随着计算机视觉与图像处理技术的迅速发展,人们对于图像的研究已从可见光图像扩展到热红外图像。热红外图像描述的是物体温度图像,具有良好的抗干扰能力、辨别伪装的能力,并且可以全天候工作,被广泛应用于军事领域和民事领域。但热红外图像往往具有空间分辨率低、视场范围窄等缺点,对于那些需要宽视场、高分辨率全景图像的应用场景,难以达到要求。因此图像拼接技术成为获得全景图像的一个主流趋势,研究适用于大场景下的红外图像拼接方法具有十分重要的价值和意义。本文重点研究全景图像拼接方法的实现过程,在预处理阶段,提出了自定义卷积核锐化算子的图像增强方法,改善了红外图像质量。在图像配准阶段,深入研究基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)的图像配准算法。针对传统SIFT算法存在配准率较低、实时性较差的问题,提出一种基于感兴趣区域(Region of Interest,ROI)改进的SIFT图像配准方法,该方法首先计算出相邻图像的ROI区域,然后在ROI中提取SIFT特征点并将其作为运动目标,使用光流(Kanade-Lucas-Tomasi,KLT)实时跟踪算法完成特征点的第一次匹配,利用随机采样一致性(Random Sampling Consistency,RANSAC)算法对其进行过滤、筛选,去除无效匹配对,提高了配准算法的配准率和运行效率。在图像融合阶段,由于传统融合方法处理拼接问题的手段太单一,提出一种改进的最优分割线融合法,该方法首先使用伽马校正改善配准图像的对比度和亮度,然后将ROI中配准图像的相似性作为纹理差异的能量函数,最后在分割线搜索策略中引入邻域信息值因子,使得融合算法更加灵活,能够实现多幅红外图像的无缝、无“重影”拼接。本文选取多组红外图像序列对上述理论进行验证,实验结果显示,提出的配准算法相较于传统SIFT算法,配准率提高了3.491%,运行时间提升了54%;提出的融合算法较之于传统融合算法在人眼视觉和客观评价指标上都得到了明显的改善。综上所述,提出的全景图像拼接方法能够准确、高效地得到一幅包含丰富信息、宽视场、高分辨的红外全景图像。