在计算机视觉领域,图像拼接是指通过图像配准和图像融合等算法将两幅或者多幅图像拼接成一幅宽视角、无缝隙的图像。而随着研究的深入,图像拼接广泛地应用于虚拟场景、医学图像分析、军事图像以及遥感图像处理等领域,已成为计算机视觉的研究热点课题之一。本文针对 As-Projective-As-Possible Image Stitching 算法(简称APAP算法)的特征局部精度不够、匹配速率慢以及固定阈值的问题,提出其相应的改进,如下:(1)APAP算法使用SIFT算法进行特征检测。SIFT算法鲁棒性很强,但是牺牲了局部精度,容易造成边界模糊和细节上的丢失;而改进的方法使用基于非线性扩散的KAZE特征检测算法,该算法是在非线性尺度空间中用于多尺度二维特征点的检测和描述的算法,它保证了图像边缘在尺度变换中信息损失量非常少,从而极大地保留了图像的细节信息。采用KAZE算法可以有效提高其精度。(2)APAP算法进行特征匹配的速率较慢。本文使用基于网格运动统计的特征匹配算法,该方法通过贝叶斯统计方法判断出运动空间的特征点匹配是否平滑,来验证匹配是否准确。它具有速率快、鲁棒性强、匹配率高的优点,从而提高了整个算法的运行速率和拼接质量。(3)APAP算法使用RANSAC算法剔除误匹配点对。而该算法阈值的选取是固定不变的,将导致其鲁棒性相对较差。本文采用最大类间方差法自动选取阈值,进而提高RANSAC算法的鲁棒性以及简化其流程。本文使用计算机视觉库OpenCV,MATLAB和C++编程语言对算法进行实现,通过不同场景图像的特征检测的时间、在不同亮度和不同高斯模糊下其特征点的重复率、均方根误差以及图像拼接效果图的实验对比,验证了本文算法的有效性和鲁棒性。