1、“.....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。以前的方法使用人工输入或限制图像序列，以建立匹配的图像，在这篇文章中，我们假定拼接是个多图像匹配问题，并使用不变的局部特征来找到所有图像的匹配特征。由于以上这些，该方法对输入图像的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的噪声图像不敏感，并可以在个无序的图像数据集中识别多个全景图。此外，为了提供更多有关的细节，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的工作。简介全景图像拼接已经有了大量的研究文献和些商业应用。这个问题的基本几何学很好理解，对于每个图像由个估计的的摄像机矩阵或对应矩阵组成......”。

2、“.....例如，佳能数码相机内的图像拼接软件需要水平或垂直扫描，或图像的方阵。在自动定位进行前，第版的拼接软件有个用户界面，用鼠标在图像大致定位，而我们的研究是有新意的，因为不需要提供这样的初始化。根据研究文献，图像自动对齐和拼接的方法大致可分为两类直接的和基于特征的。直接的方法有这样的优点，它们使用所有可利用的图像数据，因此可以提供非常准确的定位，但是需要个只有细微差别的初始化处理。基于特征的配准不需要初始化，但是缺少不变性的传统的特征匹配方法例如，角点图像修补的相关性需要实现任意全景图像序列的可靠匹配。在本文中，我们描述了个基于不变特征的方法实现全自动全景图像的拼接，相比以前的方法有以下几个优点。第......”。

3、“.....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的匹配关系，并且在无序的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的全景图，可以产生高质量的结果。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的工作，我们还描述了个高效的捆绑调整实现并展示对任意数量波段的多个重叠图像如何进行多波段融合。本文其余部分的结构如下。第二部分说明所研究问题的几何学和我们选择不变特征的原因。第三部分介绍了图像匹配方法和验证图像匹配的概率模型。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的参数。五到七部分描述了处理过程......”。

4、“.....第九部分中，我们给出了结论和对未来工作的展望。特征匹配全景识别算法的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的极值点处，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的结构。尽管在这个结构中简单的采样强度值是相似不变的，但是不变描述子实际上是通过对方向直方图的局部梯度值进行累积计算得到的，这样就允许边缘有轻微的移动而不会改变描述子的矢量，对仿射变换提供了定的鲁棒性。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的范围内是精确的。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的......”。

5、“.....值得注意的是，这是传统的特征匹配技术不能实现的，例如角点图像修补的相关性。传统的相关性在图像旋转时是变化的，角点在改变图像尺度时也是变化的。假设相机绕光学中心旋转，图像的变换群是个对应矩阵的特殊群。由个旋转矢量和焦距将每个摄像头参数化，就给出了成对的对应矩阵，其中并且,是均匀的图像坐标,，其中是二维的图像坐标。参数的相机模型定义为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的图像特征。可是......”。

6、“.....旦图像间的匹配点对确定，我们可以找到全景序列作为连接匹配图像集，它可以识别图像集中的多个全景，拒绝不匹配的噪声图像见图。图图二匹配点匹配点内点内点依据对应矩阵的图像对准图，从所有图像中提取特征点。使用树匹配所有特征点后，对于个给定图像，用有最多特征匹配点的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的图像匹配，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的连接分量输出全景图图，可识别全景图。考虑个特征匹配点的噪声集，我们使用算法和概率验证过程找到致的图像匹配，每个图像对间的箭头表示在图像对间找到致的特征匹配点集，图像匹配连接分量被找到......”。

7、“.....，其中，是通过个关于的对应线性化得到的仿射变换。这意味着每个小的图像修补经过次仿射变换，并且合理利用了在仿射变换下局部不变的特征。旦从所有个图像中提取特征点后线性时间内，需对特征点进行匹配。由于多个图像可能重叠在个单的光线上，在特征空间内每个特征点需和它最近的个领域点匹配，通过使用树算法找到近似最近的领域点，时间复杂度为。树是种轴对齐的二进制空间划分，它在平均最高方差维递归划分特征空间。图像匹配图像匹配的目标是找到所有匹配例如重叠图像，稍后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的二次方。为了得到个好的拼接结果，对于图像几何而言......”。

8、“.....从特征匹配这个步骤中，我们已找出图像间有大量匹配点的图像。对于当前图像，我们将幅图像作为可能的匹配图像，这幅图像与当前图像有最大数量的特征匹配点。首先，使用算法选择系列和图像间对应矩阵兼容的内点，然后应用概率模型做进步的验证。使用算法的鲁棒对应矩阵估计随机抽样致性算法算法是使用最少的组随机采样匹配点的种鲁棒估计过程，用来估计图像变换参数，并找到与数据具有最好致性的解决方案。在全景图的情况下，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的对应矩阵。重复次试验，选择内点数最大的解决方案在像素误差范围内，其预测和是致的。假设对匹配图像间的特征匹配点是正确的概率内点概率为......”。

9、“.....找到正确对应矩阵的概率非常大。例如，对于内点概率，在次试验后，未找到正确对应矩阵的概率为。算法本质上是种估计的采样方法，如果用对数似然和的最大化代替内点数量的最大化，结果是最大似然估计。此外，如果变换参数的先验值是有效的，可以计算出最大后验概率。这些算法被分别称为和。图像匹配关系验证的概率模型对两两图像间是否存在匹配关系，我们使用系列几何致的特征匹配点内点和系列在重叠区域内，但不致的特征点外点来验证。验证模型通过比较这些正确匹配产生的系列内点和匹配产生的系列外点的概率来进行验证。对于幅给定的图像，重叠区域内总的匹配特征点数为，内点数为。图像是否有效匹配通过二进制变量,表示。第个匹配特征点......”。