CN103578105A - 一种基于区域特征的多源异类图像配准方法 - Google Patents
一种基于区域特征的多源异类图像配准方法 Download PDFInfo
- Publication number
- CN103578105A CN103578105A CN201310533490.7A CN201310533490A CN103578105A CN 103578105 A CN103578105 A CN 103578105A CN 201310533490 A CN201310533490 A CN 201310533490A CN 103578105 A CN103578105 A CN 103578105A
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- profile
- benchmark image
- closed
- 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
本发明涉及图像处理领域中的图像配准方法,具体为一种基于区域特征的多源异类图像配准方法,对基准图像和待配准图像中进行聚类分割,得到两幅图像的分割区域;利用数字形态学从分割区域提取两幅图像的封闭轮廓;封闭轮廓删除,采用轮廓不变矩理论,引入矩变量距离均值、方差约束机制和一致性检查的匹配策略,获取最佳匹配轮廓对;以最佳封闭轮廓的质点为控制点,计算配准参数,实现两幅图像的配准。本发明克服了已有算法计算复杂、容易造成误匹配,导致配准精度低,甚至配准失败的缺陷,可应用于安全监测、机载多源图像融合、图像目标识别和跟踪等民用或军用领域。
Description
技术领域
本发明涉及图像处理领域中的图像配准方法,具体为一种基于区域特征的多源异类图像配准方法。
背景技术
图像配准是指依据相似性度量准则得到图像间的坐标变换参数,使得从不同传感器、不同视角和不同时间获取的同一场景的两幅或多幅图像变换到同一坐标系下。通过对来自不同传感器的多种图像数据进行提取与综合,可以获得对同一地区目标的更为精确、全面、可靠的图像描述,有利于对图像的进一步分析处理、变化检测、目标识别或跟踪。不同传感器的图像融合、目标识别等处理必须在图像精确配准的前提下进行,换言之,图像配准是多传感器图像融合、目标识别等处理的必要步骤,其配准精度更直接影响图像融合和目标识别的效果。因此,研究图像配准技术具有重要的理论意义和广阔的应用前景。
目前,已有的图像配准方法可以归纳为基于灰度的配准方法(如空域中互相关、互信息的图像配准方法或频域中快速傅立叶变换、小波变换的图像配准方法)和基于特征(如点、直线、曲线、边缘、封闭轮廓等)的配准方法。多源异类图像配准是对来自不同传感器的同一场景的两幅或多幅图像进行匹配的过程,由于不同传感器的工作原理和成像条件不一样,获得的图像在灰度分布和统计特性上有较大差异,基于灰度的配准方法不能很好地应用于多源异类图像的配准中,多源异类图像配准主要采用基于特征的图像配准方法。
尽管多源异类图像的灰度属性差异较大,但目标的一些明显区域轮廓形状特性在两幅图像中是基本保持不变的,相比较点特征和线特征,区域轮廓特征的信息量丰富且比较稳定,因此可以通过提取这些不变的区域轮廓形状信息,来实现图像的特征匹配和配准。区域轮廓特征提取的好坏直接影响到后续的配准精度。
目前基于轮廓的图像配准算法中,轮廓特征的提取主要采用边缘检测的方法,这种方法存在以下问题:
1.由于噪声的存在,影响边缘的连续性,提取的结果中大多数都是开轮廓,需要将开轮廓通过链码编码的方式,把开轮廓的两个端点用直线段连接,形成封闭轮廓。这类算法需要进行边缘毛刺消除、边缘搜索、邻近连接等优化处理,这样增加了算法的复杂度,且耗时长;
2.由于边缘强制连接,封闭轮廓的形状有差异,导致获得的配准结果精度不高;另外,容易形成虚假封闭轮廓,容易造成误匹配,导致配准失败。
发明内容
本发明为了解决现有的利用提取图像轮廓特征进行图像配准的方法算法复杂、耗时长,配准精度不高,造成误匹配,导致配准失败的问题,提供了一种基于区域特征的多源异类图像配准方法。
本发明是采用如下的技术方案实现的:一种基于区域特征的多源异类图像配准方法,包括以下步骤:
S1:对于基准图像和待配准图像分别进行k-均值聚类处理,分割出基准图像和待配准图像的封闭区域;
S2:对基准图像和待配准图像分割后得到的封闭区域分别运用数学形态学处理,进行数学形态学先腐蚀后膨胀的开运算,腐蚀消除封闭区域中比腐蚀因子小的散点和噪声,膨胀把封闭区域中比膨胀因子小的缺口或孔洞填充上,把断裂的区域连接成封闭轮廓,获得目标和背景各区域的封闭边界,提取出基准图像和待配准图像的封闭轮廓;
S3:删除基准图像和待配准图像的封闭轮廓中轮廓长轴长度小于设定阈值的封闭轮廓;
S4:在S3提取到的基准图像和待配准图像的封闭轮廓中,采用轮廓不变矩理论,利用封闭轮廓的矩不变量将封闭轮廓进行匹配,获得基准图像和待配准图像的初始匹配轮廓对,轮廓不变矩理论中,一个封闭轮廓的二维区域G,用7个不变矩来表示,二维区域G中心矩定义为式中,x,y表示二维区域G内的坐标,p、q分别代表x轴、y轴方向的指数,为二维区域G的质心坐标,利用中心矩,构造的7个不变矩表示如下:
对于每一个封闭轮廓的二维区域G,可以把它的7个不变矩看作是七维特征空间的一个点,两个二维区域G的相似性根据这两个点的距离来度量,距离Dij可以表示为:式中,i=1,2,…,m,j=1,2,…,n分别表示基准图像和待配准图像中的二维区域G的序号,对于基准图像中的m个二维区域和待配准图像中的n个二维区域,它们的关系可以用m×n的距离矩阵D来判定,距离矩阵D表示为: 选取距离矩阵D中每行元素最小值对应的匹配轮廓对,并设定一阈值DT,当选取的每行的匹配轮廓对的距离≤DT时,可以认为该匹配轮廓对满足匹配要求,得到基准图像和待配准图像的初始匹配轮廓对;
S5:在基准图像和待配准图像的初始匹配轮廓对中,以封闭轮廓的质心作为控制点,求取配准参数为s、θ、ΔX、s、θ、ΔX、为两图像之间的缩放系数、旋转量、x轴平移量和y轴平移量,基准图像和待配准图像的坐标(X,Y)与(X',Y')之间满足如下关系: 完成基准图像和待配准图像配准。
本发明先利用k-均值聚类处理分割出基准图像和待配准图像的封闭区域,对得到的封闭区域运用数学形态学处理,得到基准图像和待配准图像的封闭轮廓;然后将基准图像和待配准图像中的封闭轮廓进行匹配,获得基准图像和待配准图像的匹配轮廓对;再利用匹配轮廓对求得基准图像和待配准图像的变换参数,输出配准结果;本发明利用k-均值聚类分割和数学形态学处理方法处理基准图像和待配准图像,得到的封闭轮廓边缘连续性好,数学形态学先腐蚀后膨胀的开运算算法简单、耗时少,引入矩变量距离匹配策略,获得初始匹配轮廓对,该轮廓对的形状差异小,由此得到的匹配参数精确,因此本发明克服了已有算法计算复杂、容易造成误匹配,导致配准精度低,甚至配准失败的缺陷,具有配准精度高、算法速度快的特点。
上述的一种基于区域特征的多源异类图像配准方法,基准图像和待配准图像分别为可见光图像和SAR图像或SAR图像和可见光图像。
上述的一种基于区域特征的多源异类图像配准方法,基准图像和待配准图像的初始匹配轮廓对在求取配准参数之前,先利用矩不变量的距离建立距离矩阵,计算矩不变量的距离方差矩阵,把距离方差矩阵中的每一行距离方差最小的两个轮廓作为求取配准参数的优化匹配轮廓对。
初始匹配轮廓对可能存在一对多或者匹配不准确情况,需要进一步作轮廓筛选,这是由于距离Dij是一个累加和的形式,其中存在许多不确定矩变量的起伏因素,例如其中某个矩变量差稍大,而其余的差很小,这样也可能会得到一个很小的Dij,就有可能会影响到匹配结果,造成误匹配,对此引入各个矩变量之间的距离均值和方差的约束机制,因此根据由此得到的优化匹配轮廓对能准确的求得变换参数,增加匹配精确度。
上述的一种基于区域特征的多源异类图像配准方法,计算得到的优化匹配轮廓对长度的比例和比例均值,当优化匹配轮廓对的比例和比例均值之差的绝对值大于设定的阈值,则将该优化匹配轮廓对认为是误匹配的轮廓对,并将该优化匹配轮廓对删除,最终得到求取配准参数的准确匹配轮廓对,进一步增加了匹配的精确度。
本发明与现有技术相比具有以下优点:
1.本发明利用聚类分割和形态学处理方法,能够有效消除噪声的影响,准确提取两类图像的共有特征-区域特征,避免了边缘检测的优化问题;
2.本发明采用轮廓不变矩理论,引入了矩变量距离均值、方差约束机制和一致性检查的匹配策略,能够减少伪匹配轮廓对,获取最佳轮廓匹配对,结果能达到亚像素配准精度;
3.本发明基于图像轮廓特征的配准,鉴于提取的封闭轮廓数量有限,轮廓之间的匹配可以不用考虑复杂的搜索算法,采用遍历方式即可,易于实现,处理速度快,能够满足大部分实时处理。
附图说明
图1为本发明的流程图。
图2为可见光图像。
图3为SAR图像。
图4为第一组可见光图像和SAR图像配准结果图像。
图5为第二组可见光图像和SAR图像配准结果图像。
具体实施方式
实施例一:选用可见光图像为基准图像,SAR图像为待配准图像;
一种基于区域特征的多源异类图像配准方法,包括以下步骤:
S1:对于基准图像和待配准图像分别进行k-均值聚类处理,分割出基准图像和待配准图像的封闭区域,k-均值聚类算法的基本思想是分别选取基准图像和待配准图像的k个初始聚类中心,把数据集中所有的对象分为k个类,按最小距离的原则,通过迭代计算,逐次更新各类的中心,直到算法收敛到一定的结束条件,输出聚类结果,对于两幅图像,x*表示图像像素的灰度值,表示在第i次迭代后赋给第j类的像素集合,表示的均值,k-均值聚类分割算法的目标是使下式达到最小,
具体的步骤如下:
S11:确定两幅图像聚类分割的的分类数目K,随机选取K个像素值作为初始聚类中心;
S2:对基准图像和待配准图像分割后得到的封闭区域分别运用数学形态学处理,进行数学形态学先腐蚀后膨胀的开运算,腐蚀消除封闭区域中比腐蚀因子小的散点和噪声,膨胀把封闭区域中比膨胀因子小的缺口或孔洞填充上,把断裂的区域连接成封闭轮廓,获得目标和背景各区域的封闭边界,提取出基准图像和待配准图像的封闭轮廓;
S3:删除基准图像和待配准图像的封闭轮廓中轮廓长轴长度小于设定阈值的封闭轮廓;
S4:在S3提取到的基准图像和待配准图像的封闭轮廓中,采用轮廓不变矩理论,利用封闭轮廓的矩不变量将封闭轮廓进行匹配,获得基准图像和待配准图像的初始匹配轮廓对,轮廓不变矩理论中,一个封闭轮廓的二维区域G,用7个不变矩来表示,二维区域G中心矩定义为式中,x,y表示二维区域G内的坐标,p、q分别代表x轴、y轴方向的指数,为二维区域G的质心坐标,利用中心矩,构造的7个不变矩表示如下:
对于每一个封闭轮廓的二维区域G,可以把它的7个不变矩看作是七维特征空间的一个点,两个二维区域G的相似性根据这两个点的距离来度量,距离Dij可以表示为:式中,i=1,2,…,m,j=1,2,…,n分别表示基准图像和待配准图像中的二维区域G的序号,对于基准图像中的m个二维区域和待配准图像中的n个二维区域,它们的关系可以用m×n的距离矩阵D来判定,距离矩阵D表示为: 选取距离矩阵D中每行元素最小值对应的匹配轮廓对,并设定一阈值DT,当选取的每行的匹配轮廓对的距离≤DT时,可以认为该匹配轮廓对满足匹配要求,得到基准图像和待配准图像的初始匹配轮廓对;
S5:在基准图像和待配准图像的初始匹配轮廓对中,以封闭轮廓的质心作为控制点,求取配准参数为s、θ、ΔX、s、θ、ΔX、为两图像之间的缩放系数、旋转量、x轴平移量和y轴平移量,基准图像和待配准图像的坐标(X,Y)与(X',Y')之间满足如下关系: 完成基准图像和待配准图像配准。
上述的一种基于区域特征的多源异类图像配准方法,基准图像和待配准图像的初始匹配轮廓对在求取配准参数之前,利用矩不变量的距离建立距离矩阵,计算矩不变量的距离方差矩阵,把距离方差矩阵中的每一行距离方差最小的两个轮廓作为求取配准参数的优化匹配轮廓对,初始匹配轮廓对中各个矩变量之间的距离均值及其方差把δij最小的两个封闭轮廓对作为优化匹配封闭轮廓对,i,j为基准图像和待配准图像的初始匹配轮廓对中封闭轮廓的序号。
上述的一种基于区域特征的多源异类图像配准方法,其特征在于利用优化匹配轮廓对求取配准参数之前,计算优化匹配轮廓对长度的比例和比例均值,当优化匹配轮廓对的比例和比例均值之差的绝对值大于设定的阈值,则将该优化匹配轮廓对认为是误匹配的轮廓对,并将该优化匹配轮廓对删除,最终得到求取配准参数的准确匹配轮廓对,优化匹配轮廓对的比例均值式中Ai表示基准图像第i个优化封闭轮廓对中封闭轮廓的轮廓长度,Bj分别表示待配准图像第j个优化封闭轮廓对中封闭轮廓的轮廓长度;N表示优化匹配轮廓对的数目,计算得到的优化匹配封闭轮廓对长度的比例Lij和比例均值当则认为匹配正确,否则作为伪匹配对,并删除伪匹配对,最终得到求取配准参数的准确匹配轮廓对。
基准图像选用可见光图像,如图2所示,图2(a)表示可见光图像,图2(b)表示k-均值聚类分割结果图像,图2(c)表示数学形态学处理结果图像,图2(d)表示轮廓去除结果图像,图2(e)获得准确匹配轮廓结果图像;待配准图像选用SAR图像,如图3所示,图3(a)表示SAR图像,图3(b)表示k-均值聚类第一类(聚类中心值最小)分割结果图像,图3(c)表示对图3(b)所示图像用数学形态学处理结果图像,图3(d)表示k-均值聚类第二类(聚类中心值次小)分割结果图像,图3(e)表示对图3(d)所示图像用数学形态学处理结果图像,图3(f)整个封闭区域轮廓图像,图3(g)表示小轮廓去除结果图像,图3(h)表示准确匹配轮廓结果图像,图4表示第一组图像配准结果图像,其中:图4(a)表示可见光图像,图4(b)表示SAR图像,图4(c)表示SAR图像仿射变换后结果图像,图4(d)表示配准输出结果图像;图5表示第二组实例图像配准结果图像,其中:图5(a)表示可见光图像;图5(b)表示SAR图像;图5(c)表示SAR图像仿射变换后结果图像,图5(d)表示配准输出结果图像。
图4和图5中可以看出,主观上看河流区域的连接性较好,桥梁重合性较好,直观上配准精度较高。客观上,表1为两组实例图像配准中的各项统计数据,图像的配准精度一般用均方根误差(RMSE)来表示,两组实例图像的最终配准精度为0.345、0.2164个像素,而且时间处理速度较快,说明本发明的方法配准精度高,算法速度快,能够满足大部分图像融合、识别处理的需要。表1两组实例图像配准中的各项统计数据:
由上可知,本发明所述的基于区域特征的多源异类图像配准方法,利用k-均值聚类分割和数字形态学处理方法,准确提取两幅图像的共有特征-封闭轮廓特征,引入矩变量距离均值、方差约束机制和一致性检查的匹配策略,能够获得最佳匹配封闭轮廓对,克服了已有算法计算复杂、容易造成误匹配,导致配准精度低,甚至配准失败的缺陷,具有配准精度高、算法速度快的特点。
实施例二:选用SAR图像为基准图像,可见光图像为待配准图像;
一种基于区域特征的多源异类图像配准方法,包括以下步骤:
S1:对于基准图像和待配准图像分别进行k-均值聚类处理,分割出基准图像和待配准图像的封闭区域,k-均值聚类算法的基本思想是分别选取基准图像和待配准图像的k个初始聚类中心,把数据集中所有的对象分为k个类,按最小距离的原则,通过迭代计算,逐次更新各类的中心,直到算法收敛到一定的结束条件,输出聚类结果,对于两幅图像,x*表示图像像素的灰度值,表示在第i次迭代后赋给第j类的像素集合,表示的均值,k-均值聚类分割算法的目标是使下式达到最小,
具体的步骤如下:
S11:确定两幅图像聚类分割的的分类数目K,随机选取K个像素值作为初始聚类中心;
S12:在第i次迭代时,考察每个像素,计算其与每个聚类中心的距离,并将其赋给距离它最近的类,即则
S2:对基准图像和待配准图像分割后得到的封闭区域分别运用数学形态学处理,进行数学形态学先腐蚀后膨胀的开运算,腐蚀消除封闭区域中比腐蚀因子小的散点和噪声,膨胀把封闭区域中比膨胀因子小的缺口或孔洞填充上,把断裂的区域连接成封闭轮廓,获得目标和背景各区域的封闭边界,提取出基准图像和待配准图像的封闭轮廓;
S3:删除基准图像和待配准图像的封闭轮廓中轮廓长轴长度小于设定阈值的封闭轮廓;
S4:在S3提取到的基准图像和待配准图像的封闭轮廓中,采用轮廓不变矩理论,利用封闭轮廓的矩不变量将封闭轮廓进行匹配,获得基准图像和待配准图像的初始匹配轮廓对,轮廓不变矩理论中,一个封闭轮廓的二维区域G,用7个不变矩来表示,二维区域G中心矩定义为式中,x,y表示二维区域G内的坐标,p、q分别代表x轴、y轴方向的指数,为二维区域G的质心坐标,利用中心矩,构造的7个不变矩表示如下:
对于每一个封闭轮廓的二维区域G,可以把它的7个不变矩看作是七维特征空间的一个点,两个二维区域G的相似性根据这两个点的距离来度量,距离Dij可以表示为:式中,i=1,2,…,m,j=1,2,…,n分别表示基准图像和待配准图像中的二维区域G的序号,对于基准图像中的m个二维区域和待配准图像中的n个二维区域,它们的关系可以用m×n的距离矩阵D来判定,距离矩阵D表示为: 选取距离矩阵D中每行元素最小值对应的匹配轮廓对,并设定一阈值DT,当选取的每行的匹配轮廓对的距离≤DT时,可以认为该匹配轮廓对满足匹配要求,得到基准图像和待配准图像的初始匹配轮廓对;
S5:在基准图像和待配准图像的初始匹配轮廓对中,以封闭轮廓的质心作为控制点,求取配准参数为s、θ、ΔX、s、θ、ΔX、为两图像之间的缩放系数、旋转量、x轴平移量和y轴平移量,基准图像和待配准图像的坐标(X,Y)与(X',Y')之间满足如下关系: 完成基准图像和待配准图像配准。
上述的一种基于区域特征的多源异类图像配准方法,基准图像和待配准图像的初始匹配轮廓对在求取配准参数之前,利用矩不变量的距离建立距离矩阵,计算矩不变量的距离方差矩阵,把距离方差矩阵中的每一行距离方差最小的两个轮廓作为求取配准参数的优化匹配轮廓对,初始匹配轮廓对中各个矩变量之间的距离均值及其方差把δij最小的两个封闭轮廓对作为优化匹配封闭轮廓对,i,j为基准图像和待配准图像的初始匹配轮廓对中封闭轮廓的序号。
上述的一种基于区域特征的多源异类图像配准方法,利用优化匹配轮廓对求取配准参数之前,计算优化匹配轮廓对长度的比例和比例均值,当优化匹配轮廓对的比例和比例均值之差的绝对值大于设定的阈值,则将该优化匹配轮廓对认为是误匹配的轮廓对,并将该优化匹配轮廓对删除,最终得到求取配准参数的准确匹配轮廓对,优化匹配轮廓对的比例均值式中Ai表示基准图像第i个优化封闭轮廓对中封闭轮廓的轮廓长度,Bj分别表示待配准图像第j个优化封闭轮廓对中封闭轮廓的轮廓长度;N表示优化匹配轮廓对的数目,计算得到的优化匹配封闭轮廓对长度的比例Lij和比例均值当则认为匹配正确,否则作为伪匹配对,并删除伪匹配对,最终得到求取配准参数的准确匹配轮廓对。
Claims (4)
1.一种基于区域特征的多源异类图像配准方法,其特征在于包括以下步骤:
S1:对于基准图像和待配准图像分别进行k-均值聚类处理,分割出基准图像和待配准图像的封闭区域;
S2:对基准图像和待配准图像分割后得到的封闭区域分别运用数学形态学处理,进行数学形态学先腐蚀后膨胀的开运算,腐蚀消除封闭区域中比腐蚀因子小的散点和噪声,膨胀把封闭区域中比膨胀因子小的缺口或孔洞填充上,把断裂的区域连接成封闭轮廓,获得目标和背景各区域的封闭边界,提取出基准图像和待配准图像的封闭轮廓;
S3:删除基准图像和待配准图像的封闭轮廓中轮廓长轴长度小于设定阈值的封闭轮廓;
S4:在S3提取到的基准图像和待配准图像的封闭轮廓中,采用轮廓不变矩理论,利用封闭轮廓的矩不变量将封闭轮廓进行匹配,获得基准图像和待配准图像的初始匹配轮廓对,轮廓不变矩理论中,一个封闭轮廓的二维区域G,用7个不变矩来表示,二维区域G中心矩定义为式中,x,y表示二维区域G内的坐标,p、q分别代表x轴、y轴方向的指数,为二维区域G的质心坐标,利用中心矩,构造的7个不变矩表示如下:
对于每一个封闭轮廓的二维区域G,可以把它的7个不变矩看作是七维特征空间的一个点,两个二维区域G的相似性根据这两个点的距离来度量,距离Dij可以表示为:式中,i=1,2,…,m,j=1,2,…,n分别表示基准图像和待配准图像中的二维区域G的序号,对于基准图像中的m个二维区域和待配准图像中的n个二维区域,它们的关系可以用m×n的距离矩阵D来判定,距离矩阵D表示为: 选取距离矩阵D中每行元素最小值对应的匹配轮廓对,并设定一阈值DT,当选取的每行的匹配轮廓对的距离≤DT时,可以认为该匹配轮廓对满足匹配要求,得到基准图像和待配准图像的初始匹配轮廓对;
2.根据权利要求1所述的一种基于区域特征的多源异类图像配准方法,其特征在于基准图像和待配准图像分别为可见光图像和SAR图像或SAR图像和可见光图像。
3.根据权利要求1或2所述的一种基于区域特征的多源异类图像配准方法,其特征在于基准图像和待配准图像的初始匹配轮廓对在求取配准参数之前,先利用矩不变量的距离建立距离矩阵,计算矩不变量的距离方差矩阵,把距离方差矩阵中的每一行距离方差最小的两个轮廓作为求取配准参数的优化匹配轮廓对。
4.根据权利要求3所述的一种基于区域特征的多源异类图像配准方法,其特征在于利用优化匹配轮廓对求取配准参数之前,计算得到的优化匹配轮廓对长度的比例和比例均值,当优化匹配轮廓对的比例和比例均值之差的绝对值大于设定的阈值,则将该优化匹配轮廓对认为是误匹配的轮廓对,并将该优化匹配轮廓对删除,最终得到求取配准参数的准确匹配轮廓对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310533490.7A CN103578105B (zh) | 2013-11-01 | 2013-11-01 | 一种基于区域特征的多源异类图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310533490.7A CN103578105B (zh) | 2013-11-01 | 2013-11-01 | 一种基于区域特征的多源异类图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103578105A true CN103578105A (zh) | 2014-02-12 |
CN103578105B CN103578105B (zh) | 2016-04-27 |
Family
ID=50049828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310533490.7A Expired - Fee Related CN103578105B (zh) | 2013-11-01 | 2013-11-01 | 一种基于区域特征的多源异类图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103578105B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107452030A (zh) * | 2017-08-04 | 2017-12-08 | 南京理工大学 | 基于轮廓检测和特征匹配的图像配准方法 |
CN108470028A (zh) * | 2017-02-23 | 2018-08-31 | 北京唱吧科技股份有限公司 | 一种图片审核方法和装置 |
CN109829904A (zh) * | 2019-01-29 | 2019-05-31 | 京东方科技集团股份有限公司 | 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质 |
CN113450299A (zh) * | 2020-03-09 | 2021-09-28 | 深圳中科飞测科技股份有限公司 | 图像匹配方法、计算机装置及可读存储介质 |
CN113610866A (zh) * | 2021-07-28 | 2021-11-05 | 上海墨说科教设备有限公司 | 练字图像的裁剪方法、装置、设备和存储介质 |
CN115272312A (zh) * | 2022-09-27 | 2022-11-01 | 江苏兴尔斯塑业有限公司 | 基于机器视觉的塑料手机外壳缺陷检测方法 |
-
2013
- 2013-11-01 CN CN201310533490.7A patent/CN103578105B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
Z WANG等: "《Automatic registration of sar and optical image based on multi-features and multi-constraints》", 《2010 IEEE INTERNATIONAL ON GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 * |
陈广居等: "《基于局部显著特征的快速图像配准方法》", 《计算机应用研究》 * |
陈贤巧: "《基于特征的图像配准算法研究》", 《中国优秀硕士学位论文全文数据库》 * |
韦燕凤等: "《基于特征的遥感图像自动配准算法》", 《电子学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470028A (zh) * | 2017-02-23 | 2018-08-31 | 北京唱吧科技股份有限公司 | 一种图片审核方法和装置 |
CN107452030A (zh) * | 2017-08-04 | 2017-12-08 | 南京理工大学 | 基于轮廓检测和特征匹配的图像配准方法 |
CN109829904A (zh) * | 2019-01-29 | 2019-05-31 | 京东方科技集团股份有限公司 | 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质 |
US11156564B2 (en) | 2019-01-29 | 2021-10-26 | Beijing Boe Optoelectronics Technology Co., Ltd. | Dirt detection on screen |
CN109829904B (zh) * | 2019-01-29 | 2022-01-14 | 京东方科技集团股份有限公司 | 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质 |
CN113450299A (zh) * | 2020-03-09 | 2021-09-28 | 深圳中科飞测科技股份有限公司 | 图像匹配方法、计算机装置及可读存储介质 |
CN113610866A (zh) * | 2021-07-28 | 2021-11-05 | 上海墨说科教设备有限公司 | 练字图像的裁剪方法、装置、设备和存储介质 |
CN113610866B (zh) * | 2021-07-28 | 2024-04-23 | 上海墨说科教设备有限公司 | 练字图像的裁剪方法、装置、设备和存储介质 |
CN115272312A (zh) * | 2022-09-27 | 2022-11-01 | 江苏兴尔斯塑业有限公司 | 基于机器视觉的塑料手机外壳缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103578105B (zh) | 2016-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028277B (zh) | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 | |
Zhang et al. | Change detection between multimodal remote sensing data using Siamese CNN | |
Veit et al. | Evaluation of road marking feature extraction | |
CN103578105B (zh) | 一种基于区域特征的多源异类图像配准方法 | |
Chen et al. | Building change detection with RGB-D map generated from UAV images | |
Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
CN111192284A (zh) | 一种车载激光点云分割方法及系统 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN103593832A (zh) | 一种基于高斯二阶差分特征检测算子的图像拼接方法 | |
CN110889398B (zh) | 一种基于相似度网络的多模态图像能见度检测方法 | |
CN103310199B (zh) | 基于高分辨率遥感数据的车辆型号识别方法 | |
CN103473551A (zh) | 基于sift算子的台标识别方法及系统 | |
CN108537169B (zh) | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 | |
CN103727930A (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
CN102930525A (zh) | 基于仿射不变特征与单应矩阵的线匹配方法 | |
CN105956542B (zh) | 一种结构线束统计匹配的高分遥感影像道路提取方法 | |
CN104851089A (zh) | 一种基于三维光场的静态场景前景分割方法和装置 | |
CN111213154A (zh) | 一种车道线检测方法、设备、移动平台及存储介质 | |
CN103309982A (zh) | 一种基于视觉显著点特征的遥感影像检索方法 | |
Yuan et al. | Road segmentation in aerial images by exploiting road vector data | |
CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
Hu et al. | Automatic extraction of main road centerlines from high resolution satellite imagery using hierarchical grouping | |
Li et al. | Pixel-level recognition of pavement distresses based on U-Net | |
CN102034103B (zh) | 一种遥感影像的线性要素提取方法 | |
Jiang et al. | Leveraging vocabulary tree for simultaneous match pair selection and guided feature matching of UAV images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160427 Termination date: 20171101 |
|
CF01 | Termination of patent right due to non-payment of annual fee |