CN105957015A - 一种螺纹桶内壁图像360度全景拼接方法及系统 - Google Patents

Abstract

本发明公开了一种螺纹桶内壁图像360度全景拼接方法及系统，该方法包括以下步骤:S1、将多个摄像头竖直排列并用支架固定，以螺纹桶中心为轴心将支架旋转并进行拍摄，得到螺纹桶内壁全景分块图片；S2、标定分块图片的重叠区域，得到左右相邻图片重叠区域和上下相邻图片重叠区域，并对所有图片进行枕形畸变校正；S3、对左右相邻图片重叠区域提取SIFT特征，确定横向拼接重叠像素数；对上下相邻图片重叠区域提取螺纹直线特征，确定纵向拼接重叠像素数；S4、进行图片融合和横向、纵向拼接，生成螺纹桶内壁360度全景拼接图片。本发明能够满足阴暗环境下螺纹桶内壁图像拼接的要求，有较高的拼接精度和效率。

Description

一种螺纹桶内壁图像360度全景拼接方法及系统

技术领域

本发明涉及图像拼接技术领域，尤其涉及一种螺纹桶内壁图像360度全景拼接方法及系统。

背景技术

螺纹桶长期工作于恶劣环境中，承受机械载荷和污秽等多重侵害，促使螺纹桶出现生锈、磨损等情况，可能发展成为各种故障，对工业生产的安全稳定工作造成一定威胁，因此需对螺纹桶进行定期检测，快速定位桶内壁上的螺纹生锈处并作出相应维修防护工作。考虑到单摄像头视角有限，若要得到螺纹桶内壁360度全景图像，则需借助图像拼接技术，将拍摄到的多张分块图片通过配准和融合，合成一幅完整的全景图片。

图像拼接是一种集图像处理、计算机视觉、模式识别等多学科领域知识的交叉处理技术，它把一系列具有空间重叠的图像构成一个无缝、高清的图像，具有比单个图像更高的分辨率和更大的视野。图像拼接技术的应用前景十分广阔，在军事领域、生物学领域、医学领域、视频压缩领域等都能找到其用武之地。

图像拼接的两大核心技术是图像配准和图像融合，图像配准的精确度又决定图像融合效果的好坏，两者相辅相成。目前，图像配准算法基本可分为两类：基于区域的配准和基于特征的配准。基于区域的配准算法包括逐一比较法、分层比较法和相位相关法。其中逐一比较法和分层比较法易于编程实现，选用模板大，包含信息多且匹配结果可信度高，但对图像旋转变形不能很好地处理且计算量太大，本发明中共需拼接72幅图片，计算非常耗时。相位相关法简单快速，抗干扰能力强，对亮度变化不敏感，但对图像重叠区域要求较大，约占图像的一半，对于本发明中重叠区域较小的待拼接图像则不适用。

基于特征配准算法在图像拼接技术中比较常用，它充分利用了图像特征信息，如边缘、角点、线、曲率等。对于本发明，螺纹图片中的生锈点和螺纹直线信息较为突出，因此可选取点和直线作为特征信息，横向拼接提取特征点进行匹配，纵向拼接提取直线信息进行匹配。

2004年，David.Lowe完善并总结了他在1999年提出的SIFT算法，该算法对两幅图像间的水平移动、旋转变化、缩放变化、尺度变化甚至仿射变化均有较为稳定的匹配能力，而成为国内外在特征提取方面争相研究的对象。传统的SIFT特征提取算法是在整幅图片中提取特征，然后生成特征向量并进行特征匹配，其计算量大，影响运算速度，虽然误匹配概率较小但仍存在。因此本发明首先标定大致重叠区域，只在重叠区域内提取特征将减少大量不必要的计算，结合近似快速最近邻搜索算法FLANN快速匹配特征点，提高图像拼接效率。

但是现有技术当中的图像拼接方法，无法适用于螺纹桶的阴暗工作环境，需在摄像设备周围添加光源，很难保证拍摄图片亮度的完全一致性。而选择融合算法和直接平均融合算法虽然实行起来快捷简便，但当两幅待拼接图像之间存在较为明显的亮度差异时，拼接缝还是较为明显。

发明内容

本发明要解决的技术问题在于针对现有技术中无法满足阴暗环境下的图像拼接，且拼接缝比较明显的缺陷，提供一种适用于阴暗工作条件的螺纹桶内壁图像360度全景拼接方法及系统。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种螺纹桶内壁图像360度全景拼接方法，包括以下步骤:

S1、将多个摄像头竖直排列并用支架固定，以螺纹桶中心为轴心将支架旋转并进行拍摄，得到螺纹桶内壁全景分块图片；

S2、标定分块图片的重叠区域，得到左右相邻图片重叠区域和上下相邻图片重叠区域，并对所有图片进行枕形畸变校正；

S3、对左右相邻图片重叠区域提取SIFT特征，根据快速最近邻算法匹配特征，利用随机抽样一致性算法剔除误匹配点，计算待拼接图像间的变换关系，确定横向拼接重叠像素数；对上下相邻图片重叠区域提取螺纹直线特征，确定纵向拼接重叠像素数；

S4、根据横向和纵向的重叠像素数，进行图片融合和横向、纵向拼接，生成螺纹桶内壁360度全景拼接图片。

进一步地，本发明的步骤S1中设置摄像头的方法具体为：

竖直排列的摄像头至少设置有8个，摄像头相邻间距设为5mm，摄像头支架每隔40°旋转一次。

进一步地，本发明的步骤S2中左右相邻图片重叠区域为分块图片宽度的15％，上下相邻图片重叠区域至少重叠两个螺纹间距高度。

进一步地，本发明的步骤S2中进行枕形畸变校正的方法具体为：

C1、根据枕形失真的退化模型来整定相机内参数，确定相机内参数矩阵，包括分辨率和焦距；

C2、根据透镜畸变原理，确定相机畸变参数矩阵，包括径向畸变参数和切向畸变参数；

C3、离线确定畸变系数，选择一幅螺纹图片，调节畸变系数得到最佳校正效果，记录当前畸变系数值；

C4、将记录的畸变系数应用于所有螺纹图片的畸变校正；

C5、得到校正图片。

进一步地，本发明的步骤S3中左右相邻图片重叠区域处理的过程具体包括以下步骤:

D1、构建高斯尺度空间和高斯差分尺度空间，寻找重叠区域范围内的极值点；

D2、去除步骤D1极值点中的不稳定的极值点和具有边缘响应的极值点；

D3、使用Canny算子检测图像边缘，得到边缘位置；

D4、将步骤D2中的极值点与步骤D3中的边缘位置比较，进一步去除边缘响应点，得到最终特征点。

D5、确定特征点主方向；

D6、生成特征描述符；

D7、利用近似最近邻开源库FLANN进行特征点匹配；

D8、采用随机抽样一致性算法剔除误匹配点，得到最终匹配点；

D9、根据匹配点计算投影变换矩阵。

进一步地，本发明的步骤S3中上下相邻图片重叠区域处理的过程具体包括以下步骤：

E1、对图像进行二值化处理，采用Canny算子检测边缘；

E2、利用霍夫变换检测螺纹直线，将像素点坐标(x,y)转换到(r_θ,θ)的曲线点上面，获取直线特征，其中角度θ表示r_θ与X轴之间的夹角，r_θ为原点到直线几何垂直距离；

E3、分别对θ和r_θ进行排序；

E4、计算上方图片中倒数第三根螺纹直线与图片下边界的距离，下方图片中第一根螺纹直线与图片上边界距离，确定上下相邻图片重叠宽度。

进一步地，本发明的步骤C2中确定相机畸变参数矩阵的方法具体为：

径向畸变通过三个参数k₁,k₂,k₃来描述，表达式为：

x_corrected＝x(1+k₁r²+k₂r⁴+k₃r⁶)

y_corrected＝y(1+k₁r²+k₂r⁴+k₃r⁶)

切向畸变通过参数p₁,p₂来描述，表达式为：

x_corrected＝x+[2p₁y+p₂(r²+2x²)]

y_corrected＝y+[p₁(r²+2y²)+2p₂y]

其中，(x,y)是畸变点在成像仪上的原始位置，(x_corrected,y_corrected)是校正后的新位置，畸变向量为[k₁,k₂,p₁,p₂,k₃]^T。

进一步地，本发明的步骤S4中进行图像融合的方法具体为：

利用渐入渐出融合法实现配准后图像的无缝拼接，将重叠区域内的像素值乘以其在两幅图像中的加权系数，实现图像间的平滑过渡。

本发明提供一种螺纹桶内壁图像360度全景拼接系统，包括:

分块图片获取单元，通过将多个摄像头竖直排列并用支架固定，以螺纹桶中心为轴心将支架旋转并进行拍摄，得到螺纹桶内壁全景分块图片；

重叠区域标定单元，用于标定分块图片的重叠区域，得到左右相邻图片重叠区域和上下相邻图片重叠区域，并对所有图片进行枕形畸变校正；

特征提取单元，用于对左右相邻图片重叠区域提取SIFT特征，根据快速最近邻算法匹配特征，利用随机抽样一致性算法剔除误匹配点，计算待拼接图像间的变换关系，确定横向拼接重叠像素数；对上下相邻图片重叠区域提取螺纹直线特征，确定纵向拼接重叠像素数；

全景图片拼接单元，用于根据横向和纵向的重叠像素数，进行图片融合和横向、纵向拼接，生成螺纹桶内壁360度全景拼接图片。

本发明产生的有益效果是：本发明的螺纹桶内壁图像360度全景拼接方法，通过枕形畸变校正的方法，将变形螺纹图片恢复成满足人眼效果并接近真实螺纹信息的图片；通过先标定大致重叠范围，在重叠区域内提取点特征和直线特征，并通过随机抽样一致性算法剔除误匹配点，提高左右相邻图片的配准效率和精度；通过霍夫直线检测提取螺纹直线特征，通过对参数排序比较去除干扰直线，提高上下相邻图片的配准精度；通过渐入渐出融合算法进行图像融合，实现图像间的平滑过渡，提高了拼接图片的质量；该方法能够满足阴暗环境下螺纹桶内壁图像拼接的要求，有较高的拼接精度和效率。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的螺纹桶内壁图像360度全景拼接方法的流程图；

图2是本发明实施例的螺纹桶内壁图像360度全景拼接方法的具体实施例的结构图；

图3是本发明实施例的螺纹桶内壁图像360度全景拼接方法的左右相邻图片配准的步骤流程示意图；

图4是本发明实施例的螺纹桶内壁图像360度全景拼接方法的上下相邻图片配准的步骤流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的螺纹桶内壁图像360度全景拼接方法，包括以下步骤:

S1、将多个摄像头竖直排列并用支架固定，以螺纹桶中心为轴心将支架旋转并进行拍摄，得到螺纹桶内壁全景分块图片；

S2、标定分块图片的重叠区域，得到左右相邻图片重叠区域和上下相邻图片重叠区域，并对所有图片进行枕形畸变校正；

S3、对左右相邻图片重叠区域提取SIFT特征，根据快速最近邻算法匹配特征，利用随机抽样一致性算法剔除误匹配点，计算待拼接图像间的变换关系，确定横向拼接重叠像素数；对上下相邻图片重叠区域提取螺纹直线特征，确定纵向拼接重叠像素数；

S4、根据横向和纵向的重叠像素数，进行图片融合和横向、纵向拼接，生成螺纹桶内壁360度全景拼接图片。

如图2所示，在本发明的另一个具体实施例中，该方法包括以下步骤：

A、将8个摄像头竖直排列并用支架固定，以螺纹桶中心为轴心将支架旋转若干个角度拍摄，得到螺纹桶内壁全景分块图片，左右相邻和上下相邻的图片都存在重叠区域；

B、通过现场实测，标定大致重叠范围，保证上下相邻图片至少重叠两个螺纹间距高度，左右相邻图片的重叠区域约为图片宽度的15％。

C、对步骤A中拍摄的所有图片进行枕形畸变校正，具体步骤如下：

C1、根据枕形失真的退化模型来整定相机内参数，确定相机内参数矩阵，包括分辨率和焦距。

具体地，建立摄像机模型，将坐标为(X_i,Y_i,Z_i)的物理点Q_i映射到投影平面上坐标为(x_i,y_i)的变换表示为：

q＝MQ

其中，M为摄像机内参数矩阵，且z＝Z。

经摄像头拍摄各种方向的棋盘图像，实测出f_x、f_y均设为2000较为合适，由于摄像头分辨率为1280×960，且成像仪芯片中心对光轴无偏移，所以将(c_x,c_y)设为(640,480)。

C2、根据透镜畸变原理，确定相机畸变参数矩阵，包括径向畸变参数和切向畸变参数。

具体地，由于成像仪中心畸变为0，用r＝0位置周围的泰勒级数展开的前几项来定量描述畸变情况，径向畸变通过三个参数k₁,k₂,k₃来描述，表达式为：

x_corrected＝x(1+k₁r²+k₂r⁴+k₃r⁶)

y_corrected＝y(1+k₁r²+k₂r⁴+k₃r⁶)

切向畸变通过参数p₁,p₂来描述，表达式为：

x_corrected＝x+[2p₁y+p₂(r²+2x²)]

y_corrected＝y+[p₁(r²+2y²)+2p₂y]

其中，(x,y)是畸变点在成像仪上的原始位置，(x_corrected,y_corrected)是校正后的新位置，畸变向量为[k₁,k₂,p₁,p₂,k₃]^T。

C3、确定畸变系数，选择一幅螺纹图片，调节畸变系数得到图片最佳校正效果，记录当前畸变系数值；

C4、将记录的畸变系数应用于所有螺纹图片的畸变校正；

C5、得到所有校正图片。

D、在步骤B中标定的左右相邻图片重叠区域内提取SIFT特征，根据快速最近邻算法匹配特征，利用随机抽样一致性算法剔除误匹配点，计算待拼接图像间的变换关系，确定横向拼接重叠像素数，如图3所示，具体步骤如下：

D1、构建高斯尺度空间和高斯差分尺度空间，寻找重叠区域范围内的特征点，如图3中D1所示。

输入左右相邻图片，通过高斯核函数G(x,y,σ)与输入图像I(x,y)的卷积得到尺度空间核函数L(x,y,σ)，利用不同尺度因子的高斯核函数进行差分，并和输入图像卷积得出高斯差分尺度空间D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)。比较重叠区域内采样点和它周围的26个像素点，寻找尺度空间中的极值点。

D2、去除D1极值点中的不稳定的极值点和具有边缘响应的极值点，如图3中D2所示。

D3、使用Canny算子检测图像边缘，得到边缘位置。

D4、将D2中的极值点与D3中的边缘位置比较，进一步去除边缘响应点，得到最终特征点。

D5、确定特征点主方向。选定直方图统计区域，取梯度直方图中的峰值作为该特征点主方向，若存在大于或等于主峰值80％的能量时，将该方向作为特征点的辅方向。

D6、生成特征描述符。以特征点为中心取16*16的采样窗口，分为4*4个小块，在每个小块上计算8个方向的梯度直方图，绘制每个梯度方向的累加值，可产生4*4*8共128个数据，即生成128维特征描述符，对特征向量进行归一化处理去除光照变化的影响。

D7、利用近似最近邻开源库FLANN找出每个特征点的两个近似最近邻特征点，计算特征点与最近邻特征点和次近邻特征点的欧氏距离比值是否小于一个阈值，若小于阈值则认为正确匹配，阈值取0.4-0.6。

设特征点对p和q的特征描述符分别为Des_p和Des_q，其欧式距离定义为：

$d=\sqrt{\underset{i=0}{\overset{127}{\Σ}}{\left({\mathrm{Des}}_p\right(i)-{\mathrm{Des}}_q(i\left)\right)}^2}$

D8、采用随机抽样一致性算法剔除误匹配点，得到最终匹配点。

D9、根据匹配点计算投影变换矩阵。

该方法与传统SIFT算法相比，采用Canny边缘检测进一步剔除极值点中的边缘响应点，既可以提高极值点的精度又可以减少极值点数量避免后续对极值点的运算；采用近似最近邻开源库FLANN快速匹配特征点，可提高匹配速度；特征点匹配之后采用随机抽样一致性算法剔除误匹配点精确最终匹配点，提高配准精度。

E、在步骤B中标定的上下相邻图片重叠区域内，提取螺纹直线特征，精细确定纵向拼接重叠像素数，如图4所示，具体步骤如下：

E1、对图像进行二值化处理，采用Canny算子检测边缘。

E2、利用霍夫变换检测螺纹直线，获取直线特征。

具体地，对于任意一点(x₀,y₀)，经过这点的一簇直线表示为r_θ＝x₀·cosθ+y₀·sinθ，其中角度θ表示r_θ与X轴之间的夹角，r_θ为原点到直线几何垂直距离。通过累计概率霍夫变换PPHT，将阈值设为400，高于阈值则认为检测到了一条直线。

E3、分别对θ、r_θ进行排序，由于每幅图片中8根螺纹直线的斜率基本一致，θ基本在某一值附近波动，剔除与该值有较大偏差的θ所对应的直线，保留8组θ、r_θ值，分别保存到θ[]和r[]数组中。

E4、计算上方图片中倒数第三根螺纹直线r[5]与图片下边界的距离，下方图片中第一根r[0]螺纹直线与图片上边界距离，确定上下相邻图片重叠宽度。

具体地，上下相邻图片标定重叠区域为两个螺纹间距，上方图片中的倒数第三根螺纹即为下方图片的第一根螺纹，设上方图片中倒数第三根螺纹直线与图片下边界的距离为s₁，下方图片中第一根螺纹直线与图片上边界距离为s₂，重叠宽度为s，其表达式如下：

s＝s₁+s₂

F、图像融合，先完成横向拼接，再完成纵向拼接。利用渐入渐出融合法实现配准后图像的无缝拼接，将重叠区域内的像素值乘以其在两幅图像中的加权系数，实现图像间的平滑过渡，定义I₁(x,y)、I₂(x,y)分别为两幅待拼接图像中点的像素值，I₃(x,y)为拼接后图像中点的像素值，计算公式如下：

$I_3(x,y)=\left\{\begin{array}{cc}{I}_1(x,y)& (x,y)\∈I_1\\ \mathrm{\λ}\×I_1(x,y)+(1-\mathrm{\λ})\×I_2(x,y)& (x,y)\∈(I_1\∩I_2)\\ I_2(x,y)& (x,y)\∈I_2\end{array}\right.$

其中，λ为重叠区域的权重系数，取值范围为[0,1]，左右相邻图片融合时，λ计算公式如下：

$\mathrm{\λ}=\frac{x_{max}-x}{x_{max}-x_{\min }}$

式中，x_min和x_max分别表示重叠区域范围内的x轴的最左侧和最右侧坐标；

上下相邻图片融合时，λ计算公式如下：

$\mathrm{\λ}=\frac{y_{max}-y}{y_{\max }-y_{\min }}$

式中，y_min和y_max分别表示重叠区域范围内的y轴的最上方和最下方坐标。

G、打标并生成螺纹桶内壁360度全景拼接图片。

本发明实施例的螺纹桶内壁图像360度全景拼接系统，用于实现本发明实施例的螺纹桶内壁图像360度全景拼接方法，包括:

分块图片获取单元，通过将多个摄像头竖直排列并用支架固定，以螺纹桶中心为轴心将支架旋转并进行拍摄，得到螺纹桶内壁全景分块图片；

重叠区域标定单元，用于标定分块图片的重叠区域，得到左右相邻图片重叠区域和上下相邻图片重叠区域，并对所有图片进行枕形畸变校正；

特征提取单元，用于对左右相邻图片重叠区域提取SIFT特征，根据快速最近邻算法匹配特征，利用随机抽样一致性算法剔除误匹配点，计算待拼接图像间的变换关系，确定横向拼接重叠像素数；对上下相邻图片重叠区域提取螺纹直线特征，确定纵向拼接重叠像素数；

全景图片拼接单元，用于根据横向和纵向的重叠像素数，进行图片融合和横向、纵向拼接，生成螺纹桶内壁360度全景拼接图片。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种螺纹桶内壁图像360度全景拼接方法，其特征在于，包括以下步骤:

S1、将多个摄像头竖直排列并用支架固定，以螺纹桶中心为轴心将支架旋转并进行拍摄，得到螺纹桶内壁全景分块图片；

S2、标定分块图片的重叠区域，得到左右相邻图片重叠区域和上下相邻图片重叠区域，并对所有图片进行枕形畸变校正；

S3、对左右相邻图片重叠区域提取SIFT特征，根据快速最近邻算法匹配特征，利用随机抽样一致性算法剔除误匹配点，计算待拼接图像间的变换关系，确定横向拼接重叠像素数；对上下相邻图片重叠区域提取螺纹直线特征，确定纵向拼接重叠像素数；

S4、根据横向和纵向的重叠像素数，进行图片融合和横向、纵向拼接，生成螺纹桶内壁360度全景拼接图片。

2.根据权利要求1所述的螺纹桶内壁图像360度全景拼接方法，其特征在于，步骤S1中设置摄像头的方法具体为：

竖直排列的摄像头至少设置有8个，摄像头相邻间距设为5mm，摄像头支架每隔40°旋转一次。

3.根据权利要求1所述的螺纹桶内壁图像360度全景拼接方法，其特征在于，步骤S2中左右相邻图片重叠区域为分块图片宽度的15％，上下相邻图片重叠区域至少重叠两个螺纹间距高度。

4.根据权利要求1所述的螺纹桶内壁图像360度全景拼接方法，其特征在于，步骤S2中进行枕形畸变校正的方法具体为：

C1、根据枕形失真的退化模型来整定相机内参数，确定相机内参数矩阵，包括分辨率和焦距；

C2、根据透镜畸变原理，确定相机畸变参数矩阵，包括径向畸变参数和切向畸变参数；

C3、离线确定畸变系数，选择一幅螺纹图片，调节畸变系数得到最佳校正效果，记录当前畸变系数值；

C4、将记录的畸变系数应用于所有螺纹图片的畸变校正；

C5、得到校正图片。

5.根据权利要求1所述的螺纹桶内壁图像360度全景拼接方法，其特征在于，步骤S3中左右相邻图片重叠区域处理的过程具体包括以下步骤:

D1、构建高斯尺度空间和高斯差分尺度空间，寻找重叠区域范围内的极值点；

D2、去除步骤D1极值点中的不稳定的极值点和具有边缘响应的极值点；

D3、使用Canny算子检测图像边缘，得到边缘位置；

D4、将步骤D2中的极值点与步骤D3中的边缘位置比较，进一步去除边缘响应点，得到最终特征点；

D5、确定特征点主方向；

D6、生成特征描述符；

D7、利用近似最近邻开源库FLANN进行特征点匹配；

D8、采用随机抽样一致性算法剔除误匹配点，得到最终匹配点；

D9、根据匹配点计算投影变换矩阵。

6.根据权利要求1所述的螺纹桶内壁图像360度全景拼接方法，其特征在于，步骤S3中上下相邻图片重叠区域处理的过程具体包括以下步骤：

E1、对图像进行二值化处理，采用Canny算子检测边缘；

E2、利用霍夫变换检测螺纹直线，将像素点坐标(x,y)转换到(r_θ,θ)的曲线点上面，获取直线特征，其中角度θ表示r_θ与X轴之间的夹角，r_θ为原点到直线几何垂直距离；

E3、分别对θ和r_θ进行排序；

E4、计算上方图片中倒数第三根螺纹直线与图片下边界的距离，下方图片中第一根螺纹直线与图片上边界距离，确定上下相邻图片重叠宽度。

7.根据权利要求4所述的螺纹桶内壁图像360度全景拼接方法，其特征在于，步骤C2中确定相机畸变参数矩阵的方法具体为：

径向畸变通过三个参数k₁,k₂,k₃来描述，表达式为：

x_corrected＝x(1+k₁r²+k₂r⁴+k₃r⁶)

y_corrected＝y(1+k₁r²+k₂r⁴+k₃r⁶)

切向畸变通过参数p₁,p₂来描述，表达式为：

x_corrected＝x+[2p₁y+p₂(r²+2x²)]

y_corrected＝y+[p₁(r²+2y²)+2p₂y]

其中，(x,y)是畸变点在成像仪上的原始位置，(x_corrected,y_corrected)是校正后的新位置，畸变向量为[k₁,k₂,p₁,p₂,k₃]^T。

8.根据权利要求1所述的螺纹桶内壁图像360度全景拼接方法，其特征在于，步骤S4中进行图像融合的方法具体为：

利用渐入渐出融合法实现配准后图像的无缝拼接，将重叠区域内的像素值乘以其在两幅图像中的加权系数，实现图像间的平滑过渡。

9.一种螺纹桶内壁图像360度全景拼接系统，其特征在于，包括:

分块图片获取单元，通过将多个摄像头竖直排列并用支架固定，以螺纹桶中心为轴心将支架旋转并进行拍摄，得到螺纹桶内壁全景分块图片；

重叠区域标定单元，用于标定分块图片的重叠区域，得到左右相邻图片重叠区域和上下相邻图片重叠区域，并对所有图片进行枕形畸变校正；

特征提取单元，用于对左右相邻图片重叠区域提取SIFT特征，根据快速最近邻算法匹配特征，利用随机抽样一致性算法剔除误匹配点，计算待拼接图像间的变换关系，确定横向拼接重叠像素数；对上下相邻图片重叠区域提取螺纹直线特征，确定纵向拼接重叠像素数；

全景图片拼接单元，用于根据横向和纵向的重叠像素数，进行图片融合和横向、纵向拼接，生成螺纹桶内壁360度全景拼接图片。