| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要工作 | 第11-12页 |
| 1.4 本文的组织安排 | 第12-14页 |
| 第2章 全景图像拼接技术相关理论 | 第14-22页 |
| 2.1 图像的获取 | 第14页 |
| 2.2 成像变换原理 | 第14-17页 |
| 2.2.1 图像坐标系 | 第14-15页 |
| 2.2.2 图像坐标变换模型 | 第15-17页 |
| 2.3 图像匹配方法概述 | 第17-20页 |
| 2.3.1 图像配准的原则 | 第17-18页 |
| 2.3.2 图像配准方法 | 第18-20页 |
| 2.4 全景图像投影变换 | 第20-21页 |
| 2.4.1 立方体投影 | 第20页 |
| 2.4.2 球面投影 | 第20页 |
| 2.4.3 柱面投影 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 特征点提取算法 | 第22-32页 |
| 3.1 基于SIFT算法的特征点提取 | 第22-27页 |
| 3.1.1 尺度空间极值点检测 | 第22-24页 |
| 3.1.2 关键点定位 | 第24-26页 |
| 3.1.3 关键点方向确定 | 第26-27页 |
| 3.1.4 生成SIFT特征描符 | 第27页 |
| 3.2 SIFT算法的改进算法 | 第27-29页 |
| 3.2.1 PCA-SIFT算法 | 第27-28页 |
| 3.2.2 SURF算法 | 第28-29页 |
| 3.3 基于角点检测算法 | 第29-31页 |
| 3.3.1 SUSAN角点检测 | 第29-30页 |
| 3.3.2 Moravec检测算法 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于SIFT算法的图像配准过程 | 第32-42页 |
| 4.1 SIFT特征点粗匹配 | 第32-36页 |
| 4.1.1 K近邻算法 | 第32-33页 |
| 4.1.2 K近距离度量表示 | 第33-34页 |
| 4.1.3 基于K-D Tree的K近邻算法 | 第34-35页 |
| 4.1.4 K-D Tree的BBF搜索法 | 第35-36页 |
| 4.2 特征点精确匹配算法 | 第36-37页 |
| 4.2.1 基于RANSAC算法的匹配点提纯与优化 | 第36页 |
| 4.2.2 PROSAC算法 | 第36-37页 |
| 4.3 图像融合的经典方法 | 第37-40页 |
| 4.3.1 直接平均法 | 第37页 |
| 4.3.2 加权平均法 | 第37-39页 |
| 4.3.3 中值滤波法 | 第39页 |
| 4.3.4 基于Lab彩色空间的融合 | 第39-40页 |
| 4.4 本章小结 | 第40-42页 |
| 第5章 实验结果与分析 | 第42-56页 |
| 5.1 实验一: 不同特征点采样结果比较 | 第43-45页 |
| 5.2 实验二: 不同特征点提取方法的配准结果比较 | 第45-47页 |
| 5.3 实验三: 不同融合方法的融合结果比较 | 第47-51页 |
| 5.4 实验四: 全景图像拼接 | 第51-52页 |
| 5.5 实验五: 特征点提取数量调整 | 第52-54页 |
| 5.6 本章小结 | 第54-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56-57页 |
| 6.2 本文主要创新 | 第57页 |
| 6.3 进一步研究工作的展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |