用于图像拼接的多尺度不变ORB算法
专利汇可以提供用于图像拼接的多尺度不变ORB算法专利检索，专利查询，专利分析的服务。并且用于图像拼接的多尺度不变ORB(Oriented FAST and Rotated BRIEF) 算法 ，主要包括以下步骤：首先，使用一种基于尺度不变的特征检测算法对图像进行特征点检测；然后用ORB描述子对检测到的特征点进行特征描述，再用ORB匹配算法进行粗匹配，并且用双向匹配法和RANSAC(随机抽样一致性)算法对匹配点对其进行精匹配和提纯，进一步提高其 精度 ；最后使用渐入渐出加权融合完成图像拼接。本 发明 的方法有效地解决ORB算法检测到的图像特征点缺少尺度不变特性，误匹配率高，造成拼接图像 质量 差等问题，对图像的不同光照条件、 角 度旋转、 分辨率 低、尺度变化等均有良好的鲁棒性和 稳定性 ，是一种耗时短、精确度高、拼接效果良好的图像拼接方法。，下面是用于图像拼接的多尺度不变ORB算法专利的具体信息内容。
1.用于图像拼接的多尺度不变ORB算法，主要包括以下步骤：
(1)使用一种基于尺度不变的特征检测算法对图像进行特征点检测，解决ORB算法缺少尺度不变的特性；
(2)用ORB描述子对检测到的特征点进行特征描述，再用ORB匹配算法进行粗匹配，并且用双向匹配法和RANSAC(随机抽样一致性)算法对匹配点对其进行精匹配和提纯，进一步提高其精度；
(3)使用渐入渐出加权融合完成图像拼接。
2.如权利要求1所述的基于尺度不变ORB的图像拼接方法，按上述步骤(1)：对图像构建金字塔，金字塔包含了普通层和中间层，数量各为4个。各层的缩放尺度如下式:
t(ci)＝2i,t(di)＝2i×1.5 (1)
其中ci代表图像的普通层，di表示图像的中间层，一共可以得到8张图，对这8张图进行FAST9-16角点检测，得到具有角点信息的8张图，对原图像进行一次FAST5-8角点检测(当做d-1层-虚拟层)，总共会得到9幅有角点信息的图像。对这9幅图像，进行空间上的非极大值抑制(同SIFT算法的非极大值抑制)：特征点在位置空间(8邻域点)和尺度空间(上下层2x9个点)，共26个邻域点的FAST的得分值要最大，否则不能当做特征点；此时得到的极值点还比较粗糙，需要进一步精确定位。
过上面步骤，得到了图像特征点的位置和尺度，在极值点所在层及其上下层所对应的位置，对FAST得分值(共3个)进行二维二次函数插值(x、y方向)，得到真正意义上的得分极值点及其精确的坐标位置(作为特征点位置)；再对尺度方向进行一维插值，得到极值点所对应的尺度(作为特征点尺度)，这就解决了尺度不变性。
3.如权利要求1所述的基于尺度不变ORB的图像拼接方法，按所述步骤(2)：采用ORB自身的特征点匹配算法进行粗匹配，再采用双向交叉匹配算法，使得匹配的结果更加精确.基于双向匹配的相似性度量算法的原理：首先，以参考图像的特征点为参考点M1，遍历待配准图像中特征点，得到最近邻特征点M2j，和次最近邻特征点M2k，如果最近邻特征点M2j,，和次最近邻特征点M2k，满足式(2)，则参考点M1的匹配点为最近邻特征点M2j；，遍历参考图像中所有的特征点，得到匹配点对集A。同理，以待配准图像的特征点为参考点M2，得到匹配点对集B。最后，将匹配点对集A与匹配点对集B作比较，如果两个集中图像特征点完全相同，则是有效的匹对，有效的匹配点对的集合为最终的匹配点对。
式中:D(M1，M2j),D(M1，M2k)分别是参考图像的特征点与待配准图像的征点的最近邻特征点的距离相似性度量值、次最近邻特征点的距离相似性度量值，Th是设定的阈值为0.6运用双向匹配算法便可有效地去除这样的大部分错误匹配点。
随机抽样一致性算法(RANSAC):初始最大内点(本文指精确匹配点)数max_inliner＝
0，反投影误差阈值threshold的取值一般为0.001～0.01，最大循环次数max_circle＝
1000，numof_inliner为当前基础矩阵F所对应的内点数，通过矩阵F所计算出来的对称变换误差为di。
4.如权利要求1所述的基于尺度不变ORB的图像拼接方法，按述步骤(3)：在获得两幅图像的精确匹配特征点对后，由式(3)图像变换关系可以求解出变换矩阵H，将待配准图像通过H进行变换后与参考图像进行叠加。
式中,(x,y)和(x’,y’)是待配准图像和参考图像的匹配点对。
由于输出图像存在亮度等方面的差异，在完成图像配准叠加后，在得到的拼接图像上一般会存在明显的缝合线，不利于视觉观察，本文可以采用加权平滑算法来实现两幅图像间的融合过渡[15]。融合方法如下:
式中，R1为图像1的非重合区域，R3为图像2的非重合区域，R2为两幅图像的重叠区域，a1和a2，分别为加权值，与重叠区域有关，并且a1+a2＝1，0
用于图像拼接的多尺度不变ORB算法
技术领域
背景技术
发明内容
1000，numof_inliner为当前基础矩阵F所对应的内点数，通过矩阵F所计算出来的对称变换误差为di。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种微纳尺度的图形绘制方法 | 2020-05-11 | 735 |
| 一种多尺度视觉关注图像描述方法 | 2020-05-11 | 23 |
| 图像同一性尺度计算系统 | 2020-05-12 | 555 |
| 一种多尺度图像增强方法 | 2020-05-12 | 43 |
| 基于尺度空间的图像边缘检测方法 | 2020-05-13 | 269 |
| 基于多尺度深度学习的图像问答方法 | 2020-05-13 | 651 |
| 图像多尺度自动标注方法 | 2020-05-13 | 26 |
| 基于多尺度残差网络的图像去雾方法 | 2020-05-11 | 366 |
| 数字图像中目标物体多尺度捕捉方法 | 2020-05-12 | 876 |
| 一种多尺度联合的小波图像去噪方法 | 2020-05-11 | 834 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
