基于特征点旋转归一化的图像拼接与配准研究

本篇博士论文聚焦于"基于特征点的图像拼接"这一关键领域，它是计算机视觉和图像处理中的关键技术，尤其在虚拟现实、医学图像、遥感和军事应用中具有广泛的实际价值。论文的核心内容围绕图像拼接技术展开，其质量取决于精确的图像配准，而基于特征点匹配的配准方法在此类任务中占据主导地位。 论文首先深入探讨了摄像机成像几何的基础，特别关注8参数透视变换矩阵及其退化到6参数仿射变换的情况，从而明确了相似变换、仿射变换和透视变换在图像拼接中的实际应用场景。这为理解不同变换模型在处理不同场景时的优势提供了理论依据。 针对传统特征点匹配算法在处理图像旋转变化时的局限性，作者提出了创新的图像配准算法——IPN R（基于特征点旋转归一化的图像配准）。论文详细剖析了Harris特征点的原理，以及像素差的平方和(SSD)、像素互相关性(CC)和归一化互相关性(NCC)等常用匹配方法的性能和不足。通过旋转归一化邻域窗口，论文提出的IPN R算法显著提高了特征点匹配在旋转图像中的鲁棒性，成功提升了正确匹配的概率，相较于传统方法，效果提升超过30%，显示出了显著的优势。 该研究不仅深化了对特征点匹配技术的理解，还为解决实际图像拼接问题提供了一种更为稳健的方法，具有重要的理论研究价值和实践应用前景。通过对Harris特征点和SIFT特征点的深入研究，论文为图像拼接领域的进一步发展做出了实质性的贡献。