图像拼接是将两幅具有重叠区域的图像整合成一幅大视野图像的技术,拼接获得的图像包含了两张图像的信息,解决了单张图像信息量少的问题。作为计算机视觉的一个重要部分,图像拼接技术在遥感图像、医疗图像以及智能驾驶方面都有着广泛的运用。图像拼接主要有三种方式,其中最主要的是基于特征匹配的方式。在特征匹配中又以特征点的匹配最为常见。特征点的匹配具有速度快、处理灵活、准确率高的优点,是图像处理任务的基础。在图像拼接中特征点的匹配主要包含特征点检测、特征点信息描述和特征点去误匹配三个方面。本文在现有技术的基础上,对特征点信息描述和特征点去误匹配技术进行研究,具体内容如下:1.目前特征点信息描述主要是基于学习的方式,这种方式需要对神经网络进行模型训练。模型的训练需要大量的高质量样本,本文针对目前采样策略采集样本数量少的不足,通过计算输入样本的类类距离,提取距离较小的硬负样本,实现了训练的数据增强,在保证样本质量的同时增加了样本的数目。2.传统神经网络的使用交叉熵作为损失函数训练网络,忽略了对生成描述子的性能约束,不能保证最终获得描述子的质量。这里将损失函数分为三个约束项,从样本的距离关系、样本对之间的距离以及描述子的位分布情况更新网络参数。实验表明这种优化能提升描述子的性能。3.分析传统非极大值抑制算法的运算过程,在传统算法实现的基础上提出一种自适应的非极大值抑制算法。通过排序和引入标记的方法,减少了计算量。实验表明改进的算法具有更高的效率。4.为了实现特征点的去误匹配,本文还对去误匹配算法RANSAC进行研究,针对其迭代次数不易控制的缺点,提出了一种基于局部相似度的去误匹配算法。最后将本文的去误匹配算法、RANSAC去误匹配算法以及两种算法的结合体一起在图像数据集上进行实验,分析算法的综合性能。