针对快速鲁棒特征(SURF)算法的拼接结果图像,会出现明显的拼接线与过渡带的问题,提出一种改进的基于SURF特征匹配的图像拼接算法。在剔除误配点时,采用改进的随机抽样一致(RANSAC)算法调整采样概率,以更少的时间获取正确模型,提高算法效率。在图像融合时,先对输入图像进行亮度均衡预处理,然后再使用加权平滑算法进行融合,从而消除结果图的拼接线和过渡带,提高图像拼接质量。实验表明,改进算法能保持SURF算法的优良特性,进一步提高SURF算法匹配效率,并能有效消除拼接线和过渡带,使图像拼接质量得到显著提高。

图像拼接 python中关于图像拼接的方法比较多，个人推荐使用Numpy中的原生方法（concatenate、hstack、vstack），如下所示： # -*- coding:utf-8 -*- ''' 图像（水平、垂直）拼接 ''' import cv2 import numpy as np # 读取图像并重置图像大小，使两图像宽高保持一致 img1 = cv2.resize(cv2.imread("./images/5.jpg"), (640, 480)) img2 = cv2.resize(cv2.imread("./images/2.jpg"), (640, 480)) # 方式

使用halcon实现图像拼接：激光扫码取得1520张图片，每张图片1920*64，归一化图像后合成位一张1920*1520图像

基于opencv实现多张图像的全景拼接，有效避免鬼影现象，可直接运行。

利用harris角点特征提取的matlab图像拼接程序，根据harris角点法，提取2张图像的特征点，然后匹配2图像特征点，找到正确位移量，进行图像拼接。

matlab工具箱可以实现两张图片就行拼接到一张。利用单应矩阵。

MTALAB实现 去除图片拼接时产生的黑边，原理为将黑边剪切，因此会有图像损失。提供两种算法。对部分情况不适用。

matlab 重叠分割图像块，并将重叠的图像块拼接回原图，提供完整matlab程序，只需更换图像即可运行自己的图

MATLAB图像拼接,带论文,图像拼接的方法很多，不同的算法步骤会有一定差异，但大致的过程是相同的。一般说来，图像拼接技术，按其工作流程主要分为三个部分：图像预处理，图像配准和图像线性插值拼接。其中图像配准是整个图像拼接技术的核心部分，直接决定了图像拼接结果的好坏。 图像预处理是图像拼接技术的第一步，在进行图像采集时，往往不能保证摄像设备始终保持同一角度和方向、光线的不同也会造成采集图像灰度差异大等问题，图像预处理主要完成对待拼接图像进行几何畸变的校正，包括去除噪声、边缘提取、直方图处理等图像处理的基本操作、建立图像的匹配模板，以及对待处理图像进行傅立叶变换、小波变换、稀疏分解等操作。 图像配准主要指对参考图像和待拼接图像中的匹配信息进行提取，在提取出的信息中寻找最佳的匹配，图像配准是整个图像拼接技术的核心。

SURF算法程序，OpenCV3，VS运行，包括特征点检测，特征点匹配，RANSAC去错，以及最后的图像拼接，包含示例图片，可以直接运行