基于RANSAC算法的图像拼接方法、装置与可读存储介质与流程

本技术涉及ransac算法领域，具体而言，涉及一种基于ransac算法的图像拼接方法、基于ransac算法的图像拼接装置、计算机可读存储介质和电子设备。

背景技术：

1、图像拼接技术已被广泛应用于各领域的图像处理中。在银行业务子系统中，有时需要将两张有一定重合的图片合称为一张完整图像的需求，例如文稿拼接，验证结果图片拼接等。

2、在图像拼接过程中，特征匹配是最关键的一步。特征匹配的效率(速度和准确度)直接决定了拼接算法的性能。目前广泛使用的基于特征点匹配的经典算法有sift和surf。这两种算法都使用了ransac算法消除错配来求解变换矩阵解到的。

3、但是在实际应用中，传统的ransac算法的迭代机制有可能使样本点过于簇拥，增加了生成模型的误差。且传统的ransac算法存在迭代次数多、计算复杂度大，且误差较大、算法运行时间长等诸多缺点。

技术实现思路

1、本技术的主要目的在于提供一种基于ransac算法的图像拼接方法、基于ransac算法的图像拼接装置、计算机可读存储介质和电子设备，以至少解决传统的ransac算法的迭代机制的样本点过于簇拥，生成的模型误差较大的问题。

2、为了实现上述目的，根据本技术的一个方面，提供了一种基于ransac算法的图像拼接方法，包括：获取多个待拼接图像；根据各所述待拼接图像，确定初始特征点集，所述初始特征点集包括多个目标特征点，所述目标特征点为表征任意两个所述待拼接图像之间的重合区域的特征点；采用迭代法从所述初始特征点集中确定初始样本点集，所述初始样本点集包含于所述初始特征点集，所述初始样本点集中包括多个样本点，所述样本点为采用所述迭代法选择得到的所述目标特征点；采用分散取样机制从所述初始样本点集中选取多个所述样本点，作为多个目标样本点，并根据多个所述目标样本点，确定多个目标样本组，一个所述目标样本组中包括多个所述目标样本点；将总权重最大的所述目标样本组确定为最终样本组，以基于ransac算法将各所述待拼接图像拼接成一个目标图像，所述目标样本组的总权重为所述目标样本组中所有的所述样本点的总权重。

3、可选地，采用迭代法从所述初始特征点集中确定初始样本点集，包括：步骤s1：从所述初始特征点集中确定两个测试样本点，所述测试样本点为从所述初始特征点集中随机选取的；步骤s2：确定以两个所述测试样本点为基础的单应矩阵模型；步骤s3：获取各非测试样本点到所述单应矩阵模型之间的残差，所述非测试样本点为除所述测试样本点以外的所述样本点，所述非测试样本点和所述残差一一对应；步骤s4：在所述残差小于或者等于预设误差的情况下，将所述残差对应的所述非测试样本点确定为内点，在所述残差大于所述预设误差的情况下，将所述残差对应的所述非测试样本点确定为外点；步骤s5：在所述内点的数量大于或者等于第一预设数量的情况下，将两个所述测试样本点添加至所述初始样本点集；步骤s6：依次重复执行所述步骤s1、所述步骤s2、所述步骤s3、所述步骤s4和所述步骤s5至少一次，直到所述初始样本点集中的所述样本点的数量达到第二预设数量。

4、可选地，采用分散取样机制从所述初始样本点集中选取多个所述样本点，作为多个目标样本点，并根据多个所述目标样本点，确定多个目标样本组，包括：获取多组初始样本组，每组所述初始样本组中包括两个样本点，分别为第一样本点和第二样本点，所述第一样本点和所述第二样本点为从所述初始样本点集中随机选取得到的；获取所述第一样本点的坐标和所述第二样本点的坐标；根据所述第一样本点的坐标和第n－1样本点的坐标，确定第n样本点的坐标，并将所述第n样本点加入至所述初始样本组中，其中，n≥3；将n个所述样本点确定为n个所述目标样本点，并将包括n个所述目标样本点的所述初始样本组确定为一个所述目标样本组。

5、可选地，n＝4，根据所述第一样本点的坐标和第n－1样本点的坐标，确定第n样本点的坐标，包括：根据所述第一样本点的坐标和所述第二样本点的坐标，确定第一中点的坐标，所述第一中点为所述第一样本点和所述第二样本点的连线的中点；将除所述第一样本点和所述第二样本点以外的所有样本点中距离所述第一中点最远的点，确定为第三样本点，并确定所述第三样本点的坐标；根据所述第一样本点的坐标和所述第三样本点的坐标，确定第二中点的坐标，所述第二中点为所述第一样本点和所述第三样本点的连线的中点；将除所述第一样本点、所述第二样本点和所述第三样本点以外的所有样本点中距离所述第二中点最远的点，确定为第四样本点，并确定所述第四样本点的坐标。

6、可选地，将总权重最大的所述目标样本组确定为最终样本组，包括：获取所述目标样本组中各所述样本点的权重；将所述目标样本组中所有的所述样本点的权重之和，确定为所述目标样本组的总权重；比较多个所述目标样本组的总权重的大小；将所述总权重最大的所述目标样本组确定为所述最终样本组。

7、可选地，获取所述目标样本组中各所述样本点的权重，包括：获取所述样本点的最优匹配点和所述样本点的次优匹配点，所述最优匹配点为所述目标样本组中最后一个得到的所述样本点，所述次优匹配点为所述目标样本组中倒数第二个得到的所述样本点；构建权重公式其中，w为所述样本点的权重，λ1为所述样本点和最优匹配点之间的欧式距离，λ2为所述样本点和次优匹配点之间的欧式距离；根据所述权重公式，确定所述样本点的权重。

8、可选地，所述待拼接图像有两个，根据各所述待拼接图像，确定初始特征点集，包括：获取两个所述待拼接图像的多个所述特征点；分别获取多个特征点组，并计算每个所述特征点组中两个所述特征点之间的重合度，一个所述特征点组包括其中一个所述待拼接图像的一个所述特征点和另外一个所述待拼接图像的一个所述特征点；将所述重合度大于预设重合度的所有所述特征点组中的所有所述特征点的集合，确定为所述初始特征点集。

9、根据本技术的另一方面，提供了一种基于ransac算法的图像拼接装置，包括：获取单元，用于获取多个待拼接图像，第一确定单元，用于根据各所述待拼接图像，确定初始特征点集，所述初始特征点集包括多个目标特征点，所述目标特征点为表征各所述待拼接图像之间的重合区域的特征点；第二确定单元，用于采用迭代法从所述初始特征点集中确定初始样本点集，所述初始样本点集包含于所述初始特征点集，所述初始样本点集中包括多个样本点，所述样本点为采用所述迭代法选择得到的所述目标特征点；第三确定单元，用于采用分散取样机制从所述初始样本点集中选取多个所述样本点，作为多个目标样本点，并根据多个所述目标样本点，确定多个目标样本组，一个所述目标样本组中包括多个所述目标样本点；第四确定单元，用于将总权重最大的所述目标样本组确定为最终样本组，以基于ransac算法将各所述待拼接图像拼接成一个目标图像，所述目标样本组的总权重为所述目标样本组中各所述样本点的总权重。

10、根据本技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的基于ransac算法的图像拼接。

11、根据本技术的另一方面，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的基于ransac算法的图像拼接方法。

12、应用本技术的技术方案，上述基于ransac算法的图像拼接方法，首先获取多个待拼接图像；之后根据各待拼接图像，确定初始特征点集，初始特征点集包括多个目标特征点，目标特征点为表征任意两个待拼接图像之间的重合区域的特征点；其次采用迭代法从初始特征点集中确定初始样本点集，初始样本点集包含于初始特征点集，初始样本点集中包括多个样本点，样本点为采用迭代法选择得到的目标特征点；然后采用分散取样机制从初始样本点集中选取多个样本点，作为多个目标样本点，并根据多个目标样本点，确定多个目标样本组，一个目标样本组中包括多个目标样本点；最后将总权重最大的目标样本组确定为最终样本组，以基于ransac算法将各待拼接图像拼接成一个目标图像，目标样本组的总权重为目标样本组中所有的样本点的总权重。该方法使用了分散取样机制使得取样点的分布更加分散，防止了样本点的过于簇拥。另外有效引用权重样本选取策略，使得用于计算模型的样本点中内点被选取的概率变高。解决了传统的ransac算法的迭代机制的样本点过于簇拥，生成的模型误差较大的问题。