用于快速与随机图像拼接的局部峰值尺度不变特征变换
计算机视觉与模式识别
2024-07-31 v2
摘要
图像拼接旨在构建具有高空间分辨率的宽视野，这是单次曝光无法实现的。通常，除深度学习外的传统图像拼接技术需要复杂的计算，因此计算成本高昂，尤其是对于拼接大型原始图像。在本研究中，受流体湍流多尺度特征的启发，我们基于多尺度局部峰值和尺度不变特征变换方法，开发了一种名为局部峰值尺度不变特征变换（LP-SIFT）的快速特征点检测算法。通过在图像拼接中结合 LP-SIFT 和 RANSAC，与原始 SIFT 方法相比，拼接速度可提升数个数量级。九幅大图（超过 2600*1600 像素）在无先验知识的情况下随机排列，可在 158.94 秒内完成拼接。该算法在需要宽视野的多种应用场景中具有高度实用性，例如地形测绘、生物分析甚至刑事调查。
引用
@article{arxiv.2405.08578,
title = {Local-peak scale-invariant feature transform for fast and random image stitching},
author = {Hao Li and Lipo Wang and Tianyun Zhao and Wei Zhao},
journal= {arXiv preprint arXiv:2405.08578},
year = {2024}
}