非均匀光照多图像拼接的全息熵算法评估与比较

沙特国王大学学报摄像机未知或任意位置D. 作者：Ane Delphina，Mahabaleswara R.Bhattb，D.Thiripurasundaric霸王印度班加罗尔约翰理工学院b印度班加罗尔BMS工程学院cVIT University，Chennai，India阿提奇莱因福奥文章历史记录：2018年2月10日收到2018年7月4日修订2018年8月9日接受2018年8月11日在线提供保留字：图像拼接全景图像全息熵照明无缝拼接A B S T R A C T当在场景之间的变化的照明、变化的相机位置、变化的轴向或方位角方向下捕获场景时，相似场景的图像拼接是一项具有挑战性的任务在本文中，我们探讨了一种无缝的图像拼接算法，以解决上述问题，通过应用技术的去雾对采集的场景，并在识别图像的特征和全息熵辅助特征匹配的尺度不变特征变换（SIFT）为基础的图像特征。该系统的实验与现有的图像拼接方法进行比较，使用平方距离，Minkowski和成对欧氏距离的特征匹配。提出的无缝拼接方法进行评估的基础上的度量，水平平方梯度值（HSGV）和垂直平方梯度值（VSGV）。实验结果表明，该方法对于非均匀或光照变化的多幅图像的拼接是可行的。上述拼接算法的探索旨在减少计算的数量和拼接结果中的不一致性©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍图像拼接技术用于从使用任何数码相机捕获的具有重叠区域的多于一个图像创建全景图像（Huang等人， 2015）或任何智能手机相机（Ma等人，2015年）。通常，在生物医学应用中，图像拼接过程出现在显微镜或自然内脏成像中，其中较小尺寸的重叠图像具有高分辨率或由比例变化引起的不同分辨率（通过变化的图像块暗示），以创建具有高分辨率的单个无缝图像用于预期图像分析（Brown和Lowe，2007）（Candocia，2003）。此外，这种图像拼接过程出现在使用卫星或任何其他机载相机的望远镜成像系统它的主要目标是将具有重叠区域的多个图像整合在一起，以创建无缝和高分辨率的图像。图像配准和图像混合是*通讯作者。电子邮件地址：anedelphin@gmail.com（D. Ane Delphin）。沙特国王大学负责同行审查这对于生成高分辨率图像非常重要。图像对齐的质量提高了图像拼接的准确性和效率（Kybic，2004年）。图像对准包括三种方法，诸如基于变换域的方法、基于强度的方法（Zitova和Flusser，2003）和基于特征的方法（Zoghlami等人，1997年）。其中，基于特征的方法是流行的图像拼接应用程序（大卫和Lowe，2004年）。图像拼接由三个主要步骤组成（Zaragoza等人，2014）-特征匹配、单应性估计和具有颜色混合的接缝选择。特征匹配是基于点的对应关系。在拼接多幅图像时，特征匹配是比较耗时的一个步骤。开发了大量的图像拼接工具，包括Lowe方法（Yang和Wang，2013）、最佳接缝选择算法（Boykov和Kolmogorov，2004）、启发式接缝选择算法（Mills和Dudek，2009）、全景编织（Summa等人，2012）、平滑过渡算法（Peleg，1981）等。但这些工具存在问题，因为它们产生不一致的结果，例如在结果中产生未对准伪影或重影（Zaragoza等人，2014），耗时（Huang等人， 2015）导致关键瓶颈（Ma等人，2015）、缝合性能差（Song等人，2015）、模糊的图像形成（Liu等人， 2008）、未对准（Zhi和Cooperstock，2012）和拼接噪声（Lei等人， 2016年）。https://doi.org/10.1016/j.jksuci.2018.08.0061319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comD. Ane Delphin等人/沙特国王大学学报1097使用在非固定相机位置处捕获的图像进行图像拼接将遇到关于任何两个图像的以下问题(2)由于摄像机或物体运动导致两个采集图像之间的方向变化而导致的图像形成的前缩短或延长。所提出的这种新颖方法的主要意图基本上是使用以任意和未知的相机位置获取的图像来解决图像拼接，这将导致具有变化的尺度、旋转和平移的图像拼接挑战。本文的主要贡献是全息熵辅助特征匹配：介绍了基于全息熵的特征匹配方法。利用全息熵对非线性数据的有效表示和离群点的去除特性，确定待拼接图像的关键点。全息熵的噪声容忍行为有助于克服无缝拼接中对图像的外部影响（Li等人，2018; Lu等人，2018年; Li等人，2018年; Li等人， 2018年）。本文进一步保证了图像在光照变化环境下的拼接。本文的其余部分组织如下。第二回顾了图像拼接的相关工作，并讨论了与最先进的方法相关的问题。第3节详细介绍了所提出的拼接方法所需的插图和数学公式。第4节讨论了所获得的结果，第5节总结了论文。2. 文献综述2.1. 相关研究虽然存在大量的文献，但只有少数尝试是针对拼接与不同照明场景有关的图像。Zaragoza等人（2014年）开发了一种基于移动直接线性变换的估计技术，以最大限度地减少重影问题，而无需对图像拼接视图进行任何更改。在这里，奇异值分解（SVD）方法已被用来确定最近的点进行拼接。SVD测量遭受实际的挑战，如离群值，照明变化和噪声。因此，需要二级方法来处理这些问题。此外，这种技术由于SVD，计算效率低。Ma等人（2015）分别利用RANSAC和加权平均弯曲算法来寻找最佳仿射变换和平滑重叠区域的强度。然而，汉明距离为基础的相似性度量，这里采用的探索从其原始强度的微小偏差，因此它无法确定在不同的照明下的图像之间的精确相似性。Huang等人（2015）已经使用最大似然估计过程确定了拼接相似性。尽管能够处理非线性图像强度，但似然估计过程对初始化和样本数敏感。Song等人采用了混沌理论的背景.（2015）确定SIM-2009 年 Morel 和 Guoshen （ 2009 ） 提 出 的 仿 射 SIFT （ Affine-SIFT，ASIFT）图像匹配算法将SIFT方法扩展到完全仿射不变的设备。本文试图用一种新的算法证明完全仿射不变的图象匹配是可能的。2010年，Rosten等人（2010）提出了FAST系列探测器。此外，他们将简单且可重复的分段测试启发式转换为FAST-9检测器，通过机器学习获得了无与伦比的处理速度。尽管设计的速度，所产生的检测器具有良好的可重复性。在2012年，Alahi等人（2012）提出了一种新颖的关键点描述器，其受到人类视觉系统以及更准确地视网膜的启发，称为快速视网膜关键点（FREAK）。通过有效地比较视网膜采样图案上的图像强度来计算二进制串的级联。表1全面地给出了用于图像拼接过程的最先进的相似性度量方法的综述结果以及在所采用的方法的路线上对它们的评论。仔细观察当前的文献，关于考虑外部约束（诸如变化的照明、异常值和噪声）的信息较少，特别是在涉及用低光成像相机系统捕获的图像的图像拼接中。2.2. 重叠但在非固定相机位置在本文中，我们探索了一种图像拼接过程，以使用手持或智能手机相机获取的多个重叠图像来创建广角或宽区域或全景图像，其不能保证处于固定位置，将遭受以下两种图像参数问题：1) 几何图像变换特征参数（诸如旋转、缩放（分辨率）、平移位置）可能不同于其他图像（考虑重叠区域），其将受到取决于相机位置的未知值的影响，相机位置在成像时可能不保持固定2) 诸如亮度、对比度、锐度和饱和度的光度图像变换特征在每个图像中可能不同，这取决于照明源、曝光、视角变化、介质的散射和吸收以及其图像要被捕获的对象将导致变化的照明效果。此外，尽管在生物医学领域中对器官的任何活的湿组织的成像由于光的散射和吸收而产生具有变化对比度的图像或非均匀照明图像。表1在图像拼接过程中采用了最先进的相似性度量。图像之间的相似性混沌理论是著名的智能方法论，但表示作者[引文]采用的方法缺点增加了计算复杂度。贪婪的Lei等人04 The Fantasy（2016）Li等人（2015）采用的搜索是一种局部搜索算法，因此坚持局部最小值的概率很高。Lei等人（2016）开发了一种基于噪声机制分析的3D图像拼接方法。在这里，已经部署了相关性分析，以了解Ma等人Hamming distance（2015）Huang等人（2015）最大Zaragoza et al.（2014）奇异值分解易受光照变化影响对初始值和低维数据敏感容易出现离群值和巨大的计算复杂度拼接图像。 然而，相关性分析容易导致Song等人 2015混沌理论巨大的计算复杂性混沌噪声，因此在拼接过程中经常发生不对准。Li等人2015年：Greedy searchalgorithm局部搜索特性1098D. Ane Delphin等人/沙特国王大学学报×3. 基于全息熵辅助SIFT特征匹配的图像拼接本节详细讨论了拟议的方法。所提出的方法的总体框图如图1所示。最初，具有重叠区域的图像被接受作为拼接过程的输入由于在弱光条件下图像采集不可避免地会受到噪声的影响，尤其是传感器噪声，因此采用了预处理去噪的方法。与任何传统的图像拼接方法相比，所提出的图像拼接方法有助于去除噪声，从而增加了所提出的方法的实际可行性图像的特征对于图像的精确拼接至关重要。这里，使用SIFT来完成特征提取，因为已知SIFT特征对于场景变化、旋转、模糊等是不变的。图像中对从图像中提取的特征进行特征匹配处理。基于估计的最大全息熵值，使用由全息熵启用的代价函数来匹配重叠图像中的特征图像匹配遵循特征匹配。图像匹配的目标是在最大特征匹配的基础上找到图像的匹配点使用RANSAC，选择具有兼容单应性的图像之间的内点。在图像匹配中，使用束调整器来调整由于成对单应性的级联引起的在光束法平差中，关于图像参数，使图像距离的平方和（要拼接的两个图像的平方距离的最后，完成图像的混合图像混合导致作为输入接受的重叠图像的全景图像。3.1. SIFT特征提取SIFT特征提取（Brown和Lowe，2007）过程中涉及的主要步骤是：（i）尺度空间极值检测（ii）关键点定位（iii）方向分配和（iv）关键点描述符（David和Lowe，2004）。该方法将尺度空间中高斯函数差值的最大值和最小值定义为代表SIFT特征的关键位置。这些步骤的演变是为了确保关键点对于导致图像匹配的特征匹配更加稳定。1. 尺度空间极值的检测：感兴趣的点只是关键点。由于图像在不同尺度下与高斯滤波器卷积，因此通过使用高斯差函数（DOG）有效地实现了该方法DOG功能增加了图像中边缘的可见性。对于具有M N个像素的输入图像I，尺度空间函数被定义为：Lm;nrGm;nrωIm;n1其中，m ^l; 2;. ; M;n ¼ 1; 2;. ; N;* 是卷积函数，是可变尺度高斯函数;是可变尺度高斯函数。sian函数，r是尺度值，Im，n是输入图像。高斯差分（DOG）用于检测稳定关键点，如下面的（2）Dm;nrLm;nKsr-Lm;nKtr2图1.一、基于全息熵辅助SIFT特征匹配的图像拼接体系结构D. Ane Delphin等人/沙特国王大学学报1099ΣΣ¼ðÞ;其中，Ksr和Ktr指定比例值的变化。使用DOG的尺度空间特征可以使用简单的减法来计算。为了找到局部最小值和最大值的DOG，关键点与图像中的邻居进行比较2. 精确的关键点定位：尺度空间极值检测生成更多数量的关键点。在关键点定位中，关键点是基于其稳定性的度量来选择的（David和Lowe，2004; Yang和Guo，2008）。a) 消除与对比度相关的关键点： 使用DOG的泰勒级数展开式进行插值，如等式（1）所示其中，D是在候选关键点处估计的，其中Cm;n是偏移（Li等人， 2008年）。HDmmDmn4mDnmDnn基于绝对差值排除与边缘响应相关联的关键点3. 将方向委托给关键点：在该步骤中，将局部图像梯度方向诱导的方向指定给关键点。因此，可以通过SIFT特征实现对图像旋转的不变性（David和Lowe，2004; Li等人， 200 8）。 给定高 斯平滑函数Lm;n<$r<$;梯度幅度g和方向h（Fang等人，2010）f的关键点是使用方程确定的。（5）和（6）。@DTD T1T@2DTgmn<$rhLm1;n-m-1;n2Lm;n1 -12ið5ÞTT2T@T2T203b) 为了消除与边缘响应相关联的关键点：DOG函数可以选择具有高边缘响应的位置中的关键点（Yang和Guo，2008）。为了克服这一影响，关键点的选择是基于稳定性。通过求出DOG函数峰值的主曲率，可以忽略边缘响应。由于边缘响应具有较高的主曲率值，因此更容易消除。注意到主曲率与二阶海森矩阵的特征值之间的等价性，从（3）获得的Hm表示为：hm;n<$tan-11½Lm;n<$1-Lm;n-1;Lm1;n-Lm-1;n]64. 关键点描述符向量：在关键点描述符（Brown等人， 2005），根据关键点的梯度幅度和方向值，计算直方图。每个直方图包含来自所考虑的关键点的邻域的值通过将加权高斯函数添加到梯度幅度，将直方图的值转换为描述符向量，其中尺度等于描述符窗口的长度描述符向量的归一化实现了仿射图二.结果在正常条件下，（a）和（b）在不同点的图像，拼接图像的方法基于（c）欧几里德距离，（d）Minkowski距离，（e）成对欧几里德距离和（f）基于全息熵的匹配。1100D. Ane Delphin等人/沙特国王大学学报表2各种方法在正常条件下的缝合性能。HSGV相似度量图像1图像2图像3是说秩欧氏345.7172.276290.23236.0724Minkowski799.5170.19292.6387.43333成对欧几里德813.9977.767276.52389.42572ASIFT（Morel和Guoshen，2009）339.7289.07346.98267.907FAST（Rosten等人，（ 2010年）323.8096.56378.09256.326FREAK（Alahi等人， 2012年）314.0992.76365.04357.985混沌启发（Song等人，（2015年）298.98102.43468.12333.438全熵359.01186.15725.83423.66331VSGV相似度量图像1图像2图像3是说秩欧氏739.21241.88592.94524.67674Minkowski744.25248.67594.07528.99673成对欧几里德784.24273.31615.58557.711ASIFT（Morel和Guoshen，2009）645.89214.78456.87342.235FAST（Rosten等人，（ 2010年）677.93209.67498.90358.877FREAK（Alahi等人， 2012年）623.66198.76367.04478.908混沌启发（Song等人，（2015年）611. 97188.45379.39524.786全熵751.59220.49694.73555.60332图3.第三章。在不同照明下的结果，（a）没有任何照明效果的图像和（b）有照明的图像拼接图像来自基于（c）欧几里德距离、（d）闵可夫斯基距离、（e）成对欧几里德距离和（f）基于全熵的匹配的方法D. Ane Delphin等人/沙特国王大学学报1101ΣΣijTCr变化和非线性照明效果通过对向量应用阈值然后进行归一化来减少（David和Lowe，2004）。 对于输入图像I1和I2使用SIFT提取的特征向量可以分别表示为和和B1/4 ai;n2R m2×N;，其中，i/4 1; 2;. ; m1; j1; 2;.. . n = 1，2，···N。3.2. 全熵特征匹配通常，Ma等人提到的一些指标，（2015），Hua和Li（2010）或似然信息用于提取和匹配相关图像特征（Lei等人，2016年; Huang等人，2015年）。但是，要在具有一些重叠部分的两个图像的特征之间执行匹配，并且需要一个接一个地跨多个图像继续进行匹配。特别是，当涉及多于一个图像的任何对应于重叠区域之间的特征匹配需要同时通过相似性来执行最佳匹配的相关性最大化或通过最小化熵来减少不相似的错误匹配时。有趣的是，两者是互补的。我们的动机因素是减少不属于重叠区域的不相似匹配，同时最大化属于重叠区域的相似性特征，这些特征在图像的重叠区域中具有几何和照片变化为了结合上述两个特征，我们回顾了Watanabe（Ganesa Moorthy和Nandhini Devi，2014）制定的全息熵，并将其作为全息熵启用的特征匹配。用于图像匹配的全息熵包括确定与图像相关联的特征的全息熵，以及选择具有最大全息熵值的特征向量元素作为特征向量元素中的最佳特征。表3不同光照效果下各种方法的拼接性能图像.随后，使用提取的特征进行图像拼接。全熵是熵和总相关性的总和（Shu和Wang，2013）。下面给出了启用全息熵的特征匹配中涉及的步骤本质上，具有最大H值的特征被选择为输入图像的特征向量中的最优特征。换句话说，全息熵是图像特征向量的变换。它提供了特征向量的精确信息统计。所提出的过程不是寻找特征向量之间的相似性，而是寻找具有增加的全熵的特征向量之间的相似性，称为作为最佳特征向量。这在图像点之间提供了更精确的相似性。此外，熵通常用作检测不匹配特征的度量（ Shu 和Wang ，2013）。对于在特征向量上计算的熵值，如果熵值在忽略特征时减小，则其指定该特征为不匹配的。在信息论中，熵值有助于预测正确的值，即使属性的值是未知的。熵是基于链式法则计算的，其可以简化为下面的（7）Eij¼-PijlogPij7其中，（7）中的in的值被认为是依赖于相关性的比率，并且由于各个特征的总相关性被给出为（10）。P¼. Cij。ð8 Þ现在，注意图像I1和I2的标准特征向量之间的相关性，HSGV相似度量照明效果图像1图像2图像3是说秩欧氏1587.58128.48478.46478.4632611.56416.23464.53464.534Minkowski1558.43281.71799.08799.0812580.75423.42468.82468.823成对欧几里德1532.43386.3497.1497.122464.17236.685165162ASIFT（Morel和Guoshen，2009）1578.33242.71722.18789.1822590.75483.52454.22438.124FAST（Rosten等人，（ 2010年）1527.27138.48412.46423.3622621.36414.23434.53434.333FREAK（Alahi等人， 2012年）1533.44323.3437.1426.122413.15224.68545.23528.44混沌启发（Song等人，（2015年）1537.28164.48448.36428.4632631.36416.23424.33444.333全熵11110.6131.29356.46356.4642678.98218.06969.88969.881VSGV相似度量照明效果图像1图像2图像3是说秩欧氏11051.7321.51947.18773.4633121027.4361.96922.49770.61673Minkowski11018.7294.04885.14732.6267321025.3374.82935.28778.46672成对欧几里德1965.78372.11977771.6322504.32355.091155.1671.50334ASIFT（Morel和Guoshen，2009）11011.8341.21923.28763.42321037.6331.93932.47761.641FAST（Rosten等人，（ 2010年）11128.6263.16845.24712.63221135.2326.84934.18722. 73FREAK（Alahi等人， 2012年）1923.73333.12934.2732. 3332504.34344.191235.1643.532混沌启发（Song等人，（2015年）11052.76324.31923.18722. 33121023.6361.46924.59799.624全熵1984.94328.83785.82699.8633421175.2378.16962.31838.556711102D. Ane Delphin等人/沙特国王大学学报第一卷;第二卷; . . ;m;作为s22NΣΣ¼2IJCij 1-1d2ð9Þ注意H ij 表示未加权的反sigmoid函数和总相关性作为可能相关性的总和3.3. 图像匹配与融合M1 M2TCr1/4 XX1/1第1页其中欧氏距离使用的特征集定义为Aa i;nR m1×N 和B1/2= i;n=2 R m2×N;，其中i/2 = 1; 2;. m1;优化总相关性和联合熵是独立的目标，其中总相关性需要最大化并且联合熵需要最小化。全熵把所有的属性同等重要。然而，真实数据集具有不同的权重。为了对依赖于每个属性的熵进行加权，使用了反向S形函数（Shu和Wang，2013）。因此，全熵H表示为（11），HwijHij11其中，Hij的值是熵值Hij<$EijCij12且Wij为：在图像匹配中，具有最大特征的图像匹配都收集起来了收集的图像最终被拼接成一个全景图像由于用于重建的每个图像与另一个重叠，因此特征可以与每个可能的图像匹配。因此，有必要将图像与少量重叠图像进行匹配，以便可以选择图像几何学的良好解决方案。 RANSAC（Li等人，2008）通过选择具有与图像之间的同态兼容的特征匹配的图像来解决该目的。与输入图像（参考图像）具有正确匹配的特征点被称为内点，而没有正确匹配的特征点被称为离群点。RANSAC旨在通过拒绝离群值来获取具有内点的重要数据点集，这是通过一组模型参数实现的（Yang和Guo，2008）。具有较高支持度的模型参数集利用概率模型对RANSAC算法产生的内点进行了验证。概率模型（Li等人，2008）比较由正确或错误匹配生成的内点或离群点的概率。通过应用RANSAC算法，实现了两幅图像之间的图像匹配。这里的问题是消除图像之间的累积误差。通过使用束调节器（Brown和wij21ð13ÞLowe，2007），误差最小化。在光束法平差中，不断优化单应矩阵的参数，直到减少由于图像累积引起的残差见图4。噪声环境下的拼接结果。待拼接的图像（a）无噪声图像和（b）噪声图像。拼接图像来自基于（c）欧几里德距离、（d）闵可夫斯基距离、（e）成对欧几里德距离和（f）基于全熵的匹配的方法。D. Ane Delphin等人/沙特国王大学学报1103MN __. Im 1;n-I m;n.__m²1n² 1图 像 混 合 是 图 像 的 融 合 / 整 合 （ 基 于 匹 配 的 图 像 ） 。 使 用RANSAC方法的图像匹配导致图像拼接几何形状，其中接缝在重叠区域中（Li等人， 2008年）。图像融合的目的是将图像拼接成无缝的全景图像为了将具有重叠、模糊等的图像精确地重建成全景图像，除了融合之外还需要一些技术。它们是1）矫直2）增益补偿3）多波段混合（布朗和劳，2007年）。矫直是一种方法，通过它从输出的波纹效果，有效地去除增益补偿是适用于拼接成全景图像，而不会因为光照效应而使拼接性能发生任何变化最后，一个图像与噪声环境作为输入。在实验中，五个噪声变化的图像用于拼接的目的。所得到的全景图像对噪声的影响是不变性的。两个性能度量，即“水平平方梯度值”和“垂直平方梯度值”（Song等人，2015），其中给出了方程。（14）和（15）分别用于评估拼接图像上的拼接性能。XX..在图像融合中消除所有重叠像素的强度误差。即使在增益后也可见的图像边缘高速公路车辆 m²1n² 1MN. Im;n1-Im;n.2ð14Þ补偿，视差效果，重合失调错误等通过多波段混合策略减少XX..4. 结果和讨论4.1. 程序实验在具有Intel Core i3处理器、2GB RAM和Windows操作系统的计算机中进行使用MATLAB R2014a进行仿真 实验过程如下。最初，两幅图像的重叠区域没有任何噪声或照明效果作为输入的图像拼接方案。该方案的结果在质量的全景图像与更少的计算时间其次，给出具有光照效果的图像作为输入，表4所提出的拼接系统的性能与现有的方法，如平方距离（布朗和Lowe，2007年）及其变体，闵可夫斯基和成对欧几里德距离进行了比较。文中讨论了在正常情况下、有噪声图像和有光照影响图像的拼接结果4.2. 在正常条件图2显示了正常情况下多种方法的拼接性能。 图图2（a）和（b）是从不同点获取的图像，图（c-f）是指从所有方法获得的全景图像。在噪声环境下，各种方法得到的拼接图像的HSGV方面的拼接性能。特征匹配噪声变化图像1图像2图像3是说秩欧氏0.005494.51142.84577.77405.0440.01296203.38912.95470.776740.015425.42295.25681.15467.273340.02882.14220.311283.2795.216710.025859.02283.72885.99676.24331Minkowski0.005815.66136.34599.57517.1920.01438.18148.77902.27496.406710.015969.75206.65862.46679.6220.02618.66381.851160720.1720.025449.36264.17883.57532.36672成对欧几里德0.005389.2198.091054.3547.196710.01339.08214.12865.55472.916730.0151035.5226.6799.3687.133310.021061.6278.73764.93701.753330.025434.433.612739.134159.05894ASIFT（Morel和Guoshen，2009）0.005321.45123.54543.34328.6530.01326.78132.45708.86367.2120.015621.34165.43654.32532.1210.02503.43254.23934.54543.2340.025421.65431.76229.54324.544FAST（Rosten等人，（ 2010年）0.005284.34129.65543.67324.6520.01331.23124.56745.54523.4330.015623.49170.98734.65532.4540.02505.67257.89957.86547.8040.025431.67439.54229.65378.451FREAK（Alahi等人， 2012年）0.005356.78124.87645.67321.7820.01345.89132.39762.45390.0930.015641.34173.23699.02537.7240.02505.56254.76976.40548.5020.025423.56412.98231.42331.452混沌启发（Song等人，（2015年）0.005345.67129.76675.89325.6940.01342.78134.67765.54398.730.015675.43178.16765.32543.1710.02514.67276.43989.76569.9820.025434.36435.78234.65345.233全熵0.005387.53134.12712.64411.4330.01365.42171.88898.91478.736720.015757.76207.52803.48589.586730.02529.44290.821002.1607.453340.025440.57471.42259.99390.6632公司简介ð15Þ1104D. Ane Delphin等人/沙特国王大学学报表5噪声环境下各种方法的拼接性能特征匹配噪声变化图像1图像2图像3是说秩欧氏0.005451.16326.41892.59556.7240.01307.45401.841204.8638.0340.015487.8330.991073.1630.6340.021008.1431.121701.61046.9420.025765.26517.88869.33717.493Minkowski0.005791.08314.61975.49693.726730.01789.52315.181194.4766.366720.015993.11338.831122.3818.0830.021084.5527.631544.51052.2110.025766.56379.04852.84666.14674成对欧几里德0.005763.46336.31074.3724.686720.01722.99391.461172.6762.3530.015980.71411.841194.7862.416720.021096.6472.66767.06778.773340.025447.127.5926101.57185.42752ASIFT（Morel和Guoshen，2009）0.005675.29298.89989.76654.8930.01714.78304.761006.45455.9730.015897.87234.561234.76768.9010.021109.7376.89876.98789.5620.025897.09456.78265.90456.904FAST（Rosten等人，（ 2010年）0.005567.89198.78879.09568.9440.01678.90289.76998.78389.7630.015678.98289.67967.89678.9040.02987.90278.54765.87654.8910.025845.67387.90256.86433.212FREAK（Alahi等人， 2012年）0.005678.45281.231106.7717.8920.01698.67303.56988.56756.8930.0151120.8324.67967.89924.7640.02897.65456.87876.56789.6510.025902.34534.76197.65489.673混沌启发（Song等人，（2015年）0.005654.45276.781109.5698.7640.01689.56312.341198.5675.7840.015956.78289.671024.76789.6710.021034.7367.98845.67786.3420.025897.56489.34254.78463.763全熵0.005759.14303.871119.1727.3710.01755.71317.281248.7773.896710.0151131.3346.251336.6938.0510.021115.6497.57979.74864.303330.025914.5540.86275.38576.91331比较评估指定了所提出的和传统的拼接方法的HSGV和VSGV值，所述拼接方法诸如欧几里德、Minkowski、成对欧几里德、ASIFT（ Morel 和 Guoshen ， 2009 ） 、 FAST （ Rosten 等 人 ， 2010 ） 、FREAK（Alahi等人， 2012）和混沌启发（Song等人，2015年），见表2。该方法获得的最大HSGV值为423.6633，比基于成对欧氏距离的拼接高8%，比基于Minkowski距离的拼接高8.5%。HSGV值的最差情况性能，即，236.072 是 通 过 著 名 的 基 于 欧 氏 距 离 的 图 像 拼 接 实 现 的 。 基 于Minkowski距离的拼接的VSGV值达到极限528.6767，这比通过提出的拼接获得的最大值555.6033小5.2%。基于欧氏距离的图像拼接再次达到VSGV的最坏情况。因此，所提出的拼接确保了所有四种方法中的第一排名，说明了拼接图像中保持的质量。4.3. 光照下变化作为具有照明效果的图像，在输入接受中得到的全景图像如图3所示。在实验过程中，为了在不受光照变化影响的情况下评价无缝拼接性能，在正常图像的基础上增加了两种光照效果。为了执行这样的调查，要拼接的两个图像之一经受高照明条件，即，白色效果被添加了更多。从四种拼接方法得到的拼接图像在图中给出。3.第三章。在表3中，根据HSGV和VSGV两者示出了各种方法在变化的照明效果1和2下的拼接性能。在光照效果1下，所提出的方法获得的最坏情况下的HSGV值为356.46。基于最小kowski距离的拼接实现了799.08.然而，在具有照明效果2的图像拼接中，基于估计的秩值，很明显，所提出的方法提供了具有增加的HSGV值的可行拼接。所提出的方法获得的最大值与照明效果2是4.68%，高于基于成对欧几里德距离的拼接，5.17%，高于基于Minkowski距离的拼接和5.21，这是最坏的情况下，基于欧几里德距离的拼接。所提出的方法管理的VSGV值小于照明效果1下的其他方法。在光照效果2下，该方法得到的最佳VSGV值为838.5567，比基于成对欧氏距离的拼接的VSGV值高19.92%，比基于Minkowski距离的拼接的VSGV值高7.1%，比基于欧氏距离的拼接的VSGV值高8.1%。对于具有变化的照明效果的图像，在所提出的系统结束时获得的增加的HSGV和VSGV值证明了拼接的效率不受照明效果的影响，并且还证明了锐度透视的持久性。D. Ane Delphin等人/沙特国王大学学报1105图五. (a)以及（b）在不同相机位置处捕获的图像，（c）来自基于（c）欧几里德距离、（d）闵可夫斯基距离、（e）成对欧几里德距离和（f）基于全熵的匹配的方法的拼接图像。表6各种缝合方法的性能相似度量HSGV秩VSGV秩欧氏163.743399.352Minkowski162.984394.263成对欧几里德179.912394.254ASIFT（Morel和Guoshen，2009）154.235392.325FAST（Rosten等人，（ 2010年）145.036388.236FREAK（Alahi等人， 2012年）133.457386.227混沌启发（Song等人，（2015年）123.638384.238全熵480.381407.1514.4. 噪音环境图 4示出了来自噪声图像的拼接全景图像。实验中，对其中一幅待拼接图像进行高斯噪声污染，其图像下的高斯噪声比率分别根据HSGV和VSGV观察在这五种噪声变化下的拼接性能，并分别在IV和V中列出。在表4中，当在普通图像和具有大约0.005的噪声水平的图像之间执行拼接时，最佳HSGV值547.1967通过使用Minkowski距离作为特征匹配实体的拼接获得 。 在 噪 声 变 化 0.005 处 ， 所 提 出 的 方 法 的 HSGV 值 低 于 基 于Minkowski距离的拼接，但大于通过基于欧几里德距离的拼接实现的值。在0.01噪声变量下，该方法的H