盛明偉，唐松奇，萬 磊，秦洪德

（哈爾濱工程大學水下機器人技術(shù)重點實驗室，哈爾濱150001）

0 引言

隨著社會多媒體科技的發(fā)展，各種高分辨率成像技術(shù)（包括數(shù)碼照相、攝像產(chǎn)品）的更新?lián)Q代，圖像獲取技術(shù)己經(jīng)被廣泛應用于多種領(lǐng)域。在現(xiàn)實生活中，想要獲取寬視角的全景圖像需要調(diào)整相機的焦距，但是得到的全景圖像分辨率相對較低，難以滿足人們的基本要求。因此，為獲得具有較大視域、高分辨率的全景圖像，圖像拼接技術(shù)應需而生并蓬勃發(fā)展起來。隨著計算機視覺技術(shù)的研究與發(fā)展，作為新興技術(shù)，圖像拼接技術(shù)憑借其可以獲取寬視角、高分辨率的圖像，發(fā)展得越來越廣泛和深入，并且在人工智能和機器學習的實際應用中具有堅實地位。

圖像拼接技術(shù)是數(shù)字圖像處理領(lǐng)域中的一個重要研究方向，它將部分重疊的圖像序列進行配準和合成，在創(chuàng)建全景圖像的過程中具有重要的實用價值。它已成為圖像繪制（Image Based Rende?ring，IBR）方法中的一項重要技術(shù)［1］，具有良好的實際應用價值，在醫(yī)學大型影像合成、水下地形測繪、虛擬現(xiàn)實場景的構(gòu)建、全景自動駕駛輔助系統(tǒng)等很多領(lǐng)域中獲得了廣泛應用。

圖像拼接是指將具有重疊區(qū)域的小視角、低分辨率的多張圖像，通過合適的圖像配準與融合算法，拼接成一張具有高分辨率、寬視角的全景圖像。該幅圖像包含之前所有待拼接圖像的全部信息，然后利用全景圖像進行實驗研究與應用［2］。其具體拼接流程如下：首先，用數(shù)碼相機等圖像采集設(shè)備采集多幅有重疊區(qū)域的圖像，分別對各個圖像進行校正、去噪等預處理，改善圖像質(zhì)量［3］，并用特征提取算法提取每幅圖像的不變量描述子。接著，計算這些描述子的相似程度，從而確定匹配關(guān)系。最后，假定圖像的變換模型。該模型的參數(shù)由圖像匹配計算得來，通過選擇合適的融合算法對圖像進行融合，即可得到所求圖像。其中，圖像拼接的關(guān)鍵步驟是圖像配準和圖像融合。

1 圖像拼接中的配準技術(shù)

圖像配準用來確定具有偏移的兩幅或多幅圖像之間的對應關(guān)系，通過確定圖像數(shù)據(jù)集之間的幾何關(guān)系，可以用估計的轉(zhuǎn)換參數(shù)將一個圖像投射于另一個圖像，使多幅圖像合成一幅包含所有輸入圖像相關(guān)信息的圖像［4］。因此，圖像配準是圖像拼接成功的關(guān)鍵，選擇不同的圖像配準方法將直接影響圖像拼接的效果。隨著配準技術(shù)研究的不斷深入，基于灰度值和變換域的配準方法已經(jīng)達不到精度要求，如今的研究趨勢是追求高精度、耗時少和魯棒性好的高效圖像配準方法。

現(xiàn)階段，圖像配準方法主要分為基于區(qū)域和基于特征的圖像配準方法。在圖像配準研究中，基于特征的圖像配準方法憑借優(yōu)點眾多占據(jù)了大多數(shù)。該方法利用提取的圖像特征建立關(guān)聯(lián)進行配準，其優(yōu)點在于：不需要窮舉搜索空間，能夠降低圖像搜索的復雜程度，大大減小計算成本；匹配是在特征空間上操作的，而不是直接利用圖像灰度信息，算法更為魯棒和穩(wěn)??；配準時選擇合適的特征，對圖像灰度或尺度變化、圖像形變和遮擋等問題都有較好的適應能力?；谔卣鞯呐錅史椒ɡ玫奶卣骺梢允谴錅蕡D像中的點、線、邊緣或區(qū)域等特征信息［5］。提取特征的不同，采用的配準算法也隨之變化。因此，選擇基于特征的圖像配準方法需要根據(jù)圖像不同的情況，選擇最佳的特征，來對圖像進行匹配，以提高配準精確度。

典型的點特征有角點、線交叉點、封閉曲線的質(zhì)心、高曲率點、使用Gabor小波檢測出的局部曲率中斷點和小波變換的局部極值點等。特征提取算法層出不窮，目前應用比較廣泛的點特征提取算法包括 SIFT、SURF、FAST、Harris 和 ORB［6］等，這些算法能夠適應各種圖像，可以提高配準精度與速度，基本可以達到實時性的要求。下文介紹幾種典型的算法，以及國內(nèi)外研究發(fā)展現(xiàn)狀。

1.1 SIFT算法

尺度不變特征轉(zhuǎn)換算法（Scale?Invariant Feature Transform，SIFT）可用于檢測圖像的局部特征。該算法通過在尺度空間中尋找極值點，先進行非極大值抑制，去除低對比度的點。通過Hessian矩陣去除邊緣點，確定特征點主方向，并構(gòu)造生成特征點描述子，保存其坐標位置、尺度、旋轉(zhuǎn)不變量等信息，最后通過特征匹配方法將目標圖像與源圖像中的特征點進行匹配。

SIFT算法保持了尺度、旋轉(zhuǎn)、亮度等不變性，而且對角度變化、仿射變換和噪聲保持了一定的穩(wěn)定性，但時間性能較低，匹配精度不夠。Guo［7］提出了一種基于改進SIFT的圖像配準算法，使用一種改進的SIFT描述符將特征點的鄰域縮小到15像素×15像素的窗口范圍，然后采用最近鄰Eu?clidean距離，將當前最近鄰與下一個最近鄰Eu?clidean距離之比作為雙重配準準則，通過縮小SIFT特征向量的維數(shù)以減少時間消耗，并且增加最近鄰距離小于0.3的相似性度量來計算圖像之間的特征點對應。將當前最近鄰與下一個最近鄰Eu?clidean距離之比的閾值設(shè)為0.5，將初始的匹配點分為2類，并且通過基于基本矩陣估計的隨機樣本一致性方法（Random Sample Consensus，RANSAC）和相反隨機樣本一致性方法（A Contrario RANSAC，AC?RANSAC）排除誤匹配點，其具體流程如圖1所示。該方法不僅能保證較好的時間性能，對角度變化、仿射變換和噪聲具有較好的穩(wěn)定性，而且能有效地消除錯誤匹配點，有效提高匹配精度。

圖1 SIFT改進的配準算法流程圖Fig.1 Flow chart of SIFT improved registration algorithm

水下圖像配準在海洋探測、海洋地貌全景圖的獲取中得到了廣泛的應用。水下圖像嚴重退化，易出現(xiàn)顏色衰退、對比度低及細節(jié)模糊等現(xiàn)象。為了更好地實現(xiàn)水下圖像配準，Sukhada［8］提出了SIFT的改進方法。在SIFT算法的基礎(chǔ)上采用Gabor濾波器作為預濾波器，可以避免水聲噪聲的影響。由于光線逐漸被海底吸收，水下圖像的光照強度較低，將閾值保持在某個定值將導致部分水下圖像中的關(guān)鍵點被消除。為此，該研究提出了使自適應閾值方法消除低照明點，將閾值保持為圖像對比度的10%。該閾值將根據(jù)圖像的對比度進行設(shè)置，對比度值低于10%的點將被視為低照度點。在每個關(guān)鍵點上都應用了Sobel濾波器，此過程可去除對像素差分進行高通濾波過程的噪聲，同時也可在描述符中保留更多信息。最后，通過使用Hausdorff距離來獲得關(guān)鍵點之間的匹配，而不是標準SIFT中使用的Euclidean距離。首先在一個方向上得到關(guān)鍵點之間的匹配，然后在相反方向獲得匹配。將兩個方向獲得的匹配作為匹配點，將所有其他的點視為假匹配點并進行清除，利用RANSAC方法對殘差值進行了去除。與標準SIFT算法相比，該改進算法可檢測的關(guān)鍵點數(shù)量更多，而且正確匹配點的總數(shù)增加，降低了均方根誤差，能夠得到較好的配準結(jié)果。

1.2 SURF算法

基于快速魯棒性特征算法（Speeded Up Robust Features，SURF）是SIFT角點檢測算法的改進版，SURF算法的優(yōu)勢主要體現(xiàn)在速度上，SURF是SIFT速度的3倍左右。SURF與其他算法的不同在于其采用了Harr小波響應及運用了積分圖像的概念。SURF提取特征點的流程包括：1）構(gòu)建Hessian矩陣；2）構(gòu)造尺度空間；3）利用非極大值抑制初步確定特征點；4）精確定位極值點；5）選取特征點的主方向；6）構(gòu)造SURF特征點描述算子。

Patel［9］提出了一種基于SURF算法的多視圖圖像配準方法以擴大視野。首先，使用SURF檢測特征并執(zhí)行特征匹配。去除假匹配對，利用RANSAC算法估計變換參數(shù)對圖像進行混合。執(zhí)行多波段混合，使拼接的圖像全景無縫。該研究能有效提高特征檢測的速度和精度，RANSAC算法提高了特征匹配的正確性，也得到了精確的單應性矩陣。在進行圖像扭曲后，多波段混合去除過渡接縫，最終的圖像拼接結(jié)果是通過將圖像翹曲成單個平面而獲得的，并應用多波段混合，使相同場景的圖像之間實現(xiàn)了平滑過渡。

Durgam［10］采用 SURF對合成孔徑雷達圖像進行了特征檢測和特征匹配，將均方差限制在了0.5以內(nèi)，以去除剩余異常值。首先，在圖像對之間進行基于SURF算法的特征匹配，得到相應特征，再利用RANSAC來去除異常點，通過細化得到匹配特征點。該方法通過將均方差值限制在0.5以內(nèi)來提供非常高的子像素精度，該算法為具有不同照明和變換差異的兩個或更多圖像提供了更好的配準精度。

吳一全［11］提出了一種基于小波域SURF的遙感圖像配準算法。改進SURF算法的原理為：特征點檢測、特征點描述、描述子主成分分析降維和特征點雙向配準4個部分。首先，利用小波變換分解源圖像和目標圖像，將得到的低頻分量提出，通過改進SURF算法得到粗配準點對，采用主成分分析對描述子降維，去除了描述子之中的干擾信息，增強了描述子之間的獨立性。依據(jù)雙向配準準則實現(xiàn)了特征點的粗配準，接著利用兩次距離閾值不同的RANSAC算法分級篩選出精配準點對，最后運用最小二乘法擬合幾何變換參數(shù)完成配準。從圖2可知，這兩幅圖像之間存在位置的平移，使用該配準算法進行配準之后可將圖像準確無誤地拼接起來，并可以大幅減少運行時間，配準精度比標準SURF算法更高。

圖2 基于小波域SURF的遙感圖像配準結(jié)果圖Fig.2 Registration results of remote sensing images in wavelet domain using SURF

1.3 Harris角點檢測算法

Harris角點檢測是基于灰度圖像的角點提取方法，穩(wěn)定性高，對L型角點的檢測精度尤其高。Harris角點檢測的原理是選擇一個以目標像素點為中心的適當大小的窗口，利用移動窗口在圖像中計算灰度變化值，其中的關(guān)鍵流程包括轉(zhuǎn)化為灰度圖像、計算差分圖像、Gauss平滑、計算局部極值、確認角點［12］。

在遙感圖像分析中，Harris角點檢測是較為適合的特征提取方法。Yang［13］利用了 Harris角點檢測產(chǎn)生的特征點，并將其集成到一致性點漂移（Co?herent Point Drift，CPD）框架中以提高精度。首先構(gòu)造了點對點對應的似然描述符，然后將該似然值作為Gauss混合模型的先驗概率項，使用期望最大化算法迭代匹配點。該研究找到了一種對特征度量數(shù)據(jù)進行規(guī)范化的方法，并構(gòu)造了一個合適的描述符來包含Harris特征度量和Euclidean距離，進而將特征度量值偏差的負面影響最小化。

針對Harris角點檢測算法運算速度慢、角點信息丟失和位置偏移，以及角點提取聚簇現(xiàn)象，趙艷［14］提出了一種改進的Harris角點檢測算法。該算法采用FAST特征點檢測算法排除了大量的非特征點得到初始點，以初始點響應Harris函數(shù)執(zhí)行非極大值抑制。保留局部角點響應函數(shù)最大值的像素點，以這些點為中心，以一定半徑搜索角點簇，在容忍距離內(nèi)保留一個特征點，以降低角點簇的影響。提取Harris角點后，采用歸一化互相關(guān)匹配法進行粗匹配，利用RANSAC算法消除誤匹配，提高圖像拼接的精度。該方法的特征點檢測速度快，能減少角點聚簇現(xiàn)象，有效提高角點檢測效率。

2 圖像拼接中的融合技術(shù)

圖像融合是數(shù)字圖像處理領(lǐng)域中重要的組成部分，指的是將兩幅或多幅圖像信息融合到一張圖像上，將大量多模態(tài)的圖像與特定圖像的互補特征相結(jié)合的過程，提高了圖像的質(zhì)量和清晰度，更有利于人眼的識別和機器的自動探測［15］。其目標是在實際應用中提高融合圖像的信息包含量，減少輸出的冗余度。圖像融合能擴大圖像所含有的時間、空間信息，明顯的改善單一傳感器的不足，增加可靠性，改進系統(tǒng)的魯棒性能，更為全面地獲取目標或場景的信息。圖像融合廣泛應用于軍事國防、目標檢測和識別、機器人視覺、生物監(jiān)視和導航制導等領(lǐng)域。

圖像融合由低到高可分為3個層次：像素級融合、特征級融合和決策級融合。選擇融合的層次不同，所采用的算法也不相同，圖像融合算法是依賴于應用的［16］。像素級融合是表示融合了從源圖像到單個圖像的與每個像素相關(guān)的視覺信息，是各級圖像融合的基礎(chǔ)，盡可能保留了圖像場景的原始數(shù)據(jù)，有利于對圖像的進一步分析、處理與檢測。特征級圖像融合通過從獨立圖像中提取的融合特征，對圖像融合后特征進行目標識別的精確度明顯高于原始圖像。決策級圖像融合是一個更高層次的融合，并融合了由本地決策者獲得的對不同圖像的解釋。下文闡述了近年來圖像融合研究領(lǐng)域中幾種具有代表性的創(chuàng)新圖像融合方法。

Shearlet變換是一個熱門的多尺度幾何分析工具，其具有小波變換的優(yōu)點，包括多尺度時頻局部特性，允許各個尺度的方向分解等。將Shearlet變換引入到圖像融合中，成為近年來研究的熱點。結(jié)合Shearlet變換具有較好的稀疏表示圖像特征的性質(zhì)，石智［17］提出了基于Shearlet變換的自適應圖像融合算法。精確提取圖像的細節(jié)特征是多聚焦圖像的融合算法中最重要的步驟。對不同聚焦圖像采用Shearlet正變換，通過運算得到圖像中的高頻和低頻分量，然后對這些分量采用自適應和區(qū)域方差的融合方法進行融合，對得到的子圖像進行Shearlet逆變換得到融合圖像。該方法計算量較小，能夠保持融合圖像的信息細節(jié)，不會產(chǎn)生振鈴效應，在融合的各個方面優(yōu)于小波變換。從圖3中將多聚焦圖像的融合結(jié)果圖與左、右聚焦源圖像進行對比，可以看出融合圖像細節(jié)部分被保持得很好，具有更高的清晰度。

圖3 不同聚焦圖像的融合結(jié)果圖Fig.3 Fusion results of different focused images

為避免小波變換圖像融合中的偽Gibbs效應和解決圖像融合時間較長的問題，徐小軍［18］提出了基于下采樣的分數(shù)階小波變換（Fractional Wavelet Transform，F(xiàn)WT）融合方法。作者采用離散分數(shù)階小波變換（Discrete Fractional Wavelet Transform，DFRWT）對不同灰度特征源的圖像進行了多尺度分解，使系數(shù)分量的非稀疏性特點增大像素間的相關(guān)性，然后通過圖像不同特征采用不同的融合規(guī)則計算融合系數(shù)，將其通過逆DFRWT變換得到融合圖像，保證了融合效率及融合圖像質(zhì)量不受影響。DFRWT圖像融合具體流程如圖4所示，該方法增加了區(qū)域內(nèi)像素間的相關(guān)性，很好地保存了邊緣信息，并且與現(xiàn)在流行的融合算法相比，融合效率得到了提高。

圖4 DFRWT圖像融合框圖Fig.4 Flow chart of DFRWT image fusion

在基于不同小波變換的圖像融合方法中，根據(jù)融合規(guī)則在小波空間中融合源圖像數(shù)據(jù)?？紤]到源圖像的不確定性對融合圖像的影響，Prasad［19］設(shè)計了一個新型融合規(guī)則來包含大量的數(shù)據(jù)，提出了基于小波變換自適應模糊邏輯的融合方法。在對源圖像應用小波變換之后，通過自適應模糊邏輯計算每個源圖像系數(shù)的權(quán)值，然后以互信息、峰值信噪比和均方誤差作為依據(jù)，通過加權(quán)平均法與處理后的權(quán)值對系數(shù)進行融合，并獲得一個組合圖。

多模態(tài)圖像融合是一種將多模態(tài)圖像的互補信息融合為一幅完整圖像的有效技術(shù)，這些額外的信息不僅可以增強人眼的可視性，而且可以相互補充每個圖像的局限性。為了保留圖像的結(jié)構(gòu)信息，對源圖像進行細化處理，Zhu［20］提出了一種基于圖像卡通紋理分解和稀疏表示的圖像融合方法。該方法將源多模態(tài)圖像分解為卡通和紋理兩部分：針對動畫部分，提出了一種基于空間的形態(tài)結(jié)構(gòu)保存方法，利用基于能量的融合規(guī)則保存了各源圖像的結(jié)構(gòu)信息；針對紋理部分，提出了一種基于稀疏表示的方法，訓練了具有較強表示能力的字典。最后，根據(jù)紋理增強融合規(guī)則，對融合后的動畫和紋理部分進行了集成。該方法在視覺和定量評價方面均優(yōu)于現(xiàn)有的方法。

Nikhil［21］提出了基于相位一致性和導向濾波器的圖像融合方法，將源圖像通過非下采樣輪廓波變換（Non?Subsampled Contourlet Transform，NSCT）分解為低頻和高頻子帶，然后對低頻子帶進一步進行處理，利用計算機提取圖像特征。在高頻NSCT子帶中提取高頻細節(jié)，并通過使用一個非常有效的引導濾波器來保持平滑區(qū)域的邊緣細節(jié)。最后，將逆NSCT應用于融合的NSCT子帶，以獲得空間域的最終融合圖像。通過對不同多模態(tài)醫(yī)學傳感器采集的真實生物醫(yī)學圖像進行實驗，證實了該方法的有效性，及其在視覺和定量評價方面的良好表現(xiàn)。

多聚焦圖像融合在機器視覺和圖像處理領(lǐng)域中已經(jīng)成為一個具有挑戰(zhàn)性的研究方向，需要對各種圖像捕獲設(shè)備獲得的圖像進行處理。為獲得所有物體對焦的圖像，Manchanda［22］提出基于離散模糊變換的多聚焦圖像融合算法。該融合算法使用了2個不同的規(guī)則：加權(quán)平均方法和選擇最大值規(guī)則。在離散模糊變換域進行圖像融合，最終的融合規(guī)則使用匹配系數(shù)和方差的平方根來確定。多聚焦圖像融合流程圖如圖5所示，該算法有效地融合了部分聚焦多輸入圖像，產(chǎn)生了單一的聚焦圖像，同時性能優(yōu)于目前最新的融合算法。

圖5 多聚焦圖像融合流程圖Fig.5 Flow chart of multi-focus image fusion

Shao［23］提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像融合方法，該方法能充分提取源圖像的光譜特征和空間特征。該融合方法的創(chuàng)新之處在于包含兩個分支網(wǎng)絡(luò)，具有更深層的結(jié)構(gòu)，可以分別提取多光譜圖像和全色圖像的顯著特征。全色圖像分支中更深層次的結(jié)構(gòu)可為融合過程提供幫助，通過低分辨率和高分辨率的全色圖像之間的掩模操作來解決融合問題。利用剩余學習層學習低分辨率和高分辨率全色圖像中的剩余圖像，可以忽略冗余信息，提高全色圖像的空間分辨率。

水下光線存在嚴重的衰減和散射效應，這種復雜性阻礙了圖像的拼接過程，造成了拼接誤差和光照不均勻。Rahul［24］提出了一種利用多幅水下圖像生成融合圖像的方法，利用Laplace金字塔混合技術(shù)克服了沿水下圖像重疊區(qū)域拼接縫的強度差。首先，對源圖像和目標圖像進行預處理后完成Gauss金字塔差分，圖像被縮小到不同的水平后使用Gauss濾波器。然后，將Gauss圖像擴展到一個較低的層次，將擴展后的圖像與該較低層次圖像之間的差值生成Laplace圖像。一旦兩個圖像的金字塔被生成，圖像就將組合在不同的Laplace層次上。該方法解決了水下圖像融合容易出現(xiàn)可見縫線的問題。從圖6可看出，兩幅水下圖像得到了充分縫合，且顏色分布均勻，該方法有效處理了融合區(qū)域之間的色差。

圖6 水下圖像融合結(jié)果圖Fig.6 Fusion results of underwater image

3 圖像拼接技術(shù)發(fā)展趨勢

本文總結(jié)了近年來圖像拼接技術(shù)的各種方法，并從圖像配準和融合方向上的研究與應用情況推測，圖像拼接技術(shù)會向以下4個方向?qū)崿F(xiàn)發(fā)展：

1）具有運動目標的圖像拼接技術(shù)研究。傳統(tǒng)的大部分圖像拼接算法都是在靜止背景的基礎(chǔ)上拼接完成的，待拼接的圖像背景保持不變。但是，當圖像場景中出現(xiàn)實質(zhì)性的運動物體時，大多數(shù)拼接算法在一定程度上會失敗，而結(jié)果往往包含被切割的對象或者出現(xiàn)鬼影現(xiàn)象。一些融合方法可以解決拼接具有運動物體的圖像后出現(xiàn)的鬼影現(xiàn)象，但是卻會丟失運動目標。在現(xiàn)實中，多數(shù)環(huán)境會存在運動物體。為了形成高質(zhì)量的拼接結(jié)果，消除運動物體對拼接圖像帶來的影響，移動的目標對象必須得到正確的處理，這是需要深入研究的問題。

2）多視角視頻拼接技術(shù)研究。多視角視頻拼接可以應用于視頻監(jiān)控、衛(wèi)星遙感等領(lǐng)域，能夠保證圖像原有的分辨率，并獲得目標細節(jié)，同時實時拼接形成大視角全景圖像。多視角視頻拼接的關(guān)鍵是視頻幀圖像拼接，現(xiàn)在主要采用基于特征、特別是點特征的拼接算法。但是在實際應用中，采用單一特征的拼接算法難以同時達到實時處理的速度和拼接質(zhì)量，而采用多特征算法則增加了特征值維度，使匹配難度加大，并且不能增加拼接速度。同時，視頻幀圖像拼接也存在融合的鬼影問題、視頻每幀圖像變換的畸變問題。如何實現(xiàn)高分辨率的多視角視頻拼接，提高拼接效率與質(zhì)量，是圖像拼接技術(shù)未來的發(fā)展方向。

3）三維立體圖像拼接技術(shù)研究。到目前為止，靜態(tài)圖像是構(gòu)建可視化的主要方式。由于靜態(tài)圖像所使用的角度和視點是固定的，所以它們大多是二維平面的?？紤]到視頻攝像機的使用，三維立體圖像拼接是一種具有多視角的建筑可視化形式，其可支持從任意角度方向觀看建筑場景，有利于深化對圖像的全面分析和理解。三維立體圖像拼接技術(shù)需要利用不同視角的圖像或者視頻序列，如何通過這些圖像視頻信息進行三維立體圖像拼接，也是圖像拼接技術(shù)發(fā)展的趨勢之一。

4）自動圖像拼接技術(shù)。通過攝像機可獲取和存儲大量數(shù)字圖像信息，但是這些數(shù)據(jù)的有效利用仍存在較大問題。比如，針對無人機采集的視頻，目前主要通過實時分析或錄制方式逐幀進行分析，耗時較長，操作誤差較大。于是，要求系統(tǒng)能夠?qū)D像序列按場景內(nèi)容自動排序，然后進行自動圖像拼接，避免了圖像處理過程中的手動干預，并能夠?qū)D像中感興趣的目標進行標記和注釋。自動圖像拼接技術(shù)也成了為圖像拼接技術(shù)的研究熱點。

4 結(jié)論

作為數(shù)字圖像處理領(lǐng)域中的研究重點和熱點，圖像拼接技術(shù)通過具有部分重疊的圖像序列的配準和合成，實現(xiàn)了全景式的圖像創(chuàng)建，具有重要的實用價值。圖像配準和圖像融合是圖像拼接過程中的重要部分。本文通過對圖像拼接技術(shù)研究成果的綜述，分析比較了圖像配準和圖像融合方法的國內(nèi)外發(fā)展趨勢及優(yōu)缺點，最后展望了該領(lǐng)域的未來發(fā)展趨勢 （包括具有運動目標的圖像拼接技術(shù)、多視角視頻拼接技術(shù)、三維立體圖像拼接技術(shù)和自動圖像拼接技術(shù)），為深入研究圖像拼接技術(shù)提供了參考。