基于改进RANSAC算法的图像拼接方法
和ransac 算法优化的拟合方法
拟合方法在计算机视觉和图像处理领域中扮演着重要的角色，它广泛应用于图像配准、特征匹配、物体识别等领域。
而RANSAC算法作为一种经典的拟合方法，具有很好的鲁棒性和适用性，能够有效地应对数据中的噪声和异常值。
然而，RANSAC算法在一些情况下存在一些局限性，因此需要进一步优化。
本文将介绍RANSAC算法的基本原理和局限性，并结合实际应用，探讨RANSAC算法的优化方法。
一、RANSAC算法的基本原理RANSAC（Random Sample Consensus）算法是一种基于随机采样的一致性算法，用于拟合数据中的模型参数。
其基本原理为通过随机采样的方式选择一组数据点，利用这些数据点拟合出一个模型，并计算出与该模型一致的数据点个数。
重复这个过程多次，最终选取具有最大一致性的模型参数作为最终结果。
RANSAC算法的流程如下：1. 随机选择一定数量的数据点；2. 通过这些数据点拟合出一个模型；3. 计算出与该模型一致的数据点个数；4. 重复上述步骤，直到满足停止条件。
RANSAC算法具有很好的鲁棒性和适用性，能够有效地抵抗数据中的噪声和异常值。
在很多图像处理和计算机视觉的应用中得到了广泛的应用。
二、RANSAC算法的局限性然而，RANSAC算法在一些情况下存在一定的局限性。
主要表现在以下几个方面：1. 计算复杂度较高。
由于RANSAC算法是通过随机采样和迭代的方式来寻找最优模型参数，因此其计算复杂度较高，在处理大规模数据时效率较低。
2. 对参数选择敏感。
RANSAC算法中需要手动设置一些参数，如采样次数、一致性阈值等，这些参数的选择对算法的性能有较大影响，而且需要经过大量的试验和调整。
3. 对数据分布要求较高。
RANSAC算法对于数据的分布有一定要求，如果数据的分布不满足一致性条件，可能导致算法无法得到准确的结果。
以上局限性影响了RANSAC算法在一些实际应用中的效果，因此需要进一步优化来提高算法的性能。
基于orb算法和改进knn-ransac算法的无人机遥感影像拼接
方向的质心。这样可以把从特征点 Ｏ到强度质心 Ｃ 若一个样本在特征空间 Ｋ个最相邻的样本中的大
两点之 间 的 距 离 组 成 一 个 向 量 ＯＣ，该 向 量 的 方 向
便可作为 ＦＡＳＴ特征点的方向：
多数样本都属于某一个类别，那么该样本也将同样
α ＝ａｒｃｔａｎ２（ｍ０１／ｍ１０）， 即得到 ＦＡＳＴ检测算法 ｏＦＡＳＴ。
大学学报，２０２０，４０（１）：１３１－１３７．
１３２
桂 林 理 工 大 学 学 报 ２０２０年
ＦＡＳＴ检测算法由于高效的检测效率而被广泛
Ｓα ＝Ｒα·Ｓ。
（８）
使用，但是 ＦＡＳＴ算法检测出来的特征点没有方 最终得到了改进的 ＢＲＩＥＦ特征描述符 ｒＢＲＩＥＦ
向。这时引进强度质心算法，其基本思想是：假设
ｇｎ（ｐ，α）：＝ｆｎ（ｐ）｜（ｘｉ，ｙｉ）∈ Ｓα。 （９）
某个角点的强度偏离其质心，把这个偏离的距离
综上，ＯＲＢ算法是将有方向的 ＦＡＳＴ检测算
用一个向量表示为
法 ｏＦＡＳＴ和 ｒＢＲＩＥＦ特征描述符结合而成的一种新
∑ ｍｐｑ ＝ ｘｐｙｑＩ（ｘ，ｙ），
Ｎｉ′（ｕ，ｖ），那么投影变换前后的误差指标函数为
当误差指标函数与最小值接近时，此时的算法计
算速度也最快，同时该时刻的单应性矩阵的精度
也最高。
２２４ 改进后的 ＲＡＮＳＡＣ算法 ①从初始匹配点
对集合 Ｕ中，按照图 ３、图 ４的分块方法及公式随
机选取 ４个点对作为一 个 内 点 集 合，并 将 其 记 为
Ｕｉ；②用线性方程组的方法解算出初始单应性矩阵
图 ２ ＫＮＮ算法简化图 Ｆｉｇ２ ＳｉｍｐｌｉｆｉｅｄｓｋｅｔｃｈｏｆＫＮＮａｌｇｏｒｉｔｈｍ
图像的拼接----RANSAC算法
图像的拼接----RANSAC算法⼀、全景拼接的原理1.RANSAC算法介绍RANSAC算法的基本假设是样本中包含正确数据(inliers，可以被模型描述的数据)，也包含异常数据(outliers，偏离正常范围很远、⽆法适应数学模型的数据)，即数据集中含有噪声。
这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产⽣的。
同时RANSAC也假设，给定⼀组正确的数据，存在可以计算出符合这些数据的模型参数的⽅法。
2.使⽤RANSAC算法来求解单应性矩阵在进⾏图像拼接时，我们⾸先要解决的是找到图像之间的匹配的对应点。
通常我们采⽤SIFT算法来实现特征点的⾃动匹配，SIFT算法的具体内容参照我的上⼀篇博客。
SIFT是具有很强稳健性的描述⼦，⽐起图像块相关的Harris⾓点，它能产⽣更少的错误的匹配，但仍然还是存在错误的对应点。
所以需要⽤RANSAC算法，对SIFT算法产⽣的128维特征描述符进⾏剔除误匹配点。
由直线的知识点可知，两点可以确定⼀条直线，所以可以随机的在数据点集中选择两点，从⽽确定⼀条直线。
然后通过设置给定的阈值，计算在直线两旁的符合阈值范围的点，统计点的个数inliers。
inliers最多的点集所在的直线，就是我们要选取的最佳直线。
RANSAC算法就是在⼀原理的基础上，进⾏的改进，从⽽根据阈值，剔除错误的匹配点。
⾸先，从已求得的匹配点对中抽取⼏对匹配点，计算变换矩阵。
然后对所有匹配点，计算映射误差。
接着根据误差阈值，确定inliers。
最后针对最⼤inliers集合，重新计算单应矩阵H。
3.基本思想描述：①考虑⼀个最⼩抽样集的势为n的模型(n为初始化模型参数所需的最⼩样本数)和⼀个样本集P，集合P的样本数#(P)>n，从P中随机抽取包含n 个样本的P的⼦集S初始化模型M；②余集SC=P\S中与模型M的误差⼩于某⼀设定阈值t的样本集以及S构成S*。
S*认为是内点集，它们构成S的⼀致集(Consensus Set)；③若#(S*)≥N，认为得到正确的模型参数，并利⽤集S*(内点inliers)采⽤最⼩⼆乘等⽅法重新计算新的模型M*；重新随机抽取新的S，重复以上过程。
一种改进的快速图像拼接方法
{
g － n （ r0 ）
n （ r0 ） ＜ g
（ 3）
1． 2
SUSAN 算法改进的思想
算法改进的原则是提高配准的精度来提高拼接的质量 。
图2 改进 SUSAN 算法流程图
对于检测出的角点存在着分布不均匀现象既某些区域角点 过多， 而某些区域角点过少。 利用这样的角点进行匹配来求解 变换矩阵的参数会影响配准的精度， 进而影响图像拼接效果 。 本文在进行 SUSAN 角点检测后， 采用图像分块和邻近角点剔除 的方法保证角点分布的均匀和避免角点聚簇的产生 。在对图像 进行分块时， 放弃固定单位边长的分法， 采用块数固定的分块 法。这样既能避免大面积越界分块的出现， 同时保证在对大尺 寸的图像处理的效果相同 。 对每一图像分块中被检测出的角 点， 将其按响应函数 R 值由大到小排序， 保留 R 值相对较大的 角点。这样， 在图像各个分块中特征明显的角点均被检测出并
N
N
－ I） （ I'（ x' － i， y' － j） － I'） ）
N N 2
图像拼接技术的核心问题是如何将多幅图像从几何上拼接起来就是将预拼接的两幅图像进行几何上配准处理利用重叠区域将它们规划到统一的坐标系中然后对它们裁剪去掉重叠部分再将裁剪后的图像装配起来形成一幅大幅面的图像
第 28 卷第 7 期 2011 年 7 月
计算机应用与软件 Computer Applications and Software
0
引言Biblioteka 1图像角点的提取与匹配
图像拼接主要根据二幅图像重叠区域的相似性来实现 。 在
图像拼接技术是把一序列真实的图像合成一个单一的 、 更 大的、 更复杂的图像， 是表示真实世界的有效方法 。它在实际使 如医学及航空图像的拼接 用中有着广泛的应用，
一种改进的RANSAC图像拼接算法
一种改进的RANSAC图像拼接算法张志纯;况立群;韩燮;杨晓文【摘要】针对RANSAC算法迭代次数过多导致的图像拼接效率不高的问题,提出一种改进的RANSAC图像拼接算法;首先采用SIFT算法提取尺度不变特征点,利用双向互匹配策略对特征点进行匹配,在使用RANSAC算法计算单应性矩阵之前,利用相邻特征点之间的关系对初始特征点对进行筛选,最后使用加权平滑法完成图像的融合;实验结果表明该方法有效地减少了特征点对数,提高了RANSAC的运行时间,图像拼接效率有了很大的提高.【期刊名称】《计算机测量与控制》【年(卷),期】2014(022)006【总页数】3页(P1856-1858)【关键词】图像拼接;RANSAC;单应性矩阵;双向互匹配;加权平滑【作者】张志纯;况立群;韩燮;杨晓文【作者单位】中北大学计算机与控制工程学院,太原030051;中北大学计算机与控制工程学院,太原030051;中北大学计算机与控制工程学院,太原030051;中北大学计算机与控制工程学院,太原030051【正文语种】中文【中图分类】TP3910 引言图像拼接［1］是计算机视觉和图像处理领域的研究热点，它是将多幅相互间存在重叠部分的图像序列进行空间匹配对准，经重采样融合后形成一幅包含各图像序列信息的、宽视角场景的、高清晰的新图像。
图像配准是图像拼接的关键技术之一，其实质就是求解平面单应性矩阵的过程，这个矩阵可以表示两幅重叠图像之间的投影变换关系。
目前主要的图像配准方法可分为基于灰度信息的图像配准方法［2］，基于特征的图像配准方法［3］和基于变换域的图像配准方法［4］。
基于特征的图像配准方法比较其它两种方法匹配结果更加稳定，速度也更优。
目前基于特征点的图像配准方法应用最广。
在特征点的提取方面，运用SIFT 算法提取的特征点性能稳定，对于旋转、缩放、平移具有不变性，对于光照变化和噪声也有很好的鲁棒性。
在图像的精确匹配方面，最常用的是RANSAC（Random Sample Consensus）算法［5］。
基于SURF和RANSAC的快速图像拼接
基于SURF和RANSAC的快速图像拼接作者：王武于林韬来源：《数字技术与应用》2017年第11期摘要：针对传统图像拼接算法中复杂度高，效率低的问题，本文提出一种基于SURF和RANSAC的快速图像拼接算法。
首先运用SURF算法提取待拼接图像的特征点，采用K-D树的数据结构来存储特征描述子，然后利用BBF算法进行遍历搜索，实现初步匹配，最后利用RANSAC算法对特征点匹配结果进行提纯，剔除误匹配的特征点对，得到图像配准结果。
针对图像交界处出现的“拼缝”等不自然的地方，使用加权值融合算法进行处理，从而实现光照和尺度变化下的快速图像拼接。
关键词：SURF；RANSAC；特征匹配；图像拼接中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2017）11-0039-02所谓图像拼接技术就是将多幅彼此存在重叠部分的图像队列进行匹配对准，再融合形成一幅包含各图像序列信息的、完整的、宽视角场景的、无缝的、高分辨率的新图像[1]。
图像拼接领域多使用经典的SIFT算法，不过该算法结构复杂，特征点的提取和匹配耗时较长，缺乏工程应用的实时性。
故本文采用改进过的SIFT算法，即SURF（Speeded-Up Robust Features）算法来提取源图像和待匹配图像的特征点，其主要目的就是为了缩短算法处理的时间，以便将各种优良的图像拼接算法移植到对实时性要求较高的场合，比如智能手机。
1 基于SURF的特征点匹配SURF算法，全称是Speeded-Up Robust Features。
该算法是建立在优秀的SIFT算法上的，另外针对SIFT算法复杂度进行了优化，对特征点提取和特征向量的描述进行改善，达到了更高的速度。
因此，它常常用于对实时性或运算速度要求较高的场景，这也是本文选用该算法的原因。
SURF算法工作时主要分为如下几步：（1）构造Hessian矩阵，计算特征值α。
（2）构造高斯金字塔。
（3）定位特征点。
一种改进的快速图像拼接方法
采 用 图像 分 块 和 邻 近 角 点剔 除 的方 法 来保 证 图像 角 点分 布 均 匀 并 且避 免 出现 角 点 聚 簇 现 象 ， 于提 高 拼 接 的精 度 。其 次 ， 用 灰 度 利 利
相关性进行特征角点的匹配并消除伪匹配 。然后采用改进 的 Ｒ Ｎ Ａ Ａ Ｓ Ｃ算法快速地估计变换矩 阵， 算法 中采用预检测 的方法快速 该
由此 ， 将 角 点 定 义 为 ： 可 图像 中具 有 足 够 小 的 Ｕ Ａ 面 ＳＮ
式（） ２ 计算 圆形 模板 中和核 心 点有 相似 亮 度值 的像 素个 数 （ｎ ， ｒ） 像素个数定义为 Ｕ Ａ 。 Ｓ Ｎ （ ）利用式 （ ） ２ ３ 确定 初始 角点 ， ｎ Ｆ）＜ （ 当 （０ ｇ 给定 的门限 ） ， ｒ 为初始角点 。并将初 始角点在 Ｃ ｉ Ｊ 数组 中进行标记 。其 ｎ （， ） 中 Ｃ ｉＪ （， ）＝１ 为初始角点。ｉ ， ∈Ｍ， ＥＮ， Ｊ Ｍ， Ｎ分别为 图像块
ＡＮ Ｍ ＰＲｏＶＥＤ Ｉ ＦＡＳ Ｉ ＡＧＥ ｏＳ Ｃ ＥＴＨｏＤ Ｔ Ｍ Ｍ ＡＩ Ｍ
Ｑ ｉ ｗ ｉ Ｃ ｅ ｉ ｄｎ Ｃ ｏＸ ｅｏｇ Ｃ ｅ ｕ ａ ｕＴａ ｅ ｎ ｈ ｎＸ ａ ａ ａ ｕ ｄｎ ｈｎＧ ｉ ｎ ｏ ｌ
（ ｅａｔｅｔｆＣｍ ｕｅ Ｓｉ ｃ ｎ ｅ ｎｌ ｙ Ｈ ｉｎｆ ｎ ｓｔｔ ｏ ｅｈｏｏｙ Ｈａｂ ５ ０ ０Ｈｅｏ￣ ａｇ Ｃ ｉ ） Ｄｐ ｒ ｎ ｏ ｏ ｐ ｔ ｃ ｎｅａ ｄＴｃ ｏ ｇ ， ｅｏｇ ａｇＩ ｔｕ ｍ ｒ ｅ ｈ ｏ ｌ ｉ ｎ ｉ ｅ ｆＴｃｎｌ ， ｒｉ １０ ５ ， ｉｎ ｉｎ ， ｈｎ ｇ ｎ ｌ ａ 。 Ｃｌｇ ｏ ｐ ｔ ｎ ｆｒ ａｉｎＥ ｇｎｅｉ Ｈ ｉｎ ｆ ｎ ｎｔｕｅｏ ｃ ｎｅａ ｄＴｃｎｌ ｙ Ｈ ｒｉ ５ ０ ７ Ｈ ｉｎｆ ｎ ｆ ｏｅｅｆＣ ｍ ｕ ｒａｄＩ ｏｍ ｔ ｎ ｉ ｒ ｇ， ｅｏｇ ａｇＩ ｔｔ ｆＳｉ ｃ ｎ ｅｈｏｏ ， ａｂ １０ ２ ， ｅｏｇ ａｇ，Ｃ ｉａ ｌ ｏ ｅ ｎ ｏ ｅ ｎ ｌ ｉ ｓ ｉ ｅ ｇ ｎ ｌ ｉ ｈｎ ）
基于SURF和改进RANSAC的视频拼接算法
基于SURF和改进RANSAC的视频拼接算法陈雪涛;穆春阳;马行【摘要】在传统的视频拼接算法中,配准的误差和运动的物体都会使拼接结果产生鬼影,而复杂的融合算法又难以满足实时性要求.针对上述问题,以平行光轴且光心位于同一水平基线位置的双目相机采集的视频图像为研究对象,提出一种基于限定区域和SURF算法的视频拼接方法.针对采集到的具有20％～30％重叠感兴趣区域(ROI)的视频图像,每24帧设置一个关键帧,仅对关键帧的ROI区域采用SURF算法寻找特征匹配点对.然后采用改进的RANSAC算法筛选单应性变换矩阵H,对非关键帧直接采用此单应性变换矩阵H进行图像融合.实验结果表明,采用关键帧计算特征点的方式得到的视频拼接效果能够很好地消除鬼影,同时也能够保证视频融合的实时性.【期刊名称】《现代电子技术》【年(卷),期】2016(039)010【总页数】5页(P44-48)【关键词】视频拼接;ROI;关键帧;RANSAC【作者】陈雪涛;穆春阳;马行【作者单位】北方民族大学信息与通信研究所,宁夏银川 750021;北方民族大学信息与通信研究所,宁夏银川 750021;北方民族大学信息与通信研究所,宁夏银川750021【正文语种】中文【中图分类】TN911.72-34人们获取信息的方式多种多样，例如通过触觉、视觉、嗅觉和听力等，其中视觉是最直接也是最广泛的获取信息的方式之一。
在现代社会中，人们通过视觉获取大量有用信息。
由于人的视角或者机器的视角范围有限，因此，对多个视频进行拼接并形成大视角范围的图[1]，这有着非常重大的研究意义。
视频拼接技术在许多方面有着重要的应用，例如环境监测[2]、监控系统[3]和生物工程[4]等。
当前视频拼接的方法多种多样，文献[5]采用一种改进的快速检测Harris算子，结合捆绑调整进行全局调整方法，能够得到很好的拼接效果。
文献[6]提出了基于图像分块和邻近角点剔除策略的自适应Harris角点检测算法，该算法能很好地适应图像拼接。
- 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)。
基于改进RANSAC算法的图像拼接方法
文章提出了一种基于改进RANSAC算法的图像拼接方法。在提取图像的
SIFT特征点后，根据阈值法对特征点进行初始匹配，然后采用改进的RANSAC
算法对初始匹配对筛选，再计算图像间单应性矩阵，最后使用加权平均的融合方
法实现图像的无缝拼接。实验结果表明，改进后的RANSAC算法进一步提纯了
匹配对，使得图像拼接获得了高质量的效果。
标签：图像拼接；尺度不变特征变换算法；随机抽样一致算法
引言
在计算机视觉领域，图像拼接[1]就是将相互重叠的多幅图像通过匹配对准、
图像融合，最终形成包含各个图像信息的一幅新图像。图像配准就是根据两幅图
像重叠区的一致性求解图像之间的投影变换，即平面单应性矩阵。目前图像配准
方法研究最多，应用最为广泛的是基于特征点的图像配准方法[2]。在特征点的
提取方面一般使用性能稳定、鲁棒性好的SIFT提取算法[3]，在图像的精确匹配
方面，最常用的是RANSAC算法[4]。但是由于初始特征点对的数量往往较多，
匹配特征点对的内点比例相对较少，使得RANSAC算法执行效率较低。
文献[5]中，RANSAC算法被应用到图像拼接中，利用 RANSAC提纯数据
并估算图像间的变换矩阵，采用RANSAC方法在粗匹配点集中估算矩阵，为图
像的自动拼接融合提供了强有力的保证。文献[6]针对特征点匹配中出现的大量
冗余特征点对，提出了一种改进的RANSAC算法，但该方法对于中值滤波器处
理的特征点并没有判断其是否符合RANSAC算法迭代要求。文献[7]提出了一种
改进的全景图自动拼接算法，利用RANSAC算法去除误匹配，矩阵估算不精确，
拼接效果一般。文献[8]重复采用两次RANSAC算法引导匹配，降低了估算变换
矩阵的效率。
从以上文献可知，当前对于RANSAC算法的在图像拼接中的应用，传统
RANSAC算法效率低并且不能很有效的去除误匹配，因此越来越多的关于改进
的RANSAC算法被提出，文章在此基础上通过研究，提出了一种新的图像自动
拼接算法。首先采用SIFT算法提取出具有尺度不变性的特征点，其次根据阈值
法对特征点进行初始匹配，然后采用改进的RANSAC算法对初始匹配对进行筛
选，并计算出图像间准确的单应性矩阵，最后使用加权平均的融合方法实现图像
的无缝拼接。实验结果表明，改进后的RANSAC算法可以实现高质量的图像拼
接。
1 RANSAC算法思想
RANSAC基本思想描述如下：（1）设n为初始化模型参数所需的最小样本
数，P为一个样本集，P的样本数>n，从P中随机抽取包含n个样本的子集S，
并由这个子集初始化模型M；（2）从P中去掉S后的余集SC中与模型M的误
差小于设定阈值的样本集以及S构成支撑点集Si。Si就是样本的一致集，被认
为是有效点集；（3）若Si的样本数超过了某个阈值Ts，认为得到正确的模型参
数，并利用点集Si重新估计新的模型Mi；如果Si的样本数小于阈值Ts，重新
随机抽取新的S，重复以上过程；（4）在完成一定的抽样次数后，最大的一致集
Si被选中，用它来重新估计模型，得到最后的结果，算法结束；若未找到一致集，
则算法失败。
从以上处理步骤可见，RANSAC算法包括了三个输入的参数：第一个是判
断样本是否满足模型的阈值，对于不同的输入数据需要采用人工干预的方式预设
合适的门限；第二个是随机抽取样本集S的次数，该参数直接影响SC中样本参
与模型参数的检验次数；第三个是表征得到正确模型时，一致集Si的大小，一
般要求一致集足够大。
2 图像间单应性矩阵的求解
2.1 单应性矩阵
图像变换就是将两幅图像变换到同一个坐标系下，实现两幅图像的视点统
一，如果不进行图像变换，直接对有重叠部分的两张图像拼接，就可能得到视觉
混乱、错误形式的拼接图像。
2.2 改进的RANSAC算法
传统的SIFT匹配算法首先计算源图像某个特征点到目标图像中欧式距离最
近和次近的特征点，然后计算这两个距离的比率，若比率小于给定的阈值，则选
择距离最近的特征点为匹配点，这样求出的匹配对数量过大，产生了无效匹配。
如果直接使用RANSAC算法剔除误匹配，当匹配点中外点比例过高时，RANSAC
算法的随机采样次数将会增多，导致其运行效率低下，并且求出的单应性矩阵精
度不高。
（1） 从2个图像中分别提取SIFT特征点，并且建立特征点的初始匹配集；
（2）从初始匹配集中随机抽取4组匹配对，组成内点集S；（3）对选取的特征
点采用最小二乘法计算单应性矩阵H；（4）对于剩余匹配对，根据公式（2）计
算每个匹配对到S的马氏距离d，如果d在合理的阈值范围内，选定为内点，否
则认为是外点，并记录本次内点的数目；（5）选取内点个数最多的一个样本集，
重新计算H，并根据公式（3）估算平均误差Z；（6）重复上述2-5步，直至找
到平均误差最小的内点集，然后计算最终的H。
3 图像融合
图像拼接最终要获得一幅完整的图像，并且不能留下任何拼接痕迹。由于图
像配准后的图像只对重叠区域叠加，致使重叠部分高亮显示，其他区域正常显示，
形成了拼接痕迹，影响了最终的拼接效果。图像融合就是对图像配准后的图像，
减少重叠部分的光照强度或色彩差别，最终实现无缝拼接。本算法选取加权平均
法消除图像间存在的接缝现象。
4 实验效果
为了观察算法性能，我们从互联网上寻找了两张有重叠部分的壁画图片进行
了实验。实验环境为CPU 1.4GHZ，4G内存的PC机，软件开发工具为Windows
7.0操作系统，Matlab7.7.0。图1是待拼接的图片，其中左图的分辨率为940*646，
右图的分辨率为953*656。图2是对待拼接图片分别提取SIFT特征点后的结果
图，其中左图有特征点4925个，右图有4486个。
特征匹配图如图3所示，用SIFT算法进行特征点提取后，经过实验观察，
对于相似性判定过程中比例阈值的取值有如下的原则：对于准确度要求高的匹配
取ratio=0.4，对于匹配点数要求多的匹配ratio=0.6，本算法取ratio=0.4，获得了
478个初始匹配对。利用经典RANSAC算法对初始匹配对筛选，误差阈值设置
为0.5个像素，获得了281个匹配对；利用文章改进RANSAC方法对初始匹配
对筛选，误差阈值还是设置为0.5个像素，获得了227个匹配对。最后进行图像
融合，得到了完整的无缝拼接图像，如图4所示。图4a为直接配准拼接结果，
可发现有明显拼接痕迹。图4b为加权平均处理后的拼接结果。
从上述实验结果可见，文章使用的特征点提取配准算法可靠性高，具有很强
的可行性，能得到很好的拼接结果，加权平均法成功实现了重叠部分的平滑过渡。
5 结束语
文章通过SIFT算法提取图像的特征点，在特征点初始匹配后，通过改进的
RANSAC方法进一步剔除误匹配点对，满足了配准准确度和稳定性的要求，用
加权平均法实现图像融合，获得了很好的拼接效果。
参考文献
[1]盖进伟，韩燮.一种基于特征点匹配的图像拼接方法研究[J].计算机测量与
控制，2012，20（3）：836-837.
[2]Beier T，Neely S. Feature-based image metamorphosis[C].SIGGRAPH’92
Proceedings of the 19th annual conference on Computer graphics and interactive
techniques， 1992：35-42.
[3]D. G. Lowe， Distinctive image features from scale-invariant
keypoints[J].International Journal of Computer Vision， 2004，60（2）： 91-110.
[4]Fischler M. A. and Bolles R.C. Random Sample Consensus： A Paradigm for
Model Fitting with Applications to Image Analysis and Automated Cartography
[J].Communications of the ACM，1981，24（6）：381-395.
[5]赵向阳，杜利民.一种全自动稳健的图像拼接融合算法[J].中国图象图形学
报，2004，9（4）：417-422.
[6]方贤勇.图像拼接技术研究[D].浙江：浙江大学，2005.
[7]赵辉，陈辉.一种改进的全景图自动拼接算法[J].中国图象图形学报，2007，
12（2）：336-334.
[8]周剑军，欧阳宁，张彤.基于RANSAC的图像拼接方法[J].计算机工程与
设计，2009，30（24）：5692-5694.
作者简介：雒伟群（1969-），男，陕西礼泉人，教授，研究方向：图像处理、
计算机视觉。