摘 要　 医学拼接在医学影像研究中有着广泛的应用。 利用图片对器官整体研究时, 需要将具有重叠区域 的多源信道所采集到的关于同一器官的图像进行图像配准、图像融合等图像拼接技术处理, 生成一副关于器官 的立体影像图。 本文讨论了医学图像处理中图像拼接的几种基本算法。 每种图像拼接算法在图像处理中都有 各自不同的处理效果, 各有优、缺点。 在实际使用中, 根据不同的情况采用不同的拼接算法, 以达到更好的效果

使用vs2019，opencv4.5.1，使用SURF算法的特征点匹配。txt文件，配置完成后可直接使用。

基于特征点SURF算法的图像配准和加权平均融合算法,将有重叠区域的两张图像拼接成一张高分辨率的全景图像,并运用MATLAB软件实时仿真拼接图像。首先利用SURF算法匹配图像,经仿射变换后得到含有拼接缝的合并图像;再分别对比不同分辨率、重复率的三组测试数据;接着使用两种融合算法融合比对最优图像;最后设计了一个简单的GUI界面实现图像拼接。实验表明:分辨率越高,图像信息量越大,匹配效果就越清晰,但会耗费更多的运算时间;重复率增加,有效匹配点占比增大,得出图像重复率在40%及以上时会使匹配更精准。加权融合算法能更好地实现图像之间的平滑过渡。

基于sift算法的图像拼接MATLAB程序，图像拼接是一项应用广泛的图像处理技术。根据特征点的相互匹配，可以将多张小视角的图像拼接成为一张大视角的图像，在广角照片合成、卫星照片处理、医学图像处理等领域都有应用。早期的图像拼接主要是运用像素值匹配的方法。后来，人们分别在两幅图像中寻找拐点、边缘等稳定的特征，用特征匹配的方法拼接图像。本实验根据Matthew Brown (2005) 描述的方法，实现多张生活照的拼接。

1、简单的matlab图像拼接算法，其中pjfun1.m为主调用函数，cornerDetection.m为角点检测方法，find_sift.m为SIFT特征点获取方法。 2、全文加入了比较多的注释。 3、附赠一张可爱的lenna图,运行Transform.m和lenna.m能得到各种不同的lenna呦。

sift提取特征+匹配，ransac校准。尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。

OpenCV stitching_detailed.cpp例程的详细解读，包括怎么分析程序和拼接的参数，步骤解读

图像拼接原代码，ＶＣ＋＋，图像拼接在制作全景图的过程中具有重要作用。对多幅图像进行特定模式投影后,用约束的相位相关度法求取水平垂直偏移量,然后寻找最佳缝合线,实现图像拼接,最后采用多分辨率算法对全图进行拼接处理去除曝光差异和鬼影。整个过程用VisualC++加以实现,实验结果验证了算法的有效性。

基于特征点的全景拼接，内附配置步骤，C++实现了视频的拼接

Visionpro实现多图像拼接源码，带有素材