CN107851196B - 一种图像模式匹配的方法及装置 - Google Patents
一种图像模式匹配的方法及装置 Download PDFInfo
- Publication number
- CN107851196B CN107851196B CN201680039123.3A CN201680039123A CN107851196B CN 107851196 B CN107851196 B CN 107851196B CN 201680039123 A CN201680039123 A CN 201680039123A CN 107851196 B CN107851196 B CN 107851196B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- target image
- angle
- normalized cross
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Abstract
提供一种图像模式匹配的方法,用于降低模式匹配算法中图像匹配的时长,包括:获取原始的模板图像与原始的目标图像;建立k+1层的模板图像金字塔和目标图像金字塔;获取归一化互相关值大于预置阈值的归一化互相关图和对应的角度图,其中,最顶层的模板图像与最顶层的目标图像的模式匹配为全角度模式匹配,其他层的模板图像与对应层的目标图像的模式匹配为区间角度模式匹配;第1层时,获取归一化互相关图C1和对应的角度图A1,所述C1对应的区域表示所述原始的模板图像在所述原始的目标图像中出现的位置,所述对应的角度图A1是所述原始的模板图像对应的旋转角。
Description
技术领域
本发明属于图像处理技术领域及计算机技术领域,尤其涉及一种图像模式匹配的方法及装置。
背景技术
图像匹配技术是数字图像处理领域的一项重要研究并已在计算机视觉、虚拟现实场景生成、航空航天遥感测量、医学影像分析、光学和雷达跟踪、景物制导等领域得到了广泛的应用。
一般来说,由于图像在不同时间、不同传感器、不同视角获得的成像条件不同,因此即使是对同一物体,在图像中所表现出来的几何特性、光学特性、空间位置都会有很大的不同,如果考虑到噪声、干扰等影响会使图像发生很大差异,图像匹配就是通过这些不同之处找到它们的相同点。图像匹配算法主要分为两类:一类是基于灰度匹配的方法;另一类是基于特征匹配的方法。
根据已知模式(模板图),到另一幅图中搜索相匹配的子图像的过程,称为模式匹配。模式匹配是机器视觉中的一类重要算法;灰度值模式匹配是这之中提出最早、应用最广泛的一种算法。灰度值模式匹配一般使用模板图像与目标图像区域之间的归一化互相关(Normalized Cross Correlation,NCC)作为度量相似度标准。更加广义上的模式匹配包括在目标图像中搜索进行了旋转变换、缩放变换的模板图像。
目前大多数机器视觉软件都实现了基于归一化互相关的灰度值模式匹配模块,并支持全角度搜索和有限的缩放范围搜索。例如,康耐视的In-Sight Explorer支持最大360度旋转角和10%缩放的灰度值模式匹配。现有技术中,不管是在高分辨率的图像中,还是低分辨率的图像中,都使用全角度搜索的模式匹配,这就使得模式匹配的运算复杂度增加了不少。
发明内容
本发明实施例提供了一种图像模式匹配的方法以及装置,用于提高模式匹配算法中图像匹配的速率。
有鉴于此,本发明第一方面提供一种图像模式匹配的方法,可包括:
获取原始的模板图像与原始的目标图像;
建立k+1层的模板图像金字塔和目标图像金字塔,该模板图像金字塔从最底层到最顶层,面积逐层等比缩小,该模板图像金字塔的最底层面积是该原始的模板图像的面积,该目标图像金字塔从最底层到最顶层,面积逐层等比缩小,该目标图像金字塔的最底层面积是该原始的目标图像的面积,k为大于等于1的整数;
将每一层的模板图像与对应层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C和对应的角度图A;其中,最顶层的模板图像与最顶层的目标图像的模式匹配为全角度模式匹配,其他层的模板图像与对应层的目标图像的模式匹配为区间角度模式匹配;该最顶层的目标图像为该原始的目标图像等比缩小至最顶层时得到的,其他层的目标图像均为上一层进行模式匹配获取的归一化互相关图上采样至下一层得到的;
第1层时,获取归一化互相关值大于该预置阈值的归一化互相关图C1和对应的角度图A1,该C1对应的区域表示该原始的模板图像在该原始的目标图像中出现的位置,该对应的角度图A1对应的角度表示该原始的模板图像在该原始的目标图像中出现的位置时的旋转角。
结合本发明实施例的第一方面,在本发明实施例的第一方面的第一种可能的实现方式中,最顶层的模板图像与最顶层的目标图像进行的全角度模式匹配,可包括:将第k+1层的模板图像与第k+1层的目标图像进行全角度模式匹配,获取归一化互相关值大于该预置阈值的归一化互相关图Ck+1和对应的角度图Ak+1,并将该归一化互相关图Ck+1和对应的角度图Ak+1上采样至第k层为k层的目标图像C’k和对应的角度图A’k。
结合本发明实施例的第一方面的第一种可能的实现方式,在本发明实施例的第一方面的第二种可能的实现方式中,该全角度为[-π,π],
该将第k+1层的模板图像与第k+1层的目标图像进行全角度模式匹配,可包括:在该全角度[-π,π]内按照步长xk+1使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配,该xk+1为正整数。
结合本发明实施例的第一方面,在本发明实施例的第一方面的第三种可能的实现方式中,其他每层的模板图像与对应层的目标图像进行的区间角度模式匹配,可包括:将第a层的模板图像与第a层的该目标图像C’a进行a层的区间角度模式匹配,获取归一化互相关值大于该预置阈值的归一化互相关图Ca和对应的角度图Aa,并将该归一化互相关图Ca和对应的角度图Aa上采样至第a-1层为a-1层的目标图像C’a-1和对应的角度图A’a-1,1<a≤k,且a为正整数。
结合本发明实施例的第一方面的第三种可能的实现方式,在本发明实施例的第一方面的第四种可能的实现方式中,该方法还可包括:确定该其他每层的目标图像C’a中每个连通子集内,该归一化互相关值最大的位置对应到A’a上的角度,为该根据该确定a层的区间角度(na为正整数)。
结合本发明实施例的第一方面的第三种可能的实现方式,本发明实施例的第一方面的第四种可能的实现方式,在本发明实施例的第一方面的第五种可能的实现方式中,该将第a层的模板图像与第a层的该目标图像C’a进行a层的区间角度模式匹配,可包括:在该区间角度内按照步长为xa使用第a层的模板图像对第a层的目标图像C’a进行模式匹配,该xa为正整数。
结合本发明实施例的第一方面的第二种可能的实现方式,在本发明实施例的第一方面的第六种可能的实现方式中,当k<3时,xk+1=2k;在该全角度[-π,π]内按照步长xk+1使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配,可包括:在该全角度[-π,π]内按照步长2k使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配。
本发明实施例第二方面提供一种图像模式匹配的装置,包括:
第一获取模块,用于获取原始的模板图像与原始的目标图像;
建立模块,用于建立k+1层的模板图像金字塔和目标图像金字塔,所原始的模板图像金字塔从最底层到最顶层,面积逐层等比缩小,该模板图像金字塔的最底层面积是该原始的模板图像的面积,该目标图像金字塔从最底层到最顶层,面积逐层等比缩小,该目标图像金字塔的最底层面积是该原始的目标图像的面积,该k为大于等于1的整数;
模式匹配模块,用于将每一层的模板图像与对应层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C和对应的角度图A;其中,最顶层的模板图像与最顶层的目标图像的模式匹配为全角度模式匹配,其他层的模板图像与对应层的目标图像的模式匹配为区间角度模式匹配;该最顶层的目标图像为该原始的目标图像等比缩小至最顶层时得到的,其他层的目标图像均为上一层进行模式匹配获取的归一化互相关图上采样至下一层得到的;
第二获取模块,用于第1层时,获取归一化互相关值大于该预置阈值的归一化互相关图C1和对应的角度图A1,该C1对应的区域表示该原始的模板图像在该原始的目标图像中出现的位置,该对应的角度图A1对应的角度表示该原始的模板图像在该原始的目标图像中出现的位置时的旋转角。
结合本发明实施例的第二方面,在本发明实施例的第二方面的第一种可能的实现方式中,
该模式匹配模块,具体用于将第k+1层的模板图像与第k+1层的目标图像进行全角度模式匹配,获取归一化互相关值大于该预置阈值的归一化互相关图Ck+1和对应的角度图Ak+1,并将该归一化互相关图Ck+1和对应的角度图Ak+1上采样至第k层为k层的目标图像C’k和对应的角度图A’k。
结合本发明实施例的第二方面的第一种可能的实现方式,在本发明实施例的第二方面的第二种可能的实现方式中,该全角度为[-π,π],
该模式匹配模块,具体还用于在该全角度[-π,π]内按照步长xk+1使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配,该xk+1为正整数。
结合本发明实施例的第二方面,在本发明实施例的第二方面的第三种可能的实现方式中,该模式匹配模块,具体还用于将第a层的模板图像与第a层的该目标图像C’a进行a层的区间角度模式匹配,获取归一化互相关值大于该预置阈值的归一化互相关图Ca和对应的角度图Aa,并将该归一化互相关图Ca和对应的角度图Aa上采样至第a-1层为a-1层的目标图像C’a-1和对应的角度图A’a-1,1<a≤k,且a为正整数。
结合本发明实施例的第二方面的第三种可能的实现方式,在本发明实施例的第二方面的第四种可能的实现方式中,该装置还包括:
结合本发明实施例的第二方面的第三种可能的实现方式,本发明的第二方面的第四种可能的实现方式,在本法明实施例第二方面的第五种可能的实现方式中,该模式匹配模块,具体还用于在该区间角度内按照步长为xa使用第a层的模板图像对第a层的目标图像C’a进行模式匹配,该xa为正整数。
结合本发明实施例的第二方面的第二种可能的实现方式,在本发明的第二方面的第六种可能的实现方式中,当k<3时,xk+1=2k;
该模式匹配模块,具体还用于在该全角度[-π,π]内按照步长2k使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配。
本发明实施例第三方面提供一种图像模式匹配的装置,包括:
处理器、存储器以及总线,处理器与存储器通过总线连接;
该存储器用于存储程序;
该处理器用于执行该存储器中的程序,使得该图像模式匹配的装置执行本发明第一方面中的图像模式匹配的方法。
本发明实施例第四方面还提供一种存储介质,本发的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产口的形式体现出来,该计算机软件产品存储在一个存储介质中,用于储存为上述电子设备所用的计算机软件指令,其包含用于执行上述第一方面、第二方面以及第三方面所设计的程序。该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
从以上技术方案可以看出,本发明实施例具有以下优点:
在本发明实施例中,先获取原始的模板图像与原始的目标图像;再建立k+1层的模板图像金字塔和目标图像金字塔,在图像金字塔最顶层使用全角度模式匹配,在其他每层的图像金字塔上,进行区间角度模式匹配,在确保模式匹配精度的前提下,将模式匹配的主要计算量集中到分辨率最小的金字塔顶层的图像上,从而降低了全角度模式匹配的运算复杂度,提升了运行效率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例中图像模式匹配的方法的一个实施例示意图;
图2为本发明实施例中建立图像金字塔的示意图;
图3为本发明实施例中图像模式匹配的方法的另一个实施例示意图;
图4为本发明实施例中图像模式匹配装置的一个实施例示意图;
图5为本发明实施例中图像模式匹配装置的另一个实施例示意图;
图6为本发明实施例中图像模式匹配装置的另一个实施例示意图。
具体实施方式
本发明实施例提供了一种图像模式匹配的方法,用于降低模式匹配算法中图像匹配的时长。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下通过实施例进行具体描述,请参阅图1所示,本发明一种图像模式匹配的方法的一个实施例包括:
101、获取原始的模板图像与原始的目标图像;
本实施例中,可以通过传感器获取原始的模板图像和原始的目标图像,原始的模板图像和原始的目标图像的形状多种多样,具体不作限定,一般情况下,原始的模板图像的尺寸小于原始的目标图像的尺寸,原始的模板图像和原始的目标图像的通常为矩形,为便于表达,假设原始的模板图像和原始的目标图像都为正方形图像。
102、建立k+1层的模板图像金字塔和目标图像金字塔,模板图像金字塔从最底层到最顶层,面积逐层等比缩小,模板图像金字塔的最底层面积是模板图像的面积,目标图像金字塔从最底层到最顶层,面积逐层等比缩小,目标图像金字塔的最底层面积是目标图像的面积,k为大于等于1的整数;
本实施例中,获取原始的模板图像与原始的目标图像之后,对原始的模板图像和原始的目标图像进行归一化互相关的模式匹配。首先建立k+1层的模板图像金字塔和目标图像金字塔,模板图像金字塔从最底层到最顶层,面积逐层等比缩小,模板图像金字塔的最底层面积是模板图像的面积,目标图像金字塔从最底层到最顶层,面积逐层等比缩小,目标图像金字塔的最底层面积是目标图像的面积,k为大于等于1的整数。
现有技术中,模式匹配算法可以在O(M2log2M)时间内计算一副大小为N×N的模板图像和一副大小为M×M的目标图像之间的归一化互相关值(假设M大于N),在分辨率较高的情况下(M~1000),计算归一化互相关值通常需要数秒的时间;这种效率对于大多机器视觉应用设备来说太长,而利用图像金字塔来进行快速模式匹配,会缩短一定的时间。
一般来说,原始的模板图像的尺寸小于原始的目标图像的尺寸,所以,图像金字塔的高度由原始的模板图像的大小来决定,图像金字塔指是一副图像的一系列向下采样(down sampling)的集合,请参考图2图像金字塔的示意图进行理解,直白地讲即原图像的尺寸及其缩小至原图像尺寸1/2,1/4,1/8……的图像的集合,假设有k+1层金字塔,那么图像金字塔从最底层到最顶层,每层图像面积约为上一层的四分之一,M×M, 在缩小图像的过程中,我们需要进行采样,一般有两种采样方法:高斯采样和拉普拉斯采样,分别对应高斯金字塔和拉普拉斯金字塔,这两种采样方法的区别在于使用低通(高斯)滤波还是使用带通(拉普拉斯)滤波。相较于带通滤波,低通滤波的实现更简单一些,而且使用何种滤波对模板匹配的应用效果并无明显影响,这里我们使用高斯金字塔。
假设根据原始的模板图像的尺寸大小,建立k+1=5层的模板图像金字塔和目标图像金字塔,模板图像金字塔从第1层到第5层,每层面积为上一层面积的四分之一,模板图像金字塔的第1层面积是模板图像的面积,目标图像金字塔从第1层到第5层,每层面积为上一层面积的四分之一,目标图像金字塔的第1层面积是目标图像的面积。
103、将每一层的模板图像与对应层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C和对应的角度图A;其中,最顶层的模板图像与最顶层的目标图像的模式匹配为全角度模式匹配,其他层的模板图像与对应层的目标图像的模式匹配为区间角度模式匹配;最顶层的目标图像为原始的目标图像等比缩小至最顶层时得到的,其他层的目标图像均为上一层进行模式匹配获取的归一化互相关图上采样至下一层得到的;
本实施例中,建立k+1层的模板图像金字塔和目标图像金字塔之后,将每一层的模板图像与每一层的目标图像进行模式匹配,其中,将每一层的模板图像与对应层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C和对应的角度图A;其中,最顶层的模板图像与最顶层的目标图像的模式匹配为全角度模式匹配,其他层的模板图像与对应层的目标图像的模式匹配为区间角度模式匹配;最顶层的目标图像为原始的目标图像等比缩小至最顶层时得到的,其他层的目标图像均为上一层进行模式匹配获取的归一化互相关图上采样至下一层得到的。
(1)在最顶层,即第k+1层时,进行模式匹配可包括:将第k+1层的模板图像与第k+1层的目标图像进行全角度模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图Ck+1和对应的角度图Ak+1,并将归一化互相关图Ck+1和对应的角度图Ak+1上采样至第k层为k层的目标图像C’k和对应的角度图A’k。
具体的,全角度可为[-π,π],也可以是[0,2π],具体不作限定。
那么将第k+1层的模板图像与第k+1层的目标图像进行全角度模式匹配,可包括:在全角度[-π,π]内按照步长xk+1使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配,xk+1为正整数。
(2)在其他每层进行模式匹配可包括:将第a层的模板图像与第a层的目标图像C’a进行a层的区间角度模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图Ca和对应的角度图Aa,并将归一化互相关图Ca和对应的角度图Aa上采样至第a-1层为a-1层的目标图像C’a-1和对应的角度图A’a-1,1<a≤k,且a为正整数。
具体的,在其他每层进行模式匹配之前,还包括:
下面以示例性的内容来进行说明,若建立的是5层(k=4)模板图像金字塔和目标图像金字塔。
第5层时,即最顶层时:
假设步长x5为8,需要说明的是,这里的步长xk+1的大小不做限定,一般步长越大,对机器视觉应用来说工作量越小,得到的值也相对不准确,步长越小,对机器视觉应用来说工作量越大,得到的值也越准确。
在全角度[-π,π]内按照步长8使用第5层的模板图像对第5层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C5和对应的角度图A5,归一化互相关图C5和对应的角度图A5上采样至第4层为4层的目标图像C’4和对应的角度图A’4,其中,第5层的目标图像为原始的目标图像等比缩小至第5层时得到的。
具体为,在图像金字塔最顶层,使用基于旋转模板的角度搜索,全角度模式匹配的时候,模板图像旋转的角度是360度旋转,将第5层的模板图像旋转-180度、-172度……172度,共44个可能的角度,分别和第5层的目标图像进行模式匹配,每个旋转角度的模板图像和目标图像都会获取一个归一化互相关图,其中,归一化互相关图上的像素的取值范围为[-1,1],该归一化互相关图上的像素取值为归一化互相关值,那么就会获取44个相同尺寸的归一化互相关图,根据这44个归一化互相关图,计算出每个位置上最大的归一化互相关值及其对应的旋转角度,获取一幅综合后的归一化互相关图及对应的角度图;对综合归一化互相关图和角度图进行阈值处理,假设,设置的预置阈值为0.9,则保留归一化互相关图中大于0.9的区域,同时保留角度图中相同的区域。两张图中保留的区域构成一系列连通区域,分别记为C5和A5。对C5和A5进行上采样映射获取目标图像C’4和对应的角度图A’4。
第4层时:
由上述得知,获取的目标图像为C’4和对应的角度图A’4,假设,在目标图像C’4中第一连通子集里互相关值最大位置对应在A’4上的模板图像的旋转角度为28度,则需要说明的是,这里只是用一个连通子集来进行说明,多个连通子集也适用,是用同样的方法,这里不再赘述,连通子集的个数不做限定。
b、因为在相应的连通子集内归一化互相关值最大,说明对应的模板图像旋转出现在目标图像中对应位置上的几率也就越大,在第4层时,对于每个连通子集可以分别在角度的周围,也就是关于的区间角度再旋转搜索一下,图像模式匹配的概率也就更高,这里假设n4为8,一般来说,这里的n4值不会取太大,因为在最顶层的时候已经经过一次全角度的筛选,已选出第一连通子集内模板图像最有可能的旋转角度在的周围再进一步搜索,所以获取的区间角度为
c、由上述得知,第4层第一连通子集的区间角度为[20,36],假设步长x4为4。在区间角度[20,36]内按照步长为4使用第4层的模板图像对第4层的目标图像对应于C'4第一连通子集的区域进行模式匹配;若有其他的连通子集,对其他的连通子集进行类似计算,最终结合所有连通子集的归一化互相关计算结果获取归一化互相关值大于预置阈值的归一化互相关图C4和对应的角度图A4,归一化互相关图C4和角度图A4上采样映射至第3层为3层的目标图像C'3和对应的角度图A'3。再确定目标图像C'3中每个连通子集里归一化互相关值最大的位置对应的角度根据确定第3层的区间角度
对于C'4中第一连通子集,使用基于旋转模板图像的角度搜索,将第4层的模板图像旋转即20度、24度、28度、32度和36度共5个可能的角度,分别和第4层的目标图像对应于C'4第一连通子集的区域进行模式匹配,每个旋转角度的模板图像和目标图像C'4都会获取一个归一化互相关图,其中,归一化互相关图的取值范围为[-1,1],那么就会获取5个相同尺寸的归一化互相关图,根据这5个归一化互相关图,计算出每个位置上最大的归一化互相关值及其对应的旋转角度,获取一幅综合后的归一化互相关图及对应的角度图;再对于每个连通子集进行类似计算,结合所有结果得出归一化互相关图和对应的角度图。由上述得知设置的预置阈值为0.9,确定大于0.9的归一化互相关值对应的归一化互相关图C4和对应的角度图A4,其中,归一化互相关图C4和角度图A4一系列连通区域,对C4和A4进行上采样映射获取目标图像C'3和对应的角度图A'3。
第3层时:
由上述得知,第3层第一连通子集的区间角度为[28,36],假设步长x3为2。在[28,36]内按照步长为2使用第3层的模板图像对第3层的目标图像对应于C'3第一连通子集的区域进行模式匹配;若有其他的连通子集,对其他的连通子集进行类似计算,最终结合所有连通子集的归一化互相关计算结果获取归一化互相关值大于预置阈值的归一化互相关图C3和对应的角度图A3,归一化互相关图C3和角度图A3上采样映射至第2层为2层的目标图像C'2和对应的角度图A'2。再确定目标图像C'2中每个连通子集里归一化互相关值最大的位置对应的角度根据确定第2层的区间角度
对于C'3中第一连通子集,使用基于旋转模板图像的角度搜索,将第3层的模板图像旋转即28度,30度,32度,34度,36度共5个可能的角度,分别和第3层的目标图像对应于C'3第一连通子集的区域进行模式匹配,每个旋转角度的模板图像和目标图像都会获取一个归一化互相关图,其中,归一化互相关图的取值范围为[-1,1],那么就会获取5个相同尺寸的归一化互相关图,根据这5个归一化互相关图,计算出每个位置上最大的归一化互相关值及其对应的旋转角度,获取一幅综合后的归一化互相关图及对应的角度图;再对于C'3的每个连通子集进行类似计算,结合所有结果得出归一化互相关图和对应的角度图。由上述得知设置的预置阈值为0.9,确定大于0.9的归一化互相关值对应的归一化互相关图C3和对应的角度图A3,其中,归一化互相关图C3和A3是一系列连通区域,对C3和A3进行上采样映射获取目标图像C'2和对应的角度图A'2。
第2层时:
由上述得知,第2层第一连通子集的区间角度为[28,32],假设步长x2为1。在[28,32]内按照步长为1使用第2层的模板图像对第2层的目标图像对应于C'2第一连通子集的区域进行模式匹配;若有其他的连通子集,对其他的连通子集进行类似计算,最终结合所有连通子集的归一化互相关计算结果获取归一化互相关值大于预置阈值的归一化互相关图C2和对应的角度图A2,归一化互相关图C2和角度图A2上采样映射至第1层为1层的目标图像C'1和对应的角度图A'1。再确定目标图像C'1中每个连通子集里归一化互相关值最大的位置对应的角度根据确定第1层的区间角度
对于C'2中第一连通子集,使用基于旋转模板图像的角度搜索,将第2层的模板图像旋转即28度、29度、30度、31度、32度共5个可能的角度,分别和第2层的目标图像对应于C'2第一连通子集的区域进行模式匹配,每个旋转角度的模板图像和目标图像都会获取一个归一化互相关图,其中,归一化互相关图的取值范围为[-1,1],那么就会获取5个相同尺寸的归一化互相关图,根据这5个归一化互相关图,计算出每个位置上最大的归一化互相关值及其对应的旋转角度,获取一幅综合后的归一化互相关图及对应的角度图;再对于每个连通子集进行类似计算,结合所有结果得出归一化互相关图和对应的角度图。由上述得知设置的预置阈值为0.9,确定大于0.9的归一化互相关值对应的归一化互相关图C2和对应的角度图A2,其中,归一化互相关图C2和A2是一系列连通区域,对C2和A2进行上采样映射获取目标图像C'1和对应的角度图A'1。
104、第1层时,获取归一化互相关值大于预置阈值的归一化互相关图C1和对应的角度图A1,C1对应的区域表示原始的模板图像在原始的目标图像中出现的位置,对应的角度图A1对应的角度表示原始的模板图像在原始的目标图像中出现的位置时的旋转角。
在本实施例中,第1层时,获取归一化互相关值大于预置阈值的归一化互相关图C1和对应的角度图A1,C1对应的区域表示原始的模板图像在原始的目标图像中出现的位置,对应的角度图A1对应的角度表示原始的模板图像在原始的目标图像中出现的位置时的旋转角。
由上述得知,第2层第一连通子集的区间角度为[28,30],假设步长x1为1。,在[28,30]内按照步长为1使用第1层的模板图像对第1层的目标图像对应于C'1第一连通子集的区域进行模式匹配;对剩余的连通子集进行类似计算,最终结合所有连通子集的归一化互相关计算结果获取归一化互相关值大于预置阈值的归一化互相关图C1和对应的角度图A1。
对于C'1中第一连通子集,使用基于旋转模板图像的角度搜索,将第1层的模板图像旋转即28度、29度、30度共3个可能的角度,分别和第1层的目标图像对应于C'1第一连通子集的区域进行模式匹配,每个旋转角度的模板图像和目标图像都会获取一个归一化互相关图,其中,归一化互相关图的取值范围为[-1,1],那么就会获取3个相同尺寸的归一化互相关图,根据这3个归一化互相关图,计算出每个位置上最大的归一化互相关值及其对应的旋转角度,获取一幅综合后的归一化互相关图及对应的角度图;再对于每个连通子集进行类似计算,结合所有结果得出归一化互相关图和对应的角度图。由上述得知设置的预置阈值为0.9,确定大于0.9的归一化互相关值对应的归一化互相关图C1和对应的角度图A1,其中,归一化互相关图C1和A1是一系列连通区域。
所以,在第1层时,获取归一化互相关值大于预置阈值的归一化互相关图C1和对应的角度图A1,C1中每个连通子集归一化互相关值最大的位置表示原始的模板图像在原始的目标图像中最有可能出现的位置,对应的角度图A1对应的角度表示原始的模板图像在原始的目标图像出现的位置时最有可能的旋转角。
需要说明的是,上述的示例中,在每层中大于预置阈值的归一化互相关图C'1,C'2,C'3,C'4中,实际上可包含多个连通子集,上述只是用其中的一个,也就是第一连通子集来进行说明,同理,若有多个连通子集时,也同样是这样的计算方法来确定区间角度。
在本发明实施例中,在图像金字塔最顶层使用全角度模式匹配,在非最顶层的图像金字塔上,进行区间角度模式匹配,本发明在确保模式匹配精度的前提下,将模式匹配的计算量集中到低分辨率的金字塔图像上,从而降低了全角度模式匹配的运算复杂度,提升了运行效率,由于实际应用中,模式匹配通常都需要进行全角度搜索,因为此发明对于开发实时、高效的机器视觉应用将有非常大的帮助。
请参阅图3所示,本发明一种图像模式匹配的方法的另一个实施例包括:
301、获取原始的模板图像与原始的目标图像;
在本发明实施例中,步骤301和图1所示的步骤101相同,此处不再赘述。
302、建立3层的模板图像金字塔和目标图像金字塔,模板图像金字塔从最底层到最顶层,面积逐层等比缩小,模板图像金字塔的最底层面积是原始的模板图像的面积,目标图像金字塔从最底层到最顶层,面积逐层等比缩小,目标图像金字塔的最底层面积是原始的目标图像的面积,k为大于等于1的整数;
在本发明实施例中,获取原始的模板图像与原始的目标图像之后,建立3层的模板图像金字塔和目标图像金字塔,说明原始的模板图像的面积比较小。模板图像金字塔从最底层到最顶层,面积逐层等比缩小,模板图像金字塔的最底层面积是原始的模板图像的面积;目标图像金字塔从最底层到最顶层,面积逐层等比缩小,目标图像金字塔的最底层面积是原始的目标图像的面积,k为大于等于1的整数。
303、在第3层时,将第3层的模板图像与第3层的目标图像进行全角度模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C3和对应的角度图A3,并将归一化互相关图C3和对应的角度图A3上采样至第2层为2层的目标图像C’2和对应的角度图A’2;
在本发明实施例中,在第3层时,将第3层的模板图像与第3层的目标图像进行全角度模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C3和对应的角度图A3,并将归一化互相关图C3和对应的角度图A3上采样至第2层为2层的目标图像C’2和对应的角度图A’2。
具体的,全角度为[-π,π],可包括:在全角度[-π,π]内按照步长xk+1使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配,xk+1为正整数。需要说明的是,因为建立的图像金字塔是k+1层等于3的金字塔,所以,当k<3时,xk+1=2k。
那么,在第3层时,x3=22=4,在全角度[-π,π]内按照步长4使用第3层的模板图像对第3层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C3和对应的角度图A3,并将归一化互相关图C3和对应的角度图A3上采样至第2层为2层的目标图像C’2和对应的角度图A’2。
304、在第2层时,将第2层的模板图像与第2层的目标图像C’2进行2层的区间角度模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C2和对应的角度图A2,并将归一化互相关图C2和对应的角度图A2上采样至第1层为1层的目标图像C’1和对应的角度图A’1;
在本发明实施例中,在第2层时,将第2层的模板图像与第2层的目标图像C’2进行2层的区间角度模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C2和对应的角度图A2,并将归一化互相关图C2和对应的角度图A2上采样至第1层为1层的目标图像C’1和对应的角度图A’1。
需要说明的是,在进行区间角度模式匹配之前,还包括:确定第2层的目标图像C’2中每个连通子集内,归一化互相关值最大的位置对应到A’2上的角度,为根据确定2层的区间角度(n2为正整数)。这里的n2可以是21=2。
具体的,在第2层时,在区间角度内按照步长为2使用第2层的模板图像对第2层的目标图像C’2进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C2和对应的角度图A2,并将归一化互相关图C2和对应的角度图A2上采样至第1层为1层的目标图像C’1和对应的角度图A’1。
305、第1层时,获取归一化互相关值大于预置阈值的归一化互相关图C1和对应的角度图A1,C1对应的区域表示原始的模板图像在原始的目标图像中出现的位置,对应的角度图A1对应的角度表示原始的模板图像在原始的目标图像中出现的位置时的旋转角。
在本发明实施例中,第1层时,获取归一化互相关值大于预置阈值的归一化互相关图C1和对应的角度图A1,C1对应的区域表示原始的模板图像在原始的目标图像中出现的位置,对应的角度图A1对应的角度表示原始的模板图像在原始的目标图像中出现的位置时的旋转角。
需要说明的是,在获取归一化互相关值大于预置阈值的归一化互相关图C1和对应的角度图A1之前,还包括:确定第1层的目标图像C’1中每个连通子集内,归一化互相关值最大的位置对应到A’1上的角度,为 根据确定1层的区间角度(n1为正整数)。这里的n1可以是20=1。
具体的,在第1层时,在区间角度内按照步长为1使用第1层的模板图像对第1层的目标图像C’1进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C1和对应的角度图A1。那么C1对应的区域表示原始的模板图像在原始的目标图像中出现的位置,对应的角度图A1对应的角度表示原始的模板图像在原始的目标图像中出现的位置时的旋转角。
需要说明的是,在本发明实施例中,具体的模式匹配的过程这里没有详细说明,可以参考上述图1中表述的内容。
上面对图像模式匹配的方法进行描述,该方法应用于图像模式匹配装置,下面对该装置进行描述,请参阅图4所示,本发明提供的图像模式匹配的装置的一个实施例包括:
第一获取模块401,用于获取原始的模板图像与原始的目标图像;
建立模块402,用于建立k+1层的模板图像金字塔和目标图像金字塔,所原始的模板图像金字塔从最底层到最顶层,面积逐层等比缩小,模板图像金字塔的最底层面积是原始的模板图像的面积,目标图像金字塔从最底层到最顶层,面积逐层等比缩小,目标图像金字塔的最底层面积是原始的目标图像的面积,k为大于等于1的整数;
模式匹配模块403,用于将每一层的模板图像与对应层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C和对应的角度图A;其中,最顶层的模板图像与最顶层的目标图像的模式匹配为全角度模式匹配,其他层的模板图像与对应层的目标图像的模式匹配为区间角度模式匹配;最顶层的目标图像为原始的目标图像等比缩小至最顶层时得到的,其他层的目标图像均为上一层进行模式匹配获取的归一化互相关图上采样至下一层得到的;
第二获取模块404,用于第1层时,获取归一化互相关值大于预置阈值的归一化互相关图C1和对应的角度图A1,C1对应的区域表示原始的模板图像在原始的目标图像中出现的位置,对应的角度图A1对应的角度表示原始的模板图像在原始的目标图像中出现的位置时的旋转角。
可选的,在本发明的一些实施例中,
模式匹配模块403,具体用于将第k+1层的模板图像与第k+1层的目标图像进行全角度模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图Ck+1和对应的角度图Ak+1,并将归一化互相关图Ck+1和对应的角度图Ak+1上采样至第k层为k层的目标图像C’k和对应的角度图A’k。
可选的,在本发明的一些实施例中,全角度为[-π,π],
模式匹配模块403,具体还用于在全角度[-π,π]内按照步长xk+1使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配,xk+1为正整数。
可选的,在本发明的一些实施例中,
模式匹配模块403,具体还用于将第a层的模板图像与第a层的目标图像C’a进行a层的区间角度模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图Ca和对应的角度图Aa,并将归一化互相关图Ca和对应的角度图Aa上采样至第a-1层为a-1层的目标图像C’a-1和对应的角度图A’a-1,1<a≤k,且a为正整数。
可选的,在本发明的一些实施例中,在图4所示的基础上,如图5所示,装置还包括:
可选的,在本发明的一些实施例中,
可选的,在本发明的一些实施例中,当k<3时,xk+1=2k;
模式匹配模块403,具体还用于在全角度[-π,π]内按照步长2k使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配。
如图6所示,本发明实施例中图像模式匹配的装置的另一个实施例包括:
存储器601,处理器602和总线603;存储器601、处理器602通过总线603连接;存储器601用于存储执行本发明方案中媒体流发送设备所执行方法的应用程序代码,并由处理器602来控制执行。处理器602用于执行存储器中存储的应用程序代码。
存储器601可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
处理器602可以是一个通用中央处理器(CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。也可以是一种集成电路芯片,具有信号处理能力,可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的各方法、步骤及逻辑框图。
总线603可包括一通路,在上述组件之间传送信息。
具体的,处理器用于执行上述图1或图3图像模式匹配的方法中的步骤,此处不再赘述。
本发明实施例还提供了一种计算机存储介质,用于储存为上述图4或图5的图像模式匹配的装置所用的计算机软件指令,其包含用于执行上述方法实施例所设计的程序。通过执行存储的程序,可以降低模式匹配算法中图像匹配的时长。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (15)
1.一种图像模式匹配的方法,其特征在于,包括:
获取原始的模板图像与原始的目标图像;
建立k+1层的模板图像金字塔和目标图像金字塔,所述模板图像金字塔从最底层到最顶层,面积逐层等比缩小,所述模板图像金字塔的最底层面积是所述原始的模板图像的面积,所述目标图像金字塔从最底层到最顶层,面积逐层等比缩小,所述目标图像金字塔的最底层面积是所述原始的目标图像的面积,k为大于等于1的整数;
将每一层的模板图像与对应层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C和对应的角度图A;其中,最顶层的模板图像与最顶层的目标图像的模式匹配为全角度模式匹配,其他层的模板图像与对应层的目标图像的模式匹配为区间角度模式匹配;所述最顶层的目标图像为所述原始的目标图像等比缩小至最顶层时得到的,其他层的目标图像均为上一层进行模式匹配获取的归一化互相关图上采样至下一层得到的;
第1层时,获取归一化互相关值大于所述预置阈值的归一化互相关图C1和对应的角度图A1,所述C1对应的区域表示所述原始的模板图像在所述原始的目标图像中出现的位置,所述对应的角度图A1对应的角度表示所述原始的模板图像在所述原始的目标图像中出现的位置时的旋转角。
2.根据权利要求1所述的方法,其特征在于,最顶层的模板图像与最顶层的目标图像进行的全角度模式匹配包括:
将第k+1层的模板图像与第k+1层的目标图像进行全角度模式匹配,获取归一化互相关值大于所述预置阈值的归一化互相关图Ck+1和对应的角度图Ak+1,并将所述归一化互相关图Ck+1和对应的角度图Ak+1上采样至第k层为k层的目标图像C’k和对应的角度图A’k。
3.根据权利要求2所述的方法,其特征在于,所述全角度为[-π,π],
所述将第k+1层的模板图像与第k+1层的目标图像进行全角度模式匹配,包括:
在所述全角度[-π,π]内按照步长xk+1使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配,所述xk+1为正整数。
4.根据权利要求1所述的方法,其特征在于,其他每层的模板图像与对应层的目标图像进行的区间角度模式匹配包括:
将第a层的模板图像与第a层的目标图像C’a进行a层的区间角度模式匹配,获取归一化互相关值大于所述预置阈值的归一化互相关图Ca和对应的角度图Aa,并将所述归一化互相关图Ca和对应的角度图Aa上采样至第a-1层为a-1层的目标图像C’a-1和对应的角度图A’a-1,1<a≤k,且a为正整数。
7.根据权利要求3所述的方法,其特征在于,当k<3时,xk+1=2k;
在所述全角度[-π,π]内按照步长xk+1使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配,包括:
在所述全角度[-π,π]内按照步长2k使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配。
8.一种图像模式匹配的装置,其特征在于,包括:
第一获取模块,用于获取原始的模板图像与原始的目标图像;
建立模块,用于建立k+1层的模板图像金字塔和目标图像金字塔,所原始的模板图像金字塔从最底层到最顶层,面积逐层等比缩小,所述模板图像金字塔的最底层面积是所述原始的模板图像的面积,所述目标图像金字塔从最底层到最顶层,面积逐层等比缩小,所述目标图像金字塔的最底层面积是所述原始的目标图像的面积,所述k为大于等于1的整数;
模式匹配模块,用于将每一层的模板图像与对应层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C和对应的角度图A;其中,最顶层的模板图像与最顶层的目标图像的模式匹配为全角度模式匹配,其他层的模板图像与对应层的目标图像的模式匹配为区间角度模式匹配;所述最顶层的目标图像为所述原始的目标图像等比缩小至最顶层时得到的,其他层的目标图像均为上一层进行模式匹配获取的归一化互相关图上采样至下一层得到的;
第二获取模块,用于第1层时,获取归一化互相关值大于所述预置阈值的归一化互相关图C1和对应的角度图A1,所述C1对应的区域表示所述原始的模板图像在所述原始的目标图像中出现的位置,所述对应的角度图A1对应的角度表示所述原始的模板图像在所述原始的目标图像中出现的位置时的旋转角。
9.根据权利要求8所述的装置,其特征在于,
所述模式匹配模块,具体用于将第k+1层的模板图像与第k+1层的目标图像进行全角度模式匹配,获取归一化互相关值大于所述预置阈值的归一化互相关图Ck+1和对应的角度图Ak+1,并将所述归一化互相关图Ck+1和对应的角度图Ak+1上采样至第k层为k层的目标图像C’k和对应的角度图A’k。
10.根据权利要求9所述的装置,其特征在于,所述全角度为[-π,π],
所述模式匹配模块,具体还用于在所述全角度[-π,π]内按照步长xk+1使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配,所述xk+1为正整数。
11.根据权利要求8所述的装置,其特征在于,
所述模式匹配模块,具体还用于将第a层的模板图像与第a层的目标图像C’a进行a层的区间角度模式匹配,获取归一化互相关值大于所述预置阈值的归一化互相关图Ca和对应的角度图Aa,并将所述归一化互相关图Ca和对应的角度图Aa上采样至第a-1层为a-1层的目标图像C’a-1和对应的角度图A’a-1,1<a≤k,且a为正整数。
14.根据权利要求10所述的装置,其特征在于,当k<3时,xk+1=2k;
所述模式匹配模块,具体还用于在所述全角度[-π,π]内按照步长2k使用第k+1层的模板图像对第k+1层的目标图像进行模式匹配。
15.一种图像模式匹配的装置,其特征在于,包括:
存储器,处理器和总线;
存储器、处理器通过总线连接;
存储器用于存储所述装置执行的应用程序代码,所述处理器被配置为用于执行所述存储器中存储的应用程序;
所述处理器用于获取原始的模板图像与原始的目标图像;
建立k+1层的模板图像金字塔和目标图像金字塔,所述模板图像金字塔从最底层到最顶层,面积逐层等比缩小,所述模板图像金字塔的最底层面积是所述原始的模板图像的面积,所述目标图像金字塔从最底层到最顶层,面积逐层等比缩小,所述目标图像金字塔的最底层面积是所述原始的目标图像的面积,k为大于等于1的整数;
将每一层的模板图像与对应层的目标图像进行模式匹配,获取归一化互相关值大于预置阈值的归一化互相关图C和对应的角度图A;其中,最顶层的模板图像与最顶层的目标图像的模式匹配为全角度模式匹配,其他层的模板图像与对应层的目标图像的模式匹配为区间角度模式匹配;所述最顶层的目标图像为所述原始的目标图像等比缩小至最顶层时得到的,其他层的目标图像均为上一层进行模式匹配获取的归一化互相关图上采样至下一层得到的;
第1层时,获取归一化互相关值大于所述预置阈值的归一化互相关图C1和对应的角度图A1,所述C1对应的区域表示所述原始的模板图像在所述原始的目标图像中出现的位置,所述对应的角度图A1对应的角度表示所述原始的模板图像在所述原始的目标图像中出现的位置时的旋转角。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/084277 WO2017206099A1 (zh) | 2016-06-01 | 2016-06-01 | 一种图像模式匹配的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107851196A CN107851196A (zh) | 2018-03-27 |
CN107851196B true CN107851196B (zh) | 2020-02-14 |
Family
ID=60479423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680039123.3A Active CN107851196B (zh) | 2016-06-01 | 2016-06-01 | 一种图像模式匹配的方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107851196B (zh) |
WO (1) | WO2017206099A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986088A (zh) * | 2018-07-10 | 2018-12-11 | 安徽师范大学 | 一种基于matlab的图像自动提取优化方法及设备 |
CN109559308B (zh) * | 2018-11-29 | 2022-11-04 | 太原理工大学 | 基于机器视觉的液晶面板偏光片喷码检测方法及装置 |
CN111369599B (zh) * | 2018-12-25 | 2024-04-16 | 阿里巴巴集团控股有限公司 | 一种图像匹配方法、设备、装置及存储介质 |
CN110210565B (zh) * | 2019-06-05 | 2021-04-30 | 中科新松有限公司 | 归一化互相关图像模板匹配实现方法 |
CN110728326A (zh) * | 2019-10-15 | 2020-01-24 | 易思维(杭州)科技有限公司 | 一种带旋转的边缘模板匹配方法 |
CN111862053B (zh) * | 2020-07-22 | 2023-11-28 | 上海米哈游天命科技有限公司 | 查找缝隙的方法、装置、设备及介质 |
CN112541885B (zh) * | 2020-11-26 | 2021-11-16 | 蓝箭航天空间科技股份有限公司 | 一种用于检测火箭贮箱液位的方法和系统 |
CN113643370B (zh) * | 2021-08-24 | 2024-01-23 | 凌云光技术股份有限公司 | 一种基于ncc算法的图像定位方法与装置 |
CN116543188B (zh) * | 2023-07-06 | 2023-10-13 | 深圳市睿达科技有限公司 | 一种基于灰度匹配的机器视觉匹配方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556694A (zh) * | 2009-05-15 | 2009-10-14 | 广东工业大学 | 一种旋转图像的匹配方法 |
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
CN103076338A (zh) * | 2012-05-31 | 2013-05-01 | 西南交通大学 | 高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法 |
CN103077527A (zh) * | 2013-02-05 | 2013-05-01 | 湖北工业大学 | 一种稳健的多源卫星遥感影像配准方法 |
CN103679702A (zh) * | 2013-11-20 | 2014-03-26 | 华中科技大学 | 一种基于图像边缘矢量的匹配方法 |
CN103778619A (zh) * | 2012-10-17 | 2014-05-07 | 华中科技大学 | 一种基于Zernike矩的图像匹配方法 |
CN104252711A (zh) * | 2014-09-17 | 2014-12-31 | 华中科技大学 | 一种基于图像梯度方向码的匹配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4687772B2 (ja) * | 2008-11-06 | 2011-05-25 | ソニー株式会社 | 画像処理装置、画像処理方法、プログラム |
-
2016
- 2016-06-01 CN CN201680039123.3A patent/CN107851196B/zh active Active
- 2016-06-01 WO PCT/CN2016/084277 patent/WO2017206099A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556694A (zh) * | 2009-05-15 | 2009-10-14 | 广东工业大学 | 一种旋转图像的匹配方法 |
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
CN103076338A (zh) * | 2012-05-31 | 2013-05-01 | 西南交通大学 | 高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法 |
CN103778619A (zh) * | 2012-10-17 | 2014-05-07 | 华中科技大学 | 一种基于Zernike矩的图像匹配方法 |
CN103077527A (zh) * | 2013-02-05 | 2013-05-01 | 湖北工业大学 | 一种稳健的多源卫星遥感影像配准方法 |
CN103679702A (zh) * | 2013-11-20 | 2014-03-26 | 华中科技大学 | 一种基于图像边缘矢量的匹配方法 |
CN104252711A (zh) * | 2014-09-17 | 2014-12-31 | 华中科技大学 | 一种基于图像梯度方向码的匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107851196A (zh) | 2018-03-27 |
WO2017206099A1 (zh) | 2017-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107851196B (zh) | 一种图像模式匹配的方法及装置 | |
JP6739517B2 (ja) | 車線認識のモデリング方法、装置、記憶媒体及び機器、並びに車線の認識方法、装置、記憶媒体及び機器 | |
Matungka et al. | Image registration using adaptive polar transform | |
CN107516322B (zh) | 一种基于对数极空间的图像物体大小和旋转估计计算方法 | |
CN108765476B (zh) | 一种偏振图像配准方法 | |
CN102122359B (zh) | 一种图像配准方法及装置 | |
Han et al. | Automatic registration of high-resolution images using local properties of features | |
Huang et al. | Efficient random saliency map detection | |
CN102855649A (zh) | 基于orb特征点的高压杆塔高清图像全景拼接方法 | |
Dobson et al. | Fast, large-scale, particle image velocimetry-based estimations of river surface velocity | |
CN112396640A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
CN105654423A (zh) | 基于区域的遥感图像配准方法 | |
CN111914756A (zh) | 一种视频数据处理方法和装置 | |
Rahmdel et al. | A review of hough transform and line segment detection approaches | |
CN114612575A (zh) | 一种相机参数的标定、三维数据生成方法和系统 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN112950685B (zh) | 一种红外与可见光图像配准方法、系统及存储介质 | |
Sun et al. | An improved binocular visual odometry algorithm based on the random sample consensus in visual navigation systems | |
CN113674220A (zh) | 一种图像差异检测方法、检测装置和存储介质 | |
CN106682672B (zh) | 一种高光谱图像特征描述子的获取方法及装置 | |
Kim et al. | Depth map super-resolution using guided deformable convolution | |
Deng et al. | Texture edge-guided depth recovery for structured light-based depth sensor | |
Song et al. | Analysis and improvement of joint bilateral upsampling for depth image super-resolution | |
WO2018076137A1 (zh) | 一种高光谱图像特征描述子的获取方法及装置 | |
Cho et al. | Depth map up-sampling using cost-volume filtering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |