伴随人工智能兴起的浪潮,机器学习和计算机视觉等领域也掀起了高涨的研究热情。随着人类对新兴领域的深入探索,70%以上的信息获取来自于视觉,那么图像拼接技术作为构成图像处理领域的重要分支,必然会被热切关注,且已经广泛应用于生活的方方面面。需求变多了,那么技术也得有所提高。基于自适应网格优化的图像拼接技术,结合图形学与图像处理研究领域,通过自适应寻找图像变换角度,提升图像拼接的质量,为人工智能的发展提供助力。图像拼接主要分为三大模块:特征提取、图像配准和图像融合。本文基于自适应网格变形的图像拼接进行研究,对三大模块分布式深入分析,探究各个模块面临的难题和突破的瓶颈,以相关研究现状为指导,找准本文研究的切入点,改进算法整体拼接效果。主要工作内容归纳如下:(1)针对第一模块中的图像特征提取,面临提取速度慢,有效特征点少的问题。在FAST角点检测的框架基础上,先用二叉决策树代替原本用ID3贪心算法构造的三叉决策树,加快特征提取速度,因为相较而言,二叉树可以更加高效地应用于二元目标。其次,构建更为细致化的尺度空间,有助于检测更多的有效特征点,即使在处理纹理特征稀少的目标图像时,也尽可能多的提取特征点。(2)针对第二模块中的图像配准,传统的RANSAC算法模型参数的估计有概率不是最优的问题,提出一种结合Delaunay三角网格约束的自适应图像配准方法。首先采用自适应通用加速分割检测算法,快速检测出均匀稳定的特征点,并且用二进制特征描述符解决尺度不变性和旋转不变性;其次,由于阈值选取和迭代次数的局限性,会掺杂部分难筛的误配点,在此前提下借助Delaunay算法剖分粗匹配点集,遍历计算网格间对应三角形的相似度并储存在相似性度量矩阵中;最后剔除相似度差异大的三角形,重构原网格余下的匹配点集。(3)针对第三模块中的图像融合,图像融合的重点是创建外观自然的缝合线,以消除由于相对相机运动、亮度变化和视角旋转等可能出现的失真。首先,考虑所有局部变换,在整个目标图像上使用平滑的拼接场;然后,结合局部单应性和全局相似性变换,完全自适应计算图像翘曲;最后,通过单应性线性化减轻非重叠区域中的透视失真,同时用全局相似性变换逐渐取代单应性线性化,为了避免因为转换过快而带来的不必要的影响。这种模式还可以轻松地推广到多幅图像拼接应用中,并且可以自适应获取全景图像中的最佳矫正角度,应用于更丰富的场景之中。