根据前后帧的绝对误差和完成图像拼接， 拼接准则是： （ x， y） ＞ λ {S S（ x， y） ≤ λ 配准成功 配准失败 （ 3）
x， y 分别为图像在水平方向和竖直方向移动的步长， 式中， λ 为设定的阈值。 但是当待拼接的两帧图像重叠度不高， 即重叠区域面积 不大时， 提取的重叠区域的灰度特征过少， 不能包含图像的 有效信息， 易受外界环境的干扰发生变化， 导致根据式（ 2 ） 计 由图像拼接准确度的计算公式知： 算的绝对误差和过大， P = | T（ i， j） － H （ i ， j） | S（ x， y ） ·∑ T （ i ， j） H （ i ， j） × 100 % （ 4）
传统的基于区域的图像拼接算法， 是直接利用图像重叠 区域灰度特征的相似性来实现图像配准的 帧图像的重叠区域像素灰度特征为： T（ i， j） = （ I T （ i + 1， j） 槡 H（ i， j） = （ I H （ i + 1， j） － I H （ i － 1， j） ） 2 + （ I H （ i， j + 1） － I H （ i， j － 1） ） 2 （ 1 ） 槡 前后两帧图像的灰度特征绝对误差和为： － I T （ i － 1， j） ） 2 + （ I T （ i， j + 1） － I T （ i， j － 1） ） 2 。 待拼接的两
图1 图像拼接的原理框图
效地特征点完成图像的准确拼接 。 这样既能避免传统方法 的缺点又能提高拼接的效率和准确度 。 3． 1 提取 SIFT 特征点 对图像进行拼接预处理， 得到二维高斯函数为： G（ x， y， σ） = 1 － （ x2 +y2） / 2σ2 e 2 π σ2 （ 5）
［5 ］
y ） 与二维高斯函数进行卷 将图像的灰度特征函数 f （ x， 积， 得到图像的特征模型：
2 σ! G =
G（ x， y， kσ） － G（ x， y， G σ） = kσ － σ σ
（ 6）
G（ x， y， 式中， σ ） 是高斯核； σ 决定高斯滤波器的尺度和大 小， 与尺度直接相关； k 是相邻两个图像的尺度比例因子的尺
位置误差的计算公式为： 则对图像进行配准， CC = j） － X］ ［ T（ x， y） － Y］ ∑ ∑ ［T（ i， j） － X］ j） － Y］ ］ ［ ∑ ∑ ［T（ i， ∑ ∑ ［T（ i，
m n m n i j
1 /2
（ 14 ） X 为图像的 ISFT 特征的均值， Y 为图像的 ISFT 特征的 式中， 使得位置误差到达最小值的 方差。根据式（ 14 ） 的位置误差， 点就是满足高质量的配准点 。图像配准效果图如图 2 所示。
3
基于全局的图像拼接算法
传统的基于区域的航拍图像拼接的算法是通过确定待
拼接的两帧图像之间的像素灰度特征关系得到两幅图像之 间的坐标关系， 完成图像的配准及拼接的 。 但是由于此方法 导致当待拼接的图 过渡依赖两帧图像重叠区域的灰度特征， 像重叠度不高时不能准确地完成图像的拼接， 造成图像拼接 准确度低的问题。由于重叠区域过小， 不能准确包含图像的 有效信息， 那么就考虑到直接利用图像的全局信息， 提取有
［2 ］
1
引言
随着数字图像处理技术的发展及广泛应用， 利用航拍图
像进行空中检测预警、 军事侦察、 目标跟踪、 数字地图生成、 灾害监控等已经成为图像处理领域的热点问题 。 但是随着 航拍图像应用领域的扩大， 对航拍图像的要求也越来越高， 传统的单帧航拍图像由于其分辨率低 、 视野范围小的缺点已 无法满足人们的应用需要
— 283 —
度空间差。由此得到两幅图像的空间之差： D（ x， y， y， kσ） － L（ x， y， σ） = G（ x， σ） y， 上式中得到的 D（ x， σ） 就是所要计算的空间之差 。 1 ） 定位角点 为了得到更准确的特征点， 需要将所有的特征点进行优 化选取， 删除部分不合格的边缘点和对比度比较低的点 。 根 y， 据式（ 7 ） 得到的两幅图像的空间之差 D （ x， σ） ， 将其在一 y0 ， σ） 处展开为泰勒级数为： 个点（ x0 ， D（ x， y， y0 ， σ ） = D （ x0 ， σ） + 1 T 2 D D X+ X 2X 2 X X （ 8） （ 7）
［3 ］
， 因此多帧图像的拼接技术应运
由于其拍摄 而生。通过飞机上的摄像装置拍摄地面图像时， 的距离远大于地面本身的起伏， 因此可以近似认为飞机上的 摄像装置所拍摄的景物在同一个平面上， 这就使图像拼接得 到地面全景图像成为了可能 。 图像拼接技术是指将一组重
。 但是当航
拍图像重叠比例不高时， 通过重叠区域提取的灰度特征较 少量的灰度特征容易受外界噪声的干扰发生变化， 使得 少， 原本不相似的特征表现出较高的相似性， 这样就造成对航拍 图像拼接的准确率不高的问题， 不能满足人们对航拍图像拼 接准确率的要求。因此寻求高拼接质量、 高拼接效率的拼接
Aerial Image Mosaic Algorithms Research Based on Global Mosaic
ZHANG Lin， CHU Long － xian
（ Pingdingshan University Software Institute，Pingdingshan Henan 467000 ，China） ABSTRACT： Research mosaic problem of aerial images to improve the accuracy of the image mosaic． When the overlapping part proportion in aerial images is not large，the traditional local image mosaicing algorithm can not impleresulting in the low accuracy of aerment the image mosaic effectively with smaller overlap areas in the aerial images， ial image mosaicing． This paper proposed an algorithm based on global vision． Through using the SIFT algorithm to extract SIFT feature points in the image，according to the principle of the minimum position error，the SIFT feature points matching of two images was finished． Then using the whole optimized method to optimize the finished mosaic image． Experiments show that the method can use the information of the whole image and accurately realize image mosaic． KEYWORDS： Aerial images； Image mosaic； Global information 叠图像利用一定的拼接方法拼接成一幅完整的无缝高分辨 以实现对原景的准确重建， 得到地面的全景图。 其 率图像， 如何利用所有图像的信息将图像准确地拼接， 得到完整 中， 的全景图， 是图像拼接领域的难点问题