近年来,全景图像被广泛应用于医学、测绘、虚拟现实、计算机视觉等领域,基于全景图像的应用也层出不穷,如:全景视频监控、谷歌街景地图等。然而直接获取全景图像的相机操作繁琐、专业性要求强、且价格昂贵,因此难以用于实际应用,广泛采用的方法是采集多幅具有重合场景,通过图像配准和融合拼接成一幅视角宽广、清晰度高、真实感强的全景图像。本文分别以相机固定旋转拍摄的图像和手持相机拍摄的图像为实验对象,进行全景图像拼接技术研究。相机固定旋转拍摄一定数量的具有重合场景的图像只存在单一的旋转变换,可用全局图像变换模型进行图像配准,本文以经典SIFT算法为基础,提取待拼接图像中稳定的特征点,针对全局图像变换的模型估计问题,提出一种基于行列式点过程的改进RANSAC算法(Random Sample Consensus),该方法利用行列式点过程抽样法的全局负相关特性对SIFT提取的特征点进行建模,实现了抽样点的均匀化和分散化,剔除了更多误匹配点,接着用行列式点过程抽取的点集作为RANSAC算法的输入来求取全局图像变换模型。实验证明基于行列式点过程改进的RANSAC算法能够保证95%以上的正确匹配率,减少了算法的迭代次数,保证了最优全局图像变换模型的精确度。全景图像拼接实验显示改进后的算法能够很好的适应柱面全景图像拼接,生成的柱面全景图无明显畸变。相机固定旋转获取的图像变换简单,没有视差问题,用全局图像变换模型就能得到良好的配准效果。但是手持相机拍摄无法确保相机完全固定,图像存在较大的视差,其变换也不再是单一的旋转变换,因此全局图像变换模型不再适用,对此,本文提出了一种基于多单应性矩阵特征检测算法的逼近投影变换(As-projective-as-possible Warp,APAP)图像配准算法,首先利用多个单应性矩阵来检测同一特征点对,避免了视差图像中处于不同平面的特征点对被误剔除,保证了正确特征点对的数量,接着利用图像分割技术将图像分割成若干小块,根据小块中心像素点与匹配特征点高斯距离,计算局部加权投影变换模型,最后利用局部加权投影变换模型完成重合区域的配准。实验证明:改进后的逼近投影变换图像配准算法保证了局部配准的精度,有效解决了全局图像变换模型对视差图像配准时造成的模糊重影等问题,合成更加清晰、无畸变的柱面全景图像。