图像拼接最初是为解决摄像机局限而产生的一种技术,其利用图像的重叠区域获得图像之间的映射关系从而将多幅图像映射到同一坐标系,重叠区域相互覆盖,实现图像之间的拼接。该技术包含了计算机视觉的许多基础算法,如图像匹配、图像融合等,并已应用到虚拟现实、生物医学、影视游戏娱乐等,因此一直以来都是图像处理的研究热点问题。在医学、生物学等领域,显微镜图像的视野随高放大倍数的增大而成倍缩小,在低倍镜下虽然视野较大但很难观察样本细节,而在高倍镜下虽然能看到样本局部细节,但是无法整体观察样本,因此如何在高倍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,是解决该问题一个有效方法。图像拼接总体可以分为两类方法：基于全像素的方法和基于特征的方法。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。本文介绍了一种于基于SURF特征的显微镜图像拼接算法。SURF(Speeded-Up Robust Features)是一种尺度旋转不变的检测算子和描述算子,在检测斑点结构具有很高的精确度,并且算法计算时间较以往方法快速。该算法采用积分图像和快速Hessian矩阵检测特征点,然后用Haar小波提取特征点主方向,并在主方向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。一般显微镜图像中存在着大量斑点结构如细胞、气泡等,因此为了利用SURF善于检测斑点结构的特点,本文采用了基于SURF特征的拼接方法。本文首先应用快速Hessian矩阵检测不同尺度空间下的图像斑点特征并构建特征向量,然后利用测量欧氏距离的方法找到图像间的初步匹配点,再利用RANSAC方法提纯匹配点。找到准确的匹配点后,我们采用最小二乘算法估计图像变换模型参数实现图像拼接,最后消除了图像颜色亮度差异并平滑拼接边缘,实验证明该方法取得良好的效果。在SURF特征描述时原方法采用了将特征点邻域平均分割成16个子区域的方法,每个子区域的响应都经过一个以特征点为中心的高斯滤波,描述向量共有128维。为了提高描述和匹配速度,本文改进了SURF区域分割方法,在分割区域的同时模拟的高斯加权的过程,并将描述向量的维数减半,降低了匹配特征点的计算开销,并在实验阶段与SIFT算法进行了效果对比中体现了速度上的优势。