（1）《异源图像匹配关键技术研究》李壮
图像传感器本身结构、成像原理等方面的不同，导致异源图像上对应区域的灰度、对比度都存在较大的差异。因此，异源图像匹配是一项非常有难度的工作。
自适应 NL-means 滤波器
基于边缘特征的图像匹配（Edge Based Image Matching, EBIM）算法.
当异源图像间存在较大的旋转角度时，传统的基于区域的异源图像匹配方法需要同时在平移空间和旋转空间内进行搜索匹配，计算量较大，通常难以在导航、制导等对实时性要求较高的系统中使用。
（2）一种优化的图像拼接方法*章 盛，韩 超
(3)袁杰基于SIFT的图像配准与拼接技术研究
首先，针对sift生成特征描述符环节计算量大的问题，提出了一种改进的描述符生成算法。该算法用卷积运算来统计特征点子邻域的梯度信息，从而避免了频繁的计算子邻域的梯度直方图，且避免了大量的重复计算，提高了算法的快速性。
其次，在特征点匹配阶段，首先借助利kd_tree用特征描述符向量为特征点建立了索引树，然后选取特征点的近似的最近邻距离与次近邻距离之比作为特征点之间的相似性度量并借助最小优先权队列在kd_tree上搜索特征点的匹配点，最后分别用由sift类型的特征描述符和由改进算法生成的特征描述符生成匹配结果并对由这两种描述符生成的匹配结果进行了比较和分析。在变换矩阵求解阶段，首先用RANSAC算法剔除大量的错匹配点然后用迭代的非线性最小二乘法L_M对变换矩阵求精。
然后，针对传统的基于SIFT的图像配准算法存在的三个弊端：（待拼接图像的非重叠区域对特征点的匹配没有丝毫用处，所以没必要对非重叠区域进行特征提取；在处理高分辨率的大图时由于提取出的特征点很多使得建立kd_tree和搜索特征点所需的计算量大大增大；（图片中的相似结构产生的错匹配点仅仅依靠特征描述符向量的相似性很难剔除。本文提出了一种由粗到细的分块匹配策略，该策略将大图匹配问题转换成若干个小图匹配问题。实验结果显示该策略的匹配速度要比传统的基于SIFT的图像配准算法快1倍以上，且能有效的剔除由图像的相似结构产生的错匹配点。最后，针对传统方法在图像融合后易出现拼接缝隙和像素过渡不均匀的问题，
本文给出了一种利用图像重叠区域像素统计特征的图像融合方法。该方法首先计算待拼接图像重叠区域像素的统计特征，调整图像的亮度使待拼接图像的亮度达到一致，在融合图像时用双线性插值法确定非重叠区域上的点的像素值，用渐入渐出加权法确定重叠区域的点的像素值。实验结果显示融合后的图像像素过渡光滑，没有明显的拼接缝隙，
拼接效果良好。
(4)
(5)基于 FAST 特征点提取的图像拼接算法 高晶
，很多学者对 SIFT 算法做了相应的改进，文献［6］将PCA 和 SIFT 算法相结合来减少运行时间，但当图像出现尺度变换或旋转变化时，拼接效果不甚理想; 文献［7］提出的 SUFT 算法，通过使用积分图像求导的方法加快拼接速度，但该算法抗噪能力较差，且在图像发生尺度变换情况下拼接效果并不理想。现有改进算法无法在较好保证图像拼接效果的前提下加快算法的运行速率［8］。
Do G 局部极值的检测依据构造的金字塔。金字塔每层的每个像素需要和同一尺度的周围邻域8 个像素和上下相邻尺度对应位置的邻域 9 个像素，一共 26 个像素进行比较，如果当前像素比周围 26 个像素都大或者都小时就认为该点属于极值点。
同时 SIFT 方法虽然能够从尺度空间寻找出具有结构化特性的特征点，但忽略了实际图像中很多具有视觉意义的特征位置，造成特征点漏检的情况。对图像进行高阶导数运算，也会出现噪声放大、像素位置偏移的问题［12］本文用 FAST 特征提取算法取代基于高斯差分金字塔的特征提取方法，实现 SIFT 图像拼接算法的改进，提高算法运行效率。
(6)基于图像拼接的大尺寸零件精密测量 邵竑文
在镜头选择方面，为了因拼接次数过多而造成误差，所以应尽量减少拼接次数，若被测物体为固定大小，应尽可能减少拍摄次数，增加单次拍摄的面积。而扩大相机的拍摄面积可采用如下两种办法: ( 1) 使用小焦距镜头，( 2) 增加物距。由于立式加工中心中可以利用的空间高度无法改变，所以无法采用增加物距的办法; 此外所使用小焦距镜头，会使图像产生非线性几何畸变。在应用机器视角时，针对 1 寸左右的传感器才会选用50mm 左右的标准视角镜头。此外，透视畸变是拍照过程中经常遇到的问题，即“远小近大”。这对被测物体存在高度变化的应用来说是很大的问题，例如，在铸铁板实验上空，若拍摄时采用常规镜头，则其中的透视畸变便十分明显，这影响了后期图像的处理。为有效改善这一问题，可采用能纠正传统镜头视觉差的远心镜头，它在一定物距范围内能保证图像的放大倍率不会因物质改变而变化。
(7)基于视觉的大尺寸工件边缘检测及图像拼接技术研究 林欣堂
虽然立体视觉运动测量系统所获得的信息量远远高于单机视觉运动测量系统，可以独立完成三维测量任务，
确定目标的三维参数。但考虑到对双目或多目成像的相机标定、图像处理、特征提取以及特征匹配等环节中都有计算复杂、难以确保测量精度和测量的稳定性、对噪声干扰敏感、成本高等缺点。同时，考虑到本课题的测量对象具有在垂直方向上整体变化缓慢，波动小，测量容易的特点，适于使用单目相机加深度辅助工具的系统结构。
目前使用的主要匹配方法都是基于图像特征的匹配方法，而常用到的特征有：特征点（包括角点，高曲率点等）、直线段、边缘、轮廓、闭合区域、特征结构以及统计特征如几何矩、重心等等。因此，基于不同的特征又产生了不同的匹配方法，如基于边缘特征的匹配方法、基于轮廓特征的匹配方法、基于区域特征结构的匹配方法及基于特征点的匹配方法等[56-58]。 其中，基于特征点的匹配方法以其所涵特征像素少、匹配的计算简单、匹配的精度高、抗噪性强、适用范围广及匹配后可直接用来计算图像之间的空间变换关系阵 H 等优点，成为目前最常用的匹配方法。
特征点检测方法主要分为两大类：基于图像边缘信息的方法(高曲率点)和基于图像灰度信息的方法(角点)。 针对高曲率点的检测方法，主要是利用图像边缘或轮廓信息进行角点检测，如基于边界曲率的角点检测和基于边缘轮廓链码的角点检测等。边缘轮廓链码的方法需要对图像进行预处理，主要分为二个步骤：首先，对图像进行预分割；然后对预分割后得到的图像中边界轮廓点进行顺序编码，得到边缘轮廓链码；最后根据边缘轮廓链码对图像中的角点进行描述和提取。但是在实际应用中，受到光照及噪声影响，往往导致边缘不连续等问题，限制了该方法的使用。 基于图像灰度信息的角点检测算法认为角点是与邻域有较大的灰度差，
或其局部自相关灰度值较大的像素点。往往是直接在灰度图像上匹配角点模板或者计算边界点处的梯度，比较经典的算法有 Moravec 算法、SUSAN 算法和 Harris 算法等，下面分别对其进行介绍。
