本几何学很好理解，对于每个图像由个估计摄像机矩阵或对应矩阵组成。估计处理通常由用户输入近似校直图像或者个固定图像序列来初始化，例如，佳能数码相机内图像拼接软件需要水平或垂直扫描，或图像方阵。在自动定位进行前，第版拼接软件有个用户界面，用鼠标在图像大致定位，而我们研究是有新意，因为不需要提供这样初始化。根据研究文献，图像自动对齐和拼接方法大致可分为两类直接和基于特征。直接方法有这样优点，它们使用所有可利用图像数据，因此可以提供非常准确定位，但是需要个只有细微差别初始化处理。基于特征配准不需要初始化，但是缺少不变性传统特征匹配方法例如，角点图像修补相关性需要实现任意全景图像序列可靠匹配。在本文中，我们描述了个基于不变特征方法实现全自动全景图像拼接，相比以前方法有以下几个优点。第，不变特征使用实现全景图像序列可靠匹配，尽管在输入图像中有旋转缩放和光照变化。第二，通过假定图像拼接是个多图像匹配问题，我们可以自动发现这些图像间匹配关系，并且在无序数据集中识别出全景图。第三，通过使用多波段融合呈现无缝输出全景图，可以产生高质量结果。本文通过引入增益补偿和自动校直步骤延伸了我们以前在该领域工作，我们还描述了个高效捆绑调整实现并展示对任意数量波段多个重叠图像如何进行多波段融合。本文其余部分结构如下。第二部分说明所研究问题几何学和我们选择不变特征原因。第三部分介绍了图像匹配方法和验证图像匹配概率模型。第四部分中，我们描述了图像对准算法捆绑调整，即共同优化每个摄像头参数。五到七部分描述了处理过程，包括自动校直增益补偿和多波段融合。第九部分中，我们给出了结论和对未来工作展望。特征匹配全景识别算法第步是在所有图像之间提取和匹配特征检测点。特征检测子位于不同尺度空间高斯插值函数极值点处，对每个特征点，特征尺度和方向被确定，这为测量提供了个相似不变结构。尽管在这个结构中简单采样强度值是相似不变，但是不变描述子实际上是通过对方向直方图局部梯度值进行累积计算得到，这样就允许边缘有轻微移动而不会改变描述子矢量，对仿射变换提供了定鲁棒性。空间累积计算对平移不变性同样重要，因为感兴趣点位置通常仅在个像素范围内是精确。为了实现亮度不变性可以使用梯度消除偏差和对描述子矢量归化消除增益。由于特征在旋转和尺度变化时是不变，我们可以处理具有变化方向和大小图像见图。值得注意是，这是传统特征匹配技术不能实现，例如角点图像修补相关性。传统相关性在图像旋转时是变化，角点在改变图像尺度时也是变化。假设相机绕光学中心旋转，图像变换群是个对应矩阵特殊群。由个旋转矢量和焦距将每个摄像头参数化，就给出了成对对应矩阵，其中并且,是均匀图像坐标,，其中是二维图像坐标。参数相机模型定义为对旋转使用指数表示,在这个变换群中，理想条件下将会使用不变图像特征。可是，在图像坐标中对于小变换表示如下或者等价于，其中，特征匹配点幅图像进行图像匹配。首先执行算法计算出对应矩阵，然后调用概率模型验证基于内点数图像匹配，在这个例子中，输入图像是像素，有个正确特征匹配点。图像匹配点图像匹配点连接分量输出全景图图，可识别全景图。考虑个特征匹配点噪声集，我们使用算法和概率验证过程找到致图像匹配，每个图像对间箭头表示在图像对间找到致特征匹配点集，图像匹配连接分量被找到，拼接成全景图注意到该算法对不属于全景图噪声图像不敏感。捆绑调整考虑到图像间几何致性匹配集，使用捆绑调整解决所有相机参数问题，这是重要个步骤，由于成对对应矩阵拼接将会造成累计误差，忽略图像间多重约束，如全景图两端应联合起来。图像个接个被添加到捆绑调节器，最佳匹配图像致匹配数目最大在每步被添加，新图像用与最佳匹配图像具有相同旋转和焦距长度初始化，然后相机参数使用算法被更新。我们使用目标函数是种抗差总和平方预测误差。也就是说，每个特征点被投影到所有与它匹配图像中，并且平方图像距离总和依据相机参数最小化。考虑到对应关系表示在图像中第个特征点位置，残差表示为其中对应到点是对应于点从图像到图像投影误差函数是所有图像抗差剩余误差和，表示如下,其中是总图像数,是和图像匹配图像集是图像和图像特征匹配集。我们使用„‟图像匹配连通集会成为全景图。由于每个图像可能和任意其他个匹配，这个问题开始就呈现是出图像数二次方。为了得到个好拼接结果，对于图像几何而言，每个图像只需要和少数重叠图像来匹配。从特征匹配这个步骤中，我们已找出图像间有大量匹配点图像。对于当前图像，我们将幅图像作为可能匹配图像，这幅图像与当前图像有最大数量特征匹配点。首先，使用算法选择系列和图像间对应矩阵兼容内点，然后应用概率模型做进步验证。使用算法鲁棒对应矩阵估计随机抽样致性算法算法是使用最少组随机采样匹配点种鲁棒估计过程，用来估计图像变换参数，并找到与数据具有最好致性解决方案。在全景图情况下，我们选择对匹配特征点，使用直接线性变换方法计算图像间对应矩阵。重复次试验，选择内点数最大解决方案在像素误差范围内，其预测和是致。假设对匹配图像间特征匹配点大学毕业设计英文翻译原文题目译文题目使用不变特征全景图像自动拼接学院电子与信息工程学院专业姓名学号使用不变特征全景图像自动拼接马修布朗和戴维•洛计算机科学系英国哥伦比亚大学加拿大温哥华摘要本文研究全自动全景图像拼接问题，尽管维问题单旋转轴很好研究，但二维或多行拼接却比较困难。以前方法使用人工输入或限制图像序列，以建立匹配图像，在这篇文章中，我们假定拼接是个多图像匹配问题，并使用不变局部特征来找到所有图像匹配特征。由于以上这些，该方法对输入图像顺序方向尺度和亮度变化都不敏感它也对不属于全景图部分噪声图像不敏感，并可以在个无序图像数据集中识别多个全景图。此外，为了提供更多有关细节，本文通过引入增益补偿和自动校直步骤延伸了我们以前在该领域工作。简介全景图像拼接已经有了大量研究文献和些商业应用。这个问题基物被引物和通过大终结者周期测序试剂盒，和自动测序仪，进行测序。分析寡核苷酸探针针对性寡核苷酸探针用标记和用异硫氰酸荧光素标记准备用于属于原位检测。另方面，因为没有寡核苷酸探针用于原位检测，探针最初设计是基于序列在基因数据库访问和核糖体数据库项目检查。根据使用探针对碱基对不匹配数量检查，只有零个及或个不匹配三个生物体被证实，因为它是专门为目标微生物设计。然而，没有纯种污泥可以绑定基因探针。因此,使用污泥杂交样品而不是纯种污泥，进行各种范围杂交温度清洗温度和甲酰胺浓度来优化原位条件和验证关于目标生物探针特异性。原位杂交污泥样品被固定在多聚甲醛磷酸盐缓冲盐水溶液小时。固定污泥样品在中洗涤两次，再悬浮于乙醇溶液，体积个反应器污泥样品中片段图谱。其中存在许多可见光波段，表现出污泥样品中微生物生态学复杂性和多样性。基于各自扩增图谱分析，条带和显示相似片段图谱，然而条带两波段缺失。考虑图中所描述结果，培养在反应器污泥每磷摄取量在缺氧条件下显著减少，似乎条带波段和缺失与数量减少有关，因为在有氧条件下硝化作用受到抑制。另个方面，与其他条带相比较，条带图谱由于氧缺乏和硝酸盐存在有显著变化其表现为五个新波段，和出现和六个波段及缺失，而在条带和中均含有，这结果表明，参与生物除磷微生物群落可以根据电子受体条件而改变。如图所讨论，每个反应器中展现了不同电子受体条件下每磷不同吸收能力下，这表明，磷吸收能力与根据电子受体条件而改变微生物群落结构有关。因此，结果表明，些图谱可见光波段与微生物群落结构改变有关。我们最初预期，反应器微生物群落结构多样性减少，因为当硝酸盐被单独提供作电子受体时，能够仅利用氧数量将减少。然而，与最初预期相反，条带显示出比其他条带更加复杂波段图谱。因此，反应器结果也似乎与微生物群落结构改变有关。基于波谱分析，可以看出，波段和普遍出现在所有条带中。因为尽管运行在不同电子受体条件下，所有反应器表现出同时利用氧和硝酸盐来吸收磷能力，波段和可能对应能够同时利用氧和硝酸盐作为电子受体。因此，将波段和从聚丙烯酰胺凝胶剪下，然后分析它们序列。进步，将所得到序列与基因库比对，然后确定其所属关系。图三个反应器中图谱片段条带接种体，条带反应器,条带反应器,条带反应器。图从图谱切下系统发育树。进化距离和简约分析采用重采样在进行。这规模表示核苷酸替换每个核苷酸位置。该树是根植于以为基础序列。使用分析法原位检测优势物种和测序结果表明候选种类之，普遍存在于所有在不同电子受体条件下进行强化脱氮除磷反应器中。尽管如此，从电泳中获得图谱并未给出任何信息关于微生物群落结构优势程度。因此，分析法检测了和,因为原位杂交中使用针对性寡核苷酸探针能够识别和监控微生物群落结构中特殊菌种。图和显示图像,具体为在反应器污泥样品寡核苷酸探针。在使用红色和绿色探测原位双杂交中显示出明显黄色信号，这结果证明了在反应器中占据相当大比例。此外,其他反应器分析还表明,与反应器数据未显示样，是大量存在。此外，图片形态学观察本几何学很好理解，对于每个图像由个估计摄像机矩阵或对应矩阵组成。估计处理通常由用户输入近似校直图像或者个固定图像序列来初始化，例如，佳能数码相机内图像拼接软件需要水平或垂直扫描，或图像方阵。在自动定位进行前，第版拼接软件有个用户界面，用鼠标在图像大致定位，而我们研究是有新意，因为不需要提供这样初始化。根据研究文献，图像自动对齐和拼接方法大致可分为两类直接和基于特征。直接方法有这样优点，它们使用所有可利用图像数据，因此可以提供非常准确定位，但是需要个只有细微差别初始化处理。基于特征配准不需要初始化，但是缺少不变性传统特征匹配方法例如，角点图像修补相关性需要实现任意全景图像序列可靠匹配。在本文中，我们描述了个基于不变特征方法实现全自动全景图像拼接，相比以前方法有以下几个优点。第，不变特征使用实现全景图像序列可靠匹配，尽管在输入图像中有旋转缩放和光照变化。第二，通过假定图像拼接是个多图像匹配问题，我们可以自动发现这些图像间匹配关系，并且在无序数据集中识别出全景图。第三，通过使用多波段融合呈现无缝输出全景图，可以产生高质量结果。本文通过引入增益补偿和自动校直步骤延伸了我们以前在该领域工作，我们还描述了个高效捆绑调整实现并展示对任意数量波段多个重叠图像如何进行多波段融合。本文其余部分结构如下。第二部分说明所研究问题几何学和我们选择不变特征原因。第三部分介绍了图像匹配方法和验证图像匹配概率模型。第四部分中，我们描述了图像对准算法捆绑调整，即共同优化每个摄像头参数。五到七部分描述了处理过程，包括自动校直增益补偿和多波段融合。第九部分中，我们给出了结论和对未来工作展望。特征匹配全景识别算法第步是在所有图像之间提取和匹配特征检测点。特征检测子位于不同尺度空间高斯插值函数极值点处，对每个特征点，特征尺度和方向被确定，这为测量提供了个相似不变结构。尽管在这个结构中简单采样强度值是相似不变，但是不变描述子实际上是通过对方向直方图局部梯度值进行累积计算得到，这样就允许边缘有轻微移动而不会改变描述子矢量，对仿射变换提供了定鲁棒性。空间累积计算对平移不变性同样重要，因为感兴趣点位置通常仅在个像素范围内是精确。为了实现亮度不变性可以使用梯度消除偏差和对描述子矢量归化消除增益。由于特征在旋转和尺度变化时是不变，我们可以处理具有变化方向和大小图像见图。值得注意是，这是传统特征匹配技术不能实现，例如角点图像修补相关性。传统相关性在图像旋转时是变化，角点在改变图像尺度时也是变化。假设相机绕光学中心旋转，图像变换群是个对应矩阵特殊群。由个旋转矢量和焦距将每个摄像头参数化，就给出了成对对应矩阵，其中并且,是均匀图像坐标,，其中是二维图像坐标。参数相机模型定义为对旋转使用指数表示,在这个变换群中，理想条件下将会使用不变图像特征。可是，在图像坐标中对于小变换表示如下或者等价于，其中，