图像拼接方法、装置、计算机设备及存储介质与流程

1.本技术涉及图像拼接领域，尤其涉及一种图像拼接方法、装置、计算机设备及存储介质。


背景技术：

2.现有拼接算法主要是基于面积的算法、基于比值的算法。然而，在基于面积的算法中,计算量过大,导致时间成本过高。而基于比值的算法虽然比基于面积的算法的时间成本有所减少,但仍具有较大的时间成本,并且由于计算需要大量的除法，往往容易引起程序运行的中断：由于计算机在做除法过程中计算取值是相应图像像素的红绿蓝(red green blue，rgb)值,而rgb值有可能出现0值的情况,这样在做除法时,当算法出现分母为0的情况,必须进行特殊处理,否则将导致程序运行的中断。因此,使得拼接算法在计算量上以及程序实现上并不理想。


技术实现要素：

3.本技术实施例的目的在于提出一种图像拼接方法、装置、计算机设备及存储介质，以解决图像拼接计算量过大，配准效果较差等技术问题。
4.为了解决上述技术问题，本技术实施例提供一种图像拼接方法，采用了如下所述的技术方案：
5.获取第一输入图像、第二输入图像；
6.将模板图像与所述第一输入图像进行滑动匹配，计算匹配过程中的多个相似度，所述模板图像为第二输入图像的部分或者全部；
7.选取所述多个相似度的最小值，得到目标相似度，并根据所述目标相似度得到目标重叠区域；
8.通过所述目标重叠区域确定所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征；
9.根据所述目标特征，对所述第一输入图像以及所述第二输入图像进行图像拼接。
10.进一步的，所述通过所述目标重叠区域确定所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征的步骤具体包括：
11.扩大所述第一输入图像以及所述第二输入图像，得到对应的变换图像；
12.多次高斯卷积所述变换图像，得到对应的多层图像；
13.通过所述多层图像构建高斯差值金字塔；
14.特征检测所述高斯差值金字塔，得到特征点的位置、特征点的尺度以及特征点的方向；
15.将所述特征点的位置、所述特征点的尺度以及所述特征点的方向，作为所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征。
16.进一步的，所述多次高斯卷积所述变换图像，得到对应的多层图像的步骤具体包
括：
17.通过高斯卷积所述变换图像，其中x,y为像素坐标，x0，y0为常数，σ为平滑系数。
18.进一步的，所述通过所述多层图像构建高斯金字塔的步骤具体包括：
19.将所述变换图像作为第1层高斯金字塔，将所述对应的i层图像作为第i层高斯金字塔，构建n层高斯金字塔，其中i为2到n之间的任意一个整数；
20.将同组的下一层高斯金字塔与本层高斯金字塔进行做差，得到n-1层的所述高斯差值金字塔。
21.进一步的，所述根据所述目标特征，对所述第一输入图像以及所述第二输入进行图像拼接的步骤具体包括：
22.空间叠加所述第一输入图像以及所述第二输入图像，得到叠加后的图像；
23.获取所述重叠区域的目标特征，所述目标特征至少包括重叠区域的宽度参数；
24.根据所述重叠区域的宽度参数，过渡融合所述叠加后的图像。
25.进一步的，所述空间叠加所述第一输入图像以及所述模板图像，得到叠加后的图像的步骤之前还包括：
26.获取重叠区域中的第一特征点、第二特征点，所述第二特征点为所述第一特征点的最小领域点；
27.计算所述第一特征点以及第二特征点的欧式距离，得到第一欧式距离；
28.获取第三特征点，所述第三特征点为第一特征点的次小领域点；
29.计算所述第一特征点以及第三特征点的欧式距离，得到第二欧式距离；
30.若所述第一欧式距离以及所述第二欧式距离的欧式距离大于阈值，则删除所述第一特征点。
31.进一步的，所述获取第一输入图像、第二输入图像的步骤之后还包括：
32.通过单调的灰度映射曲线，将所述第一输入图像转换成灰度值并映射成相应的灰度，得到灰度图像；
33.将所述灰度图像通过高斯模糊对进行去噪，得到过滤图像；
34.通过卷积运算平滑处理所述过滤图像，得到完整图像；
35.将所述完整图像傅里叶变换，得到频域图像；
36.微分处理所述频域图像。
37.为了解决上述技术问题，本技术实施例还提供一种图像拼接装置，采用了如下所述的技术方案：
38.获取模块，用于获取第一输入图像、第二输入图像；
39.匹配模块，用于将模板图像与所述第一输入图像进行滑动匹配，计算匹配过程中的多个相似度，所述模板图像为第二输入图像的部分或者全部；
40.重叠区域计算模块，用于选取所述多个相似度的最小值，得到目标相似度，并根据所述目标相似度得到目标重叠区域；
41.目标特征获取模块，用于通过所述目标重叠区域确定所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征；
42.拼接模块，根据所述目标特征，对所述第一输入图像以及所述第二输入图像进行图像拼接。
43.进一步的，所述匹配模块还用于：
44.扩大所述第一输入图像以及所述第二输入图像，得到对应的变换图像；
45.多次高斯卷积所述变换图像，得到对应的多层图像；
46.通过所述多层图像构建高斯差值金字塔；
47.特征检测所述高斯差值金字塔，得到特征点的位置、特征点的尺度以及特征点的方向；
48.将所述特征点的位置、所述特征点的尺度以及所述特征点的方向，作为所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征。
49.进一步的，所述匹配模块还用于：
50.通过高斯卷积所述变换图像，其中x,y为像素坐标，x0，y0为常数，σ为平滑系数。
51.进一步的，所述匹配模块还用于：
52.将所述变换图像作为第1层高斯金字塔，将所述对应的i层图像作为第i层高斯金字塔，构建n层高斯金字塔，其中i为2到n之间的任意一个整数；
53.将同组的下一层高斯金字塔与本层高斯金字塔进行做差，得到n-1层的所述高斯差值金字塔。
54.进一步的，所述拼接模块还用于：
55.空间叠加所述第一输入图像以及所述第二输入图像，得到叠加后的图像；
56.获取所述重叠区域的目标特征，所述目标特征至少包括重叠区域的宽度参数；
57.根据所述重叠区域的宽度参数，过渡融合所述叠加后的图像。
58.进一步的，所述图像拼接装置还包括阈值计算模块，所述阈值计算模块还用于：
59.获取重叠区域中的第一特征点、第二特征点，所述第二特征点为所述第一特征点的最小领域点；
60.计算所述第一特征点以及第二特征点的欧式距离，得到第一欧式距离；
61.获取第三特征点，所述第三特征点为第一特征点的次小领域点；
62.计算所述第一特征点以及第三特征点的欧式距离，得到第二欧式距离；
63.若所述第一欧式距离以及所述第二欧式距离的欧式距离大于阈值，则删除所述第一特征点。
64.进一步的，所述图像拼接装置还包括频域分析模块，所述频域分析模块还用于：
65.通过单调的灰度映射曲线，将所述第一输入图像转换成灰度值并映射成相应的灰度，得到灰度图像；
66.将所述灰度图像通过高斯模糊对进行去噪，得到过滤图像；
67.通过卷积运算平滑处理所述过滤图像，得到完整图像；
68.将所述完整图像傅里叶变换，得到频域图像；
69.微分处理所述频域图像。
70.为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述
的技术方案：
71.一种计算机设备，其包括至少一个连接的处理器、存储器、输入输出单元，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述所述的图像拼接方法的步骤。
72.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
73.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的图像拼接方法的步骤。
74.与现有技术相比，本技术实施例主要有以下有益效果：
75.本技术提出了一种特征点拼接算法，对形态学图片进行拼接。消除拼接图像中的接缝，并且对光照变化、视角偏移等具有较好的鲁棒性。满足实际医学领域应用的图像标准，并且较之前图像拼接的精度得到了提高，而且图像的配准的稳定性也有所提高。提高了匹配的速度和正确匹配的概率。
附图说明
76.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
77.图1是本技术可以应用于其中的示例性系统架构图；
78.图2根据本技术的图像拼接方法的一个实施例的流程图；
79.图3是根据本技术的图像拼接装置的一个实施例的结构示意图；
80.图4是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
81.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
82.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
83.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
84.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
85.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
86.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pi ctureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
87.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
88.需要说明的是，本技术实施例所提供的图像拼接方法一般由服务器/终端设备执行，相应地，图像拼接装置一般设置于服务器/终端设备中。
89.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
90.继续参考图2，示出了根据本技术的图像拼接的方法的一个实施例的流程图。所述的图像拼接方法，包括以下步骤：
91.步骤201，获取第一输入图像、第二输入图像。
92.在本实施例中，第一输入图像以及第二输入图像为相同像素分辨率的图像，图像拼接方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式服务器接收用户请求进行标定。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
93.在本实施例中，由于图像的重叠多存在与边缘区域，在第一幅图像的边缘局域确定一个模板因子(模板因子大小因图片大小而异，理论上模板选取越大匹配精度越高，但其计算量会加大)，所述k一般不为0。记录模板灰度值信息,其中k表示匹配的相似度。
94.步骤202，将模板图像与所述第一输入图像进行滑动匹配，计算匹配过程中的多个相似度，所述模板图像为第二输入图像的部分或者全部。
95.在本实施例中，用模板图像在第一输入图像上滑动，每滑过一个地方计算k值，k值类似于方差，这个越小代表模板与目标区域相似越大。算法采用最小平方差来衡量匹配的相似度。其中b(x,y)为图像中每块区域的灰度信息，而a(x，y)为选定模板图像的灰度信息。
96.步骤203，选取所述多个相似度的最小值，得到目标相似度，并根据所述目标相似度得到目标重叠区域。
97.在本实施例中，在第一输入图像中进行自动匹配，得到多个计算出来的k值。遍历完图像后确定k值最小的区域即为预处理初步确定的重叠区域。
98.步骤204，通过所述目标重叠区域确定所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征。
99.在本实施例中，所述目标特征为所述第一输入图像的特征以及所述第二输入图像
的特征之和，用的是改进的尺度不变特征变换(scale-invariant feature transform，sift)算法来进行特征集获取目标特征，首先在尺度空间进行特征检测，并确定特征点的位置和特征点所处的尺度，然后使用特征点邻域梯度的主方向作为该特征点的方向特征，以实现算子对尺度和方向的无关性。sift算法对图像尺度和旋转具有不变性，对光照变化、视角变换而形成的图像偏差都具有很好的鲁棒性。提高了匹配的速度和正确匹配的概率。
100.步骤205，根据所述目标特征，对所述第一输入图像以及所述第二输入图像进行图像拼接。
101.在本实施例中，图像拼接采用加权平均的图像融合方法。
102.在本实施例中，本技术提出了一种特征点拼接算法，对形态学图片进行拼接。消除拼接图像中的接缝，并且对光照变化、视角偏移等具有较好的鲁棒性。满足实际医学领域应用的图像标准，并且较之前图像拼接的精度得到了提高，而且图像的配准的稳定性也有所提高。
103.在一些可选的实现方式中，所述通过所述目标重叠区域确定所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征的步骤具体包括：
104.扩大所述第一输入图像以及所述第二输入图像，得到对应的变换图像；
105.多次高斯卷积所述变换图像，得到对应的多层图像；
106.通过所述多层图像构建高斯差值金字塔(difference of gaussian，dog)；
107.特征检测所述高斯差值金字塔，得到特征点的位置、特征点的尺度以及特征点的方向；
108.将所述特征点的位置、所述特征点的尺度以及所述特征点的方向，作为所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征。
109.上述实施方式中，构建高斯金字塔。先将第一输入图像扩大一倍之后作为高斯金字塔的第1组第1层，将第1组第1层图像经高斯卷积(其实就是高斯平滑或称高斯滤波)之后作为第1组金字塔的第2层。用平滑系数来平滑第1组第2层图像，结果图像作为第3层。以此类推最后得到l层图像，在同一组中，每一层图像的尺寸都是一样的，只是平滑系数不一样。从而得到第一组高斯差值金字塔，以此类推，同理将第二输入图像逐层生成每一个差分图像，将所有差分图像构成差分金字塔，得到第二组高斯差值金字塔。高斯差分金字塔中将每个采样点与它所有相邻的点进行比较从而提取图像的极值点作为特征点。基于尺度不变特征变换算法提取的特征点对所述高斯差值金字塔进行极值检测，得到所述特征点的位置以及所述特征点的尺度，根据所述特征点的像素分布确定特征点的方向，将所述特征点的位置、所述特征点的尺度以及所述特征点的方向组合生成特征向量。
110.在一些可选的实现方式中，所述多次高斯卷积所述变换图像，得到对应的多层图像的步骤具体包括：
111.通过高斯卷积所述变换图像，其中x,y为像素坐标，x0，y0为常数，σ为平滑系数。
112.上述实施方式中，对于参数σ，在sift算子中取的是固定值1.6。借助于sift特征对于旋转和尺度的不变性以及对于噪声、视角变化和光照变化等良好的鲁棒性。
113.在一些可选的实现方式中，所述通过所述多层图像构建高斯差值金字塔的步骤具
体包括：
114.将所述变换图像作为第1层高斯金字塔，将所述对应的i层图像作为第i层高斯金字塔，构建n层高斯金字塔，其中i为2到n之间的任意一个整数；
115.将同组的下一层高斯金字塔与本层高斯金字塔进行做差，得到n-1层的所述高斯差值金字塔。
116.上述实施方式中，同一组中，每一层图像的尺寸都是一样的，只是平滑系数不一样。σ为设置的一个固定值，需要人为继续拧调试效果，它们对应的平滑系数分别为0，σ，
…
，k
n-2
σ。之后是建立高斯差值金字塔金字塔。高斯差值金字塔的第1组第1层是由第一输入图像高斯金字塔的第1组第2层减第1组第1层得到的，第二组由第二输入图像同理构成。以此类推，逐组逐层生成每一个差分图像，所有差分图像构成差分金字塔。高斯差分金字塔中将每个采样点与它所有相邻的点进行比较从而提取图像的极值点作为特征点。
117.在一些可选的实现方式中，所述根据所述目标特征，对所述第一输入图像以及所述第二输入进行图像拼接的步骤具体包括：
118.空间叠加所述第一输入图像以及所述第二输入图像，得到叠加后的图像；
119.获取所述重叠区域的目标特征，所述目标特征至少包括重叠区域的宽度参数；
120.根据所述重叠区域的宽度参数，过渡融合所述叠加后的图像。
121.上述实施方式中，在选定的所有m个匹配特征点中随机选取n个匹配点作为采样样本。通过n个匹配点集估计图像变换矩阵m的参数x，计算全部m个匹配点集中符合变换参数x的子集中的样本数量，具体估计过程通过随机选取部分匹配点生成拟合模型，再通过拟合模型进行估计m，再选取满足拟合模型的样本，从而估算样本数量，如果样本数量足够大则停止，若不满足条件重复上述操作。经过上述不断滑动匹配进行迭代从而求解最佳的几何变换模型。将第一输入图像以及模板图像变换到参考图像坐标系上，进行图像融合即可。图像融合采用加权平均的图像融合方法。将待融合图像第一输入图像f1、第二输入图像f2在空间叠加，叠加后的图像可表示为：
[0122][0123]
其中d1，d2表示权重值，与重叠区域的宽度有关，并且d2 d1＝1(0《＝d1，d2《＝1)。重叠区域中d1由1渐变至0，d2由0渐变至1，由此实现重叠区域的图像f1到f2的过渡融合。d1和d2的计算公如下：
[0124]
其中xi表示当前像素的横坐标，x
l
与xr分别表示重叠区域的左右边界横坐标。
[0125]
在一些可选的实现方式中，所述空间叠加所述第一输入图像以及所述模板图像，得到叠加后的图像的步骤之前还包括：
[0126]
获取重叠区域中的第一特征点、第二特征点，所述第二特征点为所述第一特征点的最小领域点；
[0127]
计算所述第一特征点以及第二特征点的欧式距离，得到第一欧式距离；
[0128]
获取第三特征点，所述第三特征点为第一特征点的次小领域点；
[0129]
计算所述第一特征点以及第三特征点的欧式距离，得到第二欧式距离；
[0130]
若所述第一欧式距离以及所述第二欧式距离的欧式距离大于阈值，则删除所述第一特征点。
[0131]
上述实施方式中，所述最小领域点是指与第一特征点欧氏距离最小的特征点，对全部特征点进行一个筛选。设置一个门限，把那些没有很好匹配关系的特征点可以先剔除掉。一种有效的测量方法就是通过比较最近邻域(nn)与第二最近邻域(snn)的距离。对nn/snn设定阈值t(一般在0.6～0.8之间)，如果nn/snn的值小于该阈值，则保留该点，否则去除该点。若小于或等于阈值则认为是有效特征点，保留此处特征点。
[0132]
在一些可选的实现方式中，所述获取第一输入图像、第二输入图像步骤之后还包括：
[0133]
通过单调的灰度映射曲线，将所述第一输入图像转换成灰度值并映射成相应的灰度，得到灰度图像；
[0134]
将所述灰度图像通过高斯模糊对进行去噪，得到过滤图像；
[0135]
通过卷积运算平滑处理所述过滤图像，得到完整图像；
[0136]
将所述完整图像傅里叶变换，得到频域图像；
[0137]
微分处理所述频域图像。
[0138]
上述实施方式中，高斯模糊对图像进行去噪，通过卷积运算对原图进行一定的平滑，滤除一部分孤立的噪声点和较小的结构组织，达到减小图像噪声的效果。图像进行一阶或者二阶微分运算突出图像灰度的变化，增强图像细节。根据傅立叶变换的微分性质，对应到频率域中，微分运算其实能起到加强高频分量的作用。
[0139]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0140]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0141]
进一步参考图3，作为对上述图2所示方法的实现，本技术提供了一种图像拼接装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0142]
如图3所示，本实施例所述的图像拼接装置300包括：获取模块301、匹配模块302、重叠区域计算模块303、目标特征获取模块304以及拼接模块305。
[0143]
其中：
[0144]
获取模块301用于获取第一输入图像、第二输入图像；
[0145]
匹配模块302用于将模板图像与所述第一输入图像进行滑动匹配，计算匹配过程中的多个相似度，所述模板图像为第二输入图像的部分或者全部；
[0146]
重叠区域计算模块303用于选取所述多个相似度的最小值，得到目标相似度，并根据所述目标相似度得到目标重叠区域；
[0147]
目标特征获取模块304用于通过所述目标重叠区域确定所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征；
[0148]
拼接模块305根据所述目标特征，对所述第一输入图像以及所述第二输入图像进行图像拼接。
[0149]
在本实施例的一些可选的实现方式中，上述匹配模块进一步用于：
[0150]
扩大所述第一输入图像以及所述第二输入图像，得到对应的变换图像；
[0151]
多次高斯卷积所述变换图像，得到对应的多层图像；
[0152]
通过所述多层图像构建高斯差值金字塔；
[0153]
特征检测所述高斯差值金字塔，得到特征点的位置、特征点的尺度以及特征点的方向；
[0154]
将所述特征点的位置、所述特征点的尺度以及所述特征点的方向，作为所述第一输入图像的特征以及所述第二输入图像的特征，得到目标特征。
[0155]
在本实施例的一些可选的实现方式中，上述匹配模块进一步用于：
[0156]
通过高斯卷积所述变换图像，其中x,y为像素坐标，x0，y0为常数，σ为平滑系数。
[0157]
将所述变换图像作为第1层高斯金字塔，将所述对应的i层图像作为第i层高斯金字塔，构建n层高斯金字塔，其中i为2到n之间的任意一个整数；
[0158]
将同组的下一层高斯金字塔与本层高斯金字塔进行做差，得到n-1层的所述高斯差值金字塔。
[0159]
在本实施例的一些可选的实现方式中，上述拼接模块进一步用于：
[0160]
空间叠加所述第一输入图像以及所述第二输入图像，得到叠加后的图像；
[0161]
获取所述重叠区域的目标特征，所述目标特征至少包括重叠区域的宽度参数；
[0162]
根据所述重叠区域的宽度参数，过渡融合所述叠加后的图像。
[0163]
在本实施例的一些可选的实现方式中，上述装置300还包括阈值计算模块：阈值计算模块，用于：
[0164]
获取重叠区域中的第一特征点、第二特征点，所述第二特征点为所述第一特征点的最小领域点；
[0165]
计算所述第一特征点以及第二特征点的欧式距离，得到第一欧式距离；
[0166]
获取第三特征点，所述第三特征点为第一特征点的次小领域点；
[0167]
计算所述第一特征点以及第三特征点的欧式距离，得到第二欧式距离；
[0168]
若所述第一欧式距离以及所述第二欧式距离的欧式距离大于阈值，则删除所述第一特征点。
[0169]
在本实施例的一些可选的实现方式中，上述装置300还包括频域分析模块：频域分析模块，用于：
[0170]
通过单调的灰度映射曲线，将所述第一输入图像转换成灰度值并映射成相应的灰度，得到灰度图像；
[0171]
将所述灰度图像通过高斯模糊对进行去噪，得到过滤图像；
[0172]
通过卷积运算平滑处理所述过滤图像，得到完整图像；
[0173]
将所述完整图像傅里叶变换，得到频域图像；
[0174]
微分处理所述频域图像。
[0175]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
[0176]
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0177]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0178]
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如图像拼接方法的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0179]
所述处理器42在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行所述图像拼接方法的程序代码。
[0180]
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
[0181]
本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有图像拼接程序，所述图像拼接程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的图像拼接方法的步骤。
[0182]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做
出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0183]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。