SURF算法

在日常生活中人们往往需要一幅大范围的全景图像，以此来获得更多的信息。然而，由于镜头拍摄角度的局限性，一般只能得到局部的图像，而全景成像的硬件设备一般比较昂贵。所以，人们就想利用多幅图像拼接成一幅大的图像，这样就可以获取宽视角、高分辨率的全景图像。图像拼接本质上是对待拼接图像的重叠部分进行图像配准和图像融合，其一般步骤是：

（1）获取图像序列；

（2）图像预处理，去除噪声和图像畸变校正；

（3）图像配准，用算法对图像进行配准定位，是图像拼接的关键步骤；

（4）图像融合，消除拼接的接缝；

（5）输出拼接完成的图像[1-2]。

当前图像拼接的方法主要是包括基于区域的方法和基于特征的方法。基于区域的方法应用重叠区域的所有信息进行计算，因此，它的精度比较高。但是，该方法要使用大量的像素信息，因此计算量很大，并且对光照很敏感[1]。而基于特征的方法则是利用两幅图像重叠区域的点、线或者其他的特征信息来估算两幅图像的对应关系。目前，基于不变特征的物体匹配、识别的研究比较多，比如SIFT算法和SURF算法[3-4]。这些不变特征对于尺度、旋转、光照都具有很高的鲁棒性。对于SIFT算法，其特征描述向量维度（128维）较高，计算量较大[5]。而SURF算法是一种快速鲁棒性算法，其特征描述向量维度（64）也相对较高[6]。针对特征描述符维度高、计算量大的情况，本文提出了一种改进的SURF算法。该方法主要是将对称性得分加入到SURF算法的框架中，其中对称性得分就是指每个特征点和其邻域内点的像素值之差求和。用对称性得分的最小值来表示特征描述符，降低了特征描述的维度，提高了算法的效率。通过对采用算法改进前后特征点对匹配结果进行的对比实验，从特征点对提取数量、时间、匹配率验证了本算法的正确性。

参考：http://www.chinaaet.com/article/3000010925