CN104318517A - 一种图像拼接处理方法、装置及客户端 - Google Patents

Abstract

本发明实施例提供了一种图像拼接处理方法、装置及客户端，该方法包括：确定第一图像与第二图像的重合部分；将第一图像和第二图像的重合部分进行融合处理，生成融合处理后的重合部分；根据第一图像的非重合部分、第二图像的非重合部分和融合处理后的重合部分生成第三图像。本发明实施例提供的图像拼接处理方法、装置及客户端，实现了将具有重合部分的两个图像的融合后拼接，拼接处理后的图像自然，无拼接缝隙，提高了拼接处理的效果。

Description

一种图像拼接处理方法、装置及客户端

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像拼接处理方法、装置及客户端。

背景技术

目前很多手机拍照软件都能提供图片拼接的功能，用户可以将同一场景的至少两张照片通过手动的方式拼接在一起。

现有手机拍照软件的拼图功能可以将至少两张照片拼接在一起，生成一张完整的图片。但是现有的拼图功能不会对拼接的照片边界进行处理，只是简单地将两张照片的边界拼接在一起。由于两张照片是分别拍照的，照片的边界不一定对齐，拼接生成的图片会比较生硬，无法将两张取景相同的照片高还原度的拼接在一起。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种图片拼接处理方法、装置及客户端。

基于上述问题，本发明实施例提供一种图像拼接处理方法，包括：

确定第一图像与第二图像的重合部分；

将所述第一图像和所述第二图像的重合部分进行融合处理，生成融合处理后的重合部分；

根据所述第一图像的非重合部分、所述第二图像的非重合部分和所述融合处理后的重合部分生成第三图像。

本发明实施例提供一种图像拼接处理装置，包括：

重合确定模块，用于确定第一图像与第二图像的重合部分；

融合处理模块，用于将所述第一图像和所述第二图像的重合部分进行融合处理，生成融合处理后的重合部分；

图像生成模块，用于根据所述第一图像的非重合部分、所述第二图像的非重合部分和所述融合处理后的重合部分生成第三图像。

本发明实施例提供一种客户端，该客户端包括本发明实施例提供的图像拼接处理装置。

本发明实施例的有益效果包括：

本发明实施例提供的图片拼接处理方法、装置及客户端，通过确定第一图像与第二图像的重合部分，将第一图像和第二图像的重合部分进行融合处理，生成融合处理后的重合部分，再根据第一图像的非重合部分、第二图像的非重合部分和融合处理后的重合部分生成第三图像，实现了将具有重合部分的两个图像的融合后拼接，拼接处理后的图像自然，无拼接缝隙，提高了拼接处理的效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例提供的一种图像拼接处理方法流程图；

图2为本发明实施例提供的每一个像素点要和它所有的相邻点的进行比较的示意图；

图3为本发明实施例提供的另一种图像拼接处理方法流程图；

图4为本发明实施例提供的图像拼接处理装置结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

下面结合说明书附图，对本发明实施例提供的一种图片拼接处理方法、装置及客户端的具体实施方式进行说明。

图1为本发明实施例提供的一种图像拼接处理方法流程图，如图1所示，本实施例提供的图像拼接处理方法可以实现对图像的拼接处理，可以通过图像拼接处理装置来实现，该图像拼接处理装置可以设置在照相机、智能手机、平板电脑或者其他具有图像拍摄功能的设备中。本实施例提供的图像拼接处理方法具体包括如下步骤：

S101、确定第一图像与第二图像的重合部分；

S102、将所述第一图像和所述第二图像的重合部分进行融合处理，生成融合处理后的重合部分；

S103、根据所述第一图像的非重合部分、所述第二图像的非重合部分和所述融合处理后的重合部分生成第三图像。

具体地，第一图像和第二图像基于相同的场景取景，或者至少基于部分相同的场景取景，即第一图像和第二图像具有一定的重合度。比如说，在同一场景中为不同的两个人分别拍摄的两张照片，那么这两张照片中重合的部分就是相同的场景，非重合部分就是这两个人。

确定第一图像与第二图像的重合部分的方法可以有多种，如可以采用基于图像灰度统计特性配准算法、基于图像特征配准算法或者基于图像理解的配准算法来确定第一图像和第二图像的重合部分。确定第一图像和第二图像的重合部分后，对该重合部分进行融合处理，生成融合处理后的重合部分，融合处理的方法也可以有多种，如逻辑滤波法、灰度加权平均法和对比调制法等。再根据第一图像中的非重合部分、第二图像的非重合部分和融合处理后的重合部分生成第三图像，第三图像中不仅有第一图像和第二图像重合的部分，还包括二者不重合的部分，而且由于对第一图像和第二图像的重合部分进行了融合处理，使得两个图像的拼接非常自然，消除了生硬的感觉。

再以上述例子对本实施例进行说明，为了描述方便，两个人分别为A和B，A先用摄像设备为B拍了一张照片，拍摄完毕后，B又使用该摄像设备为A拍了一张照片，背景相同。那么这两张照片经过本实施例提供的方法处理后，会生成一张A和B在同一上述背景中的照片，且看不出拼接的痕迹，就像其他人为A和B在该背景下拍得合影一样。

本实施例提供的方法，通过确定第一图像与第二图像的重合部分，将第一图像和第二图像的重合部分进行融合处理，生成融合处理后的重合部分，再根据第一图像的非重合部分、第二图像的非重合部分和融合处理后的重合部分生成第三图像，实现了将具有重合部分的两个图像的融合后拼接，拼接处理后的图像自然，无拼接缝隙，提高了拼接处理的效果。

本发明实施例上述S101～S103虽然说明的是对第一图像和第二图像拼接处理方法，但本领域的技术人员可以很容易地想见，当用户需要对两张以上的图像进行拼接时，在这些图像中的每两张图像(具有重合的部分)之间，都可以采用上述S101-S103的步骤实现，本发明并不限定图像拼接的数量。

在本实施例中，所述第一图像和所述第二图像基于相同场景取景，所述第三图像中的场景与所述第一图像和所述第二图像中的场景一致。

在本实施例中，S101，确定第一图像与第二图像的重合部分，具体可以包括如下步骤：

从所述第一图像中提取多个第一特征点，从所述第二图像中提取多个第二特征点；

对所述多个第一特征点和所述多个第二特征点进行匹配，确定相匹配的多个特征点对，根据所述多个特征点对分别在所述第一图像和所述第二图像中的位置，确定所述重合部分。

具体地，特征点可以是图像中的关键点，关键点是在不同尺度空间的图像下检测出的具有方向信息的局部极值点，这些点是一些十分突出的点不会因光照条件的改变而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点，这些点是较为稳定的点。可以通过尺度不变特征变换(Scale Invariant FeatureTransform，简称SIFT)或快速鲁棒性特征(Speeded-Up Robust Features，简称SURF)算法等特征检测分析算法从图像中提取特征点。

从第一图像中提取多个第一特征点，从第二图像中提取多个第二特征点，由于第一图像和第二图像具有重合部分，那么通过特征检测分析算法分别从第一图像和第二图像中提取的特征点，必然存在相互对应的匹配点。确定相匹配的第一特征点和第二特征点，形成特征点对，再根据这些匹配的特征点分别在第一图像和第二图像中的位置确定二者的重合部分。

在本实施例中，步骤，从所述第一图像中提取多个第一特征点，从所述第二图像中提取多个第二特征点，具体可以包括：

对所述第一图像进行特征检测分析，确定所述多个第一特征点的位置、尺度和方向；

对所述第二图像进行所述特征检测分析，确定所述多个第二特征点的位置、尺度和方向。

优选地，通过SIFT算法分别确定第一图像中的多个第一特征点的位置、尺度和方向，以及第二图像中的多个第二特征点的位置、尺度和方向。

SIFT算法的本质是利用模式识别中的特征点提取，然后用多为距离空间来训练样本得到最佳的数学模型，寻找图像中的特征点(即SIFT特征)并为后续的特征比对做准备。

在SIFT算法中，特征点是由高斯差分(Difference of Gaussian，简称DoG)空间的局部极值点组成的。为了寻找DoG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的18个点共26个点比较(如图2所示)，以确保在尺度空间和二维图像空间都检测到极值点，将这个极值点作为特征点，这样找到的特征点具备良好的独特性和稳定性。通过尺度不变性求极值点，可以使其具有缩放不变的性质，利用特征点邻域像素的梯度方向分布特性，可以为每个特征点指定方向参数，从而使DoG算子对图像旋转具有不变性。确定特征点的方向参数采用梯度直方图统计法，统计以特征点为原点一定区域内的图像像素点对特征点方向所作的贡献。

例如，在以特征点为中心的邻域窗口采样，并利用直方图统计邻域像素的梯度方向，梯度直方图的范围是0-360度，其中每10度为一个柱，总共36个柱，直方图的峰值则代表了该特征点处邻域梯度的主方向，即作为该特征点的方向。

由于SIFT特征对于旋转和尺度具有不变性，并对于噪声具有良好的鲁棒性。用户在分别拍摄两张照片时，难免会发生拍摄位置、角度的变化，而SIFT特征可以很好的适应这种变化。

上述步骤中，对两幅图像分别提取其中的特征点，在具体实施时，还可以通过SURF算法来实现。opencv的SURF算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理，其快速的基础实际为积分图像haar求导。SURF在图像处理领域十分流行，计算速度也较SIFT算法快，但是其尺度变换和旋转变换的适应性上不如SIFT算法，而拍照的情景常会出现手抖或者位移的现象，为了更好地拼接两张重合部分发生角度、位置变化的图片，本发明实施例优选可采用SIFT算法，若采用SURF算法，速度会更快，但拼接效果会稍差。

可以理解的是，本实施例只是提供了优选的特征检测分析方法，本领域技术人员可以通过其他方法提取特征点，不以本实施例为限。

在本实施例中，步骤，对所述多个第一特征点和所述多个第二特征点进行匹配，确定相匹配的多个特征点对，具体可以包括为：

根据所述多个第一特征点建立第一k-d树，根据所述多个第二特征点建立第二k-d树；

对所述第一k-d树和所述第二k-d树进行匹配查找，确定相匹配的多个特征点对。

具体地，分别建立第一特征点和第二特征点的k-d树(k-dimension tree)，以便于匹配查找。由于从第一图像和第二图像中提取的特征点数量可能非常大，在进行特征点匹配时，为了提高查找效率，进而提高整个图像拼接的效率，在本发明实施例中，采用了k-d tree的数据结构。k-d tree是一种高维索引树形数据结构，常用于在大规模的高维数据空间进行最近邻查找和近似最近邻查找。它是一棵二叉树，树中存储的是一些K维数据。在一个K维数据集合上构建一棵k-d tree代表了对该K维数据集合构成的K维空间的一个划分，即树中的每个结点就对应了一个K维的超矩形区域。

匹配查找的方法也可以有多种，优选的，本实施例可以采用最优节点优先(Best Bin First，简称BBF)算法，k-d tree在维度较小时，算法的查找效率很高，然而当k-d tree用于对高维数据进行索引和查找时，就面临着维数灾难问题，查找效率会随着维度的增加而迅速下降。通常，图像处理中特征点的数据就都具有高维的特点，因此本发明实施例采用k-d tree+BBF的方法。k-d tree算法在高维空间中由于过多的回溯次数导致算法查找效率下降，利用BBF算法就可以限制查找时进行回溯的次数上限，从而避免查找效率下降。

当然，本发明实施例并不限于在特征点的匹配过程中使用上述数据结构和对应的查找方式，能够实现特征点的匹配的其他数据结构和对应的查找方式，同样适用于本发明实施例。

在本实施例中，步骤S102，将所述第一图像和所述第二图像的重合部分进行融合处理，生成融合处理后的重合部分，具体可以为：

将所述第一图像和所述第二图像的重合部分的像素点进行加权平均处理，生成所述融合处理后的重合部分。

具体地，可以将第一图像和第二图像重合部分的像素点进行加权平均处理实现对重合部分的融合处理。对两幅图像重合部分的像素点进行加权平均的权重选择也有好多方法，比如可以计算两个像素的平均值，即其中，pixelIMG1为第一图像中重合部分的像素；pixelIMG2为第二图像中重合部分的像素；这种算法比较简单。

较佳地，在本发明实施例中，第一图像的非重合部分和第二图像的非重合部分为左右排布，还可以使用下述加权平均方式进行融合：

$\frac{d2}{d1+d2}*\mathrm{pixelIMG}1+\frac{d1}{d1+d2}\mathrm{pixelIMG}2;$

上式中：

pixelIMG1为第一图像的重合部分的像素；

pixelIMG2为第二图像的重合部分的像素；

d1为第一图像与第二图像的重叠部分的像素点到重叠部分的左边界的距离；

d2为第一图像与第二图像的重叠部分的像素点到重叠部分的右边界的距离。

上述第二种加权算法之中，对于拼接后的图像中重合部分每个像素，如果该像素离重合部分的左边界比较近，即d1<d2，根据该算法，该像素会受左图中对应像素的影响大一些，也就是更接近于左图中对应的像素，反之，如果该像素离重叠部分的右边界比较近，即d1>d2，根据该算法，则该像素会受右图中对应像素的影响大一些，也就是更接近于左图中对应的像素。这种算法，可以使得拼接的两张图片边界融合的更自然。

需要说明的是，上述各个公式并不是实现本发明的唯一公式，仅作为实施例的一种实现方式。技术人员可以根据业务需要对公式做适当变形，依然落在本发明的范围之内，例如增减常量或系数等。

在本实施例中，S103，根据所述第一图像的非重合部分、所述第二图像的非重合部分和所述融合处理后的重合部分生成第三图像，具体可以包括如下步骤：

根据所述多个特征点对计算得到变换矩阵，根据所述变换矩阵对所述第二图像进行变换处理，根据所述第一图像的非重合部分、变换处理后的第二图像的非重合部分和所述融合处理后的重合部分生成所述第三图像。

具体地，通过特征点对计算得到变换矩阵，再根据该变换矩阵对第二图像进行变换处理，通过变换处理后的第二图像生成第三图像，可以消除用户在拍摄时角度、位置变化对重合部分的影响，使得拼接的图像更自然。

进一步地，上述步骤中，生成第三图像的过程，就是将下述三部分进行融合处理的过程。若第一图像的非重合部分和第二图像的非重合部分为左右排布，那么第三图像最左边完全取自左图中的数据(左图中排除重合的部分之外的那部分数据)，中间部分是两幅图像中重合部分进行加权平均，重合区域右边的部分取自原有的右图(排除重合部分之外的数据)经变换后的图像。

在本实施例中，对所述多个第一特征点和所述多个第二特征点进行匹配，确定相匹配的多个特征点对之后，根据所述多个特征点对计算得到变换矩阵之前，所述方法还可以包括如下步骤：

通过随机采样算法对所述多个特征点对进行筛选；

相应地，根据所述匹配的特征点对计算得到变换矩阵，具体可以为：

根据筛选后的特征点对，计算得到所述变换矩阵。

具体地，当匹配出多个特征点对后，可以进一步采用随机采样算法对特征点对进行筛选，以消除特征匹配的误差的影响。随机采样算法例如可以为随机抽样一致(Random Sample Consensus，简称RANSAC)算法，RANSAC算法可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数。RANSAC算法的输入是一组观测数据，一个可以解释或者适应于观测数据的参数化模型，一些可信的参数。RANSAC算法通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：

有一个模型适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出，用上面得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点。如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。然后，用所有假设的局内点去重新估计模型，因为它仅仅被初始的假设局内点估计过。

在本实施例中，步骤，通过随机采样算法对所述多个特征点对进行筛选，根据筛选后的特征点对，计算得到所述变换矩阵，具体可以包括如下步骤：

从所述多个特征点对中，随机抽选一个样本；

根据样本中的特征点对，计算得到所述变换矩阵；

根据所述样本、所述变换矩阵和误差度量函数，计算满足所述变换矩阵的一致集；

根据所述一致集中的元素个数，判断所述一致集是否为设定的最优一致集，若是，则计算当前错误概率，当所述错误概率低于预设的最小错误概率时，将所述变换矩阵作为最终结果输出，否则，重复上述步骤，直至所述错误概率低于所述预设的最小错误概率。

通过以下例子对RANSAC算法的处理流程进行说明。首先从样本集中随机抽选一个RANSAC样本，例如4个匹配点对，然后根据这4个匹配点对计算变换矩阵M；根据样本集，变换矩阵M，和误差度量函数计算满足当前变换矩阵的一致集consensus，并返回一致集中元素个数；根据当前一致集中元素个数判断是否最优一致集，若是则更新当前最优一致集；同时更新当前错误概率p，若概率p大于允许的最小错误概率则重复前面的步骤继续迭代，直到当前错误概率p小于最小错误概率。

图3为本发明实施例提供的另一种图像拼接处理方法流程图，以下结合图3对本发明实施例进行详细说明。

S301、对第一图像进行特征检测分析，确定多个第一特征点的位置、尺度和方向，对第二图像进行特征检测分析，确定多个第二特征点的位置、尺度和方向；

S302、根据多个第一特征点建立第一k-d树，根据多个第二特征点建立第二k-d树；

S303、对第一k-d树和第二k-d树进行匹配查找，确定相匹配的多个特征点对；

S304、根据多个特征点对分别在第一图像和第二图像中的位置，确定重合部分；

S305、将第一图像和第二图像的重合部分的像素点进行加权平均处理，生成融合处理后的重合部分；

S306、从多个特征点对中，随机抽选一个样本，根据样本中的特征点对，计算得到变换矩阵；

S307、根据样本、变换矩阵和误差度量函数，计算满足变换矩阵的一致集；

S308、根据一致集中的元素个数，判断一致集是否为设定的最优一致集，若是，则计算当前错误概率，当错误概率低于预设的最小错误概率时，将变换矩阵作为最终结果输出，否则，重复上述步骤，直至错误概率低于预设的最小错误概率；

S309、根据变换矩阵对第二图像进行变换处理，根据第一图像的非重合部分、变换处理后的第二图像的非重合部分和融合处理后的重合部分生成第三图像。

基于同一发明构思，本发明实施例还提供了一种图像拼接处理装置及客户端，由于这些装置和客户端所解决问题的原理与前述图片拼接处理方法类似，因此该装置和客户端的实施可以参见前述方法的实施，重复之处不再赘述。

图4为本发明实施例提供的图像拼接处理装置结构示意图，如图4所示，本实施例提供的图像拼接处理装置，具体包括：

重合确定模块401，用于确定第一图像与第二图像的重合部分；

融合处理模块402，用于将所述第一图像和所述第二图像的重合部分进行融合处理，生成融合处理后的重合部分；

图像生成模块403，用于根据所述第一图像的非重合部分、所述第二图像的非重合部分和所述融合处理后的重合部分生成第三图像。

本实施例提供的图像拼接处理装置，通过重合确定模块401确定第一图像与第二图像的重合部分，融合处理模块402将第一图像和第二图像的重合部分进行融合处理，生成融合处理后的重合部分，图像生成模块403再根据第一图像的非重合部分、第二图像的非重合部分和融合处理后的重合部分生成第三图像，实现了将具有重合部分的两个图像的融合后拼接，拼接处理后的图像自然，无拼接缝隙，提高了拼接处理的效果。

在本实施例中，所述重合确定模块401具体可以用于从所述第一图像中提取多个第一特征点，从所述第二图像中提取多个第二特征点；对所述多个第一特征点和所述多个第二特征点进行匹配，确定相匹配的多个特征点对，根据所述多个特征点对分别在所述第一图像和所述第二图像中的位置，确定所述重合部分。

在本实施例中，所述重合确定模块401具体可以用于对所述第一图像进行特征检测分析，确定所述多个第一特征点的位置、尺度和方向；对所述第二图像进行所述特征检测分析，确定所述多个第二特征点的位置、尺度和方向。

在本实施例中，所述重合确定模块401具体可以用于根据所述多个第一特征点建立第一k-d树，根据所述多个第二特征点建立第二k-d树；对所述第一k-d树和所述第二k-d树进行匹配查找，确定相匹配的多个特征点对。

在本实施例中，所述融合处理模块402具体可以用于将所述第一图像和所述第二图像的重合部分的像素点进行加权平均处理，生成所述融合处理后的重合部分。

在本实施例中，所述图像生成模块403具体可以用于根据所述多个特征点对计算得到变换矩阵，根据所述变换矩阵对所述第二图像进行变换处理，根据所述第一图像的非重合部分、变换处理后的第二图像的非重合部分和所述融合处理后的重合部分生成所述第三图像。

在本实施例中，所述图像生成模块403还可以用于通过随机采样算法对所述多个特征点对进行筛选，根据筛选后的特征点对，计算得到所述变换矩阵。

在本实施例中，所述图像生成模块403还可以用于从所述多个特征点对中，随机抽选一个样本；根据样本中的特征点对，计算得到所述变换矩阵；根据所述样本、所述变换矩阵和误差度量函数，计算满足所述变换矩阵的一致集；根据所述一致集中的元素个数，判断所述一致集是否为设定的最优一致集，若是，则计算当前错误概率，当所述错误概率低于预设的最小错误概率时，将所述变换矩阵作为最终结果输出，否则，重复上述步骤，直至所述错误概率低于所述预设的最小错误概率。

在本实施例中，所述第一图像和所述第二图像基于相同场景取景，所述第三图像中的场景与所述第一图像和所述第二图像中的场景一致。

本实施例提供一种客户端，所述客户端包括上述任意实施例所提供的图像拼接处理装置。

在实际实现过程中，客户端可以为用户提供分屏拼图功能，当用户选择该分屏拼图功能时，取景屏幕上显示至少两个分屏，分屏的显示效果可以是网格状，相邻的两个分屏通过分隔线分开。通过摄像设备的镜头实时采集到的图像显示在取景屏幕上。可以预设分屏拍摄的顺序，以两个分屏左右排布为例，可以先让用户对左边的分屏进行拍摄操作，再对右边的分屏进行拍摄操作。也可以根据用户的选择确定分屏，如果取景屏幕是触摸屏，则可以检测并识别用户的触摸点的位置，以确定用户所选择的分屏，该分屏即为待拍摄的分屏。

当分屏的形状、数量和排布确定，每个分屏在取景屏幕中的位置也都是确定的，每个分屏都有相应的位置信息，位置信息可以存储在摄影设备中。用户确定对待拍摄的分屏进行拍摄操作时，根据该待拍摄的分屏的位置信息对当前场景的图像进行剪裁，在实际实现过程中，先将用户进行拍摄操作时采集到的图像进行缓存，该图像为该待拍摄分屏的原始图像，再根据位置信息对该原始图像进行剪裁。剪裁处理具体可以根据图像的分辨率和位置信息，以使得剪裁得到的图像即为用户取景时通过分屏看到的图像。将剪裁后的图像在待拍摄的分屏上显示，如果用户满意可以进行下一个分屏的拍摄，如果不满意还可以重新对该分屏进行拍摄。对于多个场景的多次拍摄，或者对于一个场景的多次拍摄。

以两个分屏左右排布为例，用户对于一个场景进行两次拍摄，先对左侧分屏进行拍摄操作，然后对右侧分屏进行拍摄操作。拍摄完毕后，对左右分屏中的图像进行拼接处理，该处理过程并非简单的将左右分屏中显示的图像进行拼接处理，而是将左右分屏所分别对应的原始图像通过本实施例提供的图像拼接处理方法来实现，以使拼接后的图像自然，无拼接缝隙。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的新闻评论信息的推送装置及系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种图像拼接处理方法，其特征在于，包括：

确定第一图像与第二图像的重合部分；

将所述第一图像和所述第二图像的重合部分进行融合处理，生成融合处理后的重合部分；

根据所述第一图像的非重合部分、所述第二图像的非重合部分和所述融合处理后的重合部分生成第三图像。

2.如权利要求1所述的方法，其特征在于，确定第一图像与第二图像的重合部分，包括：

从所述第一图像中提取多个第一特征点，从所述第二图像中提取多个第二特征点；

对所述多个第一特征点和所述多个第二特征点进行匹配，确定相匹配的多个特征点对，根据所述多个特征点对分别在所述第一图像和所述第二图像中的位置，确定所述重合部分。

3.如权利要求1-2任一项所述的方法，其特征在于，从所述第一图像中提取多个第一特征点，从所述第二图像中提取多个第二特征点，包括：

对所述第一图像进行特征检测分析，确定所述多个第一特征点的位置、尺度和方向；

对所述第二图像进行所述特征检测分析，确定所述多个第二特征点的位置、尺度和方向。

4.如权利要求1-3任一项所述的方法，其特征在于，对所述多个第一特征点和所述多个第二特征点进行匹配，确定相匹配的多个特征点对，包括：

根据所述多个第一特征点建立第一k-d树，根据所述多个第二特征点建立第二k-d树；

对所述第一k-d树和所述第二k-d树进行匹配查找，确定相匹配的多个特征点对。

5.如权利要求1-4任一项所述的方法，其特征在于，将所述第一图像和所述第二图像的重合部分进行融合处理，生成融合处理后的重合部分，具体为：

将所述第一图像和所述第二图像的重合部分的像素点进行加权平均处理，生成所述融合处理后的重合部分。

6.如权利要求1-5任一项所述的方法，其特征在于，根据所述第一图像的非重合部分、所述第二图像的非重合部分和所述融合处理后的重合部分生成第三图像，包括：

根据所述多个特征点对计算得到变换矩阵，根据所述变换矩阵对所述第二图像进行变换处理，根据所述第一图像的非重合部分、变换处理后的第二图像的非重合部分和所述融合处理后的重合部分生成所述第三图像。

7.如权利要求1-6任一项所述的方法，其特征在于，对所述多个第一特征点和所述多个第二特征点进行匹配，确定相匹配的多个特征点对之后，根据所述多个特征点对计算得到变换矩阵之前，所述方法还包括：

通过随机采样算法对所述多个特征点对进行筛选；

相应地，根据所述匹配的特征点对计算得到变换矩阵，具体为：

根据筛选后的特征点对，计算得到所述变换矩阵。

8.如权利要求1-7任一项所述的方法，其特征在于，通过随机采样算法对所述多个特征点对进行筛选，根据筛选后的特征点对，计算得到所述变换矩阵，包括：

从所述多个特征点对中，随机抽选一个样本；

根据样本中的特征点对，计算得到所述变换矩阵；

根据所述样本、所述变换矩阵和误差度量函数，计算满足所述变换矩阵的一致集；

根据所述一致集中的元素个数，判断所述一致集是否为设定的最优一致集，若是，则计算当前错误概率，当所述错误概率低于预设的最小错误概率时，将所述变换矩阵作为最终结果输出，否则，重复上述步骤，直至所述错误概率低于所述预设的最小错误概率。

9.一种图像拼接处理装置，其特征在于，包括：

重合确定模块，用于确定第一图像与第二图像的重合部分；

融合处理模块，用于将所述第一图像和所述第二图像的重合部分进行融合处理，生成融合处理后的重合部分；

图像生成模块，用于根据所述第一图像的非重合部分、所述第二图像的非重合部分和所述融合处理后的重合部分生成第三图像。

10.一种客户端，其特征在于，所述客户端包括如权利要求9所述的图片的拼接装置。