SIFT'e dayalı kaya dilimlerinin görüntü mozaiği
Pang Zhan1,2, Teng Qizhi1, He Haibo2
(1. Görüntü Bilgileri Enstitüsü, Elektronik Bilgi Okulu, Sichuan Üniversitesi, Chengdu 610064, Sichuan; 2. Chengdu Xitu Technology Co., Ltd., Chengdu 610064, Sichuan)
: Ölçek-değişmez özellik dönüşümü (SIFT) algoritmasına dayanan geleneksel görüntü mozaik yönteminin, kaya dilimi görüntüsündeki boş alan görüntüsünün tüm kaya dilimi görüntü mozaik problemini etkileyen özelliğini çıkarmak için SIFT özelliği eşleştirme algoritmasını kullanamaması sorununu çözmek için. Değişmez özellik dönüşümü eşleştirme algoritmasına dayalı olarak, mozaik referans noktası olarak kaya dilimi görüntüsünün satır ve sütununun merkez konumunu kullanan bir görüntü mozaik yöntemi önerilmektedir. Yöntem, özellik noktalarının çıkarım yöntemini, dönüşüm matrisinin hesaplama sırasını ve matris optimizasyon dizisini geliştirir ve boş alan görüntüsünün dönüşüm matrisini tahmin etmek için bitişik görüntüler arasındaki konum ilişkisini kullanır ve tüm kaya dilimi görüntüsünün birleştirilmesini gerçekleştirir. Deneysel sonuçlar, bu yöntemin kaya kesiti görüntülerinde boş görüntülerin birleştirilmesini iyi bir şekilde tamamlayabildiğini ve belirli pratik uygulama değerine sahip olan tüm kaya diliminin doku bilgisini daha tam olarak tutabildiğini göstermektedir.
: Ölçekle değişmeyen özellik dönüşümü; boş alan; kaya dilimleri; tahmin; görüntü mozaiği
: TP391.4 Belge tanımlama kodu: ADII: 10.19358 / j.issn.1674-7720.2017.06.015
Alıntı biçimi : Pang Zhan, Teng Qizhi, He Haibo. SIFT J on'ye dayanan kaya dilimlerinin resim mozaiği. Mikrobilgisayar ve Uygulama, 2017, 36 (6): 46-50.
0 Önsöz
* Finanse edilen proje: Çin Ulusal Doğa Bilimleri Vakfı (61372174) Görüntü birleştirme, aynı ortam veya koşul altında alınan ve özellik noktaları ve görüntü kaydı çıkarılarak işlenen, birbirleri arasında belirli bir örtüşme olan bir dizi görüntüyü ifade eder. Kaya dilimindeki her görüntünün doku bilgilerini içeren panoramik bir görüntü. Şu anda, görüntü birleştirme teknolojisi birçok açıdan kapsamlı uygulama değerine sahiptir [1].
Petrol jeolojik analizinde, mikroskobun görüş alanının kısıtlılığı nedeniyle, tek seferde geniş bir görüş alanı kaya kesitinin panoramik görüntüsünü elde etmek imkansızdır [2]. Kaya ince dilimleri bir bütün olarak analiz etmek için, bütün ince dilimleri toplamanın tek yolu, tüm ince dilimlerin görüntüsünü elde etmek ve ardından görüntüleri geniş bir görüş alanı görüntüsüne dikmektir. Şu anda, görüntü birleştirme esas olarak görüntü ön işleme, görüntü kaydı ve füzyon [3-5] yoluyla görüntü birleştirme işlemini tamamlayan SIFT algoritmasını kullanmaktadır. SIFT algoritması, esas olarak, belirgin özellik noktaları ve belirli bir miktarda üst üste binme ile bitişik resimlerin birleştirilmesinde kullanılır. Ancak kaya dilimlerinin düzensizliğinden dolayı kaya dilimleri genellikle boş alanlar içerir (Şekil 1'de gösterildiği gibi) ve öznitelik çıkarımı yapılamadığı için tüm kaya dilimi görüntüsünün mozaiği başarısız olur.
SIFT algoritmasına dayalı olarak, bu makale SIFT özellik çıkarımının sırasını ve yöntemini, kayıt referans noktasının konumunu ve dönüşüm matrisinin hesaplanıp optimizasyonunu değiştirerek tüm kaya dilimi görüntüsünün birleştirilmesini gerçekleştirir. Deneysel sonuçlar, bu yöntemin çeşitli görüntü bilgilerini içeren kaya dilimlerinin nispeten eksiksiz bir panoramik görüntüsünü elde edebileceğini göstermektedir.
1 ilgili teori
1.1 SIFT algoritmasının temel ilkeleri
SIFT algoritması 1999'da Columbia Üniversitesi'nden Profesör LOWE D G tarafından önerildi ve 2004'te mükemmelleştirildi [6]. Algoritmanın özel süreci aşağıdaki gibidir:
(1) Bir ölçek alanı oluşturun ve en uç noktaları tespit edin
Ölçek alanı, görüntüdeki ölçek değişmezinin konumunu algılayan simüle edilmiş görüntü verilerinin çok ölçekli özelliğidir. 1994 yılında LINDEBERG T, mümkün olan tek ölçek-uzay çekirdeğinin Gauss işlevi [7] olduğunu keşfetti. I (x, y) 'nin bir görüntüyü ve değişken ölçekli Gauss fonksiyonunun G (x, y, ) ile temsil edildiğini varsayarsak, ölçek uzayının tanımı denklem (1)' de gösterilir.
L (x, y, ) = G (x, y, ) * I (x, y) (1)
Bunlar arasında, ölçek faktörünü temsil eder, boyutu düzgünlük derecesini temsil eder, * evrişim operatörüdür ve Gauss fonksiyonunun tanımı denklem (2) ile ifade edilir:
G (x, y, ) = 122exp (- (x2 + y2) / 22) (2)
LOWE D G, Gauss Farkı (DoG) operatörünü iki ana nedenden dolayı kullanır: Birincisi, kararlılığın kilit noktalarını daha kolay tespit etmek, diğeri ise hesaplamanın karmaşıklığını dikkate almaktır.
D (x, y, ) = (G (x, y, k) G (x, y, )) * I (x, y)
= L (x, y, k) L (x, y, ) (3)
Bunlar arasında k eşiktir. Deneyde, LOWE DG, Şekil 2 (a) 'da gösterildiği gibi, orijinal görüntünün altörneklemesini yaparak birkaç ölçek alanı düzeyi oluşturur ve ardından çeşitli düzeylerde Gauss görüntüleri elde etmek için her ölçek alanı düzeyinde Gauss işlevi evrişimi kullanır ve ardından farklı şekilde üretir Şekil 2 (b) 'de gösterildiği gibi Gauss farkı ölçek alanı. Aynı ölçekte, her pikselin değerlerini, aynı piksel ölçeğine sahip 8 bitişik nokta ve aynı anda iki bitişik ölçeğe karşılık gelen 18 pikselle karşılaştırın. Yalnızca pikselin değeri Yalnızca maksimum veya minimum değere ulaşıldığında, piksel, o ölçekte görüntünün özellik noktası olarak adlandırılır ve buna anahtar nokta da denir. Son olarak, tüm ölçek uzaylarındaki kilit noktalar tespit edilene kadar kalan ölçek alanlarının her biri için yukarıdaki işlemleri tekrarlayın.
(2) Kilit noktaları bulun ve dengesiz noktaları kaldırın
LOWE D G, tespit edilen anahtar noktaların konumunu ve ölçeğini doğru bir şekilde bulmak için üç boyutlu ikinci dereceden bir işlevi yerleştirme yöntemini kullanır. Bu yöntem, düşük kontrast ve zayıf stabilite gibi temel noktaları etkili bir şekilde ortadan kaldırabilir. Kullanılan ölçek alanı fonksiyonunun Taylor formülü açılımı denklem (4) 'te gösterilmiştir:
Bunların arasında, X = (x, y, ) T, örnekleme noktasında, D ve D'nin türevini hesaplar, türev sıfır olduğunda, formül (5) 'de gösterildiği gibi en uç X1 noktası elde edilir:
Daha düşük kontrastlı yanıt noktalarını kaldırmak için en uç noktada ölçek alanı işlevinin işlev değerini kullanın. Formül (5) 'i formül (4)' e yerleştirin ve formül (6) 'daki gibi en uç noktada fonksiyon değerini hesaplayın.
Normalde, eğer | D (X1) | 0.03 ise, özellik noktası korunur, aksi takdirde kaldırılır.
Gauss operatörünün farkı, kenarda nispeten güçlü bir kenar tepkisi üreteceğinden, bu operatörde, farkın en uç noktası kenarda daha büyük bir eğriliğe ve dikey yönde daha küçük bir eğriliğe sahiptir. Bu nedenle, bu özellik, kenar yanıtlarını kaldırmak için kullanılabilir. Temel eğrilik, denklem (7) 'de gösterildiği gibi 2 × 2 Hessian matrisi H ile elde edilebilir.
D'nin temel eğriliği, H'nin özdeğeriyle doğru orantılıdır. maksimum özdeğer ve minimum özdeğer ise, o zaman ana köşegenin değeri ve H matrisinin determinantının değeri denklemler (8) ve (9) ile ifade edilebilir. Dedim.
Eğrilik, denklem (10) sonucunun oranından daha büyükse, atın. DÜŞÜK D G, deneyde yapılan karşılaştırma sonucunda, r = 10 olduğunda, dengesiz kenar tepki noktalarının büyük ölçüde kaldırılabileceğini buldu [6].
(3) Kilit noktaların boyutunu ve yönünü belirleyin
Başlangıçta anahtar noktanın konumunu belirledikten sonra, görüntünün yerel karakteristikleri her bir anahtar noktaya bir referans noktası atamak için kullanılabilir, böylece anahtar noktanın özellik tanımlayıcısının dönüş değişmezliği olur. Gauss piramidi tarafından tespit edilen anahtar noktalar için, tanımlayıcılar, Gauss piramidinin komşu penceresindeki piksellerin gradyan özellikleri ve yön özellikleri kullanılarak tanımlanır. (X, y) de gradyan değeri m (x, y) ve yön (x, y) ifadeleri denklem (11) ve (12) 'de gösterilmektedir.
Bunlar arasında, L tarafından kullanılan ölçek, her bir anahtar noktanın ölçeğidir. Anahtar noktanın yönünü daha da doğru bir şekilde vermek için, genellikle gradyan histogram istatistikleri yöntemi kullanılır ve mahalle penceresindeki pikselin eğimi ve yönü anahtar nokta üzerinde ortalanır. Histogramın tepe noktasıyla temsil edilen yön, kilit noktanın yöndür. Yukarıdaki adımlardan sonra, konum, ölçek ve yön dahil olmak üzere tespit edilen kilit noktalara görüntü özelliği noktaları denir.
(4) Özellik tanımlayıcıları oluşturun
Anahtar noktaların ışık gibi faktörlerden etkilenmemesini sağlamak için, her bir anahtar nokta için onu benzersiz kılacak bir tanımlayıcı oluşturulabilir ve böylece özellik noktalarının eşleşme oranı iyileştirilebilir. Tanımlayıcının dönüş değişmezliğine sahip olduğundan emin olmak için, önce yönü anahtar noktanın yönüne çevirin. LOWE DG deneyinde, anahtar noktanın bulunduğu ölçek alanında, merkez olarak anahtar noktayı alın, 8 × 8'lik bir pencere seçin ve ardından her 4 × 4 pencerede 8 yönde gradyan yönü histogramını hesaplayın ve çizin Her gradyan yönünün birikimi bir tohum noktası oluşturabilir ve sonunda 4 × 4 × 8'lik 128 boyutlu bir vektör özelliği elde edebilir.
(5) Özellik noktalarının eşleştirilmesi
SIFT özellik vektörü oluşturulduktan sonra, özellik noktalarını eşleştirmek için genellikle en yakın komşu algoritması kullanılır. Özellik noktalarının en kısa Öklid uzaklığı ile ikinci en kısa Öklid mesafesinin oranı ile ayarlanan eşik arasındaki ilişki, iki özellik noktasının eşleşen bir çift olup olmadığına karar vermek için temel olarak kullanılır. Sonuç eşikten düşükse, özellik noktası çiftinin eşleştiği kabul edilir. LOWE DG, deneylerde eşiği 0,8'e ayarlamanın daha uygun olduğunu buldu. Özellik noktasının Öklid mesafesini hesapladıktan sonra, özellik vektörünü hızlı bir şekilde işlemek için önce BBF (Best-Bin-First) algoritmasını kullanabilir ve ardından kaldırmak için RANSAC algoritmasını kullanabilirsiniz. Uyumsuz özellik noktaları [7].
1.2 Dönüşüm matrisi hesaplamasının temel ilkeleri
Görüntüler arasındaki konumsal ilişkiyi tanımlayan matrise dönüştürme matrisi denir. Görüntünün dönüşüm matrisi, özellik eşleştirme çiftleri [8-9] ile hesaplanabilir. Aynı alanda, iki görüntü arasındaki dönüşüm ilişkisi denklem (13) ile temsil edilir, burada (x1, y1) referans görüntüdeki noktadır, (x2, y2) hedef görüntüdeki noktadır ve (x1, y1) Karşılık gelen nokta olan M'ye dönüşüm matrisi denir:
Denklemde (13), doğrusal denklem sisteminde 8 bilinmeyen değişken vardır ve denklem sisteminin çözümünü çözmek için en az 4 çift özellik noktası eşleştirme çifti gereklidir. Denklemi (14) kullanmak için sonuçları düzenleyin ve vektörleştirin:
A1 = MA2 (14)
A2AT2 matrisi ters çevrilebilirse, M dönüşüm matrisi denklem (15) 'de gösterildiği gibi çözülebilir:
M = (A1AT2) (A2AT2) -1 (15)
Yeterli sayıda eşleşen özellik noktası çifti olduğu sürece, görüntüler arasındaki göreceli konum ilişkisini belirlemek için görüntüler arasındaki dönüştürme matrisi formül (15) ile hesaplanabilir.
2 Boş alan görüntüsü birleştirme yöntemi
Kaya dilimindeki boş alanın görüntüsü (bkz. Şekil 1), bitişik resimlerde özellik eşleştirme gerçekleştirmek için SIFT algoritmasını kullanabilir, ancak boş alan görüntüsünün yüzey özelliği nispeten tek olduğundan, doku bilgisi zengin değildir ve algılanan özellik noktası eşleştirme çiftlerinin çoğu Yanlış eşleşmedir Yanlış eşleşmeyi kaldırmak için RANSAC algoritmasını [10] kullandıktan sonra, mevcut özellik eşleşmelerinin sayısı çok azdır. Şekil 3'te görüldüğü gibi, kaya diliminde boş alandaki bitişik görüntülerin öznitelik eşleştirme sayısının RANSAC algoritması kullanılarak hata eşleştirmesi kaldırıldıktan sonra ortadan kalktığı, özellik noktası eşleştirme çifti bulunmadığı ve denklemin (15) kullanılamadığı deneysel karşılaştırma sonuçlarından görülebilmektedir. Görüntünün dönüştürme matrisi elde edilir, böylece iki resmin göreceli konumu belirlenemez, bu da tüm kaya dilimi görüntüsünün mozaiğini etkiler.
Gerçek uygulamada, bu problemi çözmek için, SIFT algoritmasına dayalı olarak, kaya dilimi görüntüsünün merkez konumunu referans noktası olarak seçen bir mozaik yöntemi önerilmektedir. Ve boş alan görüntüsü ile komşu görüntüleri arasındaki konumsal ilişki kullanılarak, tüm kaya diliminin birleştirilmesini gerçekleştiren boş alan görüntüsünün dönüşüm matrisi tahmin edilir. Akış şeması Şekil 4'te gösterilmiştir.
2.1 Özellik noktası çıkarma
SIFT algoritmasının boş alan görüntüsünün öznitelik noktalarını çıkaramaması sorununu çözmek için bu makale, SIFT algoritmasına dayalı olarak öznitelik noktası çıkarma yöntemini değiştirir ve RANSAC algoritması seçildiğinde bir eşik belirler.Ekleme sonucu eşikten düşükse imkansız kabul edilir. Normal şekilde eşleştirin ve işaretleyin. Bu deneyde ayarlanan eşik 30'dur ve eşik, resim özelliği noktalarının özel koşullarına göre de ayarlanabilir. Şekil 5'te gösterildiği gibi, şematik diyagram 3 sıra ve 7 sütunlu bir resmi göstermektedir. Bunlar arasında, yatay ok, her bir resim sırasının özellik noktası çıkarma sırasını belirtir ve dikey ok, resimlerin orta sütununun özellik noktası çıkarma sırasını gösterir. Belirli adımlar aşağıdaki gibidir:
(1) Eklenecek kaya dilimi görüntüsünün sıra ve sütun sayısını elde edin.
(2) Kaya dilimi görüntüsünün her satırında ve orta sütununda özellik çıkarımı gerçekleştirin ve normal olarak eşleştirilemeyen resimleri işaretleyin.
2.2 Dönüşüm matrisini hesaplayın
Boş alan resminin özellik noktası eşleştirme çifti elde edilemediğinden, boş alan resminin göreceli konumu belirlenemez. Önceki özellik çıkarma sırasına göre, dönüşüm matrisinin hesaplama sırası buna göre ayarlanır. Şekil 6'da gösterildiği gibi, her ızgara bir resmi temsil eder, daire bu makalede seçilen merkez konumunu, beş köşeli yıldız boş resmi temsil eder ve ok, dönüşüm matrisinin hesaplama yönünü temsil eder.Her bir resim sırasının dönüşüm matrisinin hesaplama yönü şematik diyagramdaki ile aynıdır. Oklar aynı yönü gösterir. Metinde "sol (sağ) taraf" sırasıyla sol ve sağ tarafta aynı işlemi yapmak anlamına gelir. Belirli adımlar aşağıdaki gibidir:
(1) Kaya dilimi görüntüsünün merkez konumunu (Şekil 6'daki dairenin konumu) seçin ve dönüşüm matrisinin hesaplanması için referans noktası olarak kullanılan kimlik matrisi olarak dönüştürme matrisini başlatın.
(2) Ortadaki satırdan başlayarak görüntünün başlangıç satırına, sırasıyla her satırın orta konumundan başlayarak, işaretli görüntü ile karşılaşırsanız resmin sol (sağ) tarafı için dönüşüm matrisini hesaplayın (Şekil 6'da soldaki daire) (Sağ taraftaki beş köşeli yıldızla temsil edilen resim), geçerli resmin dönüşüm matrisini hesaplamayı durdurur ve işaretli resmin sol (sağ) tarafındaki tüm resimlerin dönüşüm matrisine boş atar.
(3) Merkez konumun bulunduğu satırdan görüntünün son satırına kadar, her çizginin orta konumundan (2) adımını tekrarlayın.
(4) Görüntünün orta sütununun orta konumundan başlayarak, orta sütundaki görüntünün üst ve alt kısımları için (1) ve (2) adımlarını tekrarlayın.
2.3 Dönüşüm matrisini optimize edin
Tüm resimlerin dönüşüm matrislerini hesapladıktan sonra, bu makale, önceki bölümde önerilen dönüşüm matrisinin hesaplama sırasına göre dönüşüm matrisinin optimizasyon yöntemine karşılık gelen ayarlamaları yapar. Spesifik optimizasyon yöntemi aşağıdaki gibidir:
(1) Orta konumdaki satırdan görüntünün başlangıç satırına kadar, her satırın orta konumunun sol (sağ) tarafındaki resimden dönüşüm matrisi optimizasyonu yapılır ve işaretli bir görüntü ile karşılaştığında optimizasyon durdurulur. Her görüntü satırı için işlem tekrarlanana kadar.
(2) Merkez konumun bulunduğu satırdan görüntünün son satırına kadar, her çizginin orta konumundan (1) adımını tekrarlayın.
(3) Sayfa görüntüsünün orta sütununun orta konumundan başlayarak, orta sütun görüntüsünün üst ve alt kısımları için (1) ve (2) adımlarını tekrarlayın.
2.4 Boş alan resminin dönüşüm matrisini tahmin edin
Dönüşüm matrisi optimizasyonu tamamlandıktan sonra, tam bir ekleme sonucu elde etmek için boş alan resminin dönüşüm matrisinin tahmin edilmesi gerekir. Spesifik yöntem aşağıdaki gibidir.
(1) Görüntünün orta konumundaki çizgiden başlayarak, sırasıyla her çizginin orta konumundan başlayarak, işaret biti için resmin sol (sağ) tarafını tarayın. İşaret resmi ile karşılaşıldığında, sağdaki işaret resmini kullanın (Sol) taraftaki iki bitişik resmin dönüşüm matrisi ile işaretli görüntünün arasındaki göreceli konum ilişkisinin, işaretli resmin dönüşüm matrisini tahmin ettiği tahmin edilir ve işaretli resmin sol (sağ) tarafındaki tüm resimlerin dönüşüm matrisleri bu yöntemle sırayla elde edilir. . Her görüntü satırı için işlem tekrarlanana kadar.
(3) Görüntünün orta sütununun orta konumundan başlayarak, görüntülerin orta sütununun üst ve alt kısımları için (1) ve (2) adımlarını tekrarlayın.
Yukarıdaki işlem tamamlandıktan sonra, ortaya çıkan görüntüler, ekleme dikişlerini [11] ortadan kaldırmak ve tüm kaya dilimi görüntüsünün birleştirilmesini tamamlamak için ilgili füzyon algoritması aracılığıyla birleştirilir.
3 Deneysel karşılaştırma sonuçları ve analizi
Bu makale deneyi gerçekleştirmek için 6 sıra ve 6 sütun halinde 36 resim kullanmaktadır Resim boyutu 5184 × 3456. Deneyde kullanılan resimler deney için gerekli olan dilim bilgilerini içermektedir. Deneysel sonuçlar Şekil 7-9'da gösterilmektedir, burada Şekil 7 deneyde kullanılan görüntüdür, Şekil 8 SIFT algoritmasına dayalı dikişin sonucudur ve Şekil 9 bu makalede önerilen dikiş yönteminin sonucudur.
Toplanan kaya dilimi görüntüleri, Şekil 7'deki deneyde kullanılan görüntüde "C0001.jpg" ve "C0033.jpg" gibi boş alan resimleri içerdiğinde kullanılamayacağı için deneyin karşılaştırma sonuçlarından açıkça görülebilmektedir. SIFT algoritması, kaya ince kesitin boş alanındaki resimlerin kaydını tamamlar.Bu nedenle, bu resimlerin bulunduğu satır veya sütundaki tüm resimler ancak ekleme yapılmadan önce elenebilir.Karşılaştırma, ilk resmin SIFT algoritmasına göre ekleme sonucu görüntüsünde yer aldığını gösterir. Hem sütunu hem de aşağıdaki son satır önemli ölçüde eksik (sonuç görüntüsündeki eksik siyah kısım). Bu yazıda önerilen görüntü birleştirme yöntemi, tüm kaya dilimi görüntüsünün birleştirilmesini daha eksiksiz tamamlar, parçacıkların tüm kaya dilimindeki dağılımını daha iyi yansıtır ve kaya diliminin bütünlüğünü sağlar. Bu nedenle, bu makalede önerilen görüntü birleştirme yöntemi, kaya diliminin boş alanının görüntü dikişini daha iyi tamamlayabilir ve kaya diliminin tüm resmini daha eksiksiz gösterebilir ki bu da belirli pratik uygulama değerine sahiptir.
4. Sonuç
Bu makale öncelikle SIFT algoritması ve dönüşüm matrisi hesaplamasının temel ilkelerini tanıtmakta, aynı zamanda kaya dilimindeki boş alan görüntüsündeki öznitelik noktalarını çıkarmak için SIFT algoritmasının neden kullanılamadığını kısaca analiz etmekte ve bu temelde bu yazıda önerilen görüntü birleştirme yöntemi ayrı ayrı incelenmektedir. Öznitelik noktalarının çıkarım yöntemi, dönüştürme matrisinin hesaplama yöntemi, dönüştürme matrisinin optimizasyon yöntemi ve boş alan resminin dönüştürme matrisini tahmin etmenin belirli aşamaları anlatılmıştır Kaya diliminin bütünlüğünün değiştirilmemesi temelinde boş alan tamamlanır. Kaya dilimi görüntülerinden oluşan mozaik, kaya dilimi doku bilgilerinin bütünlüğünü sağlar. Bu makalenin dezavantajı, kaya diliminin merkezi alanında yüksek güçlü bir mikroskop altında çok sayıda boş alan varsa, eklemenin referans konumunun spesifik olarak belirlenememesidir, bu da bu yöntemin kullanımına ilişkin belirli kısıtlamalara sahiptir.
Referanslar
[1] Xu Xin, Sun Shaoyuan, Sha Yujie, ve diğerleri RANSAC J 'ye dayalı bir kızılötesi görüntü mozaiği yöntemi. Lazer ve Optoelektronik İlerleme, 2014, 51 (11): 129-134.
2 Yue Yongjuan, Miao Ligang, Peng Silong Büyük ölçekli mikroskobik görüntü mozaik algoritması J. Bilgisayar Uygulamaları, 2006, 5 (26): 1012-1014.
3 Zou Chengming, Hou Xiaobi, Ma Jing. Geometrik görüntü kaydına dayalı SIFT görüntü mozaik algoritması J. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2016, 44 (4): 32-36.
[4] Wang Song, Wang Junping, Wan Guoting, ve diğerleri SIFT algoritmasına dayalı görüntü eşleştirme yöntemi J. Jilin Üniversitesi Dergisi (Mühendislik ve Teknoloji Sürümü), 2013, 43 (S1): 279-282.
5 Bai Tingzhu, Hou Xibao. SIFT operatörüne dayalı görüntü eşleştirme algoritması üzerine araştırma J. Journal of Beijing Institute of Technology, 2013, 33 (6): 622-627.
6 DÜŞÜK D G. Ölçekle değişmeyen temel noktalardan ayırt edici görüntü özellikleri J. International Journal of Computer Vision, 2004, 60 (2): 91110.
7 LINDEBERG T. Scalespace teorisi: farklı ölçeklerdeki yapıları analiz etmek için temel bir araç J. Journal of Applied Statistics, 1994, 21 (2): 225-270.
[8] Guo Hongyu, Wang Jian RANSAC temel matris tahminine dayalı bir görüntü eşleştirme yöntemi J. Kızılötesi, 2008, 29 (2): 5-8.
[9] Qu Tianwei, An Bo, Chen Guilan Görüntü kaydında iyileştirilmiş RANSAC algoritmasının uygulanması J Bilgisayar Uygulamaları, 2010, 30 (7): 1849-1851.
10 FISCHER MA, BOLLES R C. Rastgele örnek fikir birliği: analiz ve otomatik haritacılık uygulamalarıyla model uydurma için bir paradigma J. ACM İletişimi, 1981, 24 (6): 381-395.
11 Miao Qiguang, Wang Baoshu Geliştirilmiş Laplace piramit dönüşümüne dayanan görüntü füzyon yöntemi J Açta Optica Sinica, 2007, 9 (27): 1605-1610.
