【正文】 45 致 謝 值此論文完成之際，謹向我的導(dǎo)師 王一丁 教授 致以崇高的敬意和衷心的感謝！在撰寫畢業(yè)論文過程中，王老師給了我很大的幫助，在他的指導(dǎo)和鼓勵下，這篇論文才得以完成。而傳統(tǒng)的利用人工選取控制點以及串行的執(zhí)行方式很難滿足快速和實時的要求。 目前，高配準率快速的圖像配準算法的研究有著很大的實用價值和前景，在導(dǎo)彈的地形和地圖匹配制導(dǎo)、序列圖像目標分析、跟蹤、識別、雷達目標跟蹤與識別等應(yīng)用中都要求高配準率下的快速圖像配準。許多算法在上述差別較小時適用，當圖像灰度差別 增大時適用區(qū)域受到了限制，如何提高算法的適用性，開發(fā)智能型的通用的圖像配準方法是圖像配準技術(shù)追求的最高目標。 根據(jù)作者對圖像拼接技術(shù)的研究和體會，總結(jié)出圖像拼接技術(shù) 在以下幾個方面有待于進一步的研究： 較大幾何位置差別條件下的拼接技術(shù)的實現(xiàn)。目前 國內(nèi)外對圖像配準和圖像融合技術(shù)的研究還不夠系統(tǒng)、不夠深入，還沒有形成完整的理論框架 44 和體系。 （ 2） 對于具有較大尺寸的縮放、 非線性變形 以及具有角度旋轉(zhuǎn) 的圖像，在拼接中受到算法局限性的制約。該算法對于具有 左右平移和上下平移 的圖像都能夠?qū)崿F(xiàn)光滑 過濾，無縫拼接。 然后 介紹了圖像拼接的基本流程、圖像的各種采集方式。 論 文主要研究了圖像拼接技術(shù)，首先介紹了圖像拼接技術(shù)的概念，研究現(xiàn)狀，特點和應(yīng)用領(lǐng)域，指出了研究圖像拼接技術(shù)的重要意義。 imshow(E)。 b3=cat(2,a7,a89)。 b1=cat(2,a12,a3)。 a7=cat(3,a7,a7,a7)。 42 end a6=y(1:M1hang+1,N1lie+2:end,1:end)。 a5=cat(1,a5,K)。 Kc=imlinb((M1hang+2o)/(M1hang+2),a5hc(o,1:end),o/(M1hang+2),a5yc(o,1:end))。%上下過濾 for o=1:(M1hang+1) Ka=imlinb((M1hang+2o)/(M1hang+2),a5ha(o,1:end),o/(M1hang+2),a5ya(o,1:end))。 end a5=a5(1:end,2:end,1:end)。 K=cat(3,Ka,Kb,Kc)。 Kb=imlinb((N1lie+2o)/(N1lie+2),a5hb(1:end,o),o/(N1lie+2),a5yb(1:end,o))。 if hanglim a5=h(1:M1hang+1,1,1:end)。 a5yb=Yb(1:M1hang+1,1:N1lie+1)。 a5hc=Hc(hang:end,lie:end)。 a5ha=Ha(hang:end,lie:end)。 a3=cat(3,a3,a3,a3)。 a12=h(1:hang1,1:end,1:end)。 40 end end MAX=max(max(t))。 b(i,j)=sqrt(sum(sum(temp.*temp)).*sum(sum(X.*X)))。 for i=1:M1m1+1 for j=1:N1n1+1 temp=I(i:i+m11,j:j+n11)。 [M1 N1]=size(I)。 I=double(Hb)。 [M N]=size(Ya)。 Hb=h(:,:,2)。 Yc=y(:,:,3)。 Ya=y(:,:,1)。E:\39。)。 y=imread(39。 clc。 自動識別拼接方向的彩色圖像拼接程序 以下程序 是利用了左上右下的假設(shè)，以黑色填充假設(shè)中 3， 7 部分 ，并以ifelseend 結(jié)構(gòu)語句連接左右與上下 兩種 重合部分 過濾程序完成拼接 的。 這樣，在處理重合部分前，先判斷匹配點的坐標具有以上兩類特點中的哪類 特點，再選擇對重合部分進行上下過濾或者左右過濾，就能夠自動完成選擇方向的圖像拼接了。 在對第 5（重合）部分進行處理之后把他們按原來的位置排列好就能夠完成拼接。程序中找到的匹配點坐標 (hang,lie)就是圖中綠色部分12 3 4 5 6 圖 7 89 38 左上角的點對應(yīng)在黃色部分的坐標。圖 形象的用幾何圖形構(gòu)成了這種假設(shè)的狀態(tài)。但是在左右拼接的時候需要拆分的是原圖像的左右兩邊，上下拼接的時候需要拆分的是原圖像的上下兩邊，這就給統(tǒng)一的程序帶來了困難。 本節(jié)主要在程序結(jié)構(gòu)上進行改進，使之能夠自動完成左右或者上下特點圖像的拼接。 在彩色的效果圖中也可以看出，加強過濾后的圖像也看不出原來拼接的痕跡，實驗證明對重合部分進行加強過濾比原來的效果要好。在重合部分處理過程中也會相對的復(fù)雜。 figure(1),imshow(E)。 a1=cat(2,a1,K)。 Kc=imlinb((N1lie+2o)/(N1lie+2),Bhc(1:end,o),o/(N1lie+2),Byc(1:end,o))。 for o=1:(N1lie+1) Ka=imlinb((N1lie+2o)/(N1lie+2),Bha(1:end,o),o/(N1lie+2),Bya(1:end,o))。 Bhc=Hc(1:end,lie:end)。 Bhb=Hb(1:end,lie:end)。 Bha=Ha(1:end,lie:end)。 a1=h(1:end,1:lie1,1:end)。 end end MAX=max(max(t))。 b(i,j)=sqrt(sum(sum(temp.*temp)).*sum(sum(X.*X)))。 for i=1:M1m1+1 for j=1:N1n1+1 temp=I(i:i+m11,j:j+n11)。 [M1 N1]=size(I)。 I=double(Ha)。 Hc=h(:,:,3)。 Ha=h(:,:,1)。 Yc=y(:,:,3)。 Ya=y(:,:,1)。E:\39。)。 y=imread(39。 34 彩色拼接程序 以下是采用了彩色拼接方法的程序 ： clear all。 %提取左圖的第二基色層 Hc=h(:,:,3)。 %提取右圖的第三基色層 Ha=h(:,:,1)。 %提取右圖的第一基色層 Yb=y(:,:,2)。)。 %讀取右半部分圖像 h=imread(39。E:\39。 每一幅彩色圖片在輸入 MATLAB 后，都是以 3 個同規(guī)格的矩陣在圖像平面的法線上排列存放的，這三個矩陣分別對應(yīng)了 R(紅 )， G(綠 )和 B (藍 ) 三個分量 。 對圖像進行 RGB 拆分處理 RGB 色彩空間是用于顯示和保存彩色圖像的最常用的彩色空間，對應(yīng)于人類視覺的三基色即紅、綠、藍三種顏色，該空間由 R(紅 )， G(綠 )和藍 (B) 三個分量組成，在三維空間中的三個軸分別與之對應(yīng)。 33 完成彩色拼接 實驗中用到的圖片是彩色的圖像，但是實驗結(jié)果中顯示的都是灰度處理后的實驗效果拼 接圖，如果讓實驗效果變?yōu)椴噬男Ч?，更能夠?qū)χ睾喜糠诌^濾的過程一目了然。 32 對過度過程改進后的實驗效果圖 圖 是未進行改進的實驗效果圖。 end E=cat(2,a1,a2)。 for o=1:(N1lie+1) K=imlinb((N1lie+2o)/(N1lie+2),B1(1:end,o),o/(N1lie+2),B2(1:end,o))。 B1=H(1:end,lie:end)。 a1=H(1:end,1:(lie1))。 end end MAX=max(max(t))。 b(i,j)=sqrt(sum(sum(temp.*temp)).*sum(sum(X.*X)))。 for i=1:M1m1+1 for j=1:N1n1+1 temp=I(i:i+m11,j:j+n11)。 [M1 N1]=size(I)。 I=double(H)。 [M N]=size(Y)。 Y=rgb2gray(y)。E:\39。)。 y=imread(39。 30 改進后的程序 以下是對重合部分過濾進行改進的程序： clear all。 最后再 用程序 a50=a50(1:end,2:end)。并且 o 每增加一個值， a50 就記憶下當時 K 的狀態(tài)。語句，把 K 賦予到“拉鎖”的源頭上，使 K 記憶在 a50 上。 %把假設(shè)的圖像去掉 為重合部分假設(shè)的左邊圖像就好像 “ 拉鎖 ” 的源頭 ， 當 o=1 時 ： K=imlinb(N/(N+1),A(1:end,1),1/(N+1),B(1:end,1))。 a50=cat(2,a50,K)。 a50=uint8(a50)。 要達到這種效果 就需要 把重合部分分成若干列（行），每一列（行）按從左到右（從上到下）進行不同程度的比例分配。語句的實際功能 ，它把 A1 和 B1 各分成一半再相加起來。語句是對重合部分進行過濾的 ，它 運行的效果 相當于 K=.*A1+.*B1。在處理重合部分的過程中用到了 imlinb 函數(shù)，本節(jié)將主要對這個函數(shù)的使用加 以 改進，實現(xiàn)無縫拼接。 下一章將針對以上提出的問題進行分步的改進。 %把三部分從左到右排列完成拼接過程 分析 該程序 存在的問題 該程序能過自動找出匹配點運用該匹配點進行拼接，但是 圖像之間重合部分的處理還不夠。 %截取左半部非重合部分 Y1=Y(1:end,N1lie+2:end)。 %在左半部圖像中找出重合部 分 K=imlinb(.5,A1,.5,B1)。 B1=Y(1:end,1:N1lie+1)。對該部分以一定的方式處理后，與原圖片中不重合的部分進行物理上的拼接就能夠得到實驗的最后結(jié)果。 賦予 27 （ hang,lie） 該坐標點就是左半部圖像中與右半部圖像左上角的匹配點 。 [hang,lie]=find(t==MAX)。可以看出：在 t 中，大部分的坐標都近似為 1，但是一定 會 有一個最大值（最相似）。 圖 在三維曲面圖中底面代表原左半部分圖片，底面每個坐標上都對應(yīng)一個值 ，最大為 1。其中 temp 是左邊圖像中所有能夠截取出的像素為 50*50 的小圖。 [hang,lie]=find(t==MAX)。 t(i,j)= c(i,j)/b(i,j)。 c(i,j)=sum(sum(temp.*X))。%把左半部分圖像修改成 double 格式并賦予 I X=double(xiaotu)。 %對圖像進行灰度處理 圖像的配準 首先給出進行圖像配準的程序段： xiaotu=Y(1:50,1:50)。 %讀取待處理的右半部圖像 Y=rgb2gray(y)。E:\39。)。一下是程序中預(yù)處理圖片的程序和說明： h=imread(39。 程序運行的結(jié)果以及分析 圖 是 該程序 運行的結(jié)果： 圖 在運行結(jié)果中可以看出，圖像拼接前是彩色的圖像，拼接好后只得到了灰度的圖像，而且在兩棵樹中間部分具有明顯的拼接痕跡。 E=cat(2,X1,K,Y1)。 X1=H(1:end,1:lie)。 A1=H(1:end,lie:end)。 24 [hang,lie]=find(t==MAX)。 t(i,j)= c(i,j)/b(i,j)。 c(i,j)=sum(sum(temp.*X))。 [m1 n1]=size(X)。 X=double(xiaotu)。 xiaotu=Y(1:50,1:50)。 H=rgb2gray(h)。)。 y=imread(39。E:\39。 clc。從圖中可以看出這兩張圖片中間有一部分重合區(qū)域，根據(jù)這部分重合區(qū)域，計算機就能夠?qū)ふ业絻蓮垐D片的匹配點加以拼接。用戶可以在 Simulink 的示波器上實時監(jiān)測目標板上的信號，考察其實時運行的結(jié)果。 ealTime Workshop 支持 Simulink 的外部應(yīng)用模式，即把用戶的實時目標板與 Simulink的模型相連接。只需要簡單的操作，用戶無需繁瑣的手工 編程與調(diào)試就可以生成應(yīng)用代碼。利用 Simulink 提供的子系統(tǒng)和 Sfunction 功能，用戶可以方便地建立自己的專業(yè)模塊庫，或?qū)⒁延械拇a結(jié)合到仿真模型中使用。模型可以是含有離散時 間、連續(xù)時間系統(tǒng)或混合的系統(tǒng)。此外，用戶可以快速地將代碼片段和知識轉(zhuǎn)換成可以重復(fù)使用的自動分析例程，不需要變量聲明和維數(shù)定義，可很快編