CN102129704A - 一种基于surf操作数的显微镜图像拼接方法 - Google Patents

Abstract

本发明公开了一种基于SURF操作数的显微镜图像拼接方法，该发明针对医学显微镜图像中存在大量的斑点状结构如气泡、细胞等，把SURF操作数引入的显微镜图像的拼接领域中来，并对SURF操作数进行了改进，在分割区域的同时模拟高斯加权的过程，并将描述向量的维数减半，降低了匹配特征点的计算开销。应用该算法，在保证匹配准确度的同时，对速度进行了较大的提升。该方法可以适用于医学图像处理领域以及其它与图像拼接相关的计算机视觉研究领域。

Description

一种基于SURF操作数的显微镜图像拼接方法

技术领域

本发明涉及一种基于SURF操作数的显微镜图像拼接方法。

背景技术

显微镜是一种应用非常广泛的光学仪器，它通过光学系统的作用放大被观察的对象，对微观组织结构进行显示，从微观形态来认识和研究对象的特性。目前，它已广泛应用于生物学、病理学、细胞组织学、药物化学等各个领域。显微镜视野小，无法一次采集到大视野的图像，同时对于大目标的数据测量也需要把不完整的图像拼接为一个整体。所以，把相邻的各幅图像拼接起来成为显微镜测量的关键环节。

显微镜的图像随着放大倍数的增加而成倍缩小，在低倍镜下视野较大但是很难观察样本细节，在高倍镜下虽然能看到样本细节，但是却不能看到样本的整体。因此，如何在高放大状态下获得样本整体的高分辨率图像是显微镜图像拍摄时的一个难点。而利用图像拼接算法可以实现多张高分辨率局部图像的拼接，从而生成样本全景图，是解决该问题的一个有效方法。

图像拼接算法研究的核心问题是提高拼接的速度、精度和算法的稳健度。传统的拼接方法包括基于全像素的方法和基于角点、纹理等特征的算法，基于全像素的方法主要缺陷是计算量太大，不利于快速拼接；基于角点、纹理等特征算法比较容易受图像尺度变化和旋转的影响；而且以上算法对细胞、气泡中斑点状的特征不敏感。另外尺度不变特征转换特征SIFT和快速鲁棒性特征SURF都具有旋转尺度不变特性，但是SIFT运算速度较慢，并且SIFT操作数对检测圆斑状的特征不敏感，不适用于高分辨率显微镜图像的拼接。

发明内容

为弥补现有技术的不足，本发明提出了一种基于SURF的显微镜图像拼接算法；SURF是一种尺度旋转不变的检测操作数和描述操作数，在检测斑点状结构时具有很高的精确度，并且算法时间较以往方法快速。该方法采用积分图像和快速海塞Hessian矩阵检测特征点，然后用哈尔Haar小波提取特征点主方向，并在主方向上建立的坐标系上构造描述向量。在特征检测和描述上都大大提升了算法速度。

为实现上述目的，本发明采用如下技术方案：

一种基于SURF操作数的显微镜图像拼接方法，该方法的实现步骤如下：

1)利用电动马达带动相机获取显微镜图像序列；

2)在图像序列中依次选取相邻两幅图像1和2；

3)对于两幅图像，分别利用快速Hessian矩阵检测不同尺度下的图像斑点，得到特征点并利用特征点构建特征描述向量；

4)当两幅图像的特征描述向量生成后，将特征向量间的欧式距离作为两幅图像中特征点的相似性判定度量，找到两幅图像间的初步匹配点；

5)再利用RANSAC方法提纯匹配点；

6)找到准确的匹配点后，采用最小二乘算法估计图像变换模型参数实现两幅图像的拼接；

7)最后通过色彩补偿的方法消除拼接图像的颜色亮度差异，并进行平滑拼接边缘；

8)将平滑拼接后的拼接图像作为参考图像，与图像序列中下一相邻图像进行拼接，重复执行步骤3)至步骤8)，直至完成整个图像序列的拼接处理。

所述步骤3)中，检测不同尺度下的图像斑点得到特征点的过程如下：

A)采用方块滤波代替高斯滤波的方法，得到图像斑点在不同尺度下的响应；

B)确定特征点的位置：首先对经过阈值筛选的点进行非极大值抑制处理，之后将每一个经过筛选的点与其同尺度邻近的8个像素点以及上下邻近的各9个像素点共26点进行比较，获得满足阈值条件并且是局部极大值的特征点。

所述步骤A)中，得到图像斑点在不同尺度下的响应的过程如下：

a)首先用D_xx、D_yy和D_xy分别表示在水平方向，垂直方向以及水平和垂直方向上的方块波，用det(H_approx)表示Hessian行列式的近似估计，则det(H_approx)可表示为：

其中：权值w的作用是平衡Hessian行列式的值；

b)将w设为0.9，则上式可以表示为：

det(H_approx)＝D_xxD_yy-(0.9D_xy)²

其中，det(H_approx)代表在尺度σ下点(x，y)处的斑点响应。

所述步骤3)中构建特征描述向量的方法如下：

a)采用Haar小波获得特征点在x、y方向的梯度；

b)然后将该特征点的斑点响应以dx和dy建立坐标系，将各点响应映射到该坐标系，累加在各方向60度范围内小波响应，获得最大响应的方向为主方向；

c)在该主方向上建立特征描述向量：将沿x轴和y轴的Haar小波回应定义为dx和dy，则定义每个子区域的描述为

$v_{\mathrm{subregion}}=\left[\begin{array}{c}\mathrm{dy}>0,\mathrm{\&Sigma;dx};\mathrm{\&Sigma;}\left|\mathrm{dx}\right|\\ \mathrm{dy}<0,\mathrm{\&Sigma;dx};\mathrm{\&Sigma;}\left|\mathrm{dx}\right|\\ \mathrm{dx}>0,\mathrm{\&Sigma;dy};\mathrm{\&Sigma;}\left|\mathrm{dy}\right|\\ \mathrm{dx}<0,\mathrm{\&Sigma;dy};\mathrm{\&Sigma;}\left|\mathrm{dy}\right|\end{array}\right]$

这样每个子区域有8个特征描述向量。

所述步骤4)中求取初步匹配点的方法如下：首先取图像1中的某个特征点，并在图像2中找出与该点欧式距离最近和次近的两个特征点，如果最近距离与次近距离的比例小于60％，则认为最近的这一对特征点为匹配点。

所述步骤5)中，具体提纯方法为：将每对匹配点连成一条直线，所有的连线画在同一坐标系中的，每一根连线代表一对匹配点，匹配点连线的主流方向称为主运动；符合主运动的点被认为是有效匹配点，而跟主运动相背的则被当作误匹配点去除。

所述步骤6)中，最小二乘算法估计图像变换模型为：

$\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}[{(x_i^{\&prime;}-(h_{11}{x}_i+h_{12}{y}_i+h_{13}))}^2+{(y_i^{\&prime;}-(h_{21}{x}_i+h_{22}{y}_i+h_{23}))}^2]$

其中，M是匹配点的总数，(x_i，y_i)，(x′_i，y′_i)是一对匹配点，h₁₃，h₂₃为X轴和Y轴方向的平移因子；h₁₁、h₁₂、h₂₁、h₂₂是缩放旋转因子。

所述步骤7)中，色彩补偿方法如下：

其中，

是第i幅图像在重叠区域颜色通道C的均值，

是第i+1幅图像在重叠区域颜色通道C的均值，P_i+1，C(x)是重叠区域中像素x在第i+1幅图像的色彩值，P′_i+1，C(x)是补偿后第i+1幅图像中像素的色彩值。

所述步骤7)中，平滑拼接边缘的方法如下：对于给定的加权系数α，重叠区域的像素值表示为：I(i，j)＝αI₀(i，j)+(1-α)I₁(i，j)；其中：0≤α≤1，当α从1递减到0时，重叠区域的像素值将从I₀(i，j)变化到I₁(i，j)。

有益效果：传统的拼接方法包括基于全像素的方法和基于角点、纹理等特征的算法，本发明提出的基于SURF操作数的方法既能克服基于全像素的图像拼接方法运算量大、运算速度慢的缺点，又可以克服基于角点、纹理等特征算法受图像尺度变化和旋转的影响的缺点，同时，本发明提出的基于SUR操作数的方法对细胞、气泡中斑点状的特征具有极高的敏感性，相比之前的SIFT操作数，SURF操作数降低了运算量，同时结合图像拼接系统中误匹配点去除的步骤，可以使得本发明所提出的基于SURF操作数的显微镜图像拼接系统在保证图像匹配的正确率的基础上，提高拼接的速度。

附图说明

图1为本发明的流程图；

图2为积分图像的一个简单的示例；

图3(a)表示在水平方向上用方块滤波模板近似替代高斯滤波模板；

图3(b)表示在垂直方向上用方块滤波模板近似替代高斯滤波模板；

图3(c)表示既有水平方向又有垂直方向的情况下用方块滤波模板近似替代高斯滤波模板；

图4为确定特征点位置的示意图；

图5(a)为计算x轴方向响应的haar小波滤波器；

图5(b)为计算y轴方向响应的haar小波滤波器；

图6为主方向确定的示意图；

图7为特征区域的分割方式；

图8为图像平滑示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

在高倍自动显微镜图像拼接领域引入基于SURF操作数的图像拼接系统，整个系统包括显微镜图像序列的获取，SURF特征检测和描述，图像匹配，误匹配点去除，图像变换，色彩亮度补偿和图像平滑等步骤，可以将多幅高分辨率的图像拼接成一幅更大的高分辨率的全景图，使该全景图既能体现出显微镜图像的全景信息，又能很好的表现显微镜图像的细节信息。

如图1所示，本发明所提出的基于SURF操作数的显微镜图像拼接方法的实现步骤如下：

1)利用Hessian矩阵得到显微镜图像中的类似斑点结构；

2)改进特征区域分割方式，简化高斯加权过程，得到64维的特征描述向量；

3)以最小欧式距离为量度，获得初选的匹配点。再利用随机抽样一致性RANSAC提纯算法，得到准确的匹配点；

4)通过匹配点获得图像间的变换矩阵参数最佳估计，根据变换矩阵将图像拼接在同一坐标系；

5)利用拼接图像的重合区域的亮度和颜色信息，消除图像间的亮度颜色差异；

6)最后利用加权平均法消除拼接痕迹，最终完成图像拼接。

下面对各个步骤的实现方法进行详细描述。

一般显微镜图像中存在着大量的斑点结构如细胞、气泡等，Hessian矩阵检测器具有较好的定位准确性，在斑点型结构处Hessian矩阵能获得局部极大值。本发明首先应用快速Hessian矩阵检测不同尺度下的图像斑点的结构特征并构建特征向量。

为了提高描述和匹配速度，本发明采用的SURF区域分割方法，在分割区域的同时模拟高斯加权的过程，并将描述向量的维数降至64维，降低了匹配特征点的计算开销，并通过实验证明了它在速度上的优势。同时，利用积分图像，方便地计算任意矩形区域内像素点之和，提升了匹配速度。例如，由顶点A，B，C，D确定的矩形区域S(如图2)内灰度值之和可以通过(1)式计算，这样，只需做三次运算，访问四次图像数据即可完成，并且计算时间不随区域尺寸增加而变化。

∑_S＝A+D-(B+C)                    (1)

在特征检测和特征描述环节均使用了积分图像的该特性，大大提高了算法速度。同时采用方块滤波近似代替高斯滤波的方法，可以避免高斯滤波离散和截断的缺点。具体方法如图3，图3(a)(b)(c)来分别在水平方向，垂直方向以及水平和垂直方向上近似代替高斯滤波，以此利用积分图像降低计算开销，加快运算速度，并且每次卷积运算时间与滤波窗口尺寸无关，提升检测速度。具体介绍如下：

图3(a)(b)(c)中9×9的方块滤波是尺度σ＝1.2的高斯滤波的估计，将图3(a)(b)(c)中的三个方块滤波分别定义为D_xx、D_yy和D_xy，用det(H_approx)表示Hessian行列式的近似估计，则Hessian行列式的近似估计det(H_approx)可以表示为：

det(H_approx)＝D_xxD_yy-(wD_xy)²                        (2)

权值w的作用是平衡Hessian行列式的值，为了满足能量守恒，本发明统一将w设为0.9，则式(2)可以表示为

det(H_approx)＝D_xxD_yy-(0.9D_xy)²                      (3)

det(H_approx)代表在尺度σ下点(x，y)处的斑点响应，本发明检测的是特征点在不同尺度下斑点响应的局部极大值。

确定特征点的位置分为三步：首先，通过阈值筛选方块滤波回应；然后经过阈值筛选的点将进行非极大值抑制处理，本发明是将每一个经过筛选的点与其同尺度邻近的8个像素点以及上下邻近的各9个像素点共26点进行比较，如图4。这样将获得满足阈值条件并且是局部极大值的特征点。最后，利用特征点临近像素插值出尺度和空间上亚像素精度的特征点，就得到了稳健的可重复的特征点。

由于方块滤波在积分图像运算时间上的优势，采用Haar小波获得特征点在x、y方向的梯度，然后求取该特征点的梯度主方向，在该主方向上建立描述向量。

为了保证旋转不变性，必须保证主方向能够在各种变化下重复提取出来。在特征点周围6σ的圆形邻域内，计算尺度为4σ的haar小波响应，如图5所示，图5(a)为计算x轴方向响应的haar小波滤波器；图5(b)为计算y轴方向响应的haar小波滤波器；深色的部分表示权值为-1，浅色的部分表示权值为+1。这里的σ是特征点所在的尺度。然后将响应以dx和dy建立坐标系，将各点响应映射到该坐标系，用一个圆心角为60度的扇形沿原点旋转，计算累加在各方向60度范围内小波响应，将获得最大响应的扇形的圆心角平分线方向作为主方向，如图6所示。

特征点描述是决定特征匹配效果的重要一环。特征点描述既要能够准确反映特征点的邻域信息，同时又要保证该描述能够较方便快速的提取出来。本发明将沿x轴和y轴的Haar小波回应定义为dx和dy，则定义每个子区域的描述为

$v_{\mathrm{subregion}}=\left[\begin{array}{c}\mathrm{dy}>0,\mathrm{\&Sigma;dx};\mathrm{\&Sigma;}\left|\mathrm{dx}\right|\\ \mathrm{dy}<0,\mathrm{\&Sigma;dx};\mathrm{\&Sigma;}\left|\mathrm{dx}\right|\\ \mathrm{dx}>0,\mathrm{\&Sigma;dy};\mathrm{\&Sigma;}\left|\mathrm{dy}\right|\\ \mathrm{dx}<0,\mathrm{\&Sigma;dy};\mathrm{\&Sigma;}\left|\mathrm{dy}\right|\end{array}\right]---\left(4\right)$

这样每个区域有8个描述向量。为了降低计算开销，增强算法实时性，采用图7的特征区域分割方式，根据这种分割方式，可以把特征区域分割成8块：它们分别是邻近原点的四个小正方形区域(上面四个图)和原点左上角、左下角、右上角、右下角的每四个小方块组成的大正方形区域(下面四个图)。该方式使大的矩形块覆盖了小的矩形块，靠近特征点矩形的Haar小波响应得到了重复的利用。这样靠近特征点的像素Haar小波相应对特征描述的贡献越大，起到了类似高斯加权的作用，同时，该分割方式将特征区域划分为8个，使描述向量变为64维，提高了描述速度。

在匹配过程中，特征向量维数较少，匹配速度加快，尤其在显微镜图像拼接中一般一个样本图像需多幅图像拼接完成，整个过程节约的时间相当可观，而匹配效果没有明显降低，增加的误匹配点可以通过后面的RANSAC算法去除。

当两幅图像的SURF特征向量生成后，本发明将特征向量间欧式距离作为两幅图像中特征点的相似性判定度量。首先取图像1中的某个特征点，并在图像2中找出与该点欧式距离最近和次近的两个特征点，如果最近距离与次近距离的比例小于60％，则认为最近的这一对特征点为匹配点。降低这个比例阈值，匹配点数目会减少，但更加稳定。

当完成两幅图像的匹配后，会存在一些误匹配点，本发明采用RANSAC方法对匹配点进行提纯。具体提纯方法为：将每对匹配点连成一条直线，所有的连线画在同一坐标系中的，每一根连线代表一对匹配点，匹配点连线的主流方向称为主运动。符合主运动的点被认为是有效匹配点，而跟主运动相背的则被当作误匹配点去除。

对于显微镜拍摄的两幅图像，其对应关系可以由一个3×3的平面透视变换矩阵来表示：

$\left[\begin{array}{c}{x}_i^{\&prime;}\\ y_i^{\&prime;}\\ 1\end{array}\right]=H\left[\begin{array}{c}{x}_i\\ y_i\\ 1\end{array}\right]---\left(5\right)$

其中(x_i，y_i)，(x′_i，y′_i)是一对匹配点，由于一般的显微镜图像序列是通过电动马达带动相机拍摄而成，图像之间基本不存在透视变换关系，因此为了降低计算开销提高模型参数求解速度，这里我们采用6参数模型，即假设图像序列之间只存在旋转和平移关系，其对应的参数矩阵和变换公式可以表示为

$H=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\end{array}\right]---\left(6\right)$

${\hat{x}}_i=h_1{x}_i+h_2{y}_i+h_3$ (7)

${\hat{y}}_i=h_4{x}_i+h_5{y}_i+h_6$

式(6)中，其中h₁₃，h₂₃分别为X轴和Y轴方向的平移因子；h₁₁、h₁₂、h₂₁、h₂₂是缩放旋转因子；(x_i，y_i)、分别为对应拼接图像第i组匹配点的坐标。因此图像拼接过程转化为求解6参数的过程。

对于6参数变换模型，我们只需要3组不共线的匹配点坐标即能完成求解，为了降低噪声及匹配误差对参数估计的影响，我们这里采用最小二乘法进行参数估计：

$\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}[{(x_i^{\&prime;}-(h_{11}{x}_i+h_{12}{y}_i+h_{13}))}^2+{(y_i^{\&prime;}-(h_{21}{x}_i+h_{22}{y}_i+h_{23}))}^2]---\left(8\right)$

M是匹配点的总数。在不引入误匹配点的情况下，带入的匹配点越多参数估计将越精确，使该式取得最小值的变换参数作为最佳估计。

由于图像噪声、模型误差、相机晃动等因素的存在，通常图像之间会存在颜色和亮度差异，所以为了保证合成图像的清晰度以及消除明显拼接痕迹，我们需要对拼接后的图像进行颜色和亮度补偿。为了进行颜色亮度补偿，通常，像素色彩值P_c与物体表面反射度存在下面关系：

P_c＝α×L_c    (9)

L_c是物体表面对颜色信道C(例如R、G、B)反射度，α为一比例系数。由于图像间的重迭区域包含的是同一场景，像素x的色彩可以表示为：

P_0，C(x)＝α₀×L_C

(10)

P_1，C(x)＝α₁×L_C

其中P_i，C(x)是重叠区域中像素x在第i幅图像的色彩值。我们可以假设在重叠区域的同一位置两幅图像上的像素存在线性关系。为了降低噪声和错误拼接带来的影响，我们这里采用重叠区域的均值来估计线性关系。

$\frac{{\mathrm{\&alpha;}}_0}{{\mathrm{\&alpha;}}_1}=\frac{\stackrel{\&OverBar;}{P_{0,C}}}{\stackrel{\&OverBar;}{P_{1,C}}}---\left(11\right)$

其中是第i幅图像在重叠区域颜色信道C的均值。如果将第0幅图像作为参考图像，则图像1中补偿后的像素x可以表示为：

$P_{1,C}^{\&prime;}\left(x\right)=\frac{{\mathrm{\&alpha;}}_0}{{\mathrm{\&alpha;}}_1}\&times;P_{1,C}\left(x\right)---\left(12\right)$

本发明将这种补偿方法应用于整个图像，即实现了图像的色彩和光线补偿。

最后一步将平滑图像消除拼接痕迹。由于前面的色彩和光线补偿，已经使拼接痕迹有一定的消除。因此，本发明采用加权平均法消除拼接痕迹。对于给定的加权系数α，重叠区域的像素值可以表示为：

I(i，j)＝αI₀(i，j)+(1-α)I₁(i，j)    (13)

其中0≤α≤1。当α从1递减到0时，重叠区域的像素值将从I₀(i，j)变化到I₁(i，j)如图8所示，图8为图像平滑示意图，其中：实线表示图像1，虚线表示图像2。纵轴高度代表α，0≤α≤1。

Claims (9)

1.一种基于SURF操作数的显微镜图像拼接方法，其特征是，该方法的实现步骤如下：

1)利用电动马达带动相机获取显微镜图像序列；

2)在图像序列中依次选取相邻两幅图像1和2；

3)对于两幅图像，分别利用快速Hessian矩阵检测不同尺度下的图像斑点，得到特征点并利用特征点构建特征描述向量；

4)当两幅图像的特征描述向量生成后，将特征向量间的欧式距离作为两幅图像中特征点的相似性判定度量，找到两幅图像间的初步匹配点；

5)再利用RANSAC方法提纯匹配点；

6)找到准确的匹配点后，采用最小二乘算法估计图像变换模型参数实现两幅图像的拼接；

7)最后通过色彩补偿的方法消除拼接图像的颜色亮度差异，并进行平滑拼接边缘；

8)将平滑拼接后的拼接图像作为参考图像，与图像序列中下一相邻图像进行拼接，重复执行步骤3)至步骤8)，直至完成整个图像序列的拼接处理。

2.如权利要求1所述的一种基于SURF操作数的显微镜图像拼接方法，其特征是，所述步骤3)中，检测不同尺度下的图像斑点得到特征点的过程如下：

A)采用方块滤波代替高斯滤波的方法，得到图像斑点在不同尺度下的响应；

B)确定特征点的位置：首先对经过阈值筛选的点进行非极大值抑制处理，之后将每一个经过筛选的点与其同尺度邻近的8个像素点以及上下邻近的各9个像素点共26点进行比较，获得满足阈值条件并且是局部极大值的特征点。

3.如权利要求2中所述的一种基于SURF操作数的显微镜图像拼接方法，其特征是，所述步骤A)中，得到图像斑点在不同尺度下的响应的过程如下：

a)首先用D_xx、D_yy和D_xy分别表示在水平方向，垂直方向以及水平和垂直方向上的方块波，用det(H_approx)表示Hessian行列式的近似估计，则det(H_approx)可表示为：

其中：权值w的作用是平衡Hessian行列式的值；

b)将w设为0.9，则上式可以表示为：

det(H_approx)＝D_xxD_yy-(0.9D_xy)²

其中，det(H_approx)代表在尺度σ下点(x，y)处的斑点响应。

4.如权利要求1中所述的一种基于SURF操作数的显微镜图像拼接方法，其特征是，所述步骤3)中构建特征描述向量的方法如下：

a)采用Haar小波获得特征点在x、y方向的梯度；

b)然后将该特征点的斑点响应以dx和dy建立坐标系，将各点响应映射到该坐标系，累加在各方向60度范围内小波响应，获得最大响应的方向为主方向；

c)在该主方向上建立特征描述向量：将沿x轴和y轴的Haar小波回应定义为dx和dy，则定义每个子区域的描述为

$v_{\mathrm{subregion}}=\left[\begin{array}{c}\mathrm{dy}>0,\mathrm{\&Sigma;dx};\mathrm{\&Sigma;}\left|\mathrm{dx}\right|\\ \mathrm{dy}<0,\mathrm{\&Sigma;dx};\mathrm{\&Sigma;}\left|\mathrm{dx}\right|\\ \mathrm{dx}>0,\mathrm{\&Sigma;dy};\mathrm{\&Sigma;}\left|\mathrm{dy}\right|\\ \mathrm{dx}<0,\mathrm{\&Sigma;dy};\mathrm{\&Sigma;}\left|\mathrm{dy}\right|\end{array}\right]$

这样每个子区域有8个特征描述向量。

5.如权利要求1中所述的一种基于SURF操作数的显微镜图像拼接方法，其特征是，所述步骤4)中求取初步匹配点的方法如下：首先取图像1中的某个特征点，并在图像2中找出与该点欧式距离最近和次近的两个特征点，如果最近距离与次近距离的比例小于60％，则认为最近的这一对特征点为匹配点。

6.如权利要求1中所述的一种基于SURF操作数的显微镜图像拼接方法，其特征是，所述步骤5)中，具体提纯方法为：将每对匹配点连成一条直线，所有的连线画在同一坐标系中的，每一根连线代表一对匹配点，匹配点连线的主流方向称为主运动；符合主运动的点被认为是有效匹配点，而跟主运动相背的则被当作误匹配点去除。

7.如权利要求1中所述的一种基于SURF操作数的显微镜图像拼接方法，其特征是，所述步骤6)中，最小二乘算法估计图像变换模型为：

$\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}[{(x_i^{\&prime;}-(h_{11}{x}_i+h_{12}{y}_i+h_{13}))}^2+{(y_i^{\&prime;}-(h_{21}{x}_i+h_{22}{y}_i+h_{23}))}^2]$

其中，M是匹配点的总数，(x_i，y_i)，(x′_i，y′_i)是一对匹配点，h₁₃，h₂₃为X轴和Y轴方向的平移因子；h₁₁、h₁₂、h₂₁、h₂₂是缩放旋转因子。

8.如权利要求1中所述的一种基于SURF操作数的显微镜图像拼接方法，其特征是，所述步骤7)中，色彩补偿方法如下：

$P_{i+1,C}^{\&prime;}\left(x\right)=\frac{{\mathrm{\&alpha;}}_i}{{\mathrm{\&alpha;}}_{i+1}}\&times;P_{i+1,C}\left(x\right)$

其中，

是第i幅图像在重叠区域颜色通道C的均值，

是第i+1幅图像在重叠区域颜色通道C的均值，P_i+1，C(x)是重叠区域中像素x在第i+1幅图像的色彩值，P′_i+1，C(x)是补偿后第i+1幅图像中像素的色彩值。

9.如权利要求1中所述的一种基于SURF操作数的显微镜图像拼接方法，其特征是，所述步骤7)中，平滑拼接边缘的方法如下：

对于给定的加权系数α，重叠区域的像素值表示为：

I(i，j)＝αI₀(i，j)+(1-α)I₁(i，j)

其中0≤α≤1，当α从1递减到0时，重叠区域的像素值将从I₀(i，j)变化到I₁(i，j)。

Images