CN104637041A - 一种基于参照特征的宽幅织物图像获取与拼接方法 - Google Patents

Abstract

本发明公开了一种基于参照特征的宽幅织物图像获取与拼接方法。将织物水平放织物载台上，其中间水平放上参照织物，再移走参照织物，过程中分别获得左、右图参照图像和原始左、右图图像；将左、右图参照图像采用多尺度Harris角点检测方法得到各自Harris角点集；采用归一化的相关测度方法进行初始匹配，得到初始匹配点集；采用RANSAC方法进行初始匹配特征点求精和单应矩阵求解，得到最终单应矩阵；对原始左、右图图像进行投影变换配准，然后拼接融合，完成织物图像的获取与拼接。本发明实现循环周期强或无明显特征的织物图像的无缝拼接，拼接精度高，可精确计算出待拼接原始织物图像的相对几何位置关系，具有较强的抗干扰能力。

Description

一种基于参照特征的宽幅织物图像获取与拼接方法

技术领域

本发明涉及一种图像处理方法，尤其是涉及一种基于参照特征的宽幅织物图像获取与拼接方法，循环周期性较强或无明显特征。

背景技术

在研究纺织品织物特性过程中，如织物悬垂性、织物褶皱性、织物有无疵点等，受硬件条件限制使得一次拍摄只能实现局部图像的采集，特别是对于宽门幅织物。因此，通常需要采用双目相机分别采集两幅具有一定重叠区域的局部图像，再进行无缝拼接，形成一幅完整的织物图像，进而实现织物特性研究，故图像拼接技术是织物特征研究的首要前提。

目前图像拼接方法主要有模板匹配、基于网格的匹配和基于特征的匹配。模板匹配先在参考图像的重叠部分设置模板，用此模板在目标图像中搜索具有相同(或相似)值的对应区域，从而确定重叠范围，实现图像拼接。该方法在重叠部分足够大时，匹配精度较高，但计算量也随着模板的增大而迅速增大，很难满足在线实时拼接的需要，且易受光照、变形等因素的影响；基于网格匹配是在搜索过程中进行粗略和精确两步匹配。该方法虽然在运算速度上较模板匹配有所改善，但是在粗略匹配过程中，移动的步长难以确定，有可能将所取网格在目标图像匹配过程中被划分开，造成匹配中无法取出与原网格完全匹配的最佳网格，难以达到精确匹配；基于特征的匹配首先提取两帧图像重叠局部的特征，然后用相似性准则匹配特征。其中Harris角点提取方法由于不受摄像机姿态及光照的影响，是目前效果最好的方法。但该方法不适用于图像内容单一特征较少的情况。

发明内容

针对织物特性测试等技术领域需要高精度的织物图像拼接，本发明的目的在于基于参照特征的宽幅织物图像获取与拼接方法，利用参照织物提取Harris角点和计算单应矩阵完成原始待拼接图像的高精度无缝拼接，是一种非接触式的织物图像自动拼接方法，解决了现有拼接方法针对循环周期性较强或没有明显特征的织物图像的拼接失真问题。

本发明解决其技术问题所采用的技术方案步骤如下：

1)先将被拼接织物水平放在织物载台上，获取占有被拼接织物左侧三分之二的图像，将该图像进行归一化处理得到被拼接织物的原始左图图像I₁；

2)在被拼接织物的中间水平放上参照织物，获取置有参照织物的左图参照图像I₁'，左图参照图像I₁'与原始左图图像I₁大小相同；水平向左移动织物载台，获取置有参照织物的右图参照图像I₂'，并使得左图参照图像I₁'和右图参照图像I₂'共同有至少参照织物三分之一的重叠区域；

3)再保持被拼接织物位置不变，移走参照织物，获取被拼接织物的原始右图图像I₂，原始右图图像I₂与右图参照图像I₂'大小相同；

4)对于左图参照图像I₁'和右图参照图像I₂'，均采用多尺度Harris角点检测方法分别得到左图参照图像I₁'的左图Harris角点集S₁和右图参照图像I₂'的右图Harris角点集S₂；

5)采用归一化的相关测度方法对两个角点集S₁和S₂进行Harris角点的初始匹配，得到初始匹配点集S；

6)采用RANSAC方法对初始匹配点集S进行初始匹配特征点求精和单应矩阵的求解，得到初始匹配特征点求精结果集合S_i’，并得到最终单应矩阵H'；

7)根据得到的最终单应矩阵H'，对原始左图图像I₁和原始右图图像I₂进行投影变换配准，再拼接并利用加权平均方法消除拼接缝，进行图像的融合，完成织物图像的获取与拼接。

所述的步骤4)中左图参照图像I₁'和右图参照图像I₂'的两个参照图像均采用以下多尺度Harris角点检测方法进行处理：

4.1)图像的尺度空间按高斯窗的尺度δ_m采用以下公式1进行计算，尺度δ_m在0.5～5的范围内以0.5的步长变化并依次计算：

$L_x\left({\mathrm{\δ}}_m\right)=F(x,y,{\mathrm{\δ}}_m)\⊗{\left({I_x}^{\′}\right)}^2$

$L_y\left({\mathrm{\δ}}_m\right)=G(x,y,{\mathrm{\δ}}_m)\⊗{\left({I_y}^{\′}\right)}^2---\left(1\right)$

$L_{\mathrm{xy}}\left({\mathrm{\δ}}_m\right)=G(x,y,{\mathrm{\δ}}_m)\⊗{\left({I_x}^{\′}{I_y}^{\′}\right)}^2$

式中，I_x'、I_y'分别为参照图像在x方向和y方向的偏导，G(x,y,δ_m)为高斯核，是尺度变换的唯一变换核，m为尺度计算的序数，L_x(δ_m)、L_y(δ_m)、L_xy(δ_m)分别表示x方向、y方向和xy方向的高斯尺度空间；

4.2)由上述步骤4.1)的公式1计算得到不同尺度δ_m上的矩阵M：

$M=\left[\begin{array}{cc}{L}_x\left({\mathrm{\δ}}_m\right)& L_{\mathrm{xy}}\left({\mathrm{\δ}}_m\right)\\ L_{\mathrm{xy}}\left({\mathrm{\δ}}_m\right)& L_y\left({\mathrm{\δ}}_m\right)\end{array}\right]---\left(2\right)$

以及采用以下公式3计算得到在不同尺度δ_m上的响应函数C(x,y)：

C(x,y)＝Det[M(x,y)]-βTrace²[M(x,y)]  (3)

式中，Det[M(x,y)]为矩阵M的行列式，Trace[M(x,y)]为矩阵M的迹，β是常数因子；

4.3)如果响应函数C(x,y)大于响应函数阈值T₁，则响应函数C(x,y)所对应的像素点(x,y)为角点；为避免在不同尺度下手动调整阈值，响应函数阈值T₁可由图像中可能存在的角点总数n₀代替；

4.4)对于尺度δ_m以0.5的步长在0.5～5的范围内变化的每个尺度，采用非极大抑制法抑制多响应的影响，非极大抑制窗的尺寸为3×3，将响应函数C(x,y)的值按照从大到小降序排列，将各个尺度下的左图参照图像I₁'和右图参照图像I₂'中可能存在的角点作为候选角点；

4.5)对于尺度δ_m以0.5的步长在0.5～5的范围内变化的第二个尺度δ_m＝1开始到最大尺度δ_m＝5，依次遍历各个尺度，查找是否有当前尺度下的候选角点在前一尺度中出现，如果没有，保留该候选角点；否则，剔除候选角点；由此得到左图参照图像I₁'的左图Harris角点集S₁和右图参照图像I₂'的右图Harris角点集S₂。

所述的步骤5)的左图参照图像I₁'和右图参照图像I₂'的两个参照图像具体采用以下方法进行初始匹配：

5.1)在左图参照图像I₁'中，以左图Harris角点集S₁的任一Harris角点X₁(x₁，y₁)为中心，使得能建立大小为3×3的搜索窗口；

5.2)对于左图参照图像I₁'和右图参照图像I₂'，均采用以下公式4依次遍历各个Harris角点分别计算两个参照图像灰度值的标准差stdd(X_k)：

$\mathrm{stdd}\left(X_k\right)=\sqrt{\frac{\underset{i=-N}{\overset{i=N}{\mathrm{\Σ}}}\underset{j=-N}{\overset{j=N}{\mathrm{\Σ}}}{[{I_k}^{,}(x+i,y+j)-{{\stackrel{\‾}{I}}_k}^{,}\left(X_k\right)]}^2}{(2N+1)\×(2N+1)}}---\left(4\right)$

式中：为参照图像中Harris角点X_k(x,y)处的灰度平均值，I_k'(x+i,y+i)表示参照图像中像素点X_k(x+i,y+i)处的灰度值，k为左图Harris角点集S₁和右图Harris角点集S₂中的Harris角点序数，X_k为左图Harris角点集S₁和右图Harris角点集S₂中的Harris角点，i、j分别表示参照图像的x方向、y方向的像素点序数，N为参照图像的像素点总数；

5.3)分别遍历两个参照图像中的各个像素点，采用以下公式5计算两幅参照图像之间的协方差：

$\mathrm{cov}(X_1,X_2)=\frac{\underset{i=-N}{\overset{i=N}{\mathrm{\Σ}}}\underset{j=-N}{\overset{j=N}{\mathrm{\Σ}}}[{I_1}^{\′}(x_1+i,y_1+j)-{{\stackrel{\‾}{I}}_1}^{\′}\left(X_1\right)]\·[{I_2}^{\′}(x_2+i,y_2+j)-{{\stackrel{\‾}{I}}_2}^{\′}\left(X_2\right)]}{(2N+1)\·(2N+1)\·(2N+1)\·(2N+1)}---\left(5\right)$

其中，X₁和X₂分别为左图Harris角点集S₁和右图Harris角点集S₂中的Harris角点；

5.4)采用以下公式6的归一化自相关函数cor(X₁,X₂)进行归一化自相关计算：

$\mathrm{cor}(X_1,X_2)=\frac{\mathrm{cov}(X_1,X_2)}{\mathrm{stdd}\left(X_1\right)\·\mathrm{stdd}\left(X_2\right)}---\left(6\right)$

5.5)当归一化自相关函数cor(X₁,X₂)大于自相关阈值T₂时，则该归一化自相关函数cor(X₁,X₂)对应的Harris角点为候选匹配点，由所有候选匹配点组成初始匹配特征点集S。

所述的步骤6)具体过程如下：

6.1)将初始匹配特征点集S里面的匹配点对作为样本，根据置信概率α和所有样本的数量计算得到迭代次数t，采用以下步骤6.2)～6.4)进行循环迭代计算；

6.2)从初始特征匹配点集S中随机选取l对样本点对，利用这2l个匹配点采用以下公式7计算得到两幅参照图像之间的临时单应矩阵H_v：

$\left(\begin{array}{c}{X}_v\\ Y_v\\ 1\end{array}\right)=H_v\left(\begin{array}{c}{x}_v\\ y_v\\ 1\end{array}\right)---\left(7\right)$

式中，(X_v,Y_v)是左图参照图像I₁'中的Harris角点，(x_v,y_v)是右图参照图像I₂'中的Harris角点；v为当前循环次数的序数，第一次计算的序数v为1；

6.3)由临时单应矩阵H_v采用最小二乘法，采用以下公式8计算初始特征匹配点集S剩余各个匹配点对的极线距离d_v；

$d_v=\left(\begin{array}{c}{X}_v\\ Y_v\\ 1\end{array}\right)H_v\left(\begin{array}{c}{x}_v\\ y_v\\ 1\end{array}\right)---\left(8\right)$

若极线距离d_v小于极线距离阈值T₃，则将该极线距离d_v所对应的匹配点对加入第v匹配点集S_v，该极线距离d_v加入第v距离集合D_v；

6.4)将当前循环次数的序数v加1，若加1后的循环次数的序数<t，t为迭代次数，则跳转到步骤6.2)，否则进行下一步骤6.5)；

6.5)选取所有匹配点集中匹配点对最多的匹配点集作为初始匹配特征点求精结果集合S_v’，所对应的临时单应矩阵H_v作为最终单应矩阵H'。

所述的步骤7)具体过程如下：建立纯黑色的背景图像I₁₂，背景图像I₁₂各个像素点的RGB像素值均为(255,255,255)，计算最终单应矩阵H'和原始右图图像I₂的乘积，将原始右图图像I₂投影变换到背景图像I₁₂中，背景图像I₁₂中重叠区域外对应像素值按左图和右图的像素值不变，重叠区域处的像素值采用公式9的加权平均方法进行图像融合，由此获得完整的拼接织物图像：

$I_{12}(x,y)=\frac{I_1(x,y)d_1+I_2(x,y)d_2}{d_1+d_2}---\left(9\right)$

式中，I₁(x,y)为原始左图图像I₁重叠区域的像素值；I₂(x,y)为原始右图图像I₂重叠区域的像素值；d₁为像素点(x,y)距原始右图图像左边缘的垂直距离；d₂为像素点(x,y)距原始左图图像右边缘的垂直距离；I₁₂(x,y)表示融合后的像素点(x,y)的像素值。

所述的步骤6.1)中迭代次数t采用以下公式10计算得到：

t＝wα  (10)

式中，w为初始匹配特征点集S中特征点数量，α为置信概率。

所述方法用于对宽幅织物图像的获取与拼接。

本发明具有的有益效果是：

(1)本发明采用Harris角点检测和RANSAC方法，实现循环周期强或无明显特征的织物图像的无缝拼接，拼接精度高，进而保证宽幅织物图像性能的准确测试。

(2)依据参照特征得到的Harris角点和单应矩阵，可精确计算出待拼接原始织物图像的相对几何位置关系，具有较强的抗干扰能力，成本低，易于实用化。

附图说明

图1为本发明方法的流程图。

图2为本发明方法实施装置结构框图。

图3为本发明实施例的原始左图图像和原始右图图像。

图4为本发明实施例的左图参照图像和右图参照图像。

图5为本发明实施例的Harris角点检测效果图。

图6为本发明实施例的最终拼接效果图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明方法的实施装置如图2所示，宽幅织物放在织物载台上，CCD相机位于宽幅织物的正上方并朝向宽幅织物，CCD相机经图像采集卡连接计算机，织物载台连接有用于控制左右移动的步进电机，步进电机经步进电机控制单元连接PC机。

本发明图像处理的坐标系是以图像的左上角点为原点，横向为x方向，纵向为y方向，斜对角为xy方向。

如图1所示，本发明方法的实施例如下：

1)被拼接织物采用44英寸的宽幅织物，先将被拼接织物水平放在织物载台上，利用CCD相机(型号：OK_AC1300)获取占有被拼接织物左侧三分之二的图像，经图像采集卡(型号：OK_RGB20B)输入计算机(型号：Lenovo s520)，将该图像进行归一化处理得到宽高为800p×530p的被拼接织物的原始左图图像I₁，如图3(a)。

2)在被拼接织物的中间水平放上参照织物，利用CCD相机获取置有参照织物的左图参照图像I₁'，如图4(a)，左图参照图像I₁'与原始左图图像I₁大小相同，宽高均为800p×530p。

由步进电机控制单元驱动织物载台，水平向左移动织物载台，利用CCD相机获取置有参照织物的右图参照图像I₂'，如图4(b)，并使得左图参照图像I₁'和右图参照图像I₂'共同有具有参照织物三分之一的重叠区域。

3)再保持被拼接织物位置不变，移走参照织物，利用CCD相机获取被拼接织物的原始右图图像I₂，如图3(b)，原始右图图像I₂与右图参照图像I₂'大小相同。

4)对于左图参照图像I₁'和右图参照图像I₂'，均采用多尺度Harris角点检测方法分别得到左图参照图像I₁'的左图Harris角点集S₁和右图参照图像I₂'的右图Harris角点集S₂。

4.1)图像的尺度空间按高斯窗的尺度δ_m采用公式1进行计算，尺度δ_m在0.5～5的范围内以0.5的步长变化并依次计算：

4.2)由公式1计算得到不同尺度δ_m上的矩阵M，并采用公式3计算得到在不同尺度δ_m上的响应函数C(x,y)，其中常数因子β一般取值在0.05～0.5之间，常数因子实施例取值为0.4。

4.3)如果响应函数C(x,y)大于响应函数阈值T₁，则响应函数C(x,y)所对应的像素点(x,y)为角点；实施例的响应函数阈值T₁由图像中可能存在的角点总数n₀代替；

4.4)对于尺度δ_mδ_i以0.5的步长在0.5～5的范围内变化的每个尺度，尺度共计十个，分别为0.5、1、1.5、2、2.5、3、3.5、4、4.5和5，采用非极大抑制法抑制多响应的影响，非极大抑制窗的尺寸为3×3，将得到的响应函数C(x,y)的值按照从大到小降序排列，将各个尺度下的左图参照图像I₁'和右图参照图像I₂'中可能存在的角点作为候选角点；

4.5)对于尺度δ_m以0.5的步长在0.5～5的范围内变化的第二个尺度δ_m＝1开始到最大尺度δ_m＝5，依次遍历各个尺度，查找是否有当前尺度下的候选角点在前一尺度中出现，如果没有，保留该候选角点；否则，剔除候选角点；这一步保证了在尽量小的尺度下提取角点，提高了角点的定位精度；

由此得到左图参照图像I₁'的左图Harris角点集S₁和右图参照图像I₂'的右图Harris角点集S₂,如图5(a)和5(b)所示。

5)采用归一化的相关测度方法对两个角点集S₁和S₂进行Harris角点的初始匹配，得到初始匹配点集S。

5.1)在左图参照图像I₁'中，以左图Harris角点集S₁的任一Harris角点X₁(x₁，y₁)为中心，使得能建立大小为3×3的搜索窗口，并建立以该角点X₁(x₁，y₁)为中心3×3的搜索窗口；

5.2)对于左图参照图像I₁'和右图参照图像I₂'，均采用公式4依次遍历各个Harris角点分别计算两个参照图像灰度值的标准差：

5.3)分别遍历两个参照图像中的各个像素点，采用公式5计算两幅参照图像之间的协方差cov(X₁,X₂)：

5.4)采用公式6的归一化自相关函数cor(X₁,X₂)进行归一化自相关计算：

5.5)当归一化自相关函数cor(X₁,X₂)大于自相关阈值T₂时，T₂实施例取0.8，则该归一化自相关函数cor(X₁,X₂)对应的Harris角点为候选匹配点，由所有候选匹配点组成初始匹配特征点集S。

6)采用RANSAC方法对初始匹配点集S进行初始匹配特征点求精和单应矩阵的求解，得到初始匹配特征点求精结果集合S_i’，并得到最终单应矩阵H'。

6.1)将初始匹配特征点集S里面的匹配点对作为样本，根据置信概率α和所有样本的数量计算得到迭代次数t，置信概率α取α＝0.96，采用以下步骤6.2)～6.4)进行循环迭代计算；

上述迭代次数t采用公式10计算得到，实施例中公式10的w取值w＝61。

6.2)从初始特征匹配点集S中随机选取l对样本点对，实施例中l为4，故利用这八个匹配点采用公式7计算得到两幅参照图像之间的临时单应矩阵H_v：

6.3)由临时单应矩阵H_v采用最小二乘法，采用公式8计算初始特征匹配点集S剩余各个匹配点对的极线距离d_v；

极线距离阈值T₃取T₃＝2，以 $\left(\begin{array}{c}{X}_i\\ Y_i\\ 1\end{array}\right)=\left(\begin{array}{c}156\\ 62\\ 1\end{array}\right),\left(\begin{array}{c}{x}_i\\ y_i\\ 1\end{array}\right)=\left(\begin{array}{c}34\\ 346\\ 1\end{array}\right)$ 和 $H_v=\left(\begin{array}{ccc}-0.6817& 0.7028& 61.9133\\ 0.2412& -3.6476& 418.0040\\ -0.0025& -0.0039& 1.0000\end{array}\right)$ 为例，依据公式8得其极线距离d_v＝1.0e+0.006*0.1425d_v小于极线距离阈值T₃，则将该极线距离d_v所对应的匹配点对加入第v匹配点集S_v，该极线距离d_v加入第v距离集合D_v；

6.4)将当前循环次数的序数v加1，若加1后的循环次数的序数<t，t为迭代次数，实施例中迭代次数t＝61×0.96≈59；则跳转到步骤6.2)，否则进行下一步骤6.5)；

6.5)选取所有匹配点集中匹配点对最多的匹配点集作为初始匹配特征点求精结果集合S_v’，所对应的临时单应矩阵H_v作为最终单应矩阵H'，实施例中H'的匹配点对数为37。

7)根据得到的最终单应矩阵H'，对原始左图图像I₁和原始右图图像I₂进行投影变换配准，再拼接并利用加权平均方法消除拼接缝，进行图像的融合，完成织物图像的获取与拼接，实施例中H'的取值为 $H^{\&prime;}=\left(\begin{array}{ccc}0.9998& -0.0006& 136.1552\\ 0.0008& 1.0489& -29.7656\\ 0.0000& -0.0000& 1.0000\end{array}\right).$

由于原始左图图像I₁和原始右图图像I₂的位置关系和置有参照织物的左图参照图像I₁'和右图参照图像I₂'的位置关系一致，故利用左图参照图像I₁'和右图参照图像I₂'，计算出的单应矩阵H'，同时也反映了原始图像间的投影映射关系。

具体建立大小为1600p×530p和RGB像素值为(255,255,255)的背景图像I₁₂，计算最终单应矩阵H'和原始右图图像I₂的乘积，将原始右图图像图像I₂投影变换到背景图像I₁₂中，背景图像I₁₂中重叠区域外对应像素值按左图和右图的像素值不变，重叠区域处的像素值采用公式9的加权平均方法进行图像融合，保留更多的图像细节信息：

采用上述方法对左图参照图像I₁'和右图参照图像I₂'的拼接融合结果如图6(a)所示，原始左图图像I₁和原始右图图像I₂的拼接融合结果如图6(b)所示。

由此，本实施例最终采用了加权平均融合方法生成无缝拼接图像，实现了对于宽幅织物图像的获取与拼接。

上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (7)

1.一种基于参照特征的宽幅织物图像获取与拼接方法，其特征在于该方法的步骤如下：

1)先将被拼接织物水平放在织物载台上，获取占有被拼接织物左侧三分之二的图像，将该图像进行归一化处理得到被拼接织物的原始左图图像I₁；

2)在被拼接织物的中间水平放上参照织物，获取置有参照织物的左图参照图像I₁'，左图参照图像I₁'与原始左图图像I₁大小相同；水平向左移动织物载台，获取置有参照织物的右图参照图像I₂'，并使得左图参照图像I₁'和右图参照图像I₂'共同有至少参照织物三分之一的重叠区域；

3)再保持被拼接织物位置不变，移走参照织物，获取被拼接织物的原始右图图像I₂，原始右图图像I₂与右图参照图像I₂'大小相同；

4)对于左图参照图像I₁'和右图参照图像I₂'，均采用多尺度Harris角点检测方法分别得到左图参照图像I₁'的左图Harris角点集S₁和右图参照图像I₂'的右图Harris角点集S₂；

5)采用归一化的相关测度方法对两个角点集S₁和S₂进行Harris角点的初始匹配，得到初始匹配点集S；

6)采用RANSAC方法对初始匹配点集S进行初始匹配特征点求精和单应矩阵的求解，得到初始匹配特征点求精结果集合S_i’，并得到最终单应矩阵H'；

7)根据得到的最终单应矩阵H'，对原始左图图像I₁和原始右图图像I₂进行投影变换配准，再拼接并利用加权平均方法消除拼接缝，进行图像的融合，完成织物图像的获取与拼接。

2.根据权利要求1所述的一种基于参照特征的宽幅织物图像获取与拼接方法，其特征在于：所述的步骤4)中左图参照图像I₁'和右图参照图像I₂'的两个参照图像均采用以下多尺度Harris角点检测方法进行处理：

4.1)图像的尺度空间按高斯窗的尺度δ_m采用以下公式1进行计算，尺度δ_m在0.5～5的范围内以0.5的步长变化并依次计算：

$L_x\left({\mathrm{\&delta;}}_m\right)=G(x,y,{\mathrm{\&delta;}}_m)\&CircleTimes;{\left({I_x}^{\&prime;}\right)}^2$

$L_y\left({\mathrm{\&delta;}}_m\right)=G(x,y,{\mathrm{\&delta;}}_m)\&CircleTimes;{\left({I_y}^{\&prime;}\right)}^2---\left(1\right)$

$L_{\mathrm{xy}}\left({\mathrm{\&delta;}}_m\right)=G(x,y,{\mathrm{\&delta;}}_m)\&CircleTimes;{\left({I_x}^{\&prime;}{I_y}^{\&prime;}\right)}^2$

式中，I_x'、I_y'分别为参照图像在x方向和y方向的偏导，G(x,y，δ_m)为高斯核，是尺度变换的唯一变换核，m为尺度计算的序数，L_x(δ_m)、L_y(δ_m)、L_xy(δ_m)分别表示x方向、y方向和xy方向的高斯尺度空间；

4.2)由上述步骤4.1)的公式1计算得到不同尺度δ_m上的矩阵M：

$M=\left[\begin{array}{c}{L}_x\left({\mathrm{\&delta;}}_m\right)L_{\mathrm{xy}}\left({\mathrm{\&delta;}}_m\right)\\ L_{\mathrm{xy}}\left({\mathrm{\&delta;}}_m\right)L_y\left({\mathrm{\&delta;}}_m\right)\end{array}\right]---\left(2\right)$

以及采用以下公式3计算得到在不同尺度δ_m上的响应函数C(x,y)：

C(x,y)＝Det[M(x,y)]-βTrace²[M(x,y)]   (3)

式中，Det[M(x,y)]为矩阵M的行列式，Trace[M(x,y)]为矩阵M的迹，β是常数因子；

4.3)如果响应函数C(x,y)大于响应函数阈值T₁，则响应函数C(x,y)所对应的像素点(x,y)为角点；

4.4)对于尺度δ_m以0.5的步长在0.5～5的范围内变化的每个尺度，采用非极大抑制法抑制多响应的影响，非极大抑制窗的尺寸为3×3，将响应函数C(x,y)的值按照从大到小降序排列，将各个尺度下的左图参照图像I₁'和右图参照图像I₂'中可能存在的角点作为候选角点；

4.5)对于尺度δ_m以0.5的步长在0.5～5的范围内变化的第二个尺度δ_m＝1开始到最大尺度δ_m＝5，依次遍历各个尺度，查找是否有当前尺度下的候选角点在前一尺度中出现，如果没有，保留该候选角点；否则，剔除候选角点；

由此得到左图参照图像I₁'的左图Harris角点集S₁和右图参照图像I₂'的右图Harris角点集S₂。

3.根据权利要求1所述的一种基于参照特征的宽幅织物图像获取与拼接方法，其特征在于：所述的步骤5)的左图参照图像I₁'和右图参照图像I₂'的两个参照图像具体采用以下方法进行初始匹配：

5.1)在左图参照图像I₁'中，以左图Harris角点集S₁的任一Harris角点X₁(x₁，y₁)为中心，使得能建立大小为3×3的搜索窗口；

5.2)对于左图参照图像I₁'和右图参照图像I₂'，均采用以下公式4依次遍历各个Harris角点分别计算两个参照图像灰度值的标准差：

$\mathrm{stdd}\left(X_k\right)=\sqrt{\frac{\underset{i=-N}{\overset{i=N}{\mathrm{\&Sigma;}}}\underset{j=-N}{\overset{j=N}{\mathrm{\&Sigma;}}}{[{I_k}^{\&prime;}(x+i,y+j)-{{\stackrel{\&OverBar;}{I}}_k}^{\&prime;}\left(X_k\right)]}^2}{(2N+1)\&times;(2N+1)}}---\left(4\right)$

式中：为参照图像中Harris角点X_k(x,y)处的灰度平均值，I_k'(x+i,y+i)表示参照图像中像素点X_k(x+i,y+i)处的灰度值，k为左图Harris角点集S₁和右图Harris角点集S₂中的Harris角点序数，X_k为左图Harris角点集S₁和右图Harris角点集S₂中的Harris角点，i、j分别表示参照图像的x方向、y方向的像素点序数，N为参照图像的像素点总数；

5.3)分别遍历两个参照图像中的各个像素点，采用以下公式5计算两幅参照图像之间的协方差：

$\mathrm{cov}(X_1,X_2)=\frac{\underset{i=-N}{\overset{i=N}{\mathrm{\&Sigma;}}}\underset{j=-N}{\overset{j=N}{\mathrm{\&Sigma;}}}[{I_1}^{\&prime;}(x_1+i,y_1+j)-{{\stackrel{\&OverBar;}{I}}_1}^{\&prime;}\left(X_1\right)]\&CenterDot;[{I_2}^{\&prime;}(x_2+i,y_2+j)-{{\stackrel{\&OverBar;}{I}}_2}^{\&prime;}\left(X_2\right)]}{(2N+1)\&CenterDot;(2N+1)\&CenterDot;(2N+1)\&CenterDot;(2N+1)}---\left(5\right)$

其中，X₁和X₂分别为左图Harris角点集S₁和右图Harris角点集S₂中的Harris角点；

5.4)采用以下公式6的归一化自相关函数cor(X₁,X₂)进行归一化自相关计算：

$\mathrm{cor}(X_1,X_2)=\frac{\mathrm{cov}(X_1,X_2)}{\mathrm{stdd}\left(X_1\right)\&CenterDot;\mathrm{stdd}\left(X_2\right)}---\left(6\right)$

5.5)当归一化自相关函数cor(X₁,X₂)大于自相关阈值T₂时，则该归一化自相关函数cor(X₁,X₂)对应的Harris角点为候选匹配点，由所有候选匹配点组成初始匹配特征点集S。

4.根据权利要求1所述的一种基于参照特征的宽幅织物图像获取与拼接方法，其特征在于：所述的步骤6)具体过程如下：

6.1)将初始匹配特征点集S里面的匹配点对作为样本，根据置信概率α和所有样本的数量计算得到迭代次数t，采用以下步骤6.2)～6.4)进行循环迭代计算；

6.2)从初始特征匹配点集S中随机选取l对样本点对，利用这2l个匹配点采用以下公式7计算得到两幅参照图像之间的临时单应矩阵H_v：

$\left(\begin{array}{c}{X}_v\\ Y_v\\ 1\end{array}\right)=H_v\left(\begin{array}{c}{x}_v\\ y_v\\ 1\end{array}\right)---\left(7\right)$

式中，(X_v,Y_v)是左图参照图像I₁'中的Harris角点，(x_v,y_v)是右图参照图像I₂'中的Harris角点；v为当前循环次数的序数，第一次计算的序数v为1；

6.3)由临时单应矩阵H_v采用最小二乘法，采用以下公式8计算初始特征匹配点集S剩余各个匹配点对的极线距离d_v；

$d_v=\left(\begin{array}{c}{X}_v\\ Y_v\\ 1\end{array}\right)H_v\left(\begin{array}{c}{x}_v\\ y_v\\ 1\end{array}\right)---\left(8\right)$

若极线距离d_v小于极线距离阈值T₃，则将该极线距离d_v所对应的匹配点对加入第v匹配点集S_v，该极线距离d_v加入第v距离集合D_v；

6.4)将当前循环次数的序数v加1，若加1后的循环次数的序数<t，t为迭代次数，则跳转到步骤6.2)，否则进行下一步骤6.5)；

6.5)选取所有匹配点集中匹配点对最多的匹配点集作为初始匹配特征点求精结果集合S_v’，所对应的临时单应矩阵H_v作为最终单应矩阵H'。

5.根据权利要求1所述的一种基于参照特征的宽幅织物图像获取与拼接方法，其特征在于：所述的步骤7)具体过程如下：建立纯黑色的背景图像I₁₂，背景图像I₁₂各个像素点的RGB像素值均为(255,255,255)，计算最终单应矩阵H'和原始右图图像I₂的乘积，将原始右图图像I₂投影变换到背景图像I₁₂中，背景图像I₁₂中重叠区域外对应像素值按左图和右图的像素值不变，重叠区域处的像素值采用公式9的加权平均方法进行图像融合，由此获得完整的拼接织物图像：

$I_{12}(x,y)=\frac{I_1(x,y)d_1+I_2(x,y)d_2}{d_1+d_2}---\left(9\right)$

式中，I₁(x,y)为原始左图图像I₁重叠区域的像素值；I₂(x,y)为原始右图图像I₂重叠区域的像素值；d₁为像素点(x,y)距原始右图图像左边缘的垂直距离；d₂为像素点(x,y)距原始左图图像右边缘的垂直距离；I₁₂(x,y)表示融合后的像素点(x,y)的像素值。

6.根据权利要求4所述的一种基于参照特征的宽幅织物图像获取与拼接方法，其特征在于：所述的步骤6.1)中迭代次数t采用以下公式10计算得到：

t＝wα   (10)

式中，w为初始匹配特征点集S中特征点数量，α为置信概率。

7.根据权利要求1所述的一种基于参照特征的宽幅织物图像获取与拼接方法，其特征在于：所述方法用于对宽幅织物图像的获取与拼接。