CN103235949A - 图像兴趣点检测方法和装置 - Google Patents

图像兴趣点检测方法和装置 Download PDF

Info

Publication number
CN103235949A
CN103235949A CN2013101262558A CN201310126255A CN103235949A CN 103235949 A CN103235949 A CN 103235949A CN 2013101262558 A CN2013101262558 A CN 2013101262558A CN 201310126255 A CN201310126255 A CN 201310126255A CN 103235949 A CN103235949 A CN 103235949A
Authority
CN
China
Prior art keywords
image
sampled images
square
fritters
interest
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
Application number
CN2013101262558A
Other languages
English (en)
Other versions
CN103235949B (zh
Inventor
段凌宇
王仿坤
陈杰
黄铁军
高文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN201310126255.8A priority Critical patent/CN103235949B/zh
Publication of CN103235949A publication Critical patent/CN103235949A/zh
Priority to PCT/CN2014/074927 priority patent/WO2014166377A1/zh
Priority to US14/880,981 priority patent/US9779324B2/en
Application granted granted Critical
Publication of CN103235949B publication Critical patent/CN103235949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4084—Transform-based scaling, e.g. FFT domain scaling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Abstract

本发明提供一种图像兴趣点检测方法和装置。其中，方法包括：获取原始输入图像；对原始输入图像进行降采样处理，得到多个不同分辨率的采样图像；将每个采样图像划分为多个图像小块；采用高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的滤波图像；获取每个采样图像中多个图像小块的滤波图像的图像兴趣点。用于解决现有技术中内存资源占用较多，检测速度低的问题。

Description

图像兴趣点检测方法和装置
技术领域
本发明涉及图像处理技术，尤其涉及一种图像兴趣点检测方法和装置。
背景技术
移动视觉搜索是采用计算机视觉的方法对图像中的物体进行识别，将图像中待识别的物体与相关的虚拟数字信息进行关联，使用户不需要输入任何关键字，就能检索到与之相关的各种资讯，是一种非常人性化的信息检索方式。移动视觉搜索的关键技术之一是图像兴趣点检测技术，图像兴趣点检测技术指的是在图像中找到一定数量的标志，这些标志具有的特点是：在包含同一物体的另一幅图像中也能在该物体的同一位置上检测得到这些标志，即便是两幅图像具有不同的尺寸或拍摄于不同的光照条件下或角度下。
现有技术中，图像兴趣点检测装置对原始图像进行降采样，生成包括一系列分辨率逐步降低的图像的金字塔；使用多个空域高斯滤波器获取图像金字塔中每一层图像的多尺度图像；使用空域拉普拉斯滤波器获取每一层图像的多尺度高斯拉普拉斯响应图像，根据多尺度高斯拉普拉斯响应图像，获取每一层图像的兴趣点。
然而现有技术中，使用高斯滤波器获取图像金字塔中每一层图像的多尺度图像后，需要缓存图像金字塔中每一层图像的多尺度图像，内存资源占用较多，导致检测速度低。
发明内容
本发明提供一种图像兴趣点检测方法和装置，用于解决现有技术中内存资源占用较多，导致检测速度低的问题。
本发明的第一个方面是提供一种图像兴趣点检测方法，包括：
获取原始输入图像；
对所述原始输入图像进行降采样处理，得到多个不同分辨率的采样图像；
将每个所述采样图像划分为多个图像小块；
采用高斯拉普拉斯滤波器依次对每个所述采样图像中多个图像小块进行滤波处理，得到每个所述采样图像中多个图像小块的滤波图像；
根据每个所述采样图像中多个图像小块的滤波图像，获取每个所述采样图像的图像兴趣点。
本发明的另一个方面提供一种图像兴趣点检测装置，包括：
获取模块，用于获取原始输入图像；
处理模块，用于对所述原始输入图像进行降采样处理，得到多个不同分辨率的采样图像；
划分模块，用于将每个所述采样图像划分为多个图像小块；
滤波模块，用于采用高斯拉普拉斯滤波器依次对每个所述采样图像中多个图像小块进行滤波处理，得到每个所述采样图像中多个图像小块的滤波图像；
所述获取模块，还用于根据每个所述采样图像中多个图像小块的滤波图像，获取每个所述采样图像的图像兴趣点。
本发明通过将每个采样图像划分为多个图像小块，针对每个图像小块分别采用高斯拉普拉斯滤波器进行滤波处理，以及图像兴趣点查找，得到每个图像小块的滤波图像，减少了内存资源占用量，提高了检测速度。
附图说明
图1为本发明提供的图像兴趣点检测方法一个实施例的流程图；
图2为本发明提供的图像兴趣点检测方法中将每个采样图像划分为多个图像小块的一个实施例的流程图；
图3为将采样图像划分为多个128*128平方像素的方形图像小块的示意图；
图4为本发明提供的图像兴趣点检测方法中采用高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理的一个实施例的流程图；
图5为图像小块对应的多个滤波图像组成的三维空间中进行图像兴趣点查找的示意图；
图6为σ=1时正方形空域二维高斯滤波器的示意图；
图7为本发明提供的图像兴趣点检测装置一个实施例的结构示意图；
图8为本发明提供的图像兴趣点检测装置又一个实施例的结构示意图；
图9为本发明提供的图像兴趣点检测装置另一个实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
图1为本发明提供的图像兴趣点检测方法一个实施例的流程图，如图1所示，本发明涉及的图像兴趣点检测方法的执行主体可以为照相机、摄像机、摄像头、电脑或者手机等终端设备中具有处理功能的模块，例如：CPU等。该方法包括：
101、图像兴趣点检测装置获取原始输入图像。
原始输入图像可以为照相机、摄像机、摄像头、电脑或者手机等可以进行拍照的设备获得的图像。
102、图像兴趣点检测装置对原始输入图像进行降采样处理，得到多个不同分辨率的采样图像。
降采样处理指的是，图像兴趣点检测装置对原始输入图像进行滤波，然后进行步长为2的采样，生成分辨率逐渐降低的多级采样图像。采样前采用的滤波方式一般是高斯低通滤波或领域均值滤波。图像兴趣点检测装置可以对每个分辨率的采样图像进行图像兴趣点检测，然后将检测到的所有采样图像的图像兴趣点集合到一起，作为原始输入图像的兴趣点。
103、图像兴趣点检测装置将每个采样图像划分为多个图像小块。
其中，图像兴趣点检测装置对每个采样图像划分得到的多个图像小块可以为正方形，也可以为长方形。
104、图像兴趣点检测装置采用高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的滤波图像。
其中，高斯拉普拉斯滤波器是根据高斯滤波器和拉普拉斯滤波器生成得到的，图像兴趣点检测装置可以采用高斯拉普拉斯滤波器对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的滤波图像；图像兴趣点检测装置还可以将高斯拉普拉斯滤波器拆分成高斯滤波器和拉普拉斯滤波器，采用高斯滤波器和拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理。采用高斯滤波器对每个采样图像中多个图像小块进行滤波处理的作用是，构建采样图像中每个图像小块的多尺度图层。采用拉普拉斯滤波器的作用是，在每个图像小块的多尺度图层中计算每个像素点的响应值，以使图像兴趣点检测装置根据每个图像小块的多尺度图层中每个像素点的响应值在上述多尺度图层所组成的三维空间内进行极值点搜索，以确定图像兴趣点对应的位置。其中，拉普拉斯滤波器中拉普拉斯算子对应的响应值对于图像中的斑点比较敏感，利用拉普拉斯算子计算所得的响应值在上述多尺度图层所组成的三维空间内进行极值点搜索，能够获得较好的斑点检测效果。多尺度图层是通过采用高斯滤波器对图像小块滤波得到的，具有相同的分辨率。
105、图像兴趣点检测装置根据每个采样图像中多个图像小块的滤波图像，获取每个采样图像的图像兴趣点。
其中，在一种实施场景下，图像兴趣点检测装置可以根据每个采样图像中多个图像小块的滤波图像，获取每个图像小块的图像兴趣点，根据每个图像小块的图像兴趣点，获取每个采样图像的图像兴趣点。
在另一种实施场景下，图像兴趣点检测装置可以将每个采样图像中多个图像小块的滤波图像进行合并，得到每个采样图像的滤波图像，根据每个采样图像的滤波图像，获取每个采样图像的兴趣点。
另外，图像兴趣点检测装置也可以将每个采样图像中的部分图像小块的滤波图像进行合并，得到图像大块的滤波图像，获取每个采样图像中多个图像大块的图像兴趣点，然后根据每个采样图像中每个图像大块的图像兴趣点，获取每个采样图像的图像兴趣点。
需要进行说明的是，图像兴趣点检测装置可以先获取采样图像中多个图像小块中的一个，采用高斯拉普拉斯滤波器依次对该图像小块进行滤波处理，得到该图像小块的滤波图像，根据该图像小块的滤波图像，获取该图像小块的滤波图像的图像兴趣点；然后图像兴趣点检测装置可以获取采样图像中多个图像小块中的下一个进行处理。另外，图像兴趣点检测装置也可以对采样图像中多个图像小块进行并行处理。图像兴趣点检测装置获取采样图像中多个图像小块的所有图像兴趣点后，还可以根据图像兴趣点获取采样图像中的特征点，根据特征点，对图像中的物体进行识别。
本实施例提供的图像兴趣点检测方法中，将每个采样图像划分为多个图像小块，针对每个图像小块分别采用高斯拉普拉斯滤波器进行滤波处理，以及图像兴趣点查找，得到每个图像小块的滤波图像，减少了内存资源占用量，提高了检测速度。
图2为本发明提供的图像兴趣点检测方法中将每个采样图像划分为多个图像小块的一个实施例的流程图，如图2所示，在图1所示实施例的基础上，将每个采样图像划分为多个图像小块具体包括：
1031、图像兴趣点检测装置将每个采样图像划分为多个长度为X、宽度为Y的方形图像小块，其中，X、Y均为正整数，若采样图像边缘的图像小块的长度小于X或者宽度小于Y，则对采样图像边缘的图像小块进行像素填充。
图像兴趣点检测装置可以从采样图像的左上角开始依次进行划分，对于长度小于X或者宽度小于Y的部分，在其边缘补上0值的像素值，使其大小变成X*Y平方像素，并划分得到的多个图像小块进行存储。当X和Y都为128像素时，图像兴趣点检测装置检测得到的图像兴趣点的数目可能较多，得到的兴趣点在图像检索和匹配中的性能可能较高。因此，优选的，X和Y均为128像素。例如，对于分辨率为640*480平方像素的采样图像，可以按照先行后列的方式将该采样图像分成5*4一共20个小块，如图3所示，其中前15个小块可以直接划分得到，后5个小块将在其下方补上32像素，将后5个小块的大小填充成128*128平方像素。另外，也可以按照先列后行的方式对采样图像进行划分。
1032、图像兴趣点检测装置对每个长度为X、宽度为Y的方形图像小块进行像素填充，以使填充后的方形图像小块的长度为X+M-1、宽度为Y+M-1，M为正整数。
图像兴趣点检测装置对每个长度为X、宽度为Y的方形图像小块进行像素填充的方式可以为，当M为奇数时，对每个长度为X、宽度为Y的方形图像小块的四周分别填充（M-1）/2的像素；当M为偶数时，对每个长度为X、宽度为Y的方形图像小块的四周分别填充（M）/2的像素。一种情况下，填充的像素值可以为长度为X、宽度为Y的方形图像小块边界像素值的镜像；另一种情况下，填充的像素值还可以为0；再一种情况下，图像兴趣点检测装置可以判断图像小块是否位于采样图像的位置，若图像小块位于采样图像的边缘，则可以将图像小块中位于采样图像边缘的一边填充为0，将图像小块中没有位于采样图像边缘的其他边填充成图像小块的镜像。另外，优选的，M可以小于等于X的值，且M小于等于Y的值，以提高高斯拉普拉斯滤波器的滤波效果的准确度。
1033、对填充后的方形图像小块进行离散傅里叶变换，得到频域图像小块。
本实施例提供的图像兴趣点检测方法中，将每个采样图像划分为多个长度为X、宽度为Y的方形图像小块，对每个长度为X、宽度为Y的方形图像小块进行像素填充以及离散傅里叶变换，得到频域图像小块，针对每个频域图像小块分别采用高斯拉普拉斯滤波器进行滤波处理以及图像兴趣点查找，得到每个图像小块的滤波图像，减少了内存资源占用量，而将采样图像中多个图像小块放置到频域中进行处理，进一步提高了检测速度。
图4为本发明提供的图像兴趣点检测方法中采用高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理的一个实施例的流程图，如图4所示，在图2所示实施例的基础上，具体包括：
1041、图像兴趣点检测装置采用频域高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的频域高斯拉普拉斯响应图像。
其中，频域高斯拉普拉斯滤波器的数量为多个，图像兴趣点检测装置可以采用多个频域高斯拉普拉斯滤波器依次对每个图像小块进行滤波处理，得到每个图像小块对应的多个滤波图像。此处以及下面提到的图像小块，具体指的是频域图像小块。
进一步地，图像兴趣点检测装置可以将每个图像小块对应的多个频域高斯拉普拉斯响应图像，转换成空域，得到每个图像小块对应的多个滤波图像，然后图像兴趣点检测装置可以根据每个图像小块对应的多个滤波图像，在每个图像小块对应的多个滤波图像组成的三维空间中进行局部的高斯拉普拉斯响应值比较。如图5所示，对每个图像小块对应的多个滤波图像中的每个像素点，将其响应值与周围26个像素点的响应值进行比较，如果该像素点比周围像素点的响应值都大或者都小，那么将该像素点作为候选的图像兴趣点；并计算这些候选的图像兴趣点对应位置的海森矩阵响应值，响应值大于预设阈值的点将被视为边界点并被剔除，剩下的兴趣点为图像兴趣点。
更进一步地，采用高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的滤波图像之前，图像兴趣点检测装置可以分别生成多个正方形空域二维高斯滤波器以及一个正方形空域二维拉普拉斯滤波器，并对多个正方形空域二维高斯滤波器以及一个正方形空域二维拉普拉斯滤波器进行像素填充，以使填充后的空域二维高斯滤波器和空域二维拉普拉斯滤波器的长度和宽度分别与填充后的方形图像小块的长度和宽度相同，从而使得频域高斯滤波器和频域拉普拉斯滤波器的长度和宽度分别与频域图像小块的长度和宽度相同，减少图像兴趣点检测装置的运算量，提高检测速度。例如，图像兴趣点检测装置还可以根据二维高斯核函数和预设的高斯参数，生成多个正方形空域二维高斯滤波器，多个正方形空域二维高斯滤波器中的最大宽度为M；
根据二阶拉普拉斯算子函数，生成正方形空域二维拉普拉斯滤波器，若正方形空域二维拉普拉斯滤波器的宽度小于M，对正方形空域二维拉普拉斯滤波器进行像素填充，以使填充后的正方形空域二维拉普拉斯滤波器的宽度为M；
将多个正方形空域二维高斯滤波器转换为多个频域高斯滤波器，每个频域高斯滤波器用于对每个采样图像中多个图像小块进行一次滤波处理；将填充后的正方形空域二维拉普拉斯滤波器转换为频域拉普拉斯滤波器。
其中，σ=1时正方形空域二维高斯滤波器的示意图，如图6所示，对应的坐标点的值如表1所示，正方形空域二维高斯滤波器的宽度指的是，正方形空域二维高斯滤波器的示意图中取值不为零的区域的宽度。如表1所示，可知σ=1时，正方形空域二维高斯滤波器的宽度为5。采用不同宽度的高斯滤波器对图像小块进行处理，会得到图像小块对应的多个尺度不同的频域图像。
表1
Figure BDA00003040988400081
图像兴趣点检测装置还用于，对宽度小于M的正方形空域二维高斯滤波器，将其周围对称地进行像素填充，填充的像素值为0，以使填充后的正方形空域二维高斯滤波器的宽度为M。例如，若M为7，对表1中宽度为5的正方形空域二维高斯滤波器填充得到的宽度为7的正方形空域二维高斯滤波器，如表2所示。
表2
正方形空域二维拉普拉斯滤波器的宽度含义与正方形空域二维高斯滤波器的宽度含义类似。正方形空域二维拉普拉斯滤波器的宽度可以为3、5或7等像素值，优选的，正方形空域二维拉普拉斯滤波器的宽度为3。对正方形空域二维拉普拉斯滤波器进行像素填充的方式可以为：在正方形空域二维拉普拉斯滤波器的周围对称地填充0值像素点。
更进一步地，采用高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的滤波图像之前，图像兴趣点检测装置还可以对于长度为X+M-1、宽度为Y+M-1的方形矩阵左上方的宽度为M的区域，使用宽度为M的正方形空域二维高斯滤波器的像素值进行一一对应替换，将方形矩阵向左和向上循环移位M/2个像素，其中，方形矩阵的所有像素值为0。将方形矩阵向左和向上循环移位M/2个像素的目的是，对经过高斯拉普拉斯滤波器处理得到的滤波图像的位置偏移进行校正。若M为奇数，将方形矩阵向左和向上循环移位（M-1）/2个像素。
再进一步地，将填充后的正方形空域二维拉普拉斯滤波器转换为频域拉普拉斯滤波器之前，对于长度为X+M-1、宽度为Y+M-1的方形矩阵左上方的宽度为M的区域，图像兴趣点检测装置还可以使用宽度为M的正方形空域二维拉普拉斯滤波器的像素值进行一一对应替换，将方形矩阵向左和向上循环移位M/2个像素，其中，方形矩阵的所有像素值为0。将方形矩阵向左和向上循环移位M/2个像素的目的是，对经过高斯拉普拉斯滤波器处理得到的滤波图像的位置偏移进行校正。若M为奇数，将方形矩阵向左和向上循环移位（M-1）/2个像素。
再进一步地，图像兴趣点检测装置可以根据多个频域高斯滤波器和频域拉普拉斯滤波器，生成多个频域高斯拉普拉斯滤波器。
另外，频域高斯滤波器和频域拉普拉斯滤波器均为离线生成，频域高斯拉普拉斯滤波器也为离线生成，可以写入方法对应的程序代码头文件中，无需在线生成。需要说明的是，上述频域图像小块中的每个像素点是由实部和虚部构成的复数像素点，上述提到的频域高斯拉普拉斯滤波器、频域高斯滤波器和频域拉普拉斯滤波器中的每个像素点也是由实部和虚部构成的复数像素点，因此采用频域高斯拉普拉斯滤波器对频域图像小块进行滤波的操作，实际上是频域图像小块与频域高斯拉普拉斯滤波器的矩阵复数点乘。
1042、图像兴趣点检测装置对每个采样图像中多个图像小块的频域高斯拉普拉斯响应图像进行离散傅里叶反变换，得到每个采样图像中多个图像小块的滤波图像。
本发明实施例提供的图像兴趣点检测方法中，将每个采样图像划分为多个长度为X、宽度为Y的方形图像小块，对每个长度为X、宽度为Y的方形图像小块进行像素填充以及离散傅里叶变换，得到频域图像小块，采用频域高斯拉普拉斯滤波器对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的频域高斯拉普拉斯响应图像，对每个采样图像中多个图像小块的频域高斯拉普拉斯响应图像进行离散傅里叶反变换，得到每个采样图像中多个图像小块的滤波图像，对每个采样图像中多个图像小块的滤波图像进行图像兴趣点查找，而将采样图像中多个图像小块放置到频域中进行处理，进一步提高了检测速度。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图7为本发明提供的图像兴趣点检测装置一个实施例的结构示意图，如图7所示，包括：
获取模块71，用于获取原始输入图像；
处理模块72，用于对原始输入图像进行降采样处理，得到多个不同分辨率的采样图像；
划分模块73，用于将每个采样图像划分为多个图像小块；
滤波模块74，用于采用高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的滤波图像；
获取模块71，还用于根据每个采样图像中多个图像小块的滤波图像，获取每个采样图像的图像兴趣点。
其中，在一种实施场景下，获取模块71可以根据每个采样图像中多个图像小块的滤波图像，获取每个图像小块的图像兴趣点，根据每个图像小块的图像兴趣点，获取每个采样图像的图像兴趣点。
在另一种实施场景下，获取模块71可以将每个采样图像中多个图像小块的滤波图像进行合并，得到每个采样图像的滤波图像，根据每个采样图像的滤波图像，获取每个采样图像的兴趣点。
另外，获取模块71也可以将每个采样图像中的部分图像小块的滤波图像进行合并，得到图像大块的滤波图像，获取每个采样图像中多个图像大块的图像兴趣点，然后根据每个采样图像中每个图像大块的图像兴趣点，获取每个采样图像的图像兴趣点。
需要进行说明的是，图像兴趣点检测装置可以先获取采样图像中多个图像小块中的一个，采用高斯拉普拉斯滤波器依次对该图像小块进行滤波处理，得到该图像小块的滤波图像，根据该图像小块的滤波图像，获取该图像小块的滤波图像的图像兴趣点；然后图像兴趣点检测装置可以获取采样图像中多个图像小块中的下一个进行处理。图像兴趣点检测装置也可以包括多个滤波模块74和多个获取模块71，一个滤波模块74和一个获取模块71可以用于处理采样图像中多个图像小块中的一个，多个滤波模块74和多个获取模块71可以分别用于处理采样图像中的多个图像小块，从而图像兴趣点检测装置可以对采样图像中的多个图像小块进行并行处理，进一步提高检测速度。
本实施例提供的图像兴趣点检测装置中，将每个采样图像划分为多个图像小块，针对每个图像小块分别采用高斯拉普拉斯滤波器进行滤波处理，以及图像兴趣点查找，得到每个图像小块的滤波图像，减少了内存资源占用量，提高了检测速度。
图8为本发明提供的图像兴趣点检测装置又一个实施例的结构示意图，如图8所示，在图7所示实施例的基础上，还包括：填充模块75和转换模块76；
划分模块73，具体用于将每个采样图像划分为多个长度为X、宽度为Y的方形图像小块，其中，X、Y均为正整数，若采样图像边缘的图像小块的长度小于X或者宽度小于Y，则填充模块75对采样图像边缘的图像小块进行像素填充；
填充模块75，还用于对每个长度为X、宽度为Y的方形图像小块进行像素填充，以使填充后的方形图像小块的长度为X+M-1、宽度为Y+M-1，M为正整数；
转换模块76，用于对填充后的方形图像小块进行离散傅里叶变换，得到频域图像小块。
本实施例提供的图像兴趣点检测装置中，将每个采样图像划分为多个长度为X、宽度为Y的方形图像小块，对每个长度为X、宽度为Y的方形图像小块进行像素填充以及离散傅里叶变换，得到频域图像小块，针对每个频域图像小块分别采用高斯拉普拉斯滤波器进行滤波处理，以及图像兴趣点查找，得到每个图像小块的滤波图像，减少了内存资源占用量，而将采样图像中多个图像小块放置到频域中进行处理，进一步提高了检测速度。
图9为本发明提供的图像兴趣点检测装置另一个实施例的结构示意图，如图9所示，在图8所示实施例的基础上，图像兴趣点检测装置还包括：生成模块77；
滤波模块74采用频域高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的滤波图像之前，生成模块77，用于根据二维高斯核函数和预设的高斯参数，生成多个正方形空域二维高斯滤波器，多个正方形空域二维高斯滤波器中的最大宽度为M；
生成模块77还用于，根据二阶拉普拉斯算子函数，生成正方形空域二维拉普拉斯滤波器，若正方形空域二维拉普拉斯滤波器的宽度小于M，对正方形空域二维拉普拉斯滤波器进行像素填充，以使填充后的正方形空域二维拉普拉斯滤波器的宽度为M；
转换模块76，还用于将多个正方形空域二维高斯滤波器转换为多个频域高斯滤波器；将填充后的正方形空域二维拉普拉斯滤波器转换为频域拉普拉斯滤波器；
根据多个频域高斯滤波器和频域拉普拉斯滤波器，生成多个频域高斯拉普拉斯滤波器。
进一步地，滤波模块74，具体用于，采用频域高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的频域高斯拉普拉斯响应图像；
转换模块76，还用于对每个采样图像中多个图像小块的频域高斯拉普拉斯响应图像进行离散傅里叶反变换，得到每个采样图像中多个图像小块的滤波图像。
更进一步地，转换模块76将多个正方形空域二维高斯滤波器转换为多个频域高斯滤波器之前，填充模块75还用于，对于长度为X+M-1、宽度为Y+M-1的方形矩阵左上方的宽度为M的区域，使用宽度为M的正方形空域二维高斯滤波器的像素值进行一一对应替换，将方形矩阵向左和向上循环移位M/2个像素，其中，方形矩阵的所有像素值为0；
转换模块76将填充后的正方形空域二维拉普拉斯滤波器转换为频域拉普拉斯滤波器之前，填充模块75还用于，对于长度为X+M-1、宽度为Y+M-1的方形矩阵左上方的宽度为M的区域，使用宽度为M的正方形空域二维拉普拉斯滤波器的像素值进行一一对应替换，将方形矩阵向左和向上循环移位M/2个像素，其中，方形矩阵的所有像素值为0。
本发明实施例提供的图像兴趣点检测装置中，将每个采样图像划分为多个长度为X、宽度为Y的方形图像小块，对每个长度为X、宽度为Y的方形图像小块进行像素填充以及离散傅里叶变换，得到频域图像小块，采用频域高斯拉普拉斯滤波器依次对每个采样图像中多个图像小块进行滤波处理，得到每个采样图像中多个图像小块的频域高斯拉普拉斯响应图像，对每个采样图像中多个图像小块的频域高斯拉普拉斯响应图像进行离散傅里叶反变换，得到每个采样图像中多个图像小块的滤波图像，对每个采样图像中多个图像小块的滤波图像进行图像兴趣点查找，减少了内存资源占用量，而将采样图像中多个图像小块放置到频域中进行处理，进一步提高了检测速度。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (10)

1.一种图像兴趣点检测方法，其特征在于，包括：
获取原始输入图像；
对所述原始输入图像进行降采样处理，得到多个不同分辨率的采样图像；
将每个所述采样图像划分为多个图像小块；
采用高斯拉普拉斯滤波器依次对每个所述采样图像中多个图像小块进行滤波处理，得到每个所述采样图像中多个图像小块的滤波图像；
根据每个所述采样图像中多个图像小块的滤波图像，获取每个所述采样图像的图像兴趣点。
2.根据权利要求1所述的方法，其特征在于，所述将每个所述采样图像划分为多个图像小块，包括：
将每个所述采样图像划分为多个长度为X、宽度为Y的方形图像小块，其中，X、Y均为正整数，若所述采样图像边缘的图像小块的长度小于X或者宽度小于Y，则对所述采样图像边缘的图像小块进行像素填充；
对每个长度为X、宽度为Y的方形图像小块进行像素填充，以使填充后的方形图像小块的长度为X+M-1、宽度为Y+M-1，M为正整数；
对填充后的方形图像小块进行离散傅里叶变换，得到频域图像小块。
3.根据权利要求2所述的方法，其特征在于，所述采用高斯拉普拉斯滤波器依次对每个所述采样图像中多个图像小块进行滤波处理，得到每个所述采样图像中多个图像小块的滤波图像，包括：
采用频域高斯拉普拉斯滤波器对每个所述采样图像中多个图像小块进行多次滤波处理，得到每个所述采样图像中多个图像小块的频域高斯拉普拉斯响应图像；
对每个所述采样图像中多个图像小块的频域高斯拉普拉斯响应图像进行离散傅里叶反变换，得到每个所述采样图像中多个图像小块的滤波图像。
4.根据权利要求3所述的方法，其特征在于，所述采用高斯拉普拉斯滤波器依次对每个所述采样图像中多个图像小块进行滤波处理，得到每个所述采样图像中多个图像小块的滤波图像之前，包括：
根据二维高斯核函数和预设的高斯参数，生成多个正方形空域二维高斯滤波器，所述多个正方形空域二维高斯滤波器中的最大宽度为所述M；
根据二阶拉普拉斯算子函数，生成正方形空域二维拉普拉斯滤波器，若所述正方形空域二维拉普拉斯滤波器的宽度小于所述M，对所述正方形空域二维拉普拉斯滤波器进行像素填充，以使填充后的所述正方形空域二维拉普拉斯滤波器的宽度为所述M；
将所述多个正方形空域二维高斯滤波器转换为多个所述频域高斯滤波器；将填充后的所述正方形空域二维拉普拉斯滤波器转换为所述频域拉普拉斯滤波器；
根据多个所述频域高斯滤波器和所述频域拉普拉斯滤波器，生成多个所述频域高斯拉普拉斯滤波器；
所述将所述多个方形空域二维高斯滤波器转换为多个所述频域高斯滤波器之前，还包括：对于长度为X+M-1、宽度为Y+M-1的方形矩阵左上方的宽度为所述M的区域，使用宽度为所述M的正方形空域二维高斯滤波器的像素值进行一一对应替换，将所述方形矩阵向左和向上循环移位M/2个像素，其中，所述方形矩阵的所有像素值为0；
所述将填充后的所述正方形空域二维拉普拉斯滤波器转换为所述频域拉普拉斯滤波器之前，还包括：
对于长度为X+M-1、宽度为Y+M-1的方形矩阵左上方的宽度为所述M的区域，使用宽度为所述M的正方形空域二维拉普拉斯滤波器的像素值进行一一对应替换，将所述方形矩阵向左和向上循环移位M/2个像素，其中，所述方形矩阵的所有像素值为0。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据每个所述采样图像中多个图像小块的滤波图像，获取每个所述采样图像的图像兴趣点，包括：
根据每个所述采样图像中多个图像小块的滤波图像，获取每个图像小块的图像兴趣点；
根据每个图像小块的图像兴趣点，获取每个所述采样图像的图像兴趣点；
或者，
将每个所述采样图像中多个图像小块的滤波图像进行合并，得到每个所述采样图像的滤波图像；
根据每个所述采样图像的滤波图像，获取每个所述采样图像的兴趣点。
6.一种图像兴趣点检测装置，其特征在于，包括：
获取模块，用于获取原始输入图像；
处理模块，用于对所述原始输入图像进行降采样处理，得到多个不同分辨率的采样图像；
划分模块，用于将每个所述采样图像划分为多个图像小块；
滤波模块，用于采用高斯拉普拉斯滤波器依次对每个所述采样图像中多个图像小块进行滤波处理，得到每个所述采样图像中多个图像小块的滤波图像；
所述获取模块，还用于根据每个所述采样图像中多个图像小块的滤波图像，获取每个所述采样图像的图像兴趣点。
7.根据权利要求6所述的装置，其特征在于，还包括：填充模块和转换模块；
所述划分模块，具体用于将每个所述采样图像划分为多个长度为X、宽度为Y的方形图像小块，其中，X、Y均为正整数，若所述采样图像边缘的图像小块的长度小于X或者宽度小于Y，则所述填充模块对所述采样图像边缘的图像小块进行像素填充；
所述填充模块，还用于对每个长度为X、宽度为Y的方形图像小块进行像素填充，以使填充后的方形图像小块的长度为X+M-1、宽度为Y+M-1，M为正整数；
所述转换模块，用于对填充后的方形图像小块进行离散傅里叶变换，得到频域图像小块。
8.根据权利要求7所述的装置，其特征在于，所述滤波模块，具体用于，采用频域高斯拉普拉斯滤波器对每个所述采样图像中多个图像小块进行多次滤波处理，得到每个所述采样图像中多个图像小块的频域高斯拉普拉斯响应图像；
所述转换模块，还用于对每个所述采样图像中多个图像小块的频域高斯拉普拉斯响应图像进行离散傅里叶反变换，得到每个所述采样图像中多个图像小块的滤波图像。
9.根据权利要求8所述的装置，其特征在于，还包括：生成模块；
所述滤波模块采用频域高斯拉普拉斯滤波器依次对每个所述采样图像中多个图像小块进行滤波处理，得到每个所述采样图像中多个图像小块的滤波图像之前，所述生成模块，用于根据二维高斯核函数和预设的高斯参数，生成多个正方形空域二维高斯滤波器，所述多个正方形空域二维高斯滤波器中的最大宽度为所述M；
所述生成模块还用于，根据二阶拉普拉斯算子函数，生成正方形空域二维拉普拉斯滤波器，若所述正方形空域二维拉普拉斯滤波器的宽度小于所述M，对所述正方形空域二维拉普拉斯滤波器进行像素填充，以使填充后的所述正方形空域二维拉普拉斯滤波器的宽度为所述M；
所述转换模块，还用于将所述多个正方形空域二维高斯滤波器转换为多个所述频域高斯滤波器；将填充后的所述正方形空域二维拉普拉斯滤波器转换为所述频域拉普拉斯滤波器；
根据多个所述频域高斯滤波器和所述频域拉普拉斯滤波器，生成多个所述频域高斯拉普拉斯滤波器；
所述转换模块将所述多个正方形空域二维高斯滤波器转换为多个所述频域高斯滤波器之前，所述填充模块还用于，对于长度为X+M-1、宽度为Y+M-1的方形矩阵左上方的宽度为所述M的区域，使用宽度为所述M的正方形空域二维高斯滤波器的像素值进行一一对应替换，将所述方形矩阵向左和向上循环移位M/2个像素，其中，所述方形矩阵的所有像素值为0；
所述转换模块将填充后的所述正方形空域二维拉普拉斯滤波器转换为所述频域拉普拉斯滤波器之前，所述填充模块还用于，对于长度为X+M-1、宽度为Y+M-1的方形矩阵左上方的宽度为所述M的区域，使用宽度为所述M的正方形空域二维拉普拉斯滤波器的像素值进行一一对应替换，将所述方形矩阵向左和向上循环移位M/2个像素，其中，所述方形矩阵的所有像素值为0。
10.根据权利要求6-9任一项所述的装置，其特征在于，所述获取模块根据每个所述采样图像中多个图像小块的滤波图像，获取每个所述采样图像的图像兴趣点中，所述获取模块具体用于：
根据每个所述采样图像中多个图像小块的滤波图像，获取每个图像小块的图像兴趣点；
根据每个图像小块的图像兴趣点，获取每个所述采样图像的图像兴趣点；
或者，所述获取模块具体用于：
将每个所述采样图像中多个图像小块的滤波图像进行合并，得到每个所述采样图像的滤波图像；
根据每个所述采样图像的滤波图像，获取每个所述采样图像的兴趣点。
CN201310126255.8A 2013-04-12 2013-04-12 图像兴趣点检测方法和装置 Active CN103235949B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310126255.8A CN103235949B (zh) 2013-04-12 2013-04-12 图像兴趣点检测方法和装置
PCT/CN2014/074927 WO2014166377A1 (zh) 2013-04-12 2014-04-08 图像兴趣点检测方法和装置
US14/880,981 US9779324B2 (en) 2013-04-12 2015-10-12 Method and device for detecting interest points in image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310126255.8A CN103235949B (zh) 2013-04-12 2013-04-12 图像兴趣点检测方法和装置

Publications (2)

Publication Number Publication Date
CN103235949A true CN103235949A (zh) 2013-08-07
CN103235949B CN103235949B (zh) 2016-02-10

Family

ID=48883988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310126255.8A Active CN103235949B (zh) 2013-04-12 2013-04-12 图像兴趣点检测方法和装置

Country Status (3)

Country Link
US (1) US9779324B2 (zh)
CN (1) CN103235949B (zh)
WO (1) WO2014166377A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793520A (zh) * 2014-02-14 2014-05-14 齐齐哈尔大学 一种嵌入图像处理软件的移动视觉搜索方法
WO2014166377A1 (zh) * 2013-04-12 2014-10-16 北京大学 图像兴趣点检测方法和装置
CN107862316A (zh) * 2017-10-19 2018-03-30 珠海格力电器股份有限公司 卷积运算方法及装置
CN108496202A (zh) * 2017-08-31 2018-09-04 深圳市大疆创新科技有限公司 斑点检测方法、系统、存储介质及计算机程序产品
CN108932275A (zh) * 2017-05-24 2018-12-04 谷歌有限责任公司 用于地理空间对象/特性检测的贝叶斯方法
CN112149728A (zh) * 2020-09-22 2020-12-29 成都智遥云图信息技术有限公司 一种快速的多模态图像模板匹配方法
CN113811889A (zh) * 2019-05-02 2021-12-17 克朗设备公司 具有基于特征的定位和导航的工业车辆

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608469B (zh) * 2015-12-21 2019-12-03 小米科技有限责任公司 图像分辨率的确定方法及装置
EP3489892B1 (en) * 2017-11-24 2022-01-05 Ficosa Adas, S.L.U. Determining clean or dirty captured images
WO2019185359A1 (en) 2018-03-29 2019-10-03 Robert Bosch Gmbh Method and system for vision-based vehicle interior environment sensing guided by vehicle prior information
US10846875B2 (en) * 2018-06-07 2020-11-24 Siemens Healthcare Gmbh Adaptive nonlinear optimization of shape parameters for object localization in 3D medical images
TWI786409B (zh) 2020-06-01 2022-12-11 聚晶半導體股份有限公司 影像偵測裝置以及影像偵測方法
CN112417287A (zh) * 2020-11-24 2021-02-26 乐聚(深圳)机器人技术有限公司 积木块搜索方法、模型训练方法、装置、设备及存储介质
US11748865B2 (en) * 2020-12-07 2023-09-05 International Business Machines Corporation Hierarchical image decomposition for defect detection
CN114677497A (zh) * 2022-05-18 2022-06-28 浙江大华技术股份有限公司 一种图像处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080253675A1 (en) * 2007-04-13 2008-10-16 Chao-Chin Chou Image processing method and related partial psf estimation method thereof
CN101540046A (zh) * 2009-04-10 2009-09-23 凌阳电通科技股份有限公司 基于图像特征的全景图拼接方法和装置
CN102254144A (zh) * 2011-07-12 2011-11-23 四川大学 一种鲁棒的图像中二维码区域提取方法
CN102282572A (zh) * 2009-01-14 2011-12-14 A9.Com有限公司 表示图像块的方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110065997A (ko) * 2009-12-10 2011-06-16 삼성전자주식회사 영상처리장치 및 영상처리방법
CA2780595A1 (en) * 2011-06-22 2012-12-22 Roman Palenychka Method and multi-scale attention system for spatiotemporal change determination and object detection
CN103020630B (zh) * 2012-12-05 2016-02-24 曙光信息产业(北京)有限公司 图像特征的处理方法和装置
CN103235949B (zh) * 2013-04-12 2016-02-10 北京大学 图像兴趣点检测方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080253675A1 (en) * 2007-04-13 2008-10-16 Chao-Chin Chou Image processing method and related partial psf estimation method thereof
CN102282572A (zh) * 2009-01-14 2011-12-14 A9.Com有限公司 表示图像块的方法和系统
CN101540046A (zh) * 2009-04-10 2009-09-23 凌阳电通科技股份有限公司 基于图像特征的全景图拼接方法和装置
CN102254144A (zh) * 2011-07-12 2011-11-23 四川大学 一种鲁棒的图像中二维码区域提取方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014166377A1 (zh) * 2013-04-12 2014-10-16 北京大学 图像兴趣点检测方法和装置
US9779324B2 (en) 2013-04-12 2017-10-03 Peking University Method and device for detecting interest points in image
CN103793520A (zh) * 2014-02-14 2014-05-14 齐齐哈尔大学 一种嵌入图像处理软件的移动视觉搜索方法
US11087181B2 (en) 2017-05-24 2021-08-10 Google Llc Bayesian methodology for geospatial object/characteristic detection
US11915478B2 (en) 2017-05-24 2024-02-27 Google Llc Bayesian methodology for geospatial object/characteristic detection
CN108932275B (zh) * 2017-05-24 2021-08-31 谷歌有限责任公司 用于地理空间对象/特性检测的贝叶斯方法
CN108932275A (zh) * 2017-05-24 2018-12-04 谷歌有限责任公司 用于地理空间对象/特性检测的贝叶斯方法
WO2019041245A1 (zh) * 2017-08-31 2019-03-07 深圳市大疆创新科技有限公司 斑点检测方法、系统、存储介质及计算机程序产品
CN108496202A (zh) * 2017-08-31 2018-09-04 深圳市大疆创新科技有限公司 斑点检测方法、系统、存储介质及计算机程序产品
CN107862316A (zh) * 2017-10-19 2018-03-30 珠海格力电器股份有限公司 卷积运算方法及装置
CN113811889A (zh) * 2019-05-02 2021-12-17 克朗设备公司 具有基于特征的定位和导航的工业车辆
CN112149728A (zh) * 2020-09-22 2020-12-29 成都智遥云图信息技术有限公司 一种快速的多模态图像模板匹配方法
CN112149728B (zh) * 2020-09-22 2023-11-17 成都智遥云图信息技术有限公司 一种快速的多模态图像模板匹配方法

Also Published As

Publication number Publication date
US9779324B2 (en) 2017-10-03
US20160034780A1 (en) 2016-02-04
CN103235949B (zh) 2016-02-10
WO2014166377A1 (zh) 2014-10-16

Similar Documents

Publication Publication Date Title
CN103235949A (zh) 图像兴趣点检测方法和装置
KR101639852B1 (ko) 그래픽 프로세싱을 위한 픽셀 값 압축
US10621446B2 (en) Handling perspective magnification in optical flow processing
US11620757B2 (en) Dense optical flow processing in a computer vision system
CN101477692A (zh) 图像特征提取方法及装置
CN110221722B (zh) 图片处理方法、电子设备及存储介质
CN105006002B (zh) 自动图像抠图方法和装置
CN107851196A (zh) 一种图像模式匹配的方法及装置
EP3093757A2 (en) Multi-dimensional sliding window operation for a vector processor
CN109271910A (zh) 一种文字识别、文字翻译方法和装置
US11682212B2 (en) Hierarchical data organization for dense optical flow processing in a computer vision system
CN113421242A (zh) 基于深度学习的焊点外观质量检测方法、装置及终端
US9171227B2 (en) Apparatus and method extracting feature information of a source image
CN104952058A (zh) 一种信息处理的方法及电子设备
CN104318236A (zh) 一种获取图像局部特征的方法及系统
CN104123716A (zh) 检测图像稳定性的方法、装置和终端
CN105427235A (zh) 一种图像浏览方法及系统
CN113627416B (zh) 图片分类和对象检测的同步处理方法、系统、存储介质及终端
CN104978712B (zh) 图像处理方法及装置
CN111291240B (zh) 处理数据的方法和数据处理装置
CN112132155B (zh) 基于硬件电路的sift算法图像边界扩充方法和处理方法
KR20200129957A (ko) 피처맵 데이터에 대한 압축을 수행하는 뉴럴 네트워크 프로세서 및 이를 포함하는 컴퓨팅 시스템
CN116310959B (zh) 一种复杂场景下低质量摄像机画面识别方法及系统
US20230334820A1 (en) Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
Aithal et al. MPI based edge detection of coloured image using Laplacian of Gaussian filter

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