随着计算机视觉技术和人工智能迅猛发展,图像拼接技术已经在目标识别、医学成像、地质勘探、机器人视觉等多个领域开展了广泛应用。近年来,随着科研工作的不断深入,涌现了很多图像拼接算法,但是目前的图像拼接算法大多基于全局单应变换或者多等分局部变换。如果拍摄的目标是多平面图像,会由于匹配点错误或者提取特征点精度不高导致变换不准确,从而导致图像畸变或者在重叠区域产生重影现象。因此,本文开展了针对多平面的图像拼接技术的研究。本文的主要工作和创新点如下:(1)提出了一种特征点分类的多变换拟合机制和图像分层方法,将多平面问题转换为图像多层问题。本文首先基于尺度不变特征变换来提取图像中的特征点,由于该算法存在一定的误匹配,所以利用随机抽样一致算法来剔除匹配错误的特征点对,提高特征点提取的精确度;然后,使用多变换拟合机制将依赖程度较高的特征点分成一类,完成图像特征点的分类。最后,根据特征点的分类结果,利用类与类之间的边界信息做图像分层,将图像分成基础层和过渡层。(2)为了解决图像拼接的缝合线问题,提出了一种分层变换方案,对于基础层和过渡层设计不同的相应的变换算法。在基础层采用动态直接线性变换方法进行变换。针对过渡层结构复杂的特点,提出了一种基于能量优化的单应矩阵估计算法提高单应变换的精确度。所提出的算法在图像变换步骤之前完成图像层次的划分,能够有效的解决多平面问题,而且之后的图像分层变换方法更好地解决了图像拼接的缝合线问题。实验结果表明,所提算法能够很好地对多平面图像实现无缝拼接,使得图像结果有很好的视觉效果,在实验效果上优于多种现有算法。