杨志芳，颜 磊

武汉工程大学电气信息学院，湖北 武汉 430205

图像拼接是图像处理中非常重要的技术，特别是随着科技的逐渐发展，图像获取的途径越来越多样化，图像的质量要求也更高，图像拼接技术可以很好的将两幅或者两幅以上具有重叠区域的图像拼接成一幅信息更加丰富的图像，被广泛的应用在医学、军事活动和计算机视觉等领域。

图像拼接技术的关键在于图像的特征提取和图像匹配，文献［1］提出的尺度不变特征转换（scaleinvariant feature transform，SIFT）算法是图像特征提取中的经典算法，但SIFT 算法在图像特征提取时存在计算量大、效率低等问题。文献［2］针对SIFT 算法的缺点提出了加速稳健特征算法（speed up robust feature，SURF），SURF 算法是对 SIFT 检测算法的改进，通过构建Hessian 矩阵来建立尺度空间，提高算法的鲁棒性，在图像特征的检测速度上大大优于SIFT 算法，但是该算法的匹配精度偏低。文献［3］使用随机抽样一致性（random sample consensus，RANSAC）算法来筛选图像的匹配特征点有利于准确计算出图像的变换矩阵。由于传统的RANSAC 算法计算量较大以及匹配精度较低，后续如全局RANSAC（Universal-RANSAC）等算法［4-5］都针对上述问题进行了改进，以此来提高匹配结果的准确性。

针对上述问题，本文提出利用加速分割检测特征（features from accelerated segment test，FAST）算法和SURF 算法相结合进行图像特征的提取以及描述，并通过改进的k-d 树最近邻查找（best bin first，BBF）算法［6］和双向匹配的自适应阈值方法相结合优化匹配结果，以此提高检测精度和拼接速度。

1 图像拼接流程

图像的特征点提取和描述是图像拼接的基础……