应用于光场成像的图像拼接方法与流程

本发明涉及图像拼接技术领域，尤其是应用于光场成像的图像拼接方法。

背景技术

在光场相机芯片算法的研宄中，基于光场成像的三维图像重构技术的研究是重中之重。而在三维重构的过程中，如果在图像拼接阶段利用现有的拼接方法，虽然拼接效果能够勉强满足需求，但是所需的时间太长，这对于将芯片应用到智能手机这类产品中，性价比总不尽人意。因此，找到一种效果较好的并且实时性高的拼接算法，以效提高产品的性能变得十分迫切。

技术实现要素：

本发明提供的应用于光场成像的图像拼接方法，减少图像拼接时间，提高图像融合速度。

本发明具体采用如下技术方案实现：

一种应用于光场成像的图像拼接方法，具体包括以下步骤：

步骤1：输入:待拼接图像，

步骤2：构建尺度空间，从待拼接图像中提取orb特征；

步骤3：利用bbf(best-bin-first)算法进行特征匹配(本文设置阈值为0.6)；

步骤4：采用ransac算法去除错误匹配点，并计算变换矩阵h(本申请选用4对匹配点来计算变换矩阵h，h为3x3的矩阵)；

步骤5：釆用加权平均法对图像进行融合,将两幅图缝合成一幅图；

步骤6：输出:拼接后图像。

作为优选，所述步骤2中待拼接图像中提取orb特征的步骤如下：

步骤21：利用fast算法进行关键点检测，确定关键点的位置；

步骤22：利用harris角点对此关键点进行检测并排序，并筛选出前n个关键点；

步骤23：利用灰度质心法计算每个角点的方向；

步骤24：将步骤23中计算得出的角点方向作为brief描述子的主方，brief沿着主方向进行旋转得到旋转后的brief描述子(steeredbrief)；

步骤25：用贪婪学习算法对steeredbrief进行筛选，得到rbrief，生成特征向量。

作为优选，所述步骤3中特征匹配的具体步骤如下：

步骤31：通过fast算法找到特征点，得到与之相对应的二进制串；

步骤32：利用汉明距离为第一幅图的每个特征点在第二幅图的特征点集中寻找最近邻点和次近邻点，如果到最近邻的距离与其到次近邻的距离比值小于本申请设定的阈值0.6，则接受这一对匹配点。

作为优选，所述步骤4中，求出变换矩阵的步骤如下：

步骤41：从p中随机选取n个元素；

步骤42：由选取的这n个数据点，计算出函数模型参数，得出一个模型h；

步骤43：判断其他点是否符合模型h，并统计满足该模型的点的个数；

步骤44：重复步骤41～43步，若点集中满足的点数最多的模型为h，则h即为所求模型；

步骤45：在误差范围内满足该模型的点视为内点，否则为该模型的外点。

本发明提供的应用于光场成像的图像拼接方法，其有益效果在于：采用的是基于特征的配准方法。使用的是基于orb特征的图像匹配策略。充分利用orb算法的优越性能，它能够快速检测出特征，并且保证检测出的特征具有旋转不变性和对噪声的鲁棒性等性能。利用汉明距离寻找特征点的最近邻点和次近邻点，并通过两个距离的比值与阈值的比较来确定特征点对是否匹配。采用ransac(randomsampleconsensus)算法来副除误匹配点并估计变换矩阵h，并根据变换矩阵h找出存在相互匹配关系的图像子集。在图像融合部分，利用加权平均法对图像进行融合。

附图说明

图1是本发明的拼接方法流程图；

图2是特征提取和匹配方法流程图；

图3是ransac方法流程图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

本实施例提出一种应用于光场成像的图像拼接方法，如图1所示具体包括以下步骤：

步骤1：输入:待拼接图像，

步骤2：构建尺度空间，从待拼接图像中提取orb特征；

步骤3：利用bbf(best-bin-first)算法进行特征匹配(本文设置阈值为0.6)；

步骤4：采用ransac算法去除错误匹配点，并计算变换矩阵h(本申请选用4对匹配点来计算变换矩阵h，h为3x3的矩阵)；

步骤5：釆用加权平均法对图像进行融合,将两幅图缝合成一幅图；

步骤6：输出:拼接后图像。

步骤2中从待拼接图像中提取orb特征的步骤如下：

步骤21：利用fast算法进行关键点检测，确定关键点的位置；

步骤22：利用harris角点对此关键点进行检测并排序，并筛选出前n个关键点；

步骤23：利用灰度质心法计算每个角点的方向；

步骤24：将步骤23中计算得出的角点方向作为brief描述子的主方，brief沿着主方向进行旋转得到旋转后的brief描述子(steeredbrief)；

步骤25：用贪婪学习算法对steeredbrief进行筛选，得到rbrief，生成特征向量。

步骤3中特征匹配的步骤如图2所示，具体步骤如下：

步骤31：通过fast算法找到特征点，得到与之相对应的二进制串；

步骤32：利用汉明距离为第一幅图的每个特征点在第二幅图的特征点集中寻找最近邻点和次近邻点，如果到最近邻的距离与其到次近邻的距离比值小于本申请设定的阈值0.6，则接受这一对匹配点。

步骤4中，ransac(randomsampleconsensus)算法的过程是一种鲁棒的估计过程，使用较少的一组随机匹配点来估计图像变换参数的一种算法ransac算法是去除误匹配点并估计变换矩阵的一种典型算法。可表述如下：

p是由n个特征点组成的集合，假设p中的大多数元素是由未知的模型产生的，至少需要n个数据点才能求出该模型参数，且有n大于n。求出这个模型的参数，如图3所示，即求出变换矩阵的步骤如下：

步骤41：从p中随机选取n个元素；

步骤42：由选取的这n个数据点，计算出函数模型参数，得出一个模型h；

步骤43：判断其他点是否符合模型h，并统计满足该模型的点的个数；

步骤44：重复步骤41～43步，若点集中满足的点数最多的模型为h，则h即为所求模型；

步骤45：在误差范围内满足该模型的点视为内点，否则为该模型的外点。

本申请采用的是基于特征的配准方法。使用的是基于orb特征的图像匹配策略。充分利用orb算法的优越性能，它能够快速检测出特征，并且保证检测出的特征具有旋转不变性和对噪声的鲁棒性等性能。利用汉明距离寻找特征点的最近邻点和次近邻点，并通过两个距离的比值与阈值的比较来确定特征点对是否匹配。采用ransac(randomsampleconsensus)算法来副除误匹配点并估计变换矩阵h，并根据变换矩阵h找出存在相互匹配关系的图像子集。在图像融合部分，利用加权平均法对图像进行融合。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。