基于变形残差的大视差图像拼接方法

1基于变形残差的大视差图像拼接Kyu-Yul Lee和Jae-Young Sim电气和计算机工程学院，UNIST，韩国蔚山和ever1135@unist.ac.krjysim@unist.ac.kr摘要图像拼接技术将在不同观察位置捕获的两个图像对齐到单个更宽的图像上。当所捕获的3D场景不是平面的并且相机基线较大时，两个图像表现出视差，其中场景结构的相对位置与每个视图完全不同。现有的图像拼接方法往往不能处理视差较大的图像在本文中，我们提出了一种基于扭曲残差的新概念的图像拼接算法的大视差鲁棒性我们首先估计多个单应性，并找到它们在两个图像之间的内点特征然后，我们评估每个特征匹配相对于多个homogra- phies的翘曲残差为了减轻视差伪影，我们将输入图像分割成超像素，并根据最优单应性自适应地扭曲每个超像素，该最优单应性通过最小化由扭曲残差加权的特征匹配的误差来计算。实验结果表明，该算法对大视差图像的拼接效果较好，在定性和定量上均优于现有方法。1. 介绍图像拼接是计算机视觉应用中的一项重要技术，它将从不同视角拍摄的多幅图像对齐到一个共同的坐标域上，以生成具有更宽视场的图像。最近，已经发布了许多使用图像拼接技术的商业产品，诸如360°全景相机1和环绕视图监视系统2。此外，提供了图像拼接软件产品来合成多个图像，例如，Adobe PhotoshopPhotoshopTM和Autostitch [2]。大多数传统的图像拼接方法遵循类似的过程[19]。首先从一对输入图像中检测特征点，并在图像之间找到它们的对应匹配然后参数化1https://www.panono.com/2https://www.bmwblog.com/2019/04/18/video-宝马/通过使用检测到的特征匹配来估计图像扭曲模型，所述图像扭曲模型将目标图像扭曲到参考图像域上。最后，我们通过确定变形后的目标图像和参考图像之间的重叠区域中的像素值来合成输出拼接图像图像拼接中最关键和最具挑战性的步骤之一是图像变形。单应性是一种简单而传统的图像变形模型，它描述了基于平面场景假设的参数平面变换[9]。然而，当捕获的场景不是平面的，包括在不同场景深度的前景物体，并且相机基线很大时，我们观察到视差现象，其中物体的相对位置不同于两幅图像。在这种情况下，拼接结果使用平面变换模型，如homography往往表现出视差文物附近的对象边界。为了减轻图像拼接的视差伪影，已经提出了自适应扭曲算法，其将图像分割成规则的网格单元或像素，并通过不同的模型扭曲分割[7，10，11，15，22，24]。应用能量最小化框架来优化自适应扭曲，以防止扭曲图像中的失真[11，15，24]。提出了局部对准技术，其仅对准特定图像区域，同时基于接缝切割方法将伪影隐藏在其他未对准区域中[8，14，23]。然而，对于具有大视差的图像，一个图像中的一组相邻像素在另一图像中可能不具有彼此相邻的对应像素，这在通过现有的基于平滑扭曲的方法获得的所得拼接图像中导致严重的视差伪影[7，11，15，22，24]。已经提出了一种基于对极几何的视频拼接方法，该方法解决了大视差问题[10]，但是由于缺乏视频序列的时间运动信息，该方法不能直接应用于图像拼接本文提出了一种基于变形残差的大视差图像拼接算法由于视差现象通常发生在物体边界附近，我们首先将输入图像划分为超像素，并自适应地扭曲我们检测特征点81988199从两个图像中，并找到它们的对应匹配，然后将其用于估计多个单应性及其相关联的内点匹配。我们使用特征匹配为每个超像素找到最佳的全息图，其中每个特征点的贡献根据扭曲残差自适应地计算。当通过强调位于具有相似场景深度的区域上的特征点来此外，我们使用相邻超像素的单应性来细化每个超像素处的初始估计的单应性以进行可靠的变形。实验结果表明，该算法能够准确地对齐大视差图像，在定性和定量上优于传统的图像拼接方法。本文的其余部分组织如下。第二节介绍了图像拼接的相关工作。第3节提出了一个新的概念翘曲残差。第4节描述了图像变形算法。第5节给出了实验结果。第六节是论文的总结。2. 相关工作Adaptive Warping MethodsGaoet al.提出了一种双单应性方法，该方法根据特征点的位置自适应地混合远平面估计的单应性和地平面估计的单应性[7]。Lin等计算空间变化仿射变换，其中通过最小化成本函数将初始估计的全局变换细化为最佳变换[15]。萨拉戈萨等将输入图像划分为规则的网格单元，并通过移动直接线性变换（MDLT）[22]估计每个单元的最佳全息图，该变换在计算对准误差时将更多权重分配给空间上更接近目标单元的特征点Zhang等人采用尺度保持项和线保持项来最小化扭曲图像中的失真[24]。Li等通过使用基于薄板样条[18]和径向基函数[11]的分析翘曲函数来近似由匹配点的单应性引起的投影偏差。Lee和Sim提出了一种基于对极几何的大视差视频拼接算法[10]。注意，[7]不处理具有两个以上平面结构的场景。其他方法[11，15，22，24]可以扭曲由多个平面区域组成的背景，然而，它们通常假设具有小视差的连续场景深度，并且十个不能对准具有大视差的前景对象，其具有与背景的突然深度变化。此外，[10]需要前景物体的时间运动信息相反，所提出的方法可以在具有大视差的两幅图像之间的不同场景深度处扭曲背景和形状保持变形虽然两幅图像之间的重叠区域通过使用有效的特征匹配很好地对齐，但非重叠区域通常会出现严重的透视变形。Chang等分别对重叠区域应用单应性变换，对非重叠区域应用相似性变换[3]。Lin等提出了一种同质性线性化方法，该方法将重叠区域的翘曲平滑地外推到非重叠区域[13]。Chen等人估计了每幅图像的适当尺度和旋转，并设计了一个基于全局相似性先验的翘曲估计目标函数[4]。Li等提出了一种准单应性变形，通过线性缩放单应性的水平分量来解决[3]的单应性变换和相似性变换之间的线弯曲问题[12]。注意，保形变形通常是为了消除两幅图像之间非重叠区域的透视畸变而设计的，而本文的主要目的是为了对齐两幅视差较大的图像之间重叠区域的共同视觉内容。Gaoet al.定义了单应性的接缝切割损失，该单应性测量扭曲的目标图像和参考图像之间的不连续性[8]。他们使用RANSAC [6]估计多个单应性Zhang等人估计了仅对齐某个图像区域的局部同质性，并应用了内容保持扭曲（CPW）[16]以进一步细化对齐[23]。通过接缝切割方法隐藏了未对准伪影Lin等通过使用迭代翘曲和接缝估计逐渐改善拼接性能[14]。基于接缝的方法通常仅对准某些局部图像区域以提供视觉上令人愉悦的图像拼接结果，这在整个图像区域上可能不是几何上准确的。3. 大视差的翘曲补偿我们回顾了MDLT [22]的数学框架，它是自适应图像扭曲模型之一。然后，我们引入了一种新的概念，翘曲残差，它分配高权重的特征点位于相似的场景深度到一个给定的超像素时，计算翘曲的超像素的对齐误差。3.1. 移动直接线性变换设X是3D空间中平面π上的真实世界点，并且设x=[x1，x2，1]T和y=[y1，y2，1]T分别是X投影到两个图像I和J上的两个像素之间的关系用一个3 × 382003k=1Kk=1HH由平面π诱导的单应矩阵H。（1）其中，n表示按比例的相等由于Hx和y在J中的两个位置相同，我们有[22]03×1 = y× Hx01×3−xTy2xT（二）=xT01×3−y1xTh−y2xTy1xT01×3图1.与{xkParticipyk}k=1的三个特征匹配相关的其中h是通过对H的行进行向量化而获得的。当x和y不是从π上的同一景物点投影，且I和J之间的摄像机基线不够小时，方程（2）不成立，范数φy×Hx φ可视为I和J的对准误差。直接线性变换（DLT）[25]从I和J之间的K个匹配像素对中估计最佳单形hyh，从而使代数误差最小化，ΣKh=argmingkh2，s.t. 1，（3）k=12=argmin，s.t. 1、（4）其中gk是（2）中RHS矩阵的前两行，π1和π2的平面。3.2. 基于变形残差的变换在（7）中定义的基于空间距离的权重减轻了基于全局单应性的图像扭曲方法的伪影，然而其仍然遭受严重的未对准伪影，特别是在具有大视差的挑战性图像上。 如图1所示，让我们考虑三个特征点，其中两个点x 1和x 2分别位于平面π1上，而点x 3位于另一个平面π2上。 我们假设两个平面π1和π2具有彼此不同的场景深度，从而导致严重视差，并且因此π1和π2在J与I中的有很大不同。 考虑这三个第k个匹配像素对和G∈R2K×9 获得匹配对{xk参与k}3我和J之间。而通过堆叠所有K个匹配对的gk由G的最低有效右奇异向量解h_y得到最优同态矩阵H_y。注意，该全局单应性可以产生显著的当将图像与非平面3D场景和大相机基线对齐时，会出现视差伪影为了减轻这种假象，Zaragozaet al.[22]将DLT修改为移动DLT（MDLT），将图像划分为规则的网格单元，并自适应地估计每个单元的单应性的最优同形图（等价于其矢量化形式ˆ在I中x∈1和x∈2之间的相对位置相同，对于J中的匹配像素y=1和y=2，I中的x=2和x=3之间的位置关系与J中的匹配像素y=2和y=3之间的位置关系完全不同，如图1所示。（7）中的现有加权方案分配较高的对空间上更接近的特征点进行加权，而不管不同的场景深度，因此在对象边界附近产生视差伪像。为了克服这个缺点，我们首先提取Hm在I和J之间的多个可能的单应矩阵并为第k个匹配的hi）通过采用权重ma-k我的朋友（4）作为关于第m个单应性Hm的点xk为：h=argminB.W.Ghosts2，s.t.1、（5）rm=yk−ym。（八）一喜一健其中Wi∈R2K×2K是第i个单元格，由下式给出：其中ym= Hmxk。 在图1中，我们考虑了与π 1和π 2相关的两个单应性H1和H2，这三个点{xk}3使用两个单应性，Wi=dia g（[wi，1wi，1wi，2wi，2···wi，Kwi，K]）.（六）分别为。由于x1和x2都位于π1上，因此由H1引起的r1和r1的翘曲残差很小，而由H1引起的r2和r2的翘曲残差很小权重wi，k使用空间距离be-122 1 2来中间像素c第i个像元和第k个要素由H变得很大。相反，x 3位于π2上，因此i导致r2的翘曲残差较小，但残差较大点xk由13给出wi，k= max（exp（−<$ci−x<$k<$2/σ2），γ）.（七）8201{H}R3，分别。对于给定的第k个特征点xk，我们使用M个单应性对扭曲残差向量rk进行其中，x表示齐次坐标x的2Dpi x el坐标。m Mm=1给出rk=[r1r2· · ·rM]T.（九）K K K8202{H}内点i，k内点内点内点内点内点内点Mi，k(a)（b）第（1）款(c)（d）其他事项图2.翘曲残差的影响。(a)目标图像I和(b) 参考图像J。（c）使用基于空间距离的权重的分区规则网格单元和特征点[22]以估计由白色十字标记的给定单元的单应性。(d)分区的超像素和具有所提出的基于扭曲残差的权重的特征点用于估计由白色十字标记的给定超像素的我们绘制大的网格单元和超像素用于可视化目的。我们看到，扭曲残差向量隐含地描述了整个场景结构，因为位于同一平面区域上的特征点往往具有彼此相似的扭曲残差向量，而位于不同场景深度处的点产生彼此大不相同的扭曲残差向量。对于大视差的图像拼接，我们采用了变形残差矢量。具体来说，我们首先将输入图像分割成自适应变形的超像素，因为视差现象通常发生在建筑物从每一个视角看具有相当不同的相对位置。图2（c）显示了分区的规则网格单元和通过APAP获得的检测到的特征点[22]。我们在（7）中计算特征点相对于由白十字标记的目标网格单元的基于空间距离的权重。我们看到，更高的权重被分配给空间上更接近目标网格单元的特征点。特别地，即使目标网格单元位于红色对象上，不仅位于红色对象上的点而且白塔上的点也被分配高权重。另一方面，图2（d）示出了针对由白色十字标记的给定目标超像素在（10我们观察到，所提出的算法仅对位于与目标超像素相同的红色对象上的特征点赋予高权重，同时有效地抑制了位于与红色对象不同场景深度处的白塔上的空间接近特征点的权重此外，请注意，大视差通常发生在由超像素的边界有效捕获的对象边界附近4. 图像扭曲我们首先估计两幅图像之间的多个有效单应性，这些单应性用于计算扭曲残差。我们将输入图像划分为超像素，并基于扭曲残差估计每个超像素处的最佳单应性。我们还改进了最初估计的单应性，以处理更可靠的图像对齐的遮挡。4.1. 多单应性估计我们通过使用SIFT [17]来找到特征点，以获得两个图像I和J之间的一组初始匹配F init。然后我们使用F init来估计M个多重单应性物体的边界。我们估计最优的homogra-M mm=1 并且相关联的内点匹配{Fmm=1。ph yhi，对于第i个超像素Si，通过解方程其中，现有的基于空间距离的权重w我们将候选匹配的集合Fcand初始化为Finit，并估计第一同形hyH1及其内点i，k用建议的基于扭曲残差的权重代替1内点 从Fcand 使用离群值去除方法，wpropgiv enbywprop=max（exp（−Ri−rk2/σ2），γ），（10）阈值为η=0的MULTI-GS。01[5]. 稳定单应性估计，我们也使用归一化坐标-nates的特征点[25]，并删除匹配的孤立的特征点，从F1没有相邻的其中，Ri是第i个超分辨率的扭曲残差向量，50像素距离内的点。 我们减去F1从像素Si，其由Fcand，并继续估计下一个单应性H2到Si的中心的最近特征点xk。我们要-和它的内点集F2更新的F cand。 这个亲-设σ=4，γ=0。01. 注意，每个超像素cess迭代地重复多达5次，直到满足通过对FEA施加高权重而自适应地变形停止条件8或<位于与目标相似的平面区域上的真实点超像素图2示出了基于扭曲残差的加权方案的效果，其中图2（a）0.02.此外，当只有一个单应性是es-在迭代过程中被估计为有效的，我们认为输入图像表现出小的视差，并使用更宽松的内点阈值η = 0再次估计H 1和F 1。1 .一、Fi-和（b）表现出大视差，因为红色物体和最后，我们将得到的集合{FmMm=1 到}集F}8203JJJJJSJJ(a)（b）（c）（d）图3.多个单应性的图像变形。(a)输入图像和（b）图像拼接的结果，其中目标图像分别被估计的三个单应性扭曲。可能会导致扭曲图像域中的空洞，因此，我们改为执行从J到I的逆扭曲。具体来说，我们考虑J域上的一个大画布，其中包括J和I的扭曲图像。 我们将画布划分为超像素，其中J的内部通过使用SLIC [1]进行划分，而J的外部则是均匀划分的。被分割成100×100规则网格的超像素为每个第j个超像素xelSJ 在画布上，我们估计最初的(a)（b）第（1）款类似于用于前向扭曲的单应性估计，基于等式（5）计算单应性估计。然后我们取I中对应于SJ的像素根据(c)（d）其他事项图4. (a)目标图像和（b）具有大视差的参考图像。将目标图像变形到参考图像上分别根据（c）初始估计的单应性和（d）细化的单应性来完成。H→J→I，并在canvas domain.图4（a）和（b）分别示出了两个图像I和J，并且图4（c）示出了I的变形图像。我们看到大部分像素都被精确地扭曲了，然而，鱼雕像的尾巴出现了两次，因为如黄色框中所示为了处理这种遮挡伪影，我们检查画布中的超像素（其对应像素位于I内）是否被遮挡在我或不。在实践中，我们首先计算翘曲损失，SJgiv enby1Σ¨ ¨总内点匹配F内点的集合。图3显示了一对L（SJ）=. .<$J（q）−I（H<$J→Iq）<$（十一）对大视差的输入图像及其通过将目标图像变形到参考图像上得到的拼接结果进行了分析J. J.J伊杰q∈SJ根据三个估计的单应性，分别对图像进行处理。我们看到，多个单应性中的每一个分别地，第一单应性对准白色建筑物，第二单应性对准地平面，以及第三单应性对准蓝色对象。其中通常在I中被遮挡的超像素处评估大的翘曲损失。 我们还计算S J的双向缠绕距离为：d （ cj ） =<$cj−c<$j<$$>（ 12）其中cj是SJ的中心pixel，c<$j=H<$iH<$J→IcjJ J4.2. 最优Warping估计如第3节中所解释的，我们使用SLIC [1]将输入图像I分割成超像素，并且我们根据通过基于扭曲残差求解（5）而计算的最优同态将I的每个超像素扭曲到J在（10）中基于两个的权重。 然而，这种向前翘曲8204JJJ其中H_i表示在I中的第i个超像素el处的前壁的同态h_y，包括H_J→I_c_j 的 像 素el。如图4（b）中的红点所示cj及其bidi-由于c j在I中被遮挡，因此倾斜翘曲点在翘曲图像中具有大的距离。当L（SJ）>20，d（cj）小于2%时，我们凭经验判断SJ被阻塞8205J(a)（b）（c）（d）图5.在所提出的算法中，基于扭曲残差的加权和遮挡处理的效果。(a)输入视差较大的图像。通过使用（b）APAP [22]，（c）通过用所提出的基于扭曲残差的权重替换基于空间距离的权重的扩展APAP，以及（d）具有遮挡处理和单应性细化的所提出的算法获得的拼接图像(a)(b)（c）第（1）款图6.图像拼接结果的算法。 (a)输入视差较大的图像。 拼接后的图像(b) 分别是初始单应性和（c）细化单应性J的对角线长度的此外，我们对检测到的超像素进行连通分量分析，并选择M-1个最大连通区域作为遮挡区域。注意，M是估计的多个单应性的数量。我们观察到，在大多数情况下，遮挡主要发生在前景物体和背景之间，因此我们将遮挡区域的数量简化为M-1。图4（d）示出了图4的变形图像。I在J的画布域上，其中occlu的区域孔被表示为孔。注意，超像素的扭曲残差向量由最接近超像素的特征点的扭曲残差向量定义，这可能在它们不在同一对象上时引起对准误差。因此，我们在实现SIFT时通过调整参数来获得更多的特征点。我们还进一步完善了估计-5. 实验结果我们使用40对测试图像来评估所提出的图像拼接算法的性能：20对图像来自[23]，另外20对是新捕获的。为了有效地比较对准性能，每对图像共享足够的重叠区域，我们应用平均混合方案来组合变形的目标图像和参考图像。5.1. 图像扭曲的性能图5示出了所提出的算法的消融实验结果。如图5（b）所示，APAP [22]的现有方法在站立板的前景物体周围产生严重的视差伪影当我们替换APAP的基于空间距离的加权方案SJ的配对同形词hyHJ→I的单应性对于所提出的基于扭曲残差的方法，J J在（11）中具有最小翘曲损失的100个相邻超像素中的相邻超像素是S1。我们仅将细化方法应用于未被遮挡的超像素，因为没有从被遮挡的超像素提取有效像素值。视差伪影得到有效缓解，如图所示图5（c）.此外，遮挡处理和全息细化进一步去除伪影，如图5（d）所示。图6显示了获得的图像拼接结果8206(a) 一（b）J（c）单应性（d）CPW [16]（e）APAP [22]（f）ELA [11]（g）图7.通过所提出的算法获得的图像拼接结果与四种现有方法的图像拼接结果的比较：单应性，CPW [16]，APAP [22]和ELA[11]。从上到下，通过该算法在两个具有大视差的具有挑战性的测试集图6（b）显示了根据初始单应性扭曲图像所获得的拼接结果，其中我们看到，大部分具有大视差的图像都很好地对齐，而不会导致严重的伪影。然而，一些超像素是从它们的最近点导出的有符号的假扭曲残差。位于不同场景深度的特征点，这通常表现出拼接伪影，例如图6（b）中突出显示的对象边界附近的重影。图6（c）示出了通过根据细化的单应性扭曲图像而获得的最终拼接结果，其精确地对准不同场景深度处的前景对象，例如，卡车和卫星天线在8207图8. Ground Truth Matches(a)（b）第（1）款图9.图像对齐的定量性能比较。(a)平均几何误差。(b)SSIM。5.2. 与常规方法的比较我们比较了所提出的算法与现有的四种算法的性能：[16]《易经》：“君子之道，焉可诬也？有始有卒者，其惟圣人乎！”单应性是一种估计单个主单应性的全局图像对齐方法，其他三种CPW基于能量最小化框架对网格单元顶点进行自适应变形。APAP使用基于空间距离的加权方案计算的MDLTELA自适应地对齐网格单元通过近似的翘曲误差解析。注意，我们不比较基于接缝切割的方法[8，14，23]，因为它们试图隐藏未对准的伪影，并且我们也不比较基于形状保持的扭曲的方法[3，4，12，13]，因为它们主要集中在对准非重叠区域。利用作者提供的源代码实现了单应性算法和CPW算法，得到了APAP3和ELA4请注意，我们使用MULTI-GS [5]进行Ho- mography和CPW，以更可靠地去除离群值。图 7 比 较 了 图 像 拼 接 结 果 。“Gar-den” and“Building” images exhibit relatively small paral- lax, andthus most of the methods provide reliable然而，在其他视差较大的测试图像上，由于传统的配准算法是基于目标图像中的相邻像素也应该是变形图像域中的相邻像素的假设而设计的，因此通常不能同时实现前景对象和背景的配准具体地，常规方法在对象边界附近产生严重的重像伪影， 《西雅图》中的红色物体相反地，前-3http://cs.adelaide.edu.au/4https://ieeexplore.ieee.org/document/8119833/算法传统方法对“鱼像”中的地物进行了很好的拼接，拼接后的背景图像产生了严重的伪影。此外，通过传统方法，“公司雕像”和“街道”中的前景对象和背景都未对准。另一方面，该算法根据变形残差自适应地估计场景深度相似的局部图像区域的最优单应性，在消除拼接图像中视差伪影的同时，实现例如，所提出的算法准确地对准前景对象，例如，“西雅图”中的红色对象《鱼像》和《街》的背景建筑此外，我们评估的定量性能的图像对齐使用地面真值特征匹配的40对测试图像。具体来说，我们在I上定期分布查询像素，并使用密集特征去-脚本DAISY [20]以获得J中的匹配像素然后，如图8所示，手动地对这些数据进行细化。我们平均每个图像对有大约90个地面真实匹配。我们根据平均几何误差和SSIM [21]分别测量J域上扭曲查询像素与其地面实况匹配像素之间的差异，如图9（a）和（b）所示单应性、CPW、APAP和ELA产生的平均几何误差分别为33.3、21.1、23.3和26.9，SSIM分别为0.41、0.49、0.54和0.57。然而，该算法实现了最小误差13.9和最高SSIM得分0.62。6. 结论提出了一种基于变形残差的大视差鲁棒图像拼接算法。我们将输入图像划分为超像素，并根据最佳单应性对每个超像素进行我们引入了变形残差，该变形残差自适应地将高权重分配给位于与目标超像素具有相似深度的局部图像区域的特征点。实验结果表明，该算法在大视差的挑战性测试图像上能够准确地对齐前景物体和背景，与传统的图像拼接方法相比，其性能有明显的提高确认这项工作得到了韩国NRF通过科学和信息通信技术部（MSIT）在2017R1A2B4011970号拨款下的支持，以及IITP通过MSIT在20170006670021001号拨款下的支持。8208引用[1] R. Achanta、A. Shaji，K.史密斯，A. Lucchi，P.Fua，and S. 很 好切片超像素与最先进的超像素方法的比较IEEE传输模式分析马赫内特尔，34（11）：2274-2282，Nov. 2012. 5[2] M. Brown和D. G·劳使用不变特征的自动全景图像拼接。国际计算杂志目视，74（1）：59-73，2007. 1[3] C.- H.昌，Y. Sato和Y.- Y.创.用于图像拼接的保形半投影变形。在Proc. CVPR，2014。二、八[4] Y.-- S.陈和Y Y.创.基于全局相似性先验的自然图像拼接。在Proc. ECCV，2016中。二、八[5] T.- J. Chin，J. Yu，and D.苏特通过偏好分析加速多结构数据的假设生成。IEEE传输模式分析马赫内特尔，34（4）：6252012年4月。四、八[6] M. A. Fischler和R.C. 波尔斯随机样本一致性：模型拟合的范例及其在图像分析和自动制图中的应用ACM通信，24（6）：381- 395，1981. 2[7] 高杰、S. J. Kim和M. S布朗。利用双单应性变形构造图像压缩 在proc CVPR，2011年。一、二[8] J. Gao，Y.李，T- J. Chin和M. S布朗。图像拼接。InProc. Eurographics，2013. 一、二、八[9] R. Hartley和A.齐瑟曼。计算机视觉中的多视图几何。剑桥大学出版社，2003年。1[10] K.- Y. 李和JY. SIM. 基于自适应像素扭曲的大视差多视点视频拼接IEEE Access，6：26904-26917，2018年5月。一、二[11] J. Li，Z. Wang，S.赖，Y。Zhai和M.张某基于鲁棒弹性变形的视差容忍图像拼接。IEEE Trans. Multimedia，20（7）：1672-1687，2018年7月。 一、二、七、八[12] N. Li，Y. Xu和C.王.图像拼接中的准单应性扭曲。IEEE Trans. Multimedia，20（6）：1365-1375，2018年6月。 二、八[13] C.- C. Lin，S.联合Pankanti，K.N. Ramamurthy和A.Y. 阿夫金。自适应尽可能自然的图像拼接。在Proc.CVPR，2015中。二、八[14] K. Lin，N.江湖F. Cheong，M.做，和J。卢。Seag-ull：用于宽容视差图像拼接的视差引导局部对齐在Proc.ECCV，2016中。一、二、八[15] W.- Y. Lin，S.Liu，Y.Matsushita，T.T. Ng和L.-F. 阿昌平滑变化的仿射缝合。在Proc.CVPR，2011中。一、二[16] F. Liu，M. Gleicher，H. Jin和A.阿加瓦拉三维视频稳定的内容保持扭曲 ACM Trans.Graph. ，28（3）：44，2009. 二七八[17] D. G·劳从尺度不变的关键点中提取独特的图像特征。国际计算杂志目视，60（2）：91-110，2004. 4[18] R.斯普伦格尔湾Rohr和H. S.斯蒂尔图像配准的薄板样条逼 近 。正 在 进 行IEEE 国 际Conf. Eng. Med. Biol. Soc.Bridging Bacterians Biomed. ，1996年10月。2[19] R. Szeliski等人图像对齐和拼接：一个教程。Found. 趋势计算Graph. 目视，2（1）：11[20] E. 托拉河谷Lepetit和P.呸Daisy：一种适用于宽基线立体声的高效密集描述器 IEEE Trans. 模式分析马赫内特尔，32（5）：815-830，2010年5月。8[21] Z. Wang，中国山核桃A. C. Bovik，H. R. Sheikh和E.西蒙切利图像质量评估：从错误可见性到结构相似性。IEEE Trans. 图像处理。，13（4）：6008[22] J. Zaragoza，T. J. Chin，Q.- H.特兰，M。S Brown和D.苏特尽可能投影的移动dlt图像拼接。 IEEE Trans. 模式分析马赫内特尔，36（7）：1285一二三四六七八[23] F. Zhang和F.刘某 视差容忍图像拼接。 在Proc. CVPR，2014. 一、二、六、八[24] G. Zhang， Y.他，W。Chen，J. Jia，and H.豹宽基线图像的多视点全景图构建。IEEE传输图像处理。，25（7）：3099-3111，2016年7月。一、二[25] Z.张某参数估计技术：应用于圆锥曲线拟合的教程。图像可见Comput. ，15（1）：59- 76，1997. 三、四