1、“.....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......”。

2、“.....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......”。

3、“.....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......”。

4、“.....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......”。

5、“.....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......”。

6、“.....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......”。

7、“.....，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，是通过个关于对应线性化得到仿射变换。这意味着每个小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光线上，在特征空间内每个特征点需和它最近个领域点匹配，通过使用树算法找到近似最近领域点，时间复杂度为。树是种轴对齐二进制空间划分，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......”。

8、“.....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是正确概率内点概率为，次试验后找到正确变换概率为经过大量试验后，找到正确对应矩阵概率非常大。例如，对于内点概率，在次试验后......”。

9、“.....算法本质上是种估计采样方法，如果用对数似然和最大化代替内点数量最大化，结果是最大似然估计。此外，如果变换参数先验值是有效，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特征匹配点内点和系列在重叠区域内，但不致特征点外点来验证。验证模型通过比较这些正确匹配产生系列内点和匹配产生系列外点概率来进行验证。对于幅给定图像，重叠区域内总匹配特征点数为，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,是否为内点被假定为独立贝努力分布，以便于内点总数服从贝努力分布其中，是可以正确匹配图像时特征点为内点概率，是不能实现图像匹配时特征点为内点概率表示特征匹配点变量集合，内点数，是贝努力分布，表示如下,我们选择，......”。