基于改進最佳縫合線的礦井圖像拼接方法

張旭輝 王悅 楊文娟 陳鑫 張超 黃夢瑤 劉彥徽 楊駿豪

文章編號：1671?251X（2024）04?0009?09 ?DOI：10.13272/j.issn.1671-251x.2023120003

摘要：煤礦井下掘進工作面高粉塵、低照度的惡劣環境導致圖像信噪比較低，且有效特征點數量嚴重減少，處理后的圖像存在較大色差和噪聲，在使用最佳縫合線算法進行圖像拼接時出現細節錯位、縫合線處過渡不自然或拼接痕跡明顯的現象。針對上述問題，提出了一種基于改進最佳縫合線的礦井圖像拼接方法。首先，對原始圖像進行 HSV 空間變換，采用改進的 Retinex算法對亮度分量進行增強，利用雙邊濾波函數代替中心環繞函數，以解決亮度差異大處產生的光暈問題，通過增強算法有效提高特征點提取數量。然后，采用 SIFT算法提取特征點，并以余弦距離作為匹配度指標；引入像素余弦相似度作為約束項，并采用形態學操作對顏色差異強度進行改進，利用動態規劃法對最佳縫合線進行搜索，以避免圖像拼接處的錯位現象。最后，結合漸入漸出融合算法，使圖像過渡平滑，實現煤礦井下掘進工作面的圖像融合。模擬井下實際工況環境進行實驗驗證，結果表明：基于改進最佳縫合線的礦井圖像拼接方法與傳統最佳縫合線算法相比，避免了顏色差異和噪聲引起的錯位拼接現象，拼接縫處的圖像過渡更加自然，避免了“鬼影”和明顯拼接縫的產生，且圖像平均梯度提高2.38%，拼接時間提高32.5%，使得融合區域更加平滑自然，提高了拼接質量。

關鍵詞：掘進工作面；圖像拼接；圖像增強；最佳縫合線；Retinex 算法；改進能量函數；像素余弦相似度

中圖分類號：TD67 ?文獻標志碼：A

A mine image stitching method based on improved best seam-line

ZHANG Xuhui1，2， WANG Yue1， YANG Wenjuan1，2， CHEN Xin1， ZHANG Chao1， HUANG Mengyao1， LIU Yanhui1， YANG Junhao1

（1. College of Mechanical Engineering， Xi'an University of Science and Technology， Xi'an 710054， China；2. ShaanxiKey Laboratory of Mine Electromechanical Equipment Intelligent Detection and Control， Xi'an University ofScience and Technology， Xi'an 710054， China）

Abstract： The harsh environment of high dust and low lighting in the coal mine underground excavation working face results in low signal-to-noise ratio of the image， and a serious reduction in the number of effective feature points. The processed image has significant color difference and noise. When using the best seam-line algorithm for image stitching， there are problems such as fine section misalignment， unnatural transitions at the seam line， or obvious stitching traces. In order to solve the above problems， a mine image stitching method based on improved best seam-line is proposed. Firstly， the original image is subjected to HSV spatial transformation， and an improved Retinex algorithm is used for enhancement on the luminance component. Bilateral filtering is used instead of the center surround function to solve the halo problem caused by large brightness differences. Thenumber of feature points extracted is effectively increased through the enhancement algorithm. Secondly， the SIFT algorithm is used to extract feature points， and cosine distance is used as the matching degree indicator. The method introduces pixel cosine similarity as a constraint， and uses morphological operations to improve color difference intensity， uses dynamic programming to search for the best seam-line to avoid misalignment at image stitching. Finally， combined with the gradual in and out algorithm， the image transition is smooth to achieve image fusion of the underground excavation working face. Experimental verification is conducted by simulating the actual working environment underground. The results show that the mine image stitching method based on the improved best seam-line avoids the phenomenon of misalignment stitching caused by color differences and noise compared to the traditional best seam-line algorithm. The image transition at the stitching seam is more natural， avoiding the generation of'ghosts'and obvious stitching seams. The average gradient of the image is increased by about 2.38%， and the stitching time is increased by about 32.5%， making the fusion area smoother and more natural， improving the stitching quality.

Key words： excavation working face; image stitching; image enhancement; best seam-line; Retinex algorithm; improved energy function; pixel cosine similarity

0引言

煤炭作為我國的主體能源和國家能源安全的壓艙石，是保障國家經濟發展的重要基礎性能源。隨著社會的智能化發展，井下作業的智能化發展也是煤礦行業前進的必經之路[1]。智能開采是煤礦智能化建設的中心目標，其中掘進工作面作為最前沿、勞動強度最大、危險程度最高的區域[2]，是煤礦智能化建設的關鍵焦點，其智能化建設對于實現礦井智能化、少人化高效開采至關重要。近年來，視覺技術已被廣泛應用于煤炭領域[3]，如目標跟蹤、煤巖識別、煤矸分揀等。掘進工作面大型工作設備多，只使用單個相機無法獲取整個工作面的圖像信息，每次只能采集一定區域的圖像，利用廣角鏡頭可拍攝整個區域，但會使所拍攝的圖像產生扭曲變形，因此，為了獲得完整的掘進工作面區域圖像，還原真實場景，需將多幅圖像拼接起來。采用合適的圖像拼接技術能節省大量人工勞動，同時提高圖像拼接的準確性，從而提高工作效率。

圖像拼接實際上是將2張及以上有重疊部分的圖像進行拼接，將視野范圍小的單張圖像拼接成為視野范圍更廣的圖像[4]。目前國內外主要的圖像拼接方法包括基于全局對齊的方法、基于局部變形的方法和縫合線主導的方法。文獻[5]提出了一種將圖像分為密集網絡，并為每一個網絡單獨計算其單應性矩陣的方法，該方法可有效地對齊圖像，但易在非重疊區域引起圖像畸變。文獻[6]引入了形狀扭曲約束和塊鏈接約束對重疊區域進行局部優化，這一過程消除了原始拼接產生的結構扭曲問題，進一步提高了圖像拼接質量。但在圖像采集過程中，若采集的圖像中有運動的物體，采用基于全局對齊和基于局部變形的方法，會造成運動物體在圖像拼接過程中的撕裂或重疊現象。文獻[7]提出了一種利用動態規劃求縫合線的方法來解決圖像拼接過程中的重疊現象。文獻[8]利用加權平均融合算法對提取出的最佳縫合線的兩側進行加權融合，改善了拼接縫過渡明顯的問題，但在拼接縫部分的過渡仍不夠自然。文獻[9]提出了一種基于超像素的最佳縫合線搜索方法，該方法在超像素水平上對圖像進行拼接，極大提高了效率。文獻[10]為解決拼接圖像中具有運動物體而導致拼接處產生“鬼影”的問題，在最佳縫合線搜索策略中引入局部信息權重，結合融合帶和加權平均融合的方法進行圖像融合，在一定程度上解決了“鬼影”現象。傳統最佳縫合線融合算法在一般的情景中可得到良好的拼接結果，但當圖像紋理復雜或噪聲較大時，使用傳統最佳縫合線算法進行融合也會產生錯位、“鬼影”等現象。

針對上述問題，本文提出了一種基于改進最佳縫合線的煤礦井下圖像拼接方法。首先，對圖像進行預處理，通過改進的 Retinex算法對圖像進行增強，以提高有效特征點匹配數量。然后，利用 SIFT 算法對圖像特征進行提取與匹配。最后，引入像素余弦相似度改進能量函數，并采用形態學操作對顏色差異強度進行改進，利用動態規劃法對最佳縫合線進行搜索，并采用漸入漸出融合算法對圖像進行融合處理，消除錯位和拼接縫過渡明顯的問題，實現工作面圖像拼接。

1總體方案

基于改進最佳縫合線的煤礦井下圖像拼接方法包括圖像增強、特征提取與匹配、圖像融合3個部分，總體方案如圖1所示。

首先，對原始圖像進行 HSV 空間變換，在亮度分量 V 使用基于雙邊濾波函數的改進 Retinex算法，并進行伽馬校正。然后，利用 SIFT 算法提取和匹配圖像的特征點，將2幅待匹配圖像的對應特征點對之間的余弦距離作為匹配度指標，再利用單應性矩陣計算2幅待拼接圖像之間的變換關系，進行映射變換，實現2幅圖像的對齊。最后，引入像素余弦相似性約束和形態學操作改進顏色差異強度，通過動態規劃思想在重疊區域提取最佳縫合線，并利用漸入漸出融合算法對圖像進行融合。

2基于改進 Retinex 算法的圖像增強

由于掘進工作面環境惡劣，照度極低，拍攝的圖像存在極暗區域，導致極暗區域信噪比非常低，后續利用 SIFT算法提取特征點時，幾乎檢測不到有效特征點，對掘進工作面圖像的拼接工作造成了極大的困難。所以在圖像拼接前對圖像進行增強處理，以提高有效特征點的檢測。

首先對原始圖像進行 HSV 空間變換。圖像在 RGB 空間進行處理時易出現色彩失真的情況，而色相分量 H、飽和度分量 S、亮度分量 V 在色彩空間中是相對獨立的，對亮度分量 V 的操作不影響圖像的色彩信息。因此，將 RGB 空間轉換為 HSV 空間。

式中 R，G，B 分別為 RGB 色彩空間中的紅、綠、藍通道。

在亮度分量 V 通道對圖像采用 Retinex算法進行增強處理。傳統的多尺度 Retinex（Multiscale Retinex，MSR）[11]算法在處理光照不均勻圖像時，容易在圖像邊緣產生明顯的灰度值差異，從而產生光暈現象。在亮度差異大處，像素值變化較為顯著。為解決上述問題，本文采用雙邊濾波函數代替原來的中心環繞函數（高斯核函數）來估計光照分量，這是因為雙邊濾波函數在圖像處理中不僅考慮了像素之間的空間距離關系，即空間域，還考慮了像素值之間的相似性，即像素值域，能夠有效地解決光暈現象。Retinex 理論認為人眼中物體的顏色是由物體對于紅綠藍3種光線的反射能力決定的[12]，成像過程為

式中：I（x，y）為原始圖像；x，y 為圖像中的像素坐標； N（x，y）為反映物體本質信息的反射圖像；L（x，y）為照度圖像。

為了方便計算，將式（4）變成對數域，其表達式為

lg I（x，y）= lg L（x，y）+ lgN（x，y） （5）

原始計算照度圖像表達式為

L（x，y）= F（x，y）I（x，y） ?（6）

式中F（x，y）為高斯核函數。

用雙邊濾波函數代替中心環繞函數來估計光照分量[13]。雙邊濾波函數表達式為

式中：Q（i， j）為輸出圖像；i，j，k，l 為圖像中的像素坐標；I（k， l）為輸入圖像；W（i， j， k， l）為空間域和像素值域的核函數。

采用 Q（i， j）代替式（6）中的 F（x，y），并將式（6）代入式（3）中，得到反射圖像：

使用伽馬校正對全局亮度進行調整。

式中：O 為輸出圖像的像素值；A 為輸入圖像的像素值；γ為伽馬值，當γ<1.0時，圖像的全局亮度提升，當γ>1.0時，圖像的整體亮度降低。

將原始圖像與直方圖均衡化（HistogramEqualization，HE）、MSR 算法、改進 Retinex 算法處理后的圖像進行對比，結果如圖2所示。

由圖2可看出，原始圖像亮度低、對比度差，不利于后續特征點的提取；經過 HE 增強后的圖像效果差，增強的同時也放大了噪聲，且顏色失真；經過 MSR 算法處理后的圖像顏色得到了很好的改善，但整體圖像模糊，對比度低；經過改進 Retinex算法處理后的圖像細節清晰，在顏色保真、對比度方面都有明顯提升。

使用峰值信噪比（Peak Signal-to-Noise Ratio， PSNR）、結構相似性（Structural Similarity Index， SSIM）、平均絕對誤差（Mean Absolute Error，MAE）、均方誤差（Mean Squared Error，MSE）對各算法處理效果進行評價，結果見表1。其中 PSNR 用來衡量圖像的噪聲水平或失真程度，其值越大，失真度越小； SSIM 從亮度、對比度和結構3個方面衡量圖像的相似性，其值越大，圖像失真度越小；MAE 越小，表示與原始圖像的偏差越小，圖像質量越好；MSE 越小，圖像質量越好。由表1可看出，在低照度環境下，改進的 Retinex算法在亮度、對比度增強及去除噪聲和抗失真等方面，均優于其他算法。

3特征提取與匹配

3.1基于 SIFT 的特征點提取

1）高斯差分金字塔構建。對原始圖像進行高斯平滑，得到一系列不同尺度的模糊圖像，再對每個模糊圖像不斷進行下采樣得到高斯金字塔[14]，再由高斯金字塔圖像和其上一層金字塔圖像之間的差值得到高斯差分金字塔。

2）關鍵點檢測。在高斯差分金字塔的每個尺度下的像素點與其同一尺度8個相鄰點，以及上下相鄰尺度對應的18個像素點進行比較，若該點是這26個點中最大或最小的像素點即是極值點。由于像素點在尺度空間是離散的，需通過 DoG 函數[15]進行曲線擬合，得到精確的關鍵點。在檢測到的關鍵點中，剔除低對比度的噪聲干擾點和由邊緣效應引起的不穩定點，剩下的關鍵點為有效特征點。

3）方向分配。根據周圍像素梯度確定特征點的方向。此過程為每個特征點分配主方向，以便于后續計算特征描述子時，確保描述子的旋轉不變性。

4）特征描述子生成。以特征點為中心向外擴展16×16的范圍，以該范圍作為采樣窗口，計算該范圍內每個像素點與特征點的相對梯度方向，將每個梯度方向通過高斯加權后放置到8個方向區間的梯度直方圖，最后獲得4×4×8的128維特征描述子。目的是捕獲特征點周圍區域的局部梯度信息，用于描述特征點的特征。

3.2特征點匹配

僅采用歐氏距離作為匹配度指標會存在誤匹配點對的問題，因此，利用2幅待匹配圖像的對應特征點對之間的余弦距離作為匹配度指標，以更好地描述2個對應特征點的描述子方向的差異。

式中：n 為描述子的向量維數，n=64；a 為索引變量； b1a，b2a 為2個對應特征點對的描述子。

余弦值越小，表示2個特征描述子的方向差異越大。

利用?K 最近鄰算法（K?Nearest Neighbors，KNN）[16]對提取出的特征點進行匹配，再采用隨機抽樣一致性算法（Random Sample Consensus，RANSAC）[17]對匹配點進行誤匹配剔除。

對原始圖像1，2，3，4進行增強，并計算增強前后的特征點數量。增強結果如圖3所示，增強前后提取特征點數量對比見表2。可看出進行圖像增強前，所提取的特征點數量過少，通過本文增強方法，有效特征點的提取量明顯增加。

4圖像融合

4.1單應性矩陣計算

圖像配準后，通過2幅待拼接圖像特征點之間的對應關系能估計出圖像空間變換模型，即求解單應性矩陣[18]中的參數。通過 RANSAC 算法得到2幅圖像之間的投影矩陣 H。設P1（x1;y1）和P2（x2;y2）分別表示2幅待拼接圖像中的對應點，則這2個點之間的單應性變換（圖4）關系為

4.2基于改進能量函數的最佳縫合線算法

在圖像實現對齊后，需對2幅待拼接圖像進行融合。當2幅待融合的圖像出現運動的物體，直接采用加權平均融合法對2幅圖像進行融合會出現“鬼影”現象，因此，采用最佳縫合線算法對2幅圖像進行融合。最佳縫合線算法是在2幅圖像的重疊區域搜尋出一條能量最小的縫合線，繞開錯位、跳變現象，以避免融合后場景中出現“鬼影”、重影現象。最佳縫合線算法如圖5所示。

最佳縫合線需滿足顏色差異與結構差異最小這2個條件，本文在能量函數中引入像素余弦相似性作為約束項，以確保圖像在顏色方面的一致性。最佳縫合線的能量函數改進為

式中：Ecolor （x;y）為重疊區域像素點顏色差值； Egeometry （x;y）為重疊區域像素點結構差值；Ep cos （x;y）為重疊區域同一像素位置兩側像素的余弦相似度； Igray1（x;y）和 Igray2（x;y）分別為2幅待拼接圖像 I1和 I2的灰度圖；Zc1（x;y）與Zc2（x;y）分別為2幅待拼接圖像在重疊區域的像素強度；Sx 和Sy 分別為 x 和 y 方向上的 Sobel 算子。

由于圖像增強后噪聲較大，引入形態學操作[19]對能量函數進行改進，計算2幅圖像重疊區域的灰度值，并對其差值取絕對值，采用該絕對值來近似計算。

式中：I12（x;y）為灰度差圖像；Wcolor 為權重系數； Ibin （x;y）為二值圖像；Yavg 為重疊區域內灰度差圖像 I12（x;y）處像素的平均值。

能量函數改進前后圖像對比如圖6所示，可看出能量函數改進前圖像細節不清晰，噪聲較大，對后續尋找最佳縫合線過程可能會造成影響；能量函數改進后圖像噪聲小，細節清晰，方便后續尋找最佳縫合線時沿著能量更低的路徑。

得到能量函數之后，采用動態規劃法[20]在重疊區域尋找最佳縫合線，過程如圖7所示。首先，將圖像重疊區域第1行中的每個像素點作為每條縫合線的起點，若有 m 列，則有 m 條縫合線，計算其能量 Xm （x;y）。其次，將當前像素點下一行緊鄰的3個像素點作為該點的備選擴展點，計算這3個點的能量 Xm （x-1;y+1），Xm （x;y+1），Xm （x+1;y+1）。然后，比較這3個點的能量，選擇能量最小的像素點作為擴展點，以此類推，當前像素點一直擴展到最后一行為止，所有擴展點連起來就是縫合線路徑。最后，計算每條縫合線上的像素點能量之和，選擇能量之和最小的路徑作為最佳縫合線。

最佳縫合線算法很好地避免了圖像拼接時會出現的錯位現象，但在縫合線兩邊各取2幅圖的一部分進行拼接時，導致2幅圖像色彩不能很好過渡，拼接結果在縫合線周圍會出現較為明顯的拼接縫，影響拼接效果。因此，為了得到更加自然的拼接圖像，在提取出最佳縫合線之后，在縫合線左右按照漸入漸出[21]融合算法進行融合。

式中：D1（x;y）為左邊待拼接圖像到2幅圖像重疊區域左邊界的像素點；D1（x;y）＼ Dseam （x;y）為重疊區域左邊界到縫合線fseam 的像素點；Dseam （x;y）＼ D2（x;y）為縫合線fseam 到重疊區域右邊界點的像素點；D2（x;y）為重疊區域右邊界到右邊待拼接圖像的像素點；d1，d2， dseam1，dseam2為權重，且 d1+ dseam1=1，d2+ dseam2=1，0< d1<1，0< d2<1；xi 為當前像素點的橫坐標；xl 和 xr 分別為重疊區域左右邊界點的橫坐標；xseam 為最佳縫合線上點的橫坐標。

5 實驗結果與分析

為驗證本文方法的可行性，進行多組實驗。第1組實驗模擬井下掘進工作面環境，用噴煙機模擬井下粉塵環境，在夜間采集圖像模擬井下低光照環境。第2組實驗以某煤礦真實掘進工作面為環境，采集圖像數據。使用傳統最佳縫合線算法和本文改進算法對所采集圖像進行拼接處理，并對處理后的圖像進行主觀評價和客觀評價。

5.1主觀評價

在2組實驗環境下各采集20組圖像進行實驗，部分實驗結果如圖8所示，組1、組2圖像為在第1組實驗環境下采集的圖像，組3、組4圖像為在第2組實驗環境下采集的圖像。

從圖8可看出，能量函數改進前，傳統最佳縫合線分割區域有錯位現象，能量函數改進后，改進最佳縫合線從能量更低的區域經過，避免了拼接圖像出現錯位。結合漸入漸出融合算法融合拼接后的圖像，拼接縫處的圖像過渡更加自然，避免了“鬼影”和明顯拼接縫的產生，提高了拼接質量。

5.2客觀評價

為了更清晰地呈現本文方法的綜合性能，對融合后的圖像進行客觀評價（表3），采用平均梯度、有無明顯拼接縫和拼接時間作為評價指標，對8組圖像融合效果進行評價。其中，平均梯度越大，表示2幅圖像融合后細節保留更好，拼接縫的過渡更加自然。由表3可看出，與傳統最佳縫合線算法相比，本文算法對于融合后的圖像在平均梯度和拼接時間上均有一定提高，平均梯度較原算法提高2.38%，拼接時間提高了32.5%。

平均梯度對比柱狀圖、拼接時間對比柱狀圖分別如圖9、圖10所示。可看出本文算法的平均梯度均高于傳統最佳縫合線算法的平均梯度，且本文算法拼接時間小于傳統最佳縫合線算法的拼接時間。

6結論

1）針對掘進工作面環境照度低，有效特征點提取數量不足的問題，對采集的圖像進行增強處理。通過分解 HSV 空間，采用改進的 Retinex算法對亮度分量 V 進行增強。結果表明，增強后有效特征點的提取數量明顯增加。

2）對能量函數進行改進，引入像素余弦相似性作為約束項，并采用形態學操作對顏色差異強度進行改進，降低能量圖噪聲；利用動態規劃法對最佳縫合線進行搜索，以避免圖像拼接處的錯位現象；結合漸入漸出融合算法，使圖像過渡平滑，實現煤礦井下掘進工作面的圖像融合。

3）從平均梯度、有無明顯拼接縫、拼接時間3個方面對圖像進行客觀評價，實驗結果表明，基于改進最佳縫合線的礦井圖像拼接方法較原算法的平均梯度提高了2.38%，拼接時間提高了32.5%。

參考文獻（References）：

[1]王國法.加快煤礦智能化建設推進煤炭行業高質量發展[J].中國煤炭，2021，47（1）：2-10.

WANG Guofa. Speeding up intelligent construction of coal mine and promoting high-quality development of coal industry[J]. China Coal，2021，47（1）：2-10.

[2]張旭輝，楊紅強，白琳娜，等.煤礦掘進工作面低照度視頻增強技術研究[J].煤田地質與勘探，2023，51（1）：309-316.

ZHANG Xuhui，YANG Hongqiang，BAI Linna，et al. Research on low illumination video enhancement technology in coal mine heading face[J]. Coal Geology & Exploration，2023，51（1）：309-316.

[3]王國法，張良，李首濱，等.煤礦無人化智能開采系統理論與技術研發進展[J].煤炭學報，2023，48（1）：34-53.

WANG Guofa，ZHANG Liang，LI Shoubin，et al. Progresses in theory and technological development of unmanned smart mining system[J]. Journal of China Coal Society，2023，48（1）：34-53.

[4] YUAN Yiting， FANG Faming， ZHANG Guixu. Superpixel-based seamless image stitching for UAV images[J]. IEEE Transactions on Geoscience and Remote Sensing，2021，59（2）：1565-1576.

[5] ZARAGOZA J，CHIN T J，TRAN Q H，et al. As- projective-as-possible image stitching with moving DLT[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，36（7）. DOI：10.1109/ TPAMI.2013.247.

[6]張晶晶，翟東海，黃莉芝，等.基于特征分塊的視差圖像拼接算法[J].計算機工程，2018，44（5）：220-226.

ZHANG Jingjing，ZHAI Donghai，HUANG Lizhi，et al. Parallax image stitching algorithm based on feature blocking[J]. Computer Engineering，2018，44（5）：220-226.

[7] DUPLAQUET M L，PARK S K，JUDAY R D. Building large image mosaics with invisible seam lines[C]. Proceedings of SPIE，1998. DOI：10.1117/12.316427.

[8]瞿中，喬高元，林嗣鵬.一種消除圖像拼接縫和“鬼影”的快速拼接算法[J].計算機科學，2015，42（3）：280-283.

QU Zhong，QIAO Gaoyuan，LIN Sipeng. Fast image stitching ?algorithm ?eliminates ?seam ?line ?and ghosting[J]. Computer Science，2015，42（3）：280-283.

[9]袁怡婷.基于最佳縫合線的大視差圖像拼接[D].上海：華東師范大學，2020.

YUAN Yiting. Optimal seam based image stitching with large parallax[D]. Shanghai： East China Normal University，2020.

[10]張翔，王偉，肖迪.基于改進最佳縫合線的圖像拼接方法[J].計算機工程與設計，2018，39（7）：1964-1970.

ZHANG Xiang，WANG Wei，XIAO Di. Image mosaic method based on improved best seam-line[J]. Computer Engineering and Design，2018，39（7）：1964-1970.

[11] RAHMAN Z，JOBSON D，WOODELL G. Multiscale Retinex for color image enhancement[C].3rd IEEE International ?Conference ?on ?Image ?Processing， Lausanne，1996：1003-1006.

[12] LAND E H，MCCANN J J. Lightness and Retinex theory[J]. Journal of the Optical Society of America，1971，61（1）：1-11.

[13]劉曉陽，喬通，喬智.基于雙邊濾波函數和 Retinex 算法的礦井圖像增強方法[J].工礦自動化，2017，43（2）：49-54.

LIU Xiaoyang， QIAO Tong， QIAO Zhi. Image enhancement method of mine based on bilateral filtering and Retinex algorithm[J]. Industry and MineAutomation，2017，43（2）：49-54.

[14] LI Zhengguo，SHU Haiyan，ZHENG Chaobing. Multi- scale single image dehazing using laplacian and gaussian pyramids[J]. IEEE Transactions on Image Processing，2021，30：9270-9279.

[15]張書霞，左海平. SIFT 特征匹配算法研究[J].現代計算機（專業版），2010（7）：64-67.

ZHANG Shuxia，ZUO Haiping. Research on SIFT algorithm of feature matching[J]. Modern Computer，2010（7）：64-67.

[16] CAO Mingwei，JIA Wei，LYU Zhihan，et al. Two-pass K nearest neighbor search for feature tracking[J]. IEEE Access，2018（6）：72939-72951.

[17] SHENG Haiyan，WEI Shimin，YU Xiuli，et al. Research on binocular visual system of robotic arm based on improved SURF algorithm[J]. IEEE Sensors Journal，2020，20（20）：11849-11855.

[18]杜港，侯凌燕，佟強，等.基于 BRISK 和改進 RANSAC 算法的圖像拼接[J].液晶與顯示，2022，37（6）：758-767.

DU Gang，HOU Lingyan，TONG Qiang，et al. Image mosaicing based on BRISK and improved RANSAC algorithm[J]. Chinese Journal of Liquid Crystals and Displays，2022，37（6）：758-767.

[19]鄒攀紅，孫曉燕，張雄偉，等.一種基于數學形態學的二值圖像去噪算法[J].微計算機信息，2010，26（32）：202-203，206.

ZOU Panhong，SUN Xiaoyan，ZHANG Xiongwei，et al. A noise reduction algorithm for binary image based on mathematical ?morphology[J]. Microcomputer Information，2010，26（32）：202-203，206.

[20]盧泉，楊振華，黃粒峰.改進最佳縫合線的紅外圖像拼接方法[J].紅外技術，2022，44（6）：580-586.

LU Quan，YANG Zhenhua，HUANG Lifeng. Infrared image mosaic method for improving the best seam- line[J]. Infrared Technology，2022，44（6）：580-586.

[21]羅永濤，王艷，張紅民.結合最佳縫合線和改進漸入漸出法的圖像拼接算法[J].紅外技術，2018，40（4）：382-387.

LUO Yongtao，WANG Yan，ZHANG Hongmin. Image- stitching algorithm by combining the optimal seam and an improved gradual fusion method[J]. Infrared Technology，2018，40（4）：382-387.