Internati o nal  Journal of Ele c trical   and Computer  Engineering  (IJE CE)  V o l.  5, N o . 5 ,  O c tob e r  201 5, p p . 1 216 ~122 6  I S SN : 208 8-8 7 0 8           1 216     Jo urn a l  h o me pa ge : h ttp ://iaesjo u r na l.com/ o n lin e/ind e x.ph p / IJECE  Image Mos a ici n g f o r W i de Angl e P a norama       G. Div y a ,  Ch.  Ch andr a Sek h ar   Department o f  I n formation Tech nolog y ,  AITAM, Tekk ali, A . P., I ndia        Article Info    A B STRAC T Article histo r y:  Received  J u n 12, 2015  Rev i sed  Ju l 15 ,  20 15  Accepte d Aug 3, 2015      Im ages  are inte gral part in our dail y liv es . W ith a norm a l camera it is  not   possible to get  a  wide angle pano rama  with high r e solution .  Im age  Mosaicing  is one of the n ovel techniqu es, for co mbining  two or more images of the  s a m e  s cene take n in differen t  vi ews  into one im age. In th e dark  areas , th e   obtain e d image is a panoramic image w ith high  resolution witho u t m a sk. But   in the c a se of lig hting are a s, th e r e sultant  im age is  genera ting m a sk. In order   to gets  wide angle panoram a,  in the exis ting  s y s t em , extra c ting featur e   points, find ing the best stitching  line,  Cluster Analy s is (CA) an d D y namic  Programming ( D P)  methods are used. Al so used Weighted Average (WA)  m e thod for smooth stitch i ng results and also  elim inat e int e nsit y  seam   effectively .  In the proposed sy stem,  to get feature extr action and featu r e  m a tching S I F T  (S caled Invar i ant  F eature Trans f o r m )  algorithm  us ed. In this   process, outliers  can b e  g e nerated .  R ANSAC (Random Sample Consensus) is  used for dete ct ing the out lie r s  from  the resultant  im age.  Masking is  significantly  red u ced  b y   using Algebraic R econstr uction  Techniqu es (ART). Keyword:  ART   Hom o g r ap hy   Im age Mosaicing  Panoram a   RANS AC   SIFT   Copyright ©  201 5 Institut e  o f   Ad vanced  Engin eer ing and S c i e nce.  All rights re se rve d .  Co rresp ond i ng  Autho r :  G. Divy a,    Depa rt m e nt  of  In fo rm at i on Te chn o l o gy ,   AIT A M ,  Tek k a li,  A.P ., I ndia.   Em a il: d i v y acse.aita m @ g m a i l . co m      1.   INTRODUCTION  Im ag e Mo saicin g is a tech n i q u e  wh ich en ab les  u s  to jo in to g e t h er m a n y  sm a ll i m ag es in to a  o n e  larg e im ag e, fro m  wh ich  m o re in fo rm atio n   can   b e   g a th e r e d   easily.  T h is technique has  been  us ed sinc e  the   devel opm ent  o f  p h o t o gra phy   t o  i n crea se t h e  fi el d o f   vi ew  b y  past i ng t oget h er m a ny  sm all  im ages t a ken  fr om   the cam era. For  gene rating a com p rehensible m o saic, th ese im ages have to be  first  aligned t o  a certain  referen ce im ag e an d  th en  p a sted  to g e th er.  Based  on  th e p a th  in  wh ich   th e ca m e ra  m o v e s wh ile tak i n g  th e  im ages, al i gni ng t h ese i m ages t oget h e r  m a y pro d u ce di st o r t i ons suc h  as el on gat i o n ,  co nt ract i o n ,  an d vi ewi n g   at an a n gle, in them . In t h is  pro ces s, c o mbines  seve ral i m ages with  o v erl a ppi ng  fi el d  of  vi e w   (F OV ) t o   pr o duce  a  pa no ram i c im age or  a  hi g h - r esol ut i o n  i m age [1] ,  as show n in Figu r e  1.  I m ag e  mo saic techno log y   i s   wid e ly used in mili tary an d civ ilian  field s , su ch as  satellite rem o te sen s ing ,   UAV surv eillan ce and  search ing ,   robo t v i sion , med i cal prob e, electron i c im ag e  stab ilizatio n  an d v i rtu a l reality, etc.          Fig u re  1 .   Sequen tial Im ag es to   b e  M o saiced  Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I J ECE Vo l. 5 ,  N o . 5 ,  O c tob e r  20 15   :   121 6  –  12 26  1 217 There are 2 types of Im age  Mosaicin g, suc h  as Direct, Fe ature base d  [2]. Direct approa ch com p ares  all pixel intensities of i m ages with  each other. It can provi d e ve ry accura te registration  and it has a li mited  range  of c o nverge n ce. T h es e approac h es  include  Four ier  an a l ys is  te c h n i q u e s  an d als o  co a r s e  to f i ne  opt i m i zati on of   cost  or   o b j ect i v e fu nct i o ns.   Feat ure - ba sed  app r oaches  ha ve t h e ad va nt a g e o f  bei ng m o re r o b u st  agai n s t  scene m ovem e nt  and are   p o t en tially fast er, if im p l e m e n ted  th e ri g h t   way. Th e  b i ggest ad v a n t ag e,  h o wev e r, is th e ab ility  to  “reco gn ize  pan o r am as,” i . e., t o  a u t o m a t i cal l y  di scove r  t h e a d jace ncy   (o verl a p )  rel a t i ons hi ps am ong  an  u n o r d ere d   set   o f   i m ag es, wh ich   mak e s th em   id eally su ited  fo r fu lly au to m a te d  stitch i n g   o f   pan o ram a s tak e n  b y  casu a l  u s ers. It  is su itab l e fo r  fu lly au to m a ti c Mo saicin g .  Featu r e d e tection  and   m a tch i n g  are u s ed  for i m ag e stitch i n g  fro m   th e in pu t im ag es wh ich  are  hav i ng  th e feat ures in both t h e  im ages whic h  are ha vi n g  co r r esp o ndi ng  p o i n t s  t o   fi n d , an d ha ve  t o   m a t c h t hose  corre sp o ndi ng  poi nt s t o   get  a si ngl e pa no ra m i c im age. Th e gr ou ps o f  fe at ures   co nsid er po in t  features.  Whi c h  in cl u d e s meth od s  u s ing  li n e  in tersectio ns, h i g h  v a rian ce po in ts, m a x i mall y  d i stin ct po in ts  with  resp ect t o  a sp eci fied m e asure  of sim ila rity, and corne r s.  With  reg a rd  to   feat u r e d e tectio n ,   in  m o st in stances th e co re alg o rith m s  fo llow th e d e fin ition   o f  a po in t as a lin e in tersectio n   o r  as th e cen t ro id  of a cl ose d -b o u n d a r y  regi on . It  has bee n   fo u nd t h at  cor n e r s  fo rm   their o w n class o f   feature as the prope rty of  b e ing  a corn er  is h a rd  t o   d e fi ne m a th em a tical ly.  There  are  two  main appro aches to  finding feature  points a n d th eir corres p ondence s. T h e first is  t o   find features in one im age tha t  can  be accura tely  tracked  us ing a local sear ch techni que s u ch  as correlation  or  l east  square s.  The sec o n d  i s  t o  i nde pe nde nt l y  det ect  feat ures i n  al l  t h e i m ages un de r consi d erat i o n a nd t h en   match features  base d on thei r local appea r a n ce. T h e  fo rmer approac h  is  to com b in e tho s e im ag es to  g e t a  si ngl e  pa no ra m i c im age. T o   get  a  hi g h   resol u t i o n  pa n o ram a , t h e Im age M o sai c i n g  t echni que  us es t h e   fo llowing  t w o alg o rith m s . Fo r th e  f eature  extraction a n d feature m a tchi ng SI FT (Sca l e d  I n vari a n t  Feat ur e   Transfo r m )  alg o r ith m  is u s ed . Fo r d e tecting  th e ou tliers  from th e resu ltan t  i m ag e RANSAC (Rand o m  Sam p l e   Co n s en su s) algo rith m  is u s ed .      2.   LITERATU R E  SU RVE Y   Rafel C.  Gon z alez et al [3 ], in  th ei r  work imag e acqu i sitio n pro cedu r e an d im ag e restoratio n fo r th e  feature m a tching  points to  get a panoram i c im age. Li  Ji n et  al  [4] ,  p r op ose d   in thei r work how feature  match i n g  is u s ed  to  ex tract featu r e po in ts effectiv ely,  b y  usin g  SI FT algor ith m .  Th is  m e th od  also  pro p o s es a  reliab l e p a rameter estim a tio n  m e th o d , an d t h e  resu lt is  reliab l e to   stitch i ng  a larg e im ag e .     Patil et a l  [5 ], p r op o s ed  in  their work  th e Scale  In v a rian t Featu r e Tran sfor m  (SIFT) algorith m  can  b e   appl i e d t o  p e r f o r m  t h e det ect i on an d m a tchi n g  co nt r o l   poi nt s, f o r t h e im age  m o sai c . SIFT al go ri t h m   p r ov id ing  m o re reliab l e featu r e m a tch i n g   for th e pu rpose of  o b j ect  reco gn itio n wit h in  a sing le  v i ew.  R ANS AC  i s  a  re-s am pl i ng t echni que  t h at   gene rat e s ca n d i dat e  sol u t i o n s  by   usi n g t h e  m i nim u m  nu m b er   obs er vat i o n s  ( d at a p o i n t s )  r e qui red  t o  est i m a t e  t h e un d e rl y i ng m odel  pa ram e t e rs. unl i k e  co n v e n t i onal   sam p lin g  tech niq u e s th at u s e as  m u ch  o f  the d a ta as p o ssi ble to  o b t ain  an   in itial so lu tio n  an d  th en  pro c eed  to   p r un e ou tliers  RANSAC  u s es th e sm al lest s e t p o ssi b l e and p r o ceed s  to  en larg e th is set  with  con s isten t  d a ta  p o i n t s. Mallick  [6 ] propo sed  featu r e  b a sed  tech n i q u e  i n  th ei r wo rk  for th e  Im ag e Mo saicin g. Firstly select th e  corres ponding corners  in  th e two  im ag es. R A NSAC is u s ed  to  esti m a te  th e h o m o g r aph y  relatin g  th e two  im ages. The e s t i m a t e d hom o g ra p h y  i s  refi n e d usi ng  Newt on' s n o n - l i n ear   m e t hod.  A dy nam i c prog ra m m i ng  base d  bl en di n g  al go ri t h m  was use d  t o  seam l e ssl y  bl en d t h e  t w o  i m ages.  M a l a vi ka B h as kara na nd a n d San d eep B h at  [7]  p r o p o se d i n  t h ei r  wo r k , r e gi st rat i on a n d   m o sai c ki n g   of im ages. Fea t ures in im ages are detected  using th e Scal e- Inva riant Fe ature Trans f orm (SIFT ) . A  nearest  n e igh bor algo rith m  with  Euclid ean   distance  m easure is  use d  for esta b lis h i ng  co rr es p ond en c e s  b e tw e e n   im ages. T h e  norm alized Dire ct Lin ear  T r an sfo r m a t i on ( D LT) t oget h er   wi t h  t h e R a nd om  Sam p l e  C o nse n sus   (RANSAC) alg o rith m  is  u s ed  to  esti m a te  t h e ho m o g r a p hy between the  im ages. The  images are then warpe d   t o  a com m on coo r di nat e  sy st em  usi ng t h e e s t i m a t e d hom ogra p hy . Al p h a  bl en di n g  base d o n  di st a n ce  of t h e   p i x e l  fro m  th e i m ag e b o rd er i s  u s ed  t o  stitch th e im ag es in to  a  sm o o t h  m o saic.    Gui d o  B a rt ol i   [8]   pr op ose d  t h e  pr ocess  of  i m age re gi st rat i o n  as a n  a u t o m a t i c  or m a nual  pr oce d u r e   whi c h t r i e s c o r r esp o ndi ng  p o i n t s  bet w een t w o i m ages an d  sp atially alig n  th em  to   m i n i mize a d e sired error,  i.e. a c o nsistent  distance m easure   betwee n two im ages . Features  should be  dis tinct ive objects which  are   pos sibly uniform ly spread over the im age s  and easily  det ect abl e  by  usi ng S I FT  algorithm .  The detected  feature s  in the  refe rence a n d sense d  im ages  can be m a tch e d  b y  m ean s o f  th e i m ag e in ten s ity v a lu es in th ei r  cl ose n e i g hb or ho o d s, t h e  feat ure  spat i a l  di st ri b u t i o n ,   or  t h e feature sym b olic d e scrip tion .  For  re-sam p lin g th e  m a ppi n g  f u nct i ons c o nst r uct e d d u ri n g  t h e  p r evi ous st e p  ar e use d  t o  t r a n s f o r m  t h e sensed i m age and t hus  t o   regi st er t h e i m ages. T h e t r a n s f o r m a ti on ca n  be real i zed i n  a  fo rwa r d o r  ba ckwa r d  m a nner.  Davi d G .  Lo we [ 9 ]   pr o pose d  i n  t h ei r pa pe rf or  i m age m a t c hi ng a n d  rec o gni t i on,  S I FT  feat ures  are  fi r s t  e x t r act ed  f r om  a set  o f   refe rence im ages and stored i n  a  database.  A ne w im ag e is m a tched by i ndi vidua lly com p aring each feature  Evaluation Warning : The document was created with Spire.PDF for Python.
IJECE   ISS N :  2088-8708    I m a g e  Mo sa ic in g fo r W i d e   A n g l e  Pa no ra ma   (G .  D i vya )   1 218 fr om  t h e new im age t o  t h i s  pre v i o us  dat a b a se and  fi n d i n g can di dat e  m a t c hi ng  feat u r e s  base d o n  E u cl i d ean   distance  of thei r feat ure  vect ors.        3.   METHO D OL OGY  For  Im age Mosai c i n g t h e f o l l o wi ng m e t hods a r e use d , suc h  as SIF T  (Scal ed  In vari ant  Feat u r e   Transform )  algorithm  and RANSAC (Ra n dom  Sa m p le Co n s en su s) algo r i t h m .     3. 1. SIFT  Al g o ri thm   a)  Sc al e-sp ace  E x tre m e  Dete cti o n   SIFT al go ri t h m  uses Di ffe r e nce o f  Ga uss i an (D o G )  wh i c h i s  an ap pr oxi m a t i on of  Lapl aci an  of  Gaus si an   (LoG). Diffe re nce of Ga ussi an  is obtai ned  as  the diff ere n ce of Ga ussi an blurring   of an  im ag e with  two  di ffe re nt , l e t  i t  be  and   .  T h e L a pl aci an  of  Ga ussi an  i s            ( 1 )     Thi s   pr ocess  i s  d one  f o r  di ffe r e nt  oct a ves  of  t h e i m age i n   Ga ussi an  Py ram i d as s h o w n i n  Fi gu re  2.             Fi gu re 2.    Gau ssi an  Py r a m i d       The Ga ussi a n  bl u rri n g  can  b e  cal cul a t e d by  usi n g eq uat i o n (2 ).  Di ffe re n ce of Ga ussi a n  can be cal cul a t e d by  usi n g  e q uat i o n  (3 ).               (2 )             (3 )     Once t h is DoG is found, im ag es are sea r che d  for local  e x tre m a over  scale and  space . For eg,  one pi xel in a n   im age i s  com p ared  wi t h  i t s  8  nei g hb o u rs  as  wel l  as  9 pi xel s  i n   next   scal e  and  9  pi xel s  i n  pre v i ous  scal e s . I f  i t   is a lo cal ex trema, it is a po ten tial k e y  p o i n t . It  b a sically   means t h at key  point is  best  re presente d i n  tha t  scale  as show n in   Fig u r e   3 .     Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I JECE Vo l. 5 ,  N o . 5 ,  O c tob e r  20 15   :   121 6  –  12 26  1 219       Fi gu re  3.   Scal i n g  o f   Im age pi xel s     R e gar d i n g di ff erent  param e t e rs of  em pi ri cal   dat a   w h i c h  can be  s u m m ari zed  as , num ber o f  oct a ves   =  4 ,   n u m b e r  o f  scal e lev e ls =  5 ,  initial, etc as op timal v a lu es  b)   Key - po int Lo ca liza t io n  Once  pote n tial key points locations are f ound, they have  to be refi ned t o  get m o re accurate res u lts. Taylor  series expansion as s o wn in the equations  (4),(5) a n d (6) of scale s p ac e to get m o re accurate locati on  of  ex trem a, an d  if th e in ten s ity at th is ex trem a  i s  less th an  a thresho l d   v a lu e  0 . 0 3 , it is rej e cted . So  it eli m i n ates  any  l o w-c o nt ra st  key   poi nt s a n d  ed ge  key   po i n t s  an d  rem a ins st r o ng  i n t e r e st  p o i n t s .            ( 4 )               (5 )               (6 )     c)  O r ient at ion A s s i g n ment  Now an   o r ien t atio n  is assi g n ed  to  each   k e y  po in t to   ach i ev e inv a rian ce t o  im ag e ro tation .   A  n e igh borho od  is  t a ken ar o u n d  t h e key  p o i n t  l o cat i on  de pen d i n g o n  t h e sc al e, and t h e g r adi e nt  m a gni t ude can  be cal cul a t e d   usi n g eq uat i o n  (7) an d di rect i on i s  cal cul a t e d i n  t h at  regi o n  by  usi n g eq u a t i on ( 8 ).  An o r i e nt at i on  hi st o g ram   wi t h   36  bi ns c o veri ng  3 6 0   deg r ees i s  c r eat ed .     m x, y √ Lx 1 , y)-  L( x,y-1 ) ) 2   + (L( x ,y + 1 )  – L (x - 1 ,y ) ) 2      (7 )     , t a n   , 1  , 1 /   1 , 1 ,    (8 )     d) Key-p o int Descriptor   N o w   k e y po in t  d e scr i p t or  is cr eated .  A   1 6x16  n e i g hbo rho o d  arou nd  th e  key p o i n t  is taken .   I t  is d i v i sed  in to  16 s u b-bloc ks of 4x4 sizes. For each s u b-block, 8 bi n orie ntati on hist ogra m  is  created. So a total of 128  bin  val u es  are a v ai l a bl e. It  i s   re pr esent e d  as a  ve ct or t o  f o rm  key  poi nt  de scri p t or.   e) Ke y- poin t  Ma tchin g   Key  poi nt s bet w een t w o i m ages are m a t c hed by  i d e n t i f y i n g  t h ei r  nearest  nei g hb or s. B u t  i n  som e  cases, t h e  seco nd cl osest - m a t c h  m a y  be very   near t o  t h e fi rst .   It  m a y  hap p e n   due t o   noi se  or  som e  ot he r reas o n s.  In t h at   case, ratio of c l osest-distance  to sec o nd -clo sest d i stan ce is  tak e n .  If it is  gr eater tha n   0.8, they are  re ject ed.  It  eliminates around 90%  of  false m a tches wh ile discards  only 5%  correct m a tches.    3 . 2 .  RA NSAC  A l go rithm [ 1 0 ]   Steps :   a)  Sel ect  ra nd o m l y  t h e  m i nim u m  num ber o f   poi nt s re q u i r e d  t o   det e rm i n e t h e m odel  pa ra m e t e rs.  b)  So lve for the p a ram e ters o f  th e m o d e l.  c)   Det e rm i n e h o w  m a ny  poi nt s fr om  t h e set   of   all po in ts  fit with  a  pre d efi n ed tolera nce   Evaluation Warning : The document was created with Spire.PDF for Python.
IJECE   ISS N :  2088-8708    I m a g e  Mo sa ic in g fo r W i d e   A n g l e  Pa no ra ma   (G .  D i vya )   1 220 d)  If the fraction  of the  num b er of  inliers ove r the tot a l num ber points  in the set exceeds a pre d efi n e d   th resh o l d ,   re-esti m ate th e  m o d e l p a ram e ters u s ing  all th e iden tified  i n liers  an d term in ate.  e)   Ot her w i s e,  r e peat  st eps  a)  t h r o ug h  d)  m a xim u m  of  N t i m es .   Th e  n u m b e r of iteratio n s ,  N, i s  cho s en   h i gh   en oug h  t o  ensu re t h at th e pro b a b ility p  (usu ally set to  0 . 99 ) t h at   at least o n e   of  th e sets  o f   ran d o m  sa m p les d o es no t in clud e  an   o u tlier. Let  u  represen t t h e p r ob ab ility that an y  sel ect ed dat a   poi nt  i s  a n  i n l i e r an d  v =   1  −  u th e  p r ob ab ility o f   o b serv ing  an   ou tlier.  N iteration s  of th e  m i nim u m  num ber  o f   poi nt s  d e not e d  m  are r e qui red ,   whe r e              ( 9 )     and  t h us  wi t h  s o m e   m a ni pul at i on,              ( 1 0 )     a.   Abs t rac t  Rec o nstruc tion  Te chniques (ART)  [11]  In  AR T  t h e i m age s o l u t i o n  i s   app r oxi m a t e d by  a  wei g ht ed   sum  of  basi c  f unct i o ns , eac h  of  w h i c h  i s  a  sh ifted b a sic basis fu n c tion    is    , )        ( 1 1 )     The m o st  com m on basi c fu nc t i on i s  a pi xel  t h at  has a s q uar e  sup p o rt  a nd i s  val u e d   one i n si de t h e s u p p o r t  and   zero  ot her w i s e .  T h e  wei g ht s  c ij o f  t h e su mmatio n  are the co efficien ts  o f  th e  resu lting  ap pro x i m a ted  imag e  vector.  In  real  a p pl i cat i ons , m easure i ndi rect l y  a fi ni t e  num ber  o f  l i n e i n t e gral s .  L e t   w l be a m easure d  i n tegrals  along  a line  l , t h en in the a b se nce  of noise for a n  i m age in the form  of  equ a tio n (1 1)  t h at             ( 1 2 )     Whe r e r ij ( l ) is th e in teg r al o f  b(x - x i , y- y j )  al ong  l , w h i c h can be cal c u l a t e d fr om  t h e geom et ry  of dat a   co llectio n .   When   n o i se is presen t, as it is the case in  real ap p lication s , t h e equ a lity in  eq u a tion   (1 2)  beco m e s   an approxim at i o n. In  ART, a  syste m   of equalities, each of whic h in t h e fo rm  of e quation (12) is  formed  by   con s i d eri ng al l  t h e l i n es al on g w h i c h  dat a  h a ve bee n   co llected . An   ART-typ e  alg o rith m is essen tially  b a sed  o n  th e  fo llo wi ng   relax a tion  meth od   for so lv i n g a co nsisten t  syste m  o f  lin ear eq u a lities. Let th e system  b e               ( 1 3 )     Wi t h  S   unk now n s  and   K  equatio n s .   For 1  ≤  k  ≤  K , let  R k be t h e t r ans pose  of t h e   k th  row  of  R  a nd  w k be t h e  k th  com pone nt  of   w ; th en  c (0)  is th e  S - di m e nsi onal  co l u m n  vect or  o f   zeros           (1 4)             ( 1 5 )     Wi t h              ( 1 6 )     Whe r e   1 a n d    is a relax a tion p a ram e ter th at co n t ro ls  ho w well th e cu rren t  equation is sat i sfied.  The  se quence   c ( m )  c o n v er ges t o  t h e  uni que  m i nim u m  Eucl i d ean   no rm  sol u t i o n  of  t h e  syste m  in  eq uatio n   (13 ) . In th e in con s isten t  case,  t h ere is no  co nv er g e n ce  p r oo f.  H o w e v e r, A R T- type  al go ri t h m s  are wi des p rea d ,  d u e  t o  i t s  rel a t i v el y  superi or  per f o r m a nce for  v a ri o u s rec o nst r uct i on t a s k s [ 1 2] . I n   practice  λ   is k e p t  lo w  (abou t 0 . 1 - 0 . 01 ) to   red u ce  no ise fittin g  and / o r  t o  im p r o v e  conv erg e n ce sp eed .   Ano t h e r  im portant  para meter is the order in  which t h e data is  acce ssed.  It has  be en obse rve d  that faster conve rge n ce  Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I JECE Vo l. 5 ,  N o . 5 ,  O c tob e r  20 15   :   121 6  –  12 26  1 221 can  be ac hieve d  if  a linear order (i.e .,  in cr easin g  or  d ecr easin g)   is g i v e n  up   in  f a vo r  of   a n on- sequ en tial  o r d e r  (e. g .,  di rect i o n s  t h at  are  as  ort h o g onal  a s   pos si bl e t o  t h e  pre v i o us  o n es) .   Ano t h e r  reason   for its  po pu l a rity is th e  possib ility o f  i n co rpo r ating   p r i o r kno wled g e   in  th e recon s tru c tio n   process .  For e x am ple, if the im age is known t o  be  non-negative ,  the n   after each iteration one ca n set the   n e g a tiv e  v a lues to  zero  prior to  th e n e x t  iterativ e step . Su ch  adju stm e n t  h a s b een   shown to  i m p r ov e the sp eed  of c o nve rge n c e  t o  a desi rabl e reco nst r uct i o n. T h e a ppl i c a t i on o f  a t r a n s f o r m a ti on  of t h e i m age i n  b e t w een   two  iterativ e st ep s .  To   b e  m a t h em at ically p r ecise, in  an   ART-typ e  algo ri th m  with  trick ,  th e equ a tio n   (1 5) is  repl ace d by             ( 1 7 )       =   T   (          ( 1 8 )     Wh ere T is th e tran sfo r m a tio n  th at d e fin e s the trick .       4.   RESULTS  Case  S t ud y  1:   For  t h e  da rk  ar eas t h e sam e  i m age t a ke n f r o m   t w o  di ffe re n t  angl es  are  gi v e n as  i n put ,  as  sho w n i n  Fi gu r e  4.           Fig u re  4 .   Two in pu t im ag es      The i n put im ages after  h o m o g r ap hy   war p i n g,  as s h o w n i n  Fi gu re  5.           Fi gu re 5.   H o m o g r a phy  war p i n g   Evaluation Warning : The document was created with Spire.PDF for Python.
IJECE   ISS N :  2088-8708    I m a g e  Mo sa ic in g fo r W i d e   A n g l e  Pa no ra ma   (G .  D i vya )   1 222 For each  desc riptor in t h e first im age, select its  m a tch  to second im a g e wit h   lines  joi n ing the ac cept e d  m a t c hes, i . e., t h e feat u r e m a tchi n g  as sh ow n i n  Fi g u re 6 .  For i n p u t  im age 1, t o t a l  17 38  key - poi nt s fo u nd a n d   fo r i n p u t  im age 2, 14 2 8  key - poi nt s fo u n d .  Out  o f  t h ese k e y  poi nt s, t h e  num ber o f  m a tches i n  b o t h  i m ages i s   13 3.           Fi gu re  6.   Feat ure  m a t c hi ng      Th ese m a tch e s are  sub m it ted  to  RANSAC  wh ich  calcu l ates  a tran sform a t i o n th at align s  th e  p o i n t s in imag e1  and  i m age2 an d al s o  ret u r n  t h e i n l i e rs a n d   be st  m a t c hed  poi nt s, as  sh o w n  i n  Fi gu re  7.               Fi gu re  7.   B e st   m a t c hed p o i n t s       Finally using the best m a tched points the s titch  m odul e s titches the bot h im ages gives an output which i s   pan o r am i c  vi ew  of  b o t h  i m ag es as, s h ow n i n  Fi g u re  8 .       Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I JECE Vo l. 5 ,  N o . 5 ,  O c tob e r  20 15   :   121 6  –  12 26  1 223 .     Fig u re  8 .   Fi n a l stitch e d  im ag e      From  Fi gu re  8 ,  fi n d  t h at  t h e  out put  i m age i s  ha vi n g  m o re resol u t i o n an d m o re cl ari t y  t h an t h e gi ve n i n put   im ages.    Case  S t ud y  2:   For t h e l i g ht i n g areas t h e sa m e  im age t a ken fr om  t w o di ffe re nt  angl e s  are gi ve n as i nput , as s h o w n i n     Fi gu re 9.               Fi gu re 9.   Tw o i n p u t   i m ages      The i n put im ages after  h o m o g r ap hy   war p i n g,  as s h o w n i n  Fi gu re  1 0 .     Evaluation Warning : The document was created with Spire.PDF for Python.
IJECE   ISS N :  2088-8708    I m a g e  Mo sa ic in g fo r W i d e   A n g l e  Pa no ra ma   (G .  D i vya )   1 224         Fi gu re 1 0 . H o m ograp hy   wa r p i n g       For each  desc riptor in t h e first im age, select its  m a tch  to second im a g e wit h   lines  joi n ing the ac cept e d  m a t c hes. The f eat ure m a t c hi ng, as s h o w n i n  Fi gu re 1 1 . F o r i n p u t  i m age  1, t o t a l  1 6 8 2 0   key - poi nt s fo u nd a n d   fo r i n p u t  i m age 2,  4 2 1 0   key - poi nt s f o un d.   Out   o f  t h es e  k e y - p o i n t s , t h e  num ber  of  m a tches i n   bot h i m ages i s :  72 3 a n d  uni qu e m a t c hes are:   62 9.           Fi gu re 1 1 .   Fea t ure  m a t c hi ng.       Th ese m a tch e s are  sub m it ted  to  RANSAC  wh ich  calcu l ates  a tran sform a t i o n th at align s  th e  p o i n t s in imag e1  and  i m age2 an d al s o  ret u r n  t h e i n l i e rs a n d   be st  m a t c hed  poi nt s, as  sh o w n  i n  Fi gu re  1 2 .                                      Fi gure  12.   Best m a tched  points.     Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I J ECE Vo l. 5 ,  N o . 5 ,  O c tob e r  20 15   :   121 6  –  12 26  1 225 Finally using the best m a tched points the s titch  m odul e s titches the bot h im ages gives an output which i s   pan o r am i c  vi ew  of  b o t h  i m ag es, as s h ow n i n  Fi g u re  1 3 .         Fig u re  13 .   Final stitch e d  im a g e      Fro m  Fig u r e  13 , fi n d  th at th e o u t pu t im ag e  is h a v i ng  m o re reso lu tion  an d  m o re clarity t h an  th e  g i v e n   in pu t  im ages.      5.   CO NCL USI O N   The res u l t s  obt ai ned we re rea s on abl y  go o d  f o r t h e da rk a r e a s. B u t  for t h e  l i ght i ng a r eas,  t h e  m a sk is  gene rat i n g  fo r  t h e pa n o ram i c im age. Thi s  m a y  be  du e t o   n o n -i deal  t r a n sf o r m a ti ons a n d t h res h ol d  val u e s  set  i n   th e ho m o g r aphy alg o r ith m .   In   fu t u re  wo rk , th e m a sk  will b e  redu ced b y  u s i n g   Ab stract Reco n s t r u c tio n   Techn i q u e s fo r t h e  lig h tin g  areas an d  also  lik e to  p e rform  a  m o r e  d e taile d ,  qu an titativ e an alysis o f  feature match i n g   p e rfo rman ce  on  l a r g e  dat a ba ses o f   pa no ram i c im ages.       REFERE NC ES   [1]   Yan Gong, Hon g  Xie and Lei Y u , “Research an d Anal y s is of Key   Techno logies  in Image Mosaic”,  Internationa l  Journal of  Signa l Processing, Im age  Processing  and Pat t ern R e cognition , vol. 6   No. 5, 2013, pp.   237-243.  [2]   Harshal JPRET, “Image Mosaicing A pproach and  Evalu a tion Methodolog y ” ,  I n ternational Jou r nal of Advan c ed  Technology &   E ngineerin g  Res e arch ( I JATER) ,  Volume 1 (2013 ), pp .   576-585.  [3]   Rafael C .  Gonzalez, Richard  E.W oods, “Digital  Image Processin g ”.    [4]   Li Jin, Wang  Yanwei,  Lia ng  Hng, “Image Mosaic Ba se d on Simplifie d SIFT ” ,   Internationa l Conferen ce o n   Mechanical Eng i neering   and Automation , vo l. 6,  2012, pp . 90-95 .  [5]   Tej a sha Pati l,  Shweta Mishra, Poor va Chaudhari, Shalaka  Khandale,   “Im a ge stitch i ng  using m a t lab”,  International Jo urnal of  E ngineering Trends and  Technology , vo l. 4, Issue  3, 2013, pp. 302-306.  [6]   S a t y a P r ak as h M a lli ck,  “ F eature   Bas e d Im age  M o s a icing ” ,  Unive rsity of  Cali forni a , San  Diego.  [7]   M a lavik a  Bhas k a ranand  and  S a n d eep Bh at ,  “Ima ge  Re gi st ra ti on and  Mosaicking ”,  Universit y  o f  C a lifornia.   [8]   Guido Barto li, “Image  Registr a tio n Techniques ” ,   Universit_adeg l i Studi di S i ena , J une 2007.  [9]   David G. Lowe ,  “ D istinctive Im age Fea t ures fro m Scale-Invariant Key points”,  I n ternational  Jou r nal of Computer  Vision , 2004.  [10]   Konstantinos G.  Derpanis, “overview of  the  RANSAC algorithm”, V e rsion 1 . 2,  May  13, 2010.  [11]   HstauY.Liao , ”A  Gradually  Unmasking  Method for Limited Data Tomograph y ,”  Institute for Mat h ematics and its   Applica tions.  Universit y   of Minn esota Minneapo lis,  MN 55455, U S A.  [12]   S j ors  H.W .  S c he res ,  Roberto ar a b ini, S a lv atore L a nzav ec ch ia ,  Rances c a  Cant ele ,  Twan  Rutten,  tephen D. Fuller ,   Jose ´ M.  Ca ra z o ,  Roge r M.   Burnett, Carmen San Mart ı ´ n , “ C lassifica tion of single- projection reconstructions for  cr y o -electron icr o scop y  data  of  icosahedral viruses”,  Journal of Structural  Biology 151 ( 2005)  Elsevier , pp. 79–91             Evaluation Warning : The document was created with Spire.PDF for Python.