基于特征点的图像拼接算法优缺点比较

方静

摘要：该文主要详细讲解图像拼接技术中基于特征点的图像拼接算法，通过详细介绍几种常见的特征点提取算法，Harris算子，LOG算子，SUSAN算子，SIFT算法，并通过实验结果对这几种算法的优缺点进行比较，从而在实际的应用中，我们年应该根据需要选取合适的算法，从而更好的完成图像拼接工作。

关键词：特征点；拼接算法

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）07-1645-03

全景图像拼接技术是一个重要的研究方向，也是计算机视觉领域的新的研究内容。图像拼接技术就是将数张有重叠部分的图像（可能是不同时间、不同视角或者不同传感器获得的）拼成一幅大型的无缝高分辨率图像的技术。图像拼接经过图像的采集，图像的处理，图像特征处理，图像匹配，建立模型，图像融合等步骤，最终完成全景图片的拼接。图像拼接技术融合了多个学科，涉及多个领域，在实际生活中引用非常的广泛，研究图像拼接技术意义很重要的现实意义。

目前，全景图像拼接的研究主要集中在以下几个方面，图像的获取，图像信息的提取，图像顺序的识别，图像配准方法，参考平面的选取和图像的融合。

本文主要详细讲解基于特征点的图像拼接算法。基于特征点的图像拼接算法的主要流程是：首先，将参考图片进行预处理，提取参考图片的特征点，同时，将待配图片进行预处理，提取待配准图片的的特征点，然后将参考图片和待配准图片的特征点进行匹配，接下来，计算参数，变换模型，最后进行图像的融合，最终实现了全景图像的拼接，我们发现，在进行图像拼接的时候，特征点的提取非常重要，只要对特征点进行了很好的提取，就能达到很好的匹配效果，这样就提高了图像拼接的质量和速度，如果特征点提取的不够好，产生的误差就会比较大，拼接出来的图片效果就会不尽如人意，所以如何更好的提取特征点，就成了研究图像拼接课题中的热点。

目前有3种比较常见的特征点提取算法。

1 3种常见的特征点提取算法

1.1 Harris算子

Harris算子是在1988年提出的。Harris算子用高斯函数代替了二值窗口函数，对离中心点越近的像素赋于越大的权重，以减少噪声影响，它采用了一种新的角点判定方法，通过矩阵的两个特征向量与矩阵的主曲率成正比，利用表征变化最快和最慢的两个方向，若两个都很大就是角点，一个大一个小就是边缘，两个都小就是在变化缓慢的图像区域。

1.2 LOG算子

在图像中，边缘可以看做是位于一阶导数较大的像素处，因此，我们可以求图像的一阶导数来确定图像的边缘问题。但是这存在噪声的影响，在噪声点处一阶导数也会取极大值，而且求解极大值比较复杂，因此就有了使用二阶导数的方法，即LoG算子，又叫高斯-拉普拉斯算子，有了高斯算子我们就克服了噪声的影响。高斯-拉普拉斯算子其实就是：先对图像进行高斯模糊，然后再求二阶导数，二阶导数等于0处对应的像素就是图像的边缘。

1.3 SUSAN算子

SUSAN算子是一种基于图像局部灰度特征的算法，利用一个圆形的模板对图像进行扫描，比较模板内部的点与模板中心点的灰度值，如果灰度差值小于一定的阈值，就认为该点与中心点的灰度相同。统计模板内部与中心点灰度相同的点的个数，与一个阈值进行比较，判断该点是否属于某个区域的边缘点，从而实现对目标的检测。

2 3种算子性能比较

利用Matlab对三种算子进行特征检测，检测效果如下面图像所示。其中图1为我校十四教的原始灰度图，图2是用Harris算子提取的特征点的图像，图3是LOG算子提取的特征点的图像，图4是用SUSAN算子提取的特征点的图像。

从上图中我们可以看出，Harris算法在提取角点的时候只用到了灰度的一阶差分，计算比较地简单，但是它提取角点的个数是和图像的纹理信息的多少成正比的，即在纹理信息丰富的区域，能够提取出比较多的特征点，在纹理信息少的区域，提取的特征点就比较的少。此图中提取特征点数目最好，效果较其它两种算法要好些，是唯一个把图像四个角上的点都提出来的算子，但在突出部分的拐点上有些遗漏，如最左边的护栏上，不及SUSAN算子。

LOG算子首先用高斯函数对图像做平滑滤波处理，然后使用Laplacian算子检测，因此克服了Laplacian算子抗噪声能力比较差的缺点。但是在抑制噪声的同时，也可能将原有的比较尖锐的边缘也平滑掉，造成这些尖锐边缘无法被检测到。如十四教旁边的树木、十三教等检测出来的特征点没有其它两种算法检测的多，所以应用LOG算子时，一定要注意合理的选取高斯函数中的方差参数。

SUSAN算子在提取特征中较适合提取图像边缘上的拐点，由于它不需对图像求导数，所以也有较强的搞噪声能力。但缺点在于在弱边缘上不容易检测出正确的角点，阈值不易设定，增加了不稳定因素，如靠右边的好多轮廓点都没提取出来。为克服影像灰度值分布不均对提取角点的影响，可对影像采取二值化分割，以改进提取效果。

3 SIFT特征点提取算法

上面3种算法在图像特征点的提取上多多少少都有一些不足，图像的效果不是特别好，尤其是在尺度发生了变化的条件下，效果更是难以保证。David G. Lowe在2004年提出的一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的特征描述算法SIFT。SIFT算法提取出的特征点具有尺度不变的特性，稳定性强，SIFT特征点提取算法成为了近几年来图像图像拼接方面的一个热点。

SIFT的步骤主要分为四步：1）检测尺度空间极值点；2）精确定位极值点；3）对于每个特征点需要给其指定一个或者多个方向，方向是基于特征点邻域的梯度值大小所确定的；4）计算特征向量。

下图是通过SIFT算法求得的我校十四教的图片特征点分布图：

从上图实验结果分析表明，SIFT算法由于剔除了大量外点，在很大程度上提高了图像配准的精确度和执行速度。SIFT获取图像局部最值还是十分稳定的，但是在求主方向阶段太过于依赖局部区域像素的梯度方向，有可能使得找到的主方向不准确，后面的特征向量提取以及匹配都严重依赖于主方向，即使不大偏差角度也可以造成后面特征匹配的放大误差，从而导致匹配不成功，SIFT是一种只利用到灰度性质的算法，在色彩方面还处理的不够好。

没有一种算法是完美的，每种算法都具有它的不足之处，基于特征点的方法相比于其它方法也有其不足之处，在实际应用中我们应该根据实际的需要来选择合适的算法，从而更好地完成拼接的工作。

图像拼接技术的发展是一个不断完善的过程，关于特征点匹配精確性的判断到目前为止还没有一个统一的标准，因此如何建立科学的评价标准将是一个值得思考的问题，让我们拭目以待。

参考文献：

[1] 孙广家.计算机图形学[M].3版.北京：清华大学出版社，2012.

[2] 曹俊杰，封靖波，苏志勋，等.全景图像拼接算法[J].大连理工大学学报，2003，43（sl）：180-192.

[3] Irani M， Peleg S. Improving Resolution by Image Registration[J]. Graphical models and Image processing. 1991， 53（3）：231-239.

[4] Irani M， Anandan P ，Hsu S.Mosaic-based Representations of Video Sequences and Their Applications[C].5th International Conference on Computer Vision（ICCV95）， MIT， Cambridge， MA， 1995：605-611.

[5] 蒋文燕，朱晓华，陈晨.虚拟旅游研究进展[J].科技导报，2007，25（14）：53-57.

[6] 周天，鲁东明，潘云鹤.基于图像的绘制技术研究与发展[J].计算机科学，2001，28（5）：l-5.

[7] Shun H Y，Szeliski R. Panoramic ImageMosaies[R]. MSR2TR297223，Microsoft Research Center，Seattle，WA，USA，1998.