摘要 : 图像间位置偏差较大时,图像拼接容易出现错位、重影问题。提出一种深度学习和APAP模型结合的大视差图像拼接算法,该算法使用基于学习的SuperPoint网络同时提取图像特征点和描述符,采用SuperGlue网络对特征点进行筛选和最优匹配,最后通过APAP模型求取局... 展开 图像间位置偏差较大时,图像拼接容易出现错位、重影问题。提出一种深度学习和APAP模型结合的大视差图像拼接算法,该算法使用基于学习的SuperPoint网络同时提取图像特征点和描述符,采用SuperGlue网络对特征点进行筛选和最优匹配,最后通过APAP模型求取局部投影变换完成拼接。实际结果显示,在Mikolajczyk数据集上,基于学习的SuperPoint和SuperGlue网络在特征点提取和匹配方面相比传统算法重复率提升20%左右,准确率达到99%,鲁棒性更强,准确率更高。最终拼接图相比传统算法图像质量评价指标NIQE降低6.5%左右,基本消除错位、重影问题,更符合视觉效果。 收起