CN103226823A - 基于对数差值点集模板的图像快速配准方法 - Google Patents
基于对数差值点集模板的图像快速配准方法 Download PDFInfo
- Publication number
- CN103226823A CN103226823A CN2013100854784A CN201310085478A CN103226823A CN 103226823 A CN103226823 A CN 103226823A CN 2013100854784 A CN2013100854784 A CN 2013100854784A CN 201310085478 A CN201310085478 A CN 201310085478A CN 103226823 A CN103226823 A CN 103226823A
- Authority
- CN
- China
- Prior art keywords
- template
- image
- registration
- benchmark
- search
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于对数差值点集模板的图像配准方法,包括:(1)分别确定基准图像和待配准图像的搜索区域;(2)计算搜索区域的像素灰度值对数差值矩阵;(3)将基准图像搜索区域的对数差值矩阵中绝对值最大的若干个点进行平均分组,每一组点的集合构成一个基准模板;(4)在待配准图像搜索区域的对数差值矩阵中搜索各基准模板的最佳匹配模板;(5)根据各基准模板及其最佳匹配模板得到最终配准结果,实现配准。本发明的对数差值点集模板方法在配准显微图像时计算操作主要为查表和减法等简单运算,计算速度快。同时,在保证配准速度的前提下可以评价配准结果的可信度,从而提高配准结果的可靠性。
Description
技术领域
本发明涉及图像处理领域,更具体地,涉及一种图像快速配准方法。
背景技术
数字切片用途非常广泛。数字切片由自动显微镜采集的图像拼接而成。由于自动显微镜的数控运动平台存在运动误差,显微图像会有相对的平移,拼接显微图像时一般需要配准。采集的显微图像数量庞大,所以要求非常高的配准速度。
具有平移图像的两图像之间例如相邻显微图像之间会存在重叠区域,它是配准图像的基础。重叠区域通常在一定范围内波动,此波动范围是图像配准的重要参数。但是,重叠区域有时会超出正常范围(数控运动平台出现爬行和振动现象),可能因不正确的参数导致配准得到错误结果。所以,需要在高速配准图像的同时检验配准结果以及时发现错误。
现有技术中,图像配准的方法主要分成两类:基于区域的配准方法和基于特征的配准方法。基于区域的配准方法以图像区域的灰度信息为基础,定义一个目标函数来评价两幅图像的区域之间相似程度,目标函数取得极值时认为两个图像区域最吻合,从而配准两幅图像。基于区域的配准方法的缺点在于计算量大,配准速度慢。比值模板方法是对基于区域的方法的一种改进,该方法从一幅图像(基准图像)的重叠区域中选取两条平行线段,以两条线段覆盖的像素之间灰度值之比作为特征向量来构造模板(基准模板);让一对具有基准模板相同长度和跨距的平行线段在另一幅图像(待配准图像)中滑动,搜索基准模板的最佳匹配模板的位置,通过基准模板及其最佳匹配模板来配准两幅图像。比值模板方法的缺陷在于有大量除法运算,且评价信息量的手段不足。
基于特征的配准方法从显微图像中提取特征来配准图像。SURF是目前基于特征的方法中最流行的方法之一,在显微图像配准中获得很好的应用。SURF方法在基准图像中挑选特征点,在待配准图像中确定这些特征点的匹配点,进行一一配对,最后根据点之间的配对情况来配准显微图像。SURF考虑了图像的旋转、缩放等情况,而自动显微镜采集的显微图像可以不考虑这些情况,因此速度上还有进一步提高的潜力。另外,SURF方法在进行配准后如果需要评价结果,一般需要进行专门处理,自动评价配准结果的能力不足,尚有改进的余地。
发明内容
本发明所要解决的技术问题是针对现有的图像的配准速度和配准结果存在的问题,提供一种基于对数差值点集模板(Logarithmic Subtraction PointTemplate,LSPT)的图像快速配准方法,其具有配准速度快,效率高的特点,且在配准后能够自动完成配准结果评价。
本发明的目的通过以下技术方案实现:
一种基于对数差值点集模板的图像配准方法,其特征在于,其从像素灰度值的对数差值矩阵挑选点,通过点的集合构造模板来配准图像,其特征在于,该方法具体包括如下步骤:
(1)分别确定基准图像和待配准图像的搜索区域;
(2)计算各搜索区域对应的对数差值矩阵;
(3)将所述基准图像搜索区域的对数差值矩阵中绝对值最大的若干个点进行分组,每一组点的集合构成一个基准模板;
(4)对于每个基准模板,将其在待配准图像搜索区域的对数差值矩阵中进行移动搜索,每移动一个位置得到一个候选模板,比较各候选模板与该基准模板的差异,将差异最小的候选模板作为该基准模板的最佳匹配模板;
(5)多个基准模板及对应的最佳匹配模板即得到多个匹配结果,对所述多个匹配结果进行处理获得最终匹配结果,即可得到待配准图像相对于基准图像的位置,实现配准。
作为本发明的进一步优选,所述基准图像的搜索区域包含于实际重叠区域,且该实际重叠区域包含于所述待配准图像的搜索区域中。
作为本发明的进一步优选,所述对数差值矩阵通过如下方式确定:获取基准图像或待配准图像的搜索区域的像素灰度值,作为灰度值矩阵;将所述灰度值矩阵中每个像素的灰度值转换为对数值,得到对应的灰度值对数矩阵;将所述灰度值对数矩阵中任意两像素点所对应的元素值相减,形成的矩阵即为相应的基准图像或待配准图像搜索区域的对数差值矩阵。
作为本发明的进一步优选,所述任意两像素点可以为相邻的两像素点,即行数相同列数不同的两像素点或行数不同列数相同的两像素点,也可以是具有指定空间位置关系的任意两像素点。
作为本发明的进一步优选,获得所述候选模板的具体过程如下:将基准模板在待配准图像搜索区域的对数差值矩阵上移动,计算获得基准模板上各点在待配准图像搜索区域的对数差值矩阵中对应的点,所述对应点的集合构成一个候选模板。
作为本发明的进一步优选,所述最终配准结果通过将所述多个匹配结果中的错误匹配结果剔除、并对剩余匹配结果取平均值得到。
作为本发明的进一步优选,所述错误匹配结果指所述多个匹配结果中与总体性匹配结果的差异超过阈值的匹配结果,其中,所述总体性匹配结果由总体基准模板及其最佳匹配模板确定,所述总体基准模板由所述基准模板上各点在基准图像搜索区域的对数差值矩阵中所对应的点的全体构成。
作为本发明的进一步优选,本方法还可获得最终匹配结果的可信度,实现对配准结果的自动评价,其中,所述可信度为剔除错误匹配结果后剩余匹配结果的数量与所有匹配结果的数量之比值。
作为本发明的进一步优选,所述待配准的图像为相对于基准图像进行平移变换了的图像,优选为自动显微镜采集的显微图像。
本发明的对数差值点集模板方法在配准显微图像时计算操作主要为查表和减法等简单运算,因此计算速度明显加快。同时,在保证配准速度的前提下可以评价配准结果的可信度,从而提高配准结果的可靠性。
附图说明
图1是本发明实施例的方法的流程图;
图2是本发明实施例的确定搜索区域的原理图;
图3是本发明实施例的计算搜索区域的对数差值矩阵的流程图;
图4是本发明实施例采用对数差值点集模板方法和SURF两种方法配准样本显微图像的用时图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
配准图像特别是配准采用平移方式采集的图像时,例如显微图像,按照自动显微镜采集的图像特性,配准方向一般分为水平和垂直两种。本实施例中以对显微图像的水平配准为例说明本发明的配准方法,垂直配准可类似处理。而且本实施例的方法并不限定于显微图像的配准,其他采用平移方式采集的图像亦可适用该方法进行配准。
本实施例中,以左侧图像为基准图像,右侧图像为待配准图像。
如图1所示,本实施例的基于对数差值点集模板的显微图像快速配准方法,其具体步骤如下。
步骤一:确定基准图像和待配准图像的搜索区域。
正常情况下,重叠区域在一定范围内波动。根据此波动范围,分别在基准图像和待配准图像中确定一个区域作为搜索区域。基准图像的搜索区域用来建立可靠的基准模板,待配准图像的搜索区域则用来缩小搜索最佳匹配模板的范围,以减少计算量。确定搜索区域,需保证基准图像的搜索区域包含于实际重叠区域,而实际重叠区域包含于待配准图像的搜索区域(如图2)。
水平配准中,不仅重叠区域的宽度有大小变化,待配准图像常常相对于基准图像在垂直方向有跳动,造成重叠区域的高度有变化。设基准图像和待配准图像的宽为w,高为h,重叠区域的宽的取值范围为[omin,omax](0<omin<omax<w),其中omin和omax分别为重叠区域的宽的下限和上限;待配准图像相对于基准图像在垂直方向的跳动范围为[vmin,vmax](-h<vmin<vmax<h),其中vmin和vmax分别为跳动范围的下限和上限。这里,w和h由显微镜的图像采集设备(相机)决定,[omin,omax]和[vmin,vmax]在调试显微镜的过程中经统计确定。根据上述参数自动确定搜索区域时,以基准图像中重叠区域的波动下限作为其搜索区域,以待配准图像中重叠区域的波动上限作为其搜索区域,具体细节如下:
设图像的坐标系以图像左上角为原点,以水平向右为X轴正方向,以垂直向下为Y轴正方向。又设基准图像的搜索区域的左上角点的坐标为右下角点的坐标为该搜索区域的宽为wB,高为hB,wB和hB由左上角点和右下角点的坐标计算得到
如果待配准图像相对于基准图像既可能向上跳动(向上最大的跳动量为amax),也可能向下跳动(向下最大跳动量为bmax),即-h<vmin≤0≤vmax<h,amax=-vmin,bmax=vmax,则
如果待配准图像相对于基准图像只向上跳动,向上最大的跳动量为amax,最小的跳动量为amin,即-h<vmin<vmax≤0,amax=-vmin,amin=-vmax,则
如果待配准图像相对于基准图像只向下跳动,向下最大的跳动量为bmax,最小的跳动量为bmin,即0≤vmin<vmax<h,bmax=vmax,bmin=vmin,则
本实施例中并不限于上述方法,还可以采用其他方法来确定搜索区域(比如人工设定),只需保证基准图像的搜索区域包含于实际重叠区域,而实际重叠区域包含于待配准图像的搜索区域即可。
步骤二:计算搜索区域的对数差值矩阵,其操作流程如图3所示。
首先定义像素灰度值对数差值函数(标记为fLS)来评价像素间灰度值的变化。设P(x,y)和P'(x',y')是显微图像中分别位于坐标(x,y)和(x',y')的两个像素,其灰度值分别为I(x,y)和I(x',y'),fLS定义为:
fLS(I(x,y),I(x',y'))=Kln(I(x',y')/I(x,y))=u[I(x',y')]-u[I(x,y)] (7)
式中u[i]是像素灰度值对应的一组常量。i为像素灰度值,一般像素的灰度值用8bit存储,取值范围为0~255,u[i]定义如式(8)。
其中,ln(i)为像素灰度值的对数值,因ln(0)无效,灰度值0用极小值ε取代(一般取ε=0.001)。又因为ln(i)的值很小,使用不便,引入放大系数K,其作用是将u[i]的值调整到一个适合处理的范围,例如可以优选取K=10。
fLS的值可以通过查表的方法求取:像素灰度值的取值范围一般为[0,255],灰度值的对数值u[0,255]可预先计算出并存放在表格中,计算时用查表操作将像素的灰度值映射为对数灰度值。
用显微图像中像素灰度值的对数值之差来描述像素间灰度值变化信息,具有对显微图像间明暗变化和色差的抗干扰能力,且计算时只需查表和减法运算,计算量小。并且,fLS的绝对值反映像素间灰度值的变化幅度(比例),通过它可以从显微图像中找出灰度值变化剧烈的位置。
下面以基准图像搜索区域为例说明计算对数差值矩阵的步骤,待配准图像搜索区域的对数差值矩阵可以类似处理。
(3)水平配准时多以垂直方向的对数差值矩阵来配准图像(本实施例中优选的是采用同一列的相邻行的像素点,但仅为列举的一种较佳方案,还可以采用其余方向或者多个方向的复合来配准显微图像)。将转换为垂直方向对数差值矩阵 中位于坐标(x,y)的点的值为
但是,本发明的方法并不限于相邻像素点,还可以采用非相邻像素的灰度值的对数差值来构造模板,只需要保证构成模板的点是像素间灰度值的对数差值且具有较大的绝对值(对应较大的灰度值变化幅度),且这些点之间有一定的空间位置关系即可。
计算得到搜索区域的对数差值矩阵后,建立基准模板和搜索最佳匹配模板的操作均可以在对数差值矩阵中完成,避免了重复的查表和减法运算。
步骤三:在经步骤二处理后得到的基准图像搜索区域的对数差值矩阵中挑选绝对值大的点,将这些点分组,每一组点的集合构成一个基准模板,而全体点的集合构成一个总基准模板。
设组成基准模板的点共m组,每组包含n个点(一般优选取m≥5,n≥5),
则构成基准模板的点的总数为N=m×n。建立基准模板的过程本实施例中优选如下,也可以采用其他分组方式建立:
(1)找出对数差值矩阵中绝对值最大的N个点并将其降序排列,得到队列k=0,1,2,...,N-1。首先,遍历基准图像搜索区域的对数差值矩阵取中前N个点并将其按绝对值降序排列为一个队列;然后,将对数差值矩阵中其余的点依次与队列的最后一个点进行比较,若该点的绝对值大于最后一个点的绝对值,则舍弃最后一个点,并将该点按其绝对值插入到队列中相应位置;若小于最后一个点的值,则跳过该点,继续遍历。
(2)遍历完毕,将队列中的点划分为m组。由于队列中的点是降序排列,分组时为了使各组中点的绝对值的大小分布相对均匀,以间隔m从队列中选取点。例如,划分的第0组的点为 第1组的点为 可以将第t(t∈[0,m-1])组的点的下标记为j=0,1,...,n-1,其中j为本组中点的序号。
(3)每一组的点构成一个基准模板,而队列中全体的点构成一个总基准模板(总基准模板用于步骤四中识别和删除错误匹配结果)。各模板均以对数差值矩阵左上角点作为定位点PL。第t组点构成的基准模板标记为t=0,1,...,m-1,总基准模板标记为
对数差值矩阵中的任意一个点都是像素灰度值的对数差值,包含像素间的灰度值变化信息,而点的绝对值,反映了像素间灰度值变化的幅度。基于这些点建立基准模板包含两种信息:构成模板的点的空间位置,以及像素间的灰度值变化信息。步骤三中挑选绝对值大的点,对应的灰度值变化幅度大,以确保建立的基准模板含有丰富的信息。
步骤四:在待配准图像搜索区域的对数差值矩阵中搜索各基准模板的最佳匹配模板。
(1)将步骤三中构建的基准模板在待配准图像搜索区域的对数差值矩阵上移动,移动过程中,构成基准模板的点会覆盖待配准图像搜索区域的对数差值矩阵中的点,这些被覆盖的点与基准模板的点相对应。
设待配准图像搜索区域的对数差值矩阵为基准模板定位点(即基准图像搜索区域的对数差值矩阵的左上角)在中的移动范围为xL∈[0,wO-wB],yL∈[0,hO-hB]。让PL遍历此范围,遍历过程中根据点相对于PL的坐标确定在待配准图像搜索区域的对数差值矩阵中对应的点 k=1,2,...,N-1。
(2)上述移动过程中,将对应点按照基准模板中各点的分组情况进行分组,分组后每一组对应点都构成一个对数差值模板,该模板是相应基准模板的最佳匹配模板的一个候选。比较候选模板与基准模板的差异,移动过程中当差异最小时,该候选模板就是基准模板的最佳匹配模板。具体为:
步骤五:分析得到配准结果,并评价其可信度
(1)剔除错误的匹配结果。从一个基准模板与最佳匹配模板可以得到一个匹配结果,而各基准模板及其最佳匹配模板可以得到一系列匹配结果。这些基准模板是用部分点构造的,其匹配结果是部分性的匹配结果。这些结果中可能有些结果是错误的,需要剔除。此外,总基准模板是用全体点构造的,通过它及其最佳匹配模板可以得到总体性的匹配结果。比较各匹配结果与总体性匹配结果的差异,差异过大即差异超过一定阈值的匹配结果视为错误而被剔除。
在PL遍历的过程中,的最佳匹配模板的位置为 的最佳匹配模板的位置为PM(xM,yM)。设相对于PM在水平方向最大许可误差(即水平阈值)为ex,垂直方向最大许可误差(即垂直阈值)为ey,即用一个以PM为中心,宽为2ex、高为2ey的矩形框将分为两部分,矩形框内为有效的匹配结果,而矩形框外为无效的匹配结果。函数ζ(t)用于判断匹配结果是否在矩形框内,亦即剔除错误的结果。
水平阈值和垂直阈值统称为阈值,其大小可以根据匹配精度等实际情况具体设定。
图像配准是确定待配准图像相对于基准图像的位置,亦即待配准图像相对于基准图像的平移,而上述匹配结果是基准图像的搜索区域和待配准图像的搜索区域之间的匹配关系(即基准图像的局部和待配准图像的局部之间的匹配关系),需要根据此匹配关系计算最终的配准结果。待配准图像相对于基准图像的平移(Δx,Δy)为
(3)计算配准结果的可信度。配准成功时,从各基准模板及其最佳匹配模板得到的匹配结果趋于一致,而配准失败时,这些结果会发散,可以据此判断配准成功与否。即,以有效匹配结果数量占所有匹配结果数量(亦即分组数量)的比例作为最终配准结果的可信度。该配准结果的可信度r按公式(17)计算。
可信度的取值范围为r∈(0,1],设可信度的阈值为Tr,如果r<Tr,认为配准失败,需检查两幅显微图像的重叠区域是否超出设定范围。这样,用简单的计算即得到配准结果的可信度,在保持高速配准显微图像的前提下实现了自动检查配准结果的功能。
为验证本发明的性能进行如下实验,分别用本发明的对数差值点集模板方法和SURF方法配准50对相邻显微图像。实验使用的样本用如下方法处理得到。用一台自动显微镜(由Olympus BX51显微镜配置Prior H101a数控运动平台和DVC4000相机构成)采集50幅显微图像,图像尺寸为2048×2048(像素)。从每一幅显微图像中切出两个矩形区域并分别存储为图像。第1个矩形区域的左上角点坐标为(0,512),右下角点坐标为(1023,1535);第2个矩形区域的左上角点坐标为(724,532),右下角点坐标为(1747,1555)。这两个矩形区域的宽和高均为1024像素。两个矩形区域之间重叠区域的宽为300像素(约为矩形区域的宽的30%),而第2个矩形区域相对于第1个矩形区域在垂直方向存在20像素的跳动。如上的参数设置,是为了让切出的显微图像模拟自动显微镜采集的显微图像之间常见的相对位置关系,并且切出的显微图像之间的准确配准结果(724,20)是已知的,后续实验中可以用计算出的配准结果与之对比,从而得到配准结果的不确定度。另外,为了检验配准方法对图像之间明暗变化的抗干扰能力,将切出的第二幅图像的亮度降低为原有亮度的80%。
分别用对数差值点集模板方法(配准时使用5个分组,每组5个点)和SURF方法(调用OpenCV2.3.1库,参数设置为hessianThreshold=400,octaves=1,octaveLayers=1,upright=true)配准上述50对相邻显微图像,两种方法配准图像的用时如图4所示,对数差值点集模板方法的平均用时为44毫秒,SURF方法的平均用时为863毫秒(以上用时均扣除载入图像数据的时间),本发明的方法速度约为SURF方法的20倍。对将数差值点集模板方法的结果与已知正确结果相比较,最大误差约为0.4像素,误差在许可范围内(小于1个像素)。实验结果显示,本发明的方法能快速配准相邻显微图像,且对图像明暗变化具有一定的抗干扰性。
本实施例中以相邻像素灰度值的对数差值构造对数差值矩阵,并从矩阵中挑选点,以点的集合来构造对数差值模板来配准显微图像。但是,本实施例中并不限于上述方法,还可以采用非相邻像素的灰度值的对数差值来构造模板,只需要保证构成模板的点是像素间灰度值的对数差值且具有较大的绝对值(即对应较大的灰度值变化幅度),且这些点之间有一定的空间位置关系即可。
图像配准后即可根据配准结果进行图像融合,从而将各配准的图像拼接为整幅图,应用到各领域中。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于对数差值点集模板的图像配准方法,其特征在于,其从像素灰度值的对数差值矩阵挑选点,通过点的集合构造模板来配准图像,其特征在于,该方法具体包括如下步骤:
(1)分别确定基准图像和待配准图像的搜索区域;
(2)计算各搜索区域对应的对数差值矩阵;
(3)将所述基准图像搜索区域的对数差值矩阵中绝对值最大的若干个点进行分组,每一组点的集合构成一个基准模板;
(4)对于每个基准模板,获得其对应的候选模板,比较各候选模板与该基准模板的差异,将差异最小的候选模板作为该基准模板的最佳匹配模板;
(5)多个基准模板及对应的最佳匹配模板即得到多个匹配结果,对所述多个匹配结果进行处理获得最终匹配结果,即可得到待配准图像相对于基准图像的位置,实现配准。
2.根据权利要求1所述的一种基于对数差值点集模板的图像配准方法,其中,所述基准图像的搜索区域包含于实际重叠区域,且该实际重叠区域包含于所述待配准图像的搜索区域中。
3.根据权利要求1或2所述的一种基于对数差值点集模板的图像配准方法,其中,所述对数差值矩阵通过如下方式确定:
获取基准图像或待配准图像的搜索区域的像素灰度值,作为灰度值矩阵;
将所述灰度值矩阵中每个像素的灰度值转换为对数值,得到对应的灰度值对数矩阵;
将所述灰度值对数矩阵中任意两像素点所对应的元素值相减,形成的矩阵即为相应的基准图像或待配准图像搜索区域的对数差值矩阵。
4.根据权利要求3所述的一种基于对数差值点集模板的图像配准方法,其中,所述任意两像素点可以为相邻的两像素点,即行数相同列数不同的两像素点或行数不同列数相同的两像素点,也可以是具有指定空间位置关系的任意两像素点。
5.根据权利要求1-4中任一项所述的一种基于对数差值点集模板的图像配准方法,其中,获得所述候选模板的具体过程如下:
将基准模板在待配准图像搜索区域的对数差值矩阵上移动一个位置,计算获得基准模板上各点在待配准图像搜索区域的对数差值矩阵中对应的点,各对应点的集合即构成一个候选模板。
6.根据权利要求1-5中任一项所述的一种基于对数差值点集模板的图像配准方法,其中,所述最终配准结果通过将所述多个匹配结果中的错误匹配结果剔除、并对剩余匹配结果取平均值得到。
7.根据权利要6所述的一种基于对数差值点集模板的图像配准方法,其中,所述错误匹配结果指所述多个匹配结果中与总体性匹配结果的差异超过阈值的匹配结果,其中,所述总体性匹配结果由总体基准模板及其最佳匹配模板确定,所述总体基准模板由所述基准模板上各点在基准图像搜索区域的对数差值矩阵中所对应的点的全体构成。
8.根据权利要求1-7中任一项所述的一种基于对数差值点集模板的图像配准方法,其中,本方法还可获得最终匹配结果的可信度,实现对配准结果的自动评价,其中,所述可信度为剔除错误匹配结果后剩余匹配结果的数量与所有匹配结果的数量之比值。
9.根据权利要求1-8中任一项所述的一种基于对数差值点集模板的图像配准方法,其中,所述待配准的图像为相对于基准图像具有平移变换的图像。
10.根据权利要求1-9中任一项所述的一种基于对数差值点集模板的图像配准方法,其中,所述待配准的图像为自动显微镜采集的显微图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310085478.4A CN103226823B (zh) | 2013-03-18 | 2013-03-18 | 基于对数差值点集模板的图像快速配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310085478.4A CN103226823B (zh) | 2013-03-18 | 2013-03-18 | 基于对数差值点集模板的图像快速配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103226823A true CN103226823A (zh) | 2013-07-31 |
CN103226823B CN103226823B (zh) | 2016-05-25 |
Family
ID=48837258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310085478.4A Active CN103226823B (zh) | 2013-03-18 | 2013-03-18 | 基于对数差值点集模板的图像快速配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103226823B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840546A (zh) * | 2019-01-04 | 2019-06-04 | 南方医科大学南方医院 | X线图像的标记识别和信息匹配方法、系统及存储介质 |
CN109903264A (zh) * | 2019-01-16 | 2019-06-18 | 深圳市旭东数字医学影像技术有限公司 | 数字人图像与ct图像的配准方法及系统 |
CN112581565A (zh) * | 2019-09-29 | 2021-03-30 | 上海哔哩哔哩科技有限公司 | 一种生成多媒体素材图的方法及装置 |
CN112634191A (zh) * | 2019-09-24 | 2021-04-09 | 深圳迈瑞生物医疗电子股份有限公司 | 医学影像分析方法、超声成像设备及计算机存储介质 |
CN113395483A (zh) * | 2020-03-12 | 2021-09-14 | 平湖莱顿光学仪器制造有限公司 | 一种用于呈现多个显微子视频信息的方法与设备 |
CN113592921A (zh) * | 2021-06-30 | 2021-11-02 | 北京旷视科技有限公司 | 图像匹配方法,装置,电子设备及存储介质 |
CN113781533A (zh) * | 2021-09-10 | 2021-12-10 | 北京方正印捷数码技术有限公司 | 图像配准方法、装置、印刷机和存储介质 |
CN115619634A (zh) * | 2022-09-06 | 2023-01-17 | 广州医科大学附属第一医院(广州呼吸中心) | 基于病理切片关联的病理图像拼接方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609554A (zh) * | 2009-07-27 | 2009-12-23 | 浙江工商大学 | 一种基于灰度统计特征的灰度模板匹配方法 |
CN102136142A (zh) * | 2011-03-16 | 2011-07-27 | 内蒙古科技大学 | 基于自适应三角形网格的非刚性医学图像配准方法 |
-
2013
- 2013-03-18 CN CN201310085478.4A patent/CN103226823B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609554A (zh) * | 2009-07-27 | 2009-12-23 | 浙江工商大学 | 一种基于灰度统计特征的灰度模板匹配方法 |
CN102136142A (zh) * | 2011-03-16 | 2011-07-27 | 内蒙古科技大学 | 基于自适应三角形网格的非刚性医学图像配准方法 |
Non-Patent Citations (1)
Title |
---|
YAN DENG ET AL: "The Microscopic Image Registration Method Based on Parallel Logarithmic Subtraction Template Matching", 《SYMPOSIUM ON PHOTONICS AND OPTOELECTRONICS, 2009》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840546B (zh) * | 2019-01-04 | 2023-02-03 | 南方医科大学南方医院 | X线图像的标记识别和信息匹配方法、系统及存储介质 |
CN109840546A (zh) * | 2019-01-04 | 2019-06-04 | 南方医科大学南方医院 | X线图像的标记识别和信息匹配方法、系统及存储介质 |
CN109903264B (zh) * | 2019-01-16 | 2023-01-03 | 深圳市旭东数字医学影像技术有限公司 | 数字人图像与ct图像的配准方法及系统 |
CN109903264A (zh) * | 2019-01-16 | 2019-06-18 | 深圳市旭东数字医学影像技术有限公司 | 数字人图像与ct图像的配准方法及系统 |
CN112634191A (zh) * | 2019-09-24 | 2021-04-09 | 深圳迈瑞生物医疗电子股份有限公司 | 医学影像分析方法、超声成像设备及计算机存储介质 |
CN112581565A (zh) * | 2019-09-29 | 2021-03-30 | 上海哔哩哔哩科技有限公司 | 一种生成多媒体素材图的方法及装置 |
CN112581565B (zh) * | 2019-09-29 | 2023-11-28 | 上海哔哩哔哩科技有限公司 | 一种生成多媒体素材图的方法及装置 |
CN113395483A (zh) * | 2020-03-12 | 2021-09-14 | 平湖莱顿光学仪器制造有限公司 | 一种用于呈现多个显微子视频信息的方法与设备 |
CN113395483B (zh) * | 2020-03-12 | 2023-07-18 | 平湖莱顿光学仪器制造有限公司 | 一种用于呈现多个显微子视频信息的方法与设备 |
CN113592921A (zh) * | 2021-06-30 | 2021-11-02 | 北京旷视科技有限公司 | 图像匹配方法,装置,电子设备及存储介质 |
CN113592921B (zh) * | 2021-06-30 | 2024-06-21 | 北京旷视科技有限公司 | 图像匹配方法,装置,电子设备及存储介质 |
CN113781533A (zh) * | 2021-09-10 | 2021-12-10 | 北京方正印捷数码技术有限公司 | 图像配准方法、装置、印刷机和存储介质 |
CN115619634A (zh) * | 2022-09-06 | 2023-01-17 | 广州医科大学附属第一医院(广州呼吸中心) | 基于病理切片关联的病理图像拼接方法及装置 |
CN115619634B (zh) * | 2022-09-06 | 2023-06-20 | 广州医科大学附属第一医院(广州呼吸中心) | 基于病理切片关联的病理图像拼接方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103226823B (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103226823A (zh) | 基于对数差值点集模板的图像快速配准方法 | |
CN101122457B (zh) | 影像边界扫描系统及方法 | |
CN101122953B (zh) | 一种图片文字分割的方法 | |
CN109033934A (zh) | 一种基于YOLOv2网络的水上漂浮物检测方法 | |
CN105046252B (zh) | 一种人民币冠字码识别方法 | |
CN102609723B (zh) | 一种基于图像分类的全自动视频分割方法及装置 | |
CN105989347A (zh) | 客观题智能阅卷方法及系统 | |
CN104318543A (zh) | 基于图像处理方法的板材计量方法与装置 | |
CN103354599B (zh) | 一种应用于动光源场景的自动聚焦方法和装置 | |
WO2023102952A1 (zh) | 一种实时检测的卷材检测装置、系统及方法 | |
CN102930251B (zh) | 两维收藏品数据收录与甄别的装置和方法 | |
CN104484680B (zh) | 一种多模型多阈值组合的行人检测方法 | |
CN104732197A (zh) | 目标线检测设备和方法 | |
CN104598907A (zh) | 一种基于笔画宽度图的图像中文字数据提取方法 | |
CN105096350A (zh) | 图像检测方法及装置 | |
CN106878617B (zh) | 一种对焦方法及系统 | |
Robinson et al. | Methods for indexing stripes in uncoded structured light scanning systems | |
CN101685000B (zh) | 影像边界扫描的计算机系统及方法 | |
CN104881663B (zh) | 辨别复选框的选定结果的方法及装置 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
US20130259373A1 (en) | Image processing device capable of determining types of images accurately | |
CN114049320A (zh) | 一种基于图片相似度的器件缺失ai质检方法与装置 | |
CN106204889B (zh) | 一种纸币荧光区域的定位方法和装置 | |
CN102445812B (zh) | 高速自动对焦方法 | |
CN104166843B (zh) | 一种基于直线连续性的文档图像来源判别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |