沈 躍，朱嘉慧，劉 慧※，孫 力

0 引 言

近年來，隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，圖像拼接已逐漸成為計(jì)算視覺模擬[1]、圖像處理[2-3]以及虛擬現(xiàn)實(shí)[4]等研究的熱點(diǎn)和關(guān)鍵技術(shù)，并廣泛應(yīng)用于軍事、航空、地質(zhì)、醫(yī)學(xué)、通信等多個(gè)領(lǐng)域[5-6]。隨著農(nóng)業(yè)智能化的進(jìn)一步發(fā)展，圖像拼接在農(nóng)業(yè)果實(shí)植株的檢測(cè)、田間管理、農(nóng)用機(jī)器人導(dǎo)航等方面起到了重要的作用[7-8]。馬曉丹等[9]提出了一種重建蘋果樹冠層器官三維形態(tài)的圖像拼接方法，初步實(shí)現(xiàn)對(duì)蘋果樹年生長(zhǎng)期的冠層器官相鄰區(qū)域強(qiáng)度圖像與彩色圖像的拼接，但是沒有精確識(shí)別單株冠層區(qū)域，且未能消除復(fù)雜背景。周志艷等[10]提出基于圖像像素灰度值標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化的方法，改進(jìn) Harris角點(diǎn)檢測(cè)算法，對(duì)水稻低空遙感圖像進(jìn)行配準(zhǔn)與拼接方法，有效提高了角點(diǎn)檢測(cè)算法的穩(wěn)定性和圖像拼接的精度，實(shí)現(xiàn)了同尺度條件下的圖像配準(zhǔn)和拼接，但是對(duì)于不同尺度的圖像拼接還未驗(yàn)證。姚立健等[11]提出基于尺度不變特征轉(zhuǎn)換算子的水果表面圖像拼接方法，其具有一定的尺度、旋轉(zhuǎn)以及仿射變換不變性，適用于隨機(jī)呈現(xiàn)的不同姿態(tài)球狀水果圖像拼接，但是其對(duì)于水果表面紋理特征不是特別明顯的水果不能適用，有一定的局限性。

為了改善圖像拼接的效果，本文采用可采集彩色信息和深度信息的Kinect傳感器獲取圖像。Kinect V2獲取數(shù)據(jù)的穩(wěn)定性相對(duì)較好、細(xì)節(jié)更多；被其他環(huán)境光源（紅外線）影響的概率也更低，可以承受一定程度的日光。文獻(xiàn)[12]對(duì) Kinect獲取的玉米及茄子的三維點(diǎn)云數(shù)據(jù)進(jìn)行去噪試驗(yàn)，去除不同尺度的噪聲，保留邊緣數(shù)據(jù)的完整性，獲得良好的植物三維點(diǎn)云數(shù)據(jù)。文獻(xiàn)[13]對(duì)Kinect深度傳感器的采集到的點(diǎn)云數(shù)據(jù)進(jìn)行圖像拼接，完成了點(diǎn)云數(shù)據(jù)的拼接，但其無法達(dá)到自然過渡的效果。已有研究表明，Kinect深度相機(jī)在被測(cè)對(duì)象深度數(shù)據(jù)采集和處理方面具有明顯優(yōu)勢(shì)，但是僅考慮了單幀圖像或圖像序列，在圖像拼接的數(shù)據(jù)處理中并未過多涉及。

因此，本文在前人研究的基礎(chǔ)上，應(yīng)用Kinect二代傳感器獲取彩色圖像和植株三維數(shù)據(jù)，在進(jìn)行特征點(diǎn)匹配對(duì)篩選的過程中，提出采用左右位置深度距離不變的方法去除誤匹配，通過RANSAC算法尋找左右2幅圖最佳投影變換矩陣 H，再利用最佳縫合線算法對(duì)待拼接圖像進(jìn)行融合，從而獲取空間整體目標(biāo)圖像。該研究對(duì)采用農(nóng)業(yè)車載Kinect深度傳感器進(jìn)行基于深度和彩色雙信息特征源的圖像拼接以及農(nóng)業(yè)中相關(guān)控制決策提供重要的指導(dǎo)意義。

1 試驗(yàn)材料和方法

1.1 Kinect植株圖像數(shù)據(jù)采集平臺(tái)

為了驗(yàn)證圖像拼接方法的準(zhǔn)確性，搭建了一個(gè)圖像采集平臺(tái)，如圖1所示，包括Kinect深度傳感器、PC機(jī)、相機(jī)支架、滑臺(tái)以及待測(cè)植株。待測(cè)植株距Kinect傳感器大約1.5 m。Kinect傳感器固定于相機(jī)支架或滑臺(tái)上，通過USB延長(zhǎng)線接口連至PC機(jī)。用MATLAB獲取植株的彩色圖像和深度距離信息，繼而進(jìn)行圖像拼接。

圖1 Kinect傳感器圖像采集平臺(tái)Fig.1 Image acquisition using Kinect platform

微軟開發(fā)的Kinect二代三維深度體感設(shè)備作為傳感器，其垂直方向可視角度為 60°，水平方向可視角度為70°，有效視野范圍為0.8～4.0 m，其獲取的彩色圖像分辨率為1 920×1 080。Kinect采用TOF獲取空間的深度數(shù)據(jù)信息[13-14]和彩色圖像信息。紅外發(fā)射器和紅外線接收器采用TOF技術(shù)可獲得物體的空間位置信息。RGB攝像頭可以獲得場(chǎng)景的彩色圖像。為保證數(shù)據(jù)的精度與完整性，先經(jīng)過預(yù)備試驗(yàn)，設(shè)備與植株相距1.5 m左右，通過MATLAB獲取Kinect得到的植株三維數(shù)據(jù)，采集10幀三維坐標(biāo)數(shù)據(jù)，并存儲(chǔ)為.txt文檔，用于后續(xù)處理。

1.2 植株彩色圖像初匹配

1.2.1 SIFT特征點(diǎn)提取

關(guān)鍵點(diǎn)的檢測(cè)不僅可以最大程度地表達(dá)彩色圖像中的特征，還可以大幅度地減少后期特征點(diǎn)匹配的數(shù)量，提高特征點(diǎn)匹配的快速性和準(zhǔn)確性[15-17]。SIFT關(guān)鍵點(diǎn)檢測(cè)算法能夠從圖像中提取出對(duì)圖像縮放、平移、旋轉(zhuǎn)不變的特征點(diǎn)，并且對(duì)于光照、仿射和投影變換也有一定的不變性，是一種非常優(yōu)秀的局部特征描述算法[18-21]。尺度空間極值點(diǎn)檢測(cè)采用層疊式濾波的方法，應(yīng)用帶有不同σ的高斯函數(shù)對(duì)圖像進(jìn)行處理，圖像尺度空間[21-24]定義為

式中(x,y)為像素位置，G為高斯函數(shù)，I為原圖像，L為卷積函數(shù)，σ為尺度空間因子，k為常數(shù)。

檢測(cè)到的極值點(diǎn)作為候選點(diǎn)，對(duì)位置、尺度、彎曲度等做擬合，剔除那些低對(duì)比度和定位差的邊緣點(diǎn)，同時(shí)對(duì)尺度空間函數(shù) F ( x ,y,σ)運(yùn)用 Taylor展開得到彩色圖像匹配關(guān)鍵點(diǎn)[25-26]。

SIFT算法提取到的特征點(diǎn)描述子如圖2所示。圖中的白色箭頭表示提取到的特征點(diǎn)描述子，具有位置、尺度和方向 3個(gè)信息，白色箭頭尾部所在位置代表特征點(diǎn)位置，箭頭的長(zhǎng)度代表其尺度，特征點(diǎn)方向?yàn)榧^指向的方向。

圖2 SIFT算法提取到的特征點(diǎn)Fig.2 Feature points extracted by SIFT algorithm

1.2.2 相似性度量特征點(diǎn)匹配

本文采用算法簡(jiǎn)單實(shí)現(xiàn)效率高的歐氏距離作為 2幅圖中的相似度量[27]。

取1幅圖像中的某個(gè)關(guān)鍵點(diǎn)，并找出其與另1幅圖像中距離最近的前2個(gè)關(guān)鍵點(diǎn)，在這2個(gè)關(guān)鍵點(diǎn)中，如果最近的距離與次近距離的比值ratio小于某個(gè)閾值T，則接受這 1對(duì)匹配點(diǎn)[28]。由于特征空間的高維性，相似的距離可能有大量其他的錯(cuò)誤匹配，從而它的ratio值比較高。顯然降低這個(gè)比例閾值 T，SIFT匹配點(diǎn)數(shù)目會(huì)減少，但更加穩(wěn)定，反之，若比例閾值T較高，SIFT匹配點(diǎn)數(shù)目增多，但是會(huì)存在很多的誤匹配。經(jīng)多次試驗(yàn)，在本文的實(shí)現(xiàn)算法中，取閾值T為0.6時(shí)，試驗(yàn)效果較好，存在的誤匹配較少。

1.3 Kinect深度信息誤匹配消除

通過相似性度量得到潛在匹配對(duì)，其中不可避免會(huì)產(chǎn)生一些錯(cuò)誤匹配，大量的誤匹配對(duì)圖像拼接的效果會(huì)產(chǎn)生很大的影響，如缺失、錯(cuò)位等。因此需要根據(jù)集合限制和其他附加約束消除錯(cuò)誤匹配，提高魯棒性。

將 1.1節(jié)中讀取到的每個(gè)像素點(diǎn)的三維數(shù)據(jù)賦值給彩色圖像中對(duì)應(yīng)的像素點(diǎn)，此時(shí)，每個(gè)像素點(diǎn)均具有彩色信息和深度距離信息，再根據(jù)深度距離不變來篩選誤匹配。在1.1節(jié)的圖1中，2幅待拼接植株圖像是Kinect V2傳感器沿水平（X軸）純平移移動(dòng)相繼拍攝得到。點(diǎn) P表示植株上的某一點(diǎn)，Kinect傳感器僅進(jìn)行水平平移，b表示水平平移的距離，平移前后左右位置的坐標(biāo)系分別為Ol和Or，P點(diǎn)在坐標(biāo)系Ol和Or中坐標(biāo)分別為

即在Kinect傳感器僅進(jìn)行水平平移的情況下，P點(diǎn)的深度距離沒有發(fā)生變化。

所以在這2個(gè)不同位置下，Kinect拍攝到的植株的深度距離相同。因此可以根據(jù)Kinect獲得的2個(gè)不同位置待測(cè)植株的深度距離信息消除誤匹配。

式（2）中，若匹配到的2個(gè)特征點(diǎn)深度距離相同，則保留此匹配；若匹配到的 2個(gè)特征點(diǎn)深度距離不同，則去除該匹配。由此得到的匹配對(duì)正確率較高。

1.4 RANSAC算法尋找最佳單應(yīng)性矩陣

單應(yīng)性矩陣描述的是針對(duì)同一事物，在不同的視角下拍攝的2幅圖像之間的關(guān)系。為了得到Kinect傳感器在不同位置的2幅圖像之間的變換關(guān)系，采用RANSAC算法來尋找一個(gè)最佳單應(yīng)性矩陣H[29]。

隨機(jī)抽樣一致性RANSAC（random sample consensus）算法[30-31]能簡(jiǎn)單、有效的去除噪聲影響，其采用迭代的方式從 1組包含離群的被觀測(cè)數(shù)據(jù)中估算出數(shù)學(xué)模型的參數(shù)。與普通的去噪算法不同，RANSAC算法是使用盡可能少的點(diǎn)來估計(jì)模型參數(shù)，然后盡可能的擴(kuò)大得到的模型參數(shù)的影響范圍[32]。RANSAC算法的基本假設(shè)是樣本中包含正確數(shù)據(jù)(inliers，可以被模型描述的數(shù)據(jù))，也包含異常數(shù)據(jù)（outliers，偏離正常范圍很遠(yuǎn)、無法適應(yīng)數(shù)學(xué)模型的數(shù)據(jù)），即數(shù)據(jù)集中含有噪聲[33]。在經(jīng)過上述基于深度信息篩選后的特征點(diǎn)匹配對(duì)中存在正確匹配，也存在少量的異常匹配，這些異常匹配可能是由于錯(cuò)誤的測(cè)量、環(huán)境因素、錯(cuò)誤的計(jì)算等產(chǎn)生的。此算法最終確定的模型中局內(nèi)點(diǎn)（即正確匹配）與所有點(diǎn)（即總匹配對(duì)數(shù)）的百分比即為匹配準(zhǔn)確率。若未進(jìn)行基于深度信息的特征點(diǎn)篩選這一步驟，得到的異常匹配較多，經(jīng)過RANSAC算法后得到的數(shù)學(xué)模型準(zhǔn)確率低，單應(yīng)性矩陣H存在誤差。

1.5 最佳縫合線算法圖像融合

圖像融合以圖像配準(zhǔn)為基礎(chǔ)，對(duì)拼接后的圖像消除圖像間差異，使得拼接后的圖像能自然平滑過渡。圖像融合的傳統(tǒng)方法有梯度金字塔、漸入漸出算法[34]等，但它們會(huì)使圖像存在很明顯的帶狀感覺或存在重影現(xiàn)象，而最佳縫合線算法[35]能很好解決此問題。因此本文使用最佳縫合線算法進(jìn)行圖像拼接。

在 2幅圖像重疊區(qū)域的差值圖像上，顏色、結(jié)構(gòu)強(qiáng)度差值最小的一條線被稱為理想的縫合線。2幅原始圖像上重疊像素點(diǎn)的結(jié)構(gòu)差值是通過修改梯度計(jì)算 Sobel算子[36]實(shí)現(xiàn)。利用 Sobel算子進(jìn)行梯度計(jì)算時(shí)，計(jì)算在 x方向和y方向的梯度分別采用模板Sx和Sy。

由投影變換矩陣H可以得到2幅圖像上Kinect傳感器水平平移的像素量，2個(gè)位置的坐標(biāo)系歸一化到同一個(gè)坐標(biāo)系中，將 2幅圖像重疊的部分作差運(yùn)算生成一幅差值圖像；然后對(duì)此差值圖像運(yùn)用動(dòng)態(tài)規(guī)劃的思想從重疊區(qū)域的第一行出發(fā)，建立以該行上每一個(gè)像素為起點(diǎn)的縫合線，然后從這些縫合線中尋找一個(gè)最佳的縫合線。

1.6 改進(jìn)的基于深度和彩色雙信息特征源的 Kinect圖像拼接

本研究基于深度和彩色雙信息特征源的圖像無縫拼接流程圖如圖3所示。

圖3 深度和彩色雙信息特征源的圖像無縫拼接流程圖Fig.3 Image seamless mosaics flow chat of depth and color double source feature information

首先，基于植株的特征信息對(duì)彩色圖像利用尺度不變特征變換（scale-invariant feature transforms，SIFT）進(jìn)行關(guān)鍵點(diǎn)搜索，得到均勻且具有標(biāo)志性的關(guān)鍵點(diǎn)。然后采用相似性度量的方法對(duì) 2幅圖像得到的關(guān)鍵點(diǎn)進(jìn)行特征點(diǎn)匹配。針對(duì)匹配對(duì)中存在大量的誤匹配，利用 2幅圖像的深度距離不變性消除誤匹配，根據(jù)得到的正確匹配對(duì)采用RANSAC算法尋求2幅圖之間的最佳投影變換矩陣H。最后根據(jù)投影變換矩陣H使用最佳縫合線算法對(duì)2幅圖像進(jìn)行圖像融合，最終實(shí)現(xiàn)了圖像的精確拼接。而傳統(tǒng)基于SIFT算法的圖像拼接方法沒有利用圖像的深度距離消除誤匹配這一步驟，因此特征點(diǎn)匹配準(zhǔn)確率較低，拼接后圖像不夠理想。

2 結(jié)果與分析

為了驗(yàn)證本文方法的有效性和實(shí)用性，設(shè)計(jì)了室內(nèi)與室外2個(gè)試驗(yàn)，每個(gè)試驗(yàn)重復(fù)50次，每次拍攝不同角度的3張圖像。

2.1 室內(nèi)試驗(yàn)及分析

室內(nèi)拼接試驗(yàn)采用仿真綠色植株作為待拼接對(duì)象，室內(nèi)試驗(yàn)場(chǎng)地如圖4所示：

圖4 室內(nèi)試驗(yàn)場(chǎng)景圖Fig.4 Indoor experimental scene

在一個(gè)6 m長(zhǎng)的勻速運(yùn)動(dòng)同步帶滑臺(tái)檢測(cè)平臺(tái)上進(jìn)行試驗(yàn)，Kinect傳感器固定在同步帶滑臺(tái)的運(yùn)動(dòng)滑塊上，距離地面高度1.5 m。多株綠色植株目標(biāo)與試驗(yàn)滑臺(tái)的水平距離為1.5 m。當(dāng)運(yùn)動(dòng)滑塊以0.5 m/s速度勻速前進(jìn)時(shí)，攜帶 Kinect傳感器以同樣速度移動(dòng)，通過 Matlab調(diào)用Kinect每隔0.6 s獲取1次植株彩色圖像和深度距離信息并保存。順序抽取3個(gè)連續(xù)時(shí)間點(diǎn)獲取的3張彩色圖像作為待拼接圖像，如圖5所示。

圖5 植株彩色原始圖像Fig.5 Original color image of plant

圖5 中角度1、角度2、角度3表示傳感器和植株的連線與滑臺(tái)滑塊運(yùn)動(dòng)方向的夾角（≤90°），角度1和角度3均為81.5°，角度2為90°。

對(duì)采集到的彩色圖像和三維數(shù)據(jù)分別用傳統(tǒng)的基于SIFT算法的圖像拼接方法和本文改進(jìn)后加入深度信息的拼接方法進(jìn)行處理，根據(jù)相似性度量的方法得到特征點(diǎn)匹配對(duì)193對(duì)，將Kinect相機(jī)獲得的深度距離信息加入到彩色圖像中，基于深度信息共消除誤匹配對(duì)165對(duì)，2種方法的投影變換矩陣分別為：

H1和H2是采用傳統(tǒng)基于SIFT方法得到的角度1到角度2，角度2到角度3的投影變換矩陣；

圖6是分別使用2種方法的試驗(yàn)效果對(duì)比圖。

圖6a是采用傳統(tǒng)的基于SIFT算法得到的拼接效果，通過 Matlab的計(jì)時(shí)函數(shù) tic和 toc即可統(tǒng)計(jì)出拼接耗時(shí)13.04 s，匹配準(zhǔn)確率為88.1%（見表1），圖中方框標(biāo)示處即為與本文方法拼接效果圖的區(qū)別所在，從標(biāo)示處可以看出采用傳統(tǒng)基于SIFT算法的圖像拼接方法植株葉片有明顯的重影。圖6b是根據(jù)深度距離不變性去除誤匹配后拼接得到的效果圖，耗時(shí)9.70 s，匹配準(zhǔn)確率為92.9%，比傳統(tǒng)方法準(zhǔn)確率提高了4.8%，圖像過渡平滑，重影得到明顯的改善。因此，本文提出的基于深度和彩色雙信息特征源的 Kinect圖像無縫拼接方法耗時(shí)較短，拼接效果好，在進(jìn)行室內(nèi)圖像拼接時(shí)具有明顯的優(yōu)勢(shì)。

圖6 室內(nèi)試驗(yàn)圖像拼接對(duì)比Fig.6 Image mosaic comparison of indoor test

2.2 室外試驗(yàn)及分析

室外拼接試驗(yàn)在江蘇大學(xué)植株培育基地進(jìn)行，采用綠色植株，試驗(yàn)時(shí)間為下午 4點(diǎn)，有微風(fēng)，室外試驗(yàn)用電瓶以及電壓轉(zhuǎn)換器對(duì)Kinect傳感器進(jìn)行供電，室外試驗(yàn)場(chǎng)地和原始圖像如圖7所示。

圖7 室外試驗(yàn)和采集的原始圖像Fig.7 Outdoor experiment and original images collected

通過Matlab將Kinect相機(jī)獲取的彩色圖像和深度距離信息保存，獲取的深度信息以.txt形式保存。

對(duì)采集到的彩色圖像和三維數(shù)據(jù)分別用傳統(tǒng)的基于SIFT算法的圖像拼接方法和本文改進(jìn)后加入深度信息的拼接方法進(jìn)行處理，由于室外試驗(yàn)背景較為復(fù)雜，存在很多干擾，所以相似性度量的方法得到特征點(diǎn)匹配對(duì)較多，共2 289對(duì)，將Kinect相機(jī)獲得的深度距離信息加入到彩色圖像中，基于深度信息共消除誤匹配對(duì)1 098對(duì)，2種方法的投影變換矩陣分別為：

H1和H2是采用傳統(tǒng)基于SIFT方法得到的角度1到角度2，角度2到角度3的投影變換矩陣；

圖8是分別采用2種方法的試驗(yàn)效果對(duì)比圖。

圖8 傳統(tǒng)SIFT算法與本文方法圖像拼接效果對(duì)比Fig.8 Image mosaic effect comparison of traditional method based on SIFT algorithm and method in paper

圖8 a是采用傳統(tǒng)基于SIFT算法的圖像拼接效果圖，耗時(shí)77.67 s，匹配準(zhǔn)確率為92.1%（見表1），圖中圓圈標(biāo)注處即為與本文方法拼接效果圖的區(qū)別所在，從標(biāo)示處可以看出采用傳統(tǒng)基于SIFT算法的圖像拼接方法重影較為明顯。圖8b是根據(jù)深度距離不變性去除誤匹配后拼接得到的效果圖，耗時(shí)71.15 s，匹配準(zhǔn)確率為99.1%，比傳統(tǒng)方法準(zhǔn)確率提高了7.0%，圖像過渡平滑，沒有重影等情況。

傳統(tǒng)基于SIFT的拼接方法和本文拼接方法對(duì)比分析如表1所示，室內(nèi)外試驗(yàn)中本文方法拼接時(shí)間相對(duì)較短，實(shí)用性更強(qiáng)。室內(nèi)外試驗(yàn)中本文算法圖像拼接匹配準(zhǔn)確率平均提高了5.9%，說明本文方法得到的投影變換矩陣H更為準(zhǔn)確，即所取的特征點(diǎn)匹配對(duì)準(zhǔn)確率較高，所以本文的方法圖像拼接沒有重影、亮暗差異、缺失等拼接錯(cuò)誤。

表1 傳統(tǒng)SIFT算法和本文拼接方法對(duì)比Table 1 Comparison of traditional method based on SIFT algorithm and method in paper

3 結(jié) 論

本文針對(duì)Kinect傳感器采集農(nóng)業(yè)種植圖像，提出一種基于Kinect多信息特征的圖像拼接方法。根據(jù)Kinect拍攝到的植株彩色圖像和讀取到的三維數(shù)據(jù)，采用SIFT算法提取植株特征點(diǎn)，進(jìn)行特征點(diǎn)匹配后根據(jù)深度距離信息，保證了匹配對(duì)的準(zhǔn)確性，再引入RANSAC算法得到投影變換矩陣 H，最后采用最小縫合線算法進(jìn)行圖像融合。試驗(yàn)結(jié)果表明：

1）基于Kinect采集到的彩色圖像和三維數(shù)據(jù)對(duì)植株進(jìn)行圖像拼接，在進(jìn)行提取植株特征點(diǎn)后得到的特征點(diǎn)匹配對(duì)的準(zhǔn)確率比傳統(tǒng)算法高，室內(nèi)試驗(yàn)中，傳統(tǒng)方法圖像匹配準(zhǔn)確率為 88.1%，本文方法圖像匹配準(zhǔn)確率為92.9%；室外試驗(yàn)中，傳統(tǒng)方法圖像匹配準(zhǔn)確率為92.1%，本文方法圖像匹配準(zhǔn)確率為99.1%。因此本文方法得到的投影變換矩陣H更為準(zhǔn)確，圖像拼接準(zhǔn)確率更高。

2）室外場(chǎng)地試驗(yàn)中，存在一些不可控因素如光照差異，風(fēng)吹引起的待拼接圖像發(fā)生差異，但本文采用的方法可以將 2張圖片很好的融合，說明此方法有很好的實(shí)際應(yīng)用性，而傳統(tǒng)的方法有明顯的拼接縫。

3）基于Kinect采集到的彩色圖像和三維數(shù)據(jù)對(duì)植株進(jìn)行圖像拼接耗時(shí)較短，室內(nèi)試驗(yàn)中，傳統(tǒng)方法進(jìn)行拼接耗時(shí)13.04 s，本文方法耗時(shí)9.70 s；室外試驗(yàn)中，傳統(tǒng)方法進(jìn)行拼接耗時(shí)77.67 s，本文方法耗時(shí)71.15 s。因此本文方法實(shí)用性更強(qiáng)。

通過檢測(cè)試驗(yàn)和室內(nèi)外場(chǎng)地試驗(yàn)的驗(yàn)證，本文基于Kinect多信息特征的圖像拼接方法耗時(shí)較短，對(duì)植株圖像拼接效果較好，特征點(diǎn)匹配準(zhǔn)確率較傳統(tǒng)SIFT圖像拼接算法提高了5.9%，能夠應(yīng)用于室內(nèi)外植株圖像的拼接。該方法也可進(jìn)一步推廣應(yīng)用于其他場(chǎng)合的圖像拼接中，實(shí)現(xiàn)基于Kinect傳感器的農(nóng)業(yè)植株生長(zhǎng)狀態(tài)的監(jiān)測(cè)、藥物肥料的精確噴灑以及病蟲害的及時(shí)防治等過程中植株信息的采集和處理。

[1] Guo S, Sun S, Guo J. The application of image mosaic in information collecting for an amphibious spherical robot system[C]. IEEE International Conference on Mechatronics and Automation. IEEE, 2016: 1547－1552.

[2] Li Z, Isler V. Large scale image mosaic construction for agricultural applications[J]. IEEE Robotics & Automation Letters, 2016, 1(1): 295－302.

[3] Huo C, Men G, Zhao L H. Research on the auxiliary panoramic parking technology based on fast image mosaic[C].International Conference on Informative and Cybernetics for Computational Social Systems. IEEE, 2016: 216－219.

[4] Burdea G, Coiffet P. Virtual Reality Technology[M]. 北京：電子工業(yè)出版社, 2003.

[5] Zhang J, Tao B, Liu H, et al. A mosaic method based on feature matching for side scan sonar images[C]. Ocean Acoustics. IEEE, 2016:1－6.

[6] 張寶龍，李洪蕊，李丹，等. 一種針對(duì)車載全景系統(tǒng)的圖像拼接算法的仿真[J]. 電子與信息學(xué)報(bào)，2015，37(5)：1149－1153.Zhang Baolong, Li Hongrui, Li Dan, et al. A simulation of image mosaic algorithm based on vehicle panorama system[J].Journal of Electronics and Information Technology, 2015,37(5): 1149－1153. (in Chinese with English abstract)

[7] Guo S, Sun S, Guo J. The application of image mosaic in information collecting for an amphibious spherical robot system[C]. IEEE International Conference on Mechatronics and Automation. IEEE, 2016: 1547－1552.

[8] Liu S. The research and improvement of image mosaicing algorithm and its application in frescoes[C]. International Conference on Intelligent Computation Technology and Automation. IEEE, 2015: 817－820.

[9] 馬曉丹，孟慶寬，張麗嬌，等. 圖像拼接重建蘋果樹冠層器官三維形態(tài)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(12)：154－162.Ma Xiaodan, Meng Qingkuan, Zhang Lijiao, et al. Image mosaics reconstruction of canopy organ morphology of apple trees[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(12): 154－162. (in Chinese with English abstract)

[10] 周志艷，閆夢(mèng)璐，陳盛德，等. Harris角點(diǎn)自適應(yīng)檢測(cè)的水稻低空遙感圖像配準(zhǔn)與拼接算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(14)：186－193.Zhou Zhiyan, Yan Menglu, Chen Shengde, et al. Image registration and stitching algorithm of rice low-altitude remote sensing based on harris corner self-adaptive detection[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(14): 186－193. (in Chinese with English abstract)

[11] 姚立健，周高峰，倪忠進(jìn)，等. 基于尺度不變特征轉(zhuǎn)換算子的水果表面圖像拼接方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(9)：161－166.Yao Lijian, Zhou Gaofeng, Ni Zhongjin, et al. Matching method for fruit surface image based on scale invariant feature transform algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2015, 31(9): 161－166. (in Chinese with English abstract)

[12] 何東健，邵小寧，王丹，等. Kinect獲取植物三維點(diǎn)云數(shù)據(jù)的去噪方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(1)：331－336.He Dongjian, Shao Xiaoning, Wang Dan, et al. Denoising method of 3D point cloud data of plants obtained by kinect[J].Transactions of The Chinese Society of Agricultural Machinery,2016, 47(1): 331－336. (in Chinese with English abstract)

[13] 袁曉菲. 一種基于kinect深度傳感器的點(diǎn)云拼接算法研究[D]. 沈陽：遼寧大學(xué)，2016.Yuan Xiaofei. An Research on Point Cloud Registration Algorithm Based on Kinect Device[D]. Shenyang: Liaoning University, 2016. (in Chinese with English abstract)

[14] Khoshelham K, Elberink S O. Accuracy and resolution of Kinect depth data for indoor mapping application[J]. Sensors,2012, 12(2): 1437－1454.

[15] Bonny M Z, Uddin M S. Feature-based image stitching algorithms[C]. International Workshop on Computational Intelligence. IEEE, 2017: 198－203.

[16] Wang T, Lu G, Xia Y. An efficient preprocessing method for feature based image stitching[C]. International Conference on Wireless Communications & Signal Processing. IEEE, 2016:1－5.

[17] Zhen Y, Sun Z, Li J, et al. An airborne remote sensing image mosaic algorithm based on feature points[C]. Sixth International Conference on Instrumentation & Measurement, Computer,Communication and Control. IEEE, 2016: 202－205.

[18] 陳月，趙巖，王世剛. 圖像局部特征自適應(yīng)的快速 SIFT圖像拼接方法[J]. 中國光學(xué)，2016，9(4)：415－421.Chen Yue, Zhao Yan, Wang Shigang. Fast image stitching method based on SIFT with adaptive local image feature[J]. Chinese Optics, 2016, 9(4): 415－422. (in Chinese with English abstract)

[19] 陳彥彤. 基于局部不變特征的遙感圖像星上目標(biāo)識(shí)別技術(shù)研究[D]. 長(zhǎng)春：中國科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，2017.Chen Yantong. Research on Satellite Image On-board Target Recognition Based on Local Invariant Feature[D]. Changchun:Changchun Institute of Optics, Fine Mechanics and Physics,Chinese Academy of Sciences, 2017. (in Chinese with English abstract)

[20] Barba Ana Victoria, Rosales Silva A Jorge, Perez Hernandez L Manuel. SIFT-SURF commutation using fuzzy logic to image mosaicking[C]. Electrical Engineering, Computing Science and Automatic Control, 2017, 28(3): 1－8.

[21] 趙巖，陳月，王世剛. 結(jié)合投影誤差校正的快速 SIFT圖像拼接[J]. 光學(xué)精密工程，2017，25(6)：1645－1651.Zhao Yan, Chen Yue, Wang Shigang. Corrected fast SIFT image stitching method by combining projection error[J].Optics and Precision Engineering, 2017, 25(6): 1645－1651.(in Chinese with English abstract)

[22] 文偉東，張明. 基于SIFT算法的全景圖像拼接技術(shù)研究[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2017，26(7)：227－231.Wen Weidong, Zhang Ming. Research on panoramic image mosaic technology based on SIFT algorithm[J]. Computer Systems & Applications, 2017, 26(7): 227－231. (in Chinese with English abstract)

[23] Tong G, Liu H. Deep sea image mosaic based on SIFT algorithm[C]. International Conference on Information Science and Control Engineering. 2017: 254－257.

[24] 楊安園，朱悅云. 多尺度 SIFT特征匹配的足跡圖像拼接方法[J]. 時(shí)代農(nóng)機(jī)，2017(1)：52－53.Yang Anyuan, Zhu Yueyun. Method of footprint image stitching based on multiple dimensioned SIFT feature matching[J]. Times Agricultural Machinery, 2017(1): 52－53.(in Chinese with English abstract)

[25] 賈銀江，徐哲男，蘇中濱，等. 基于優(yōu)化 SIFT算法的無人機(jī)遙感作物影像拼接[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(10)：123－129.Jia Yinjiang, Xu Zhenan, Su Zhongbin, et al. Mosaic of crop remote sensing images from UAV based on improved SIFT algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017,33(10): 123－129. (in Chinese with English abstract)

[26] 張勇，王志鋒，馬文. 基于改進(jìn)SIFT特征點(diǎn)匹配的圖像拼接算法研究[J]. 微電子學(xué)與計(jì)算機(jī)，2016，33(3)：60－64.Zhang Yong, Wang Zhifeng, Ma Wen. Research image mosaic algorithm based on improved SIFT feature matching[J].Microelectronics & Computer, 2016, 33(3): 60－64. (in Chinese with English abstract)

[27] 馬強(qiáng)，項(xiàng)昭保，黃良學(xué)，等. 基于改進(jìn)SIFT和RANSAC圖像拼接算法研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2016，26(4)：61－65.Ma Qiang, Xiang Zhaobao, Huang Liangxue, et al. Research on panorama image mosaic algorithm based on improved SIFT and ransac[J]. Computer Technology And Development,2016, 26(4): 61－65. (in Chinese with English abstract)

[28] Zhen Y, Sun Z, Li J, et al. An airborne remote sensing image mosaic algorithm based on feature points[C]. Sixth International Conference on Instrumentation & Measurement, Computer,Communication and Control. IEEE, 2016: 202－205.

[29] 朱镕杰，朱穎匯，王 玲，等. 基于尺度不變特征轉(zhuǎn)換算法的棉花雙目視覺定位技術(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(6)：182－188.Zhu Rongjie, Zhu Yinghui, Wang Ling, et al. Cotton positioning technique based on binocular vision with implementation of scale-invariant feature transform algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 182－188. (in Chinese with English abstract)

[30] Hossein-Nejad Z, Nasri M. Image registration based on SIFT features and adaptive ransac transform[C]. International Conference on Communication and Signal Processing. IEEE,2016.

[31] Shuang D, Cai H, Yang Y, et al. Analysis of image stitching error based on scale invariant feature transform and random sample consensus[C]. International Conference on Fuzzy Systems and Knowledge Discovery. IEEE, 2016: 1883－1887.

[32] Redzuwan R, Radzi N A M, Din N M, et al. Affine versus projective transformation for SIFT and RANSAC image matching methods.[J]. Operations Research Letters, 2011,39(6): 406－410.

[33] 夏克付，李鵬飛，陳小平. 基于改進(jìn) RANSAC算法的單應(yīng)矩陣魯棒估計(jì)方法[J]. 計(jì)算機(jī)工程與應(yīng)用，2017，53(23)：147-152.Xia Kefu, Li Pengfei, Chen Xiaoping. Robust method for homography matrix estimation based on improved ransac algorithm. Computer Engineering and Applications[J]. Computer Engineering and Applications, 2017, 53(23): 147-152. (in Chinese with English abstract)

[34] Li Aiguo, Zhou Shuai, Wang Rui. An improved method for eliminating ghosting in image stitching[C]. Intelligent Human-Machine Systems and Cybernetic, 2017: 415－418

[35] 方賢勇，潘志庚，徐丹. 圖像拼接的改進(jìn)算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2003，15(11)：1362－1365.Fang Xianyong, Pan Zhigeng, Xu Dan. An improved algorithm for image mosaics[J]. Journal of Computer-aided Design&Computer Graphics, 2003, 15(11): 1362－1365. (in Chinese with English abstract)

[36] 谷雨，周陽，任剛，等. 結(jié)合最佳縫合線和多分辨率融合的圖像拼接[J]. 中國圖象圖形學(xué)報(bào)，2017，22(6)：842－851.Gu Yu, Zhou Yang, Ren Gang, et al. Image stitching by combining optimal seam and multi-resolution fusion[J].Journal of Image and Graphics, 2017, 22(6): 842－851. (in Chinese with English abstract)