图像拼接是数字图像处理的一个重要研究领域,它是将具有一定重叠的两幅或者多幅图像进行匹配对准,融合形成一幅大视场图像的技术,在医学、工业、航天等诸多领域有着广泛的应用。由于成像系统特性、拍摄角度和时间的不同,以及噪声干扰和遮挡,使图像拼接变得十分困难。按照图像配准的依据不同,图像拼接分为基于特征、基于灰度信息和基于变换域的图像拼接。基于特征的图像拼接不仅不易受光照、旋转等因素影响,而且特征相对像素数量较少,有利于提高速度,因此成为最受关注的一类拼接方法。在本论文中提出了一种稳健的基于特征点的图像拼接算法。本文首先介绍了图像拼接的几何基础,并根据平面场景的两图像之间的变换关系,确定了射影变换为本文的变换模型。它将作为本文变换矩阵和融合等计算的基础。基于特征点的图像拼接主要包括特征点提取、特征点的匹配、变换矩阵的计算和图像融合四步。特征点提取是整个图像拼接过程的第一步,对于最终拼接结果至关重要。本文介绍和实现了Harrris、SUSAN、SIFT三种最为流行的特征点提取算法。由于SIFT算法对平移、尺度缩放、旋转等保持不变性,对光照变换、仿射变换、甚至射影变换也保持一定程度的稳定性,而且SIFT特征描述符具有很强的匹配能力,因此选择了稳健的SIFT算法作为特征点提取算法。在特征点匹配阶段,本文首先对两图的特征点特征描述符建立k-d树,并利用它寻找特征点在另一幅图上的最近邻、次近邻匹配特征点,进而筛选出初始匹配点对。在计算变换矩阵阶段,本文使用PROSAC方法对初始匹配点对进行过滤,得到变换矩阵的初值和内点集合,然后采用L-M算法对变换矩阵参数进行求精。最后,在图像融合时,为了防止灰度拼接缝,本文依据匹配点对的灰度差异,对拼接图像进行匀光处理,使其灰度一致,再根据得到的变换矩阵,进行加权融合。实验结果显示,最终得到的拼接效果良好。