CN103679713A - 一种针对部分匹配图像的二维图像配准方法 - Google Patents
一种针对部分匹配图像的二维图像配准方法 Download PDFInfo
- Publication number
- CN103679713A CN103679713A CN201310646684.8A CN201310646684A CN103679713A CN 103679713 A CN103679713 A CN 103679713A CN 201310646684 A CN201310646684 A CN 201310646684A CN 103679713 A CN103679713 A CN 103679713A
- Authority
- CN
- China
- Prior art keywords
- image
- floating
- point
- floating image
- registration
- 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.)
- Pending
Links
Images
Abstract
本发明公开了一种针对部分匹配图像的二维图像配准方法,包括对待配准的两幅图像提取边界;使用几何特征差分布直方图的方法对两幅边界图像进行预配准,得到粗略的空间变换参数;用粗略的空间变换参数对浮动图像进行校正,然后去除多余的边界点;使用平均Hausdorff距离进行精确配准,得到更准确的空间变换参数,直至达到所需精度。本发明结合几何特征差分布直图和广义Hausdorff距离,既能减少多余边界对预配准结果的影响,又能实现对浮动图像中多余边界点的去除,从而实现对图像准确的配准和校正。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种针对部分匹配图像的二维图像配准方法。
背景技术
同一对象或同类对象的多幅图像在不同侧面反映了对象的特征,对这些图像进行比较、分析和综合,可以对该对象有更全面的了解。由于成像设备、时间、成像条件等不同,所成图像有空间位置变化(局部或全局),在进行分析和比较之前,需要对其空间位置进行对齐,即经过合适的空间变换,使图像中同一位置的像素反映对象中同一点,这就是图像配准的基本概念。其中称作为配准依据的相对不动的图像IM为模板图像,而要与IM进行配准的进行空间变换的图像IF为浮动图像。图像配准是模式识别、计算机视觉、图像融合、三维重建、机器人视觉、图像拼接、视觉检查等技术的基础。
配准算法可分为基于灰度的方法和基于特征的方法。
基于灰度的方法有两个局限:第一,模板图像与浮动图像必须在密度函数上有一定程度的相似性或统计依赖性;第二,在基于灰度的方法中,由于两幅图像的每一个像素点都要参与计算,所以在最优变换的搜索过程中往往计算量很大。基于特征的配准方法可大致分为两类,一类从两幅图像的特征集中寻找对应特征,再通过对应特征进行配准,另一类不寻求对应特征,而是定义两个特征集整体之间的某种相似性度量,来进行配准。基于平均Hausdorff距离的方法是第二类算法中一种常用的最具有代表性的配准方法。它避免了复杂的寻找对应特征的步骤,有较好的应用前景。但对边界不完全对应的情况,如何得到准确的配准结果是它的一个问题。
基于平均Hausdorff距离的方法的不足在于,但当浮动图像相比于模板图像存在多余边界时,多余边界点就会对相似性度量有较大影响。因为除去多余部分,浮动图像边界的其余部分可以与模板图像中对应的边界精确对准,这时,在平均意义上,多余部分离模板图像边界点集相对较远,平均距离值较大,如果多余部分的边界点数又相对较多时,会对寻优方法的目标函数值产生较大影响,就不会在真正配准的位置取得最优的配准结果。
发明内容
本发明的目的在于克服现有技术存在的缺点与不足,提供一种针对部分匹配图像的二维图像配准方法。
本发明采用如下技术方案:
一种针对部分匹配图像的二维图像配准方法,包括如下步骤:
S1对模板图像IM和浮动图像IF提取边界,分别得到模板图像和浮动图像的边界图像CM和CF;
S2对S1得到的边界图像CM和CF进行预配准,得到粗略的空间变换参数,所述空间变换参数包括浮动图像相对于模板图像旋转的角度,浮动图像相对于模板图像在X轴及Y轴的位移;
S3用S2得到的粗略的空间变换参数对浮动图像的边界图像CF进行校正,然后通过广义Hausdorff距离的二阶差分的分析,去除多余的边界点,得到新的浮动图像边界CF’;
S4对模板图像的边界图像CM和新的浮动图像边界图像CF’,使用平均Hausdorff距离进行精确配准,得到精确的空间变换参数;
S5重复步骤S3-S4,使精确的空间变换参数达到所需精度,则配准完成。
所述S1中具体采用Canny边缘检测算子提取边界。
所述S2中预配准采用几何特征差分布直方图的方法,具体为:
S2.1对于模板图像IM和浮动图像IF的边界图像CM和CF,求取每一个边界点在模板图像IM和浮动图像IF处的梯度方向;
S2.2采用几何特征差分布直方图的方法计算浮动图像相对于模板图像旋转的角度:
S2.3使用S2.2所得的角度,对浮动图像的边界图像CF进行角度补偿;
S2.4分别在模板图像的边界图像CM和经过角度补偿后的浮动图像的边界图像CF上设定坐标轴原点,一般设定图像左上角处为坐标轴原点,采用几何特征差分布直方图的方法计算浮动图像相对模板图像在X轴方向的位移tx,采用与求取tx相同的方法,得到浮动图像相对模板图像在Y轴方向的位移ty。
所述S2.2中采用几何特征差分布直方图的方法计算浮动图像相对于模板图像旋转的角度,具体为:设为过边界点u的梯度方向,点pi∈CM,点qj∈CF,其中i=1,2,…,NM,j=1,2,…,NF,NM和NF分别为CM和CF中边界点的个数,那么,pi与qj的梯度方向角度之差表示为得到θ(i,j)后取整,并使其变化范围在0°~359°之间,然后对θ(i,j)作出梯度方向角度差分布直方图,取最高峰值处的θ值为浮动图像相对于模板图像旋转的角度。
所述S2.4中采用几何特征差分布直方图的方法计算浮动图像相对模板图像在X轴方向的位移tx,具体为:设x(u)表示边界点u在X轴方向上的坐标值,计算模板图像上的边界点pi和角度补偿后的浮动图像的边界点qj’在X轴方向的坐标差值X(i,j)=x(qj’)-x(pi),对X(i,j)作坐标差分布直方图,取分布的最高峰值为浮动图像相对模板图像在X轴方向的位移tx。
所述S2.1中求取每一个边界点在模板图像IM和浮动图像IF处的梯度方向,具体采用Sobel梯度算子或高斯梯度算子。
所述S3中通过对广义Hausdorff距离的二阶差分的分析,去除多余的边界点,具体为:
S3.1使用预配准所得粗略的空间变换参数对浮动图像的边界图像CF进行校正,得到校正后的边界图像CF (i)
S3.2计算所有不同k值(k=1,2,…,NF)下校正后的CF (i)到CM的广义Hausdorff距离,并按k从小到大进行排序,得到非递减序列,记为H(CF (i),CM);
所述给定点集A到B的广义Hausdorff距离:
hk(A,B)=ktha∈Aminb∈B||a-b||
其中kth表示第k小,hk(A,B)随着k值的不同而改变;
S3.3计算H(CF (i),CM)对k的二阶差分:
其中一阶差分的计算为
其中d为自然数,d通常取5,得到二阶差分序列Δ2H(CF (i),CM);
S3.4计算二阶差分序列Δ2H(CF (i),CM)中的最大值Δ2Hmax和次大值Δ2Hsmax,及其在序列中对应的下标kmax和ksmax;
S3.5标记出CF中CFE的多余边界点,
若Δ2Hmax-Δ2Hsmax>Q,求得最大值点的序号kmax,将序号k>kmax的点标记为多余边界点;
S3.6将多余边界点去除,得到新的浮动图像边界CF’。
所述S4中使用基于平均Hausdorff距离进行精确配准具体为,以平均Hausdorff距离作为寻优算法的目标函数,求得满足平均Hausdorff距离最小的空间变换参数。
所述寻优算法为Powell算法、模拟退火算法、遗传算法或粒子群算法。
所述S5判断是否平均Hausdorff距离小于一个给定的常数或CF’中的边界点数小于一个给定的常数,否则重复S3-S4的过程,直至终止条件满足为止。
本发明的有益效果:
(1)本发明使得计算机可以对不同种类的二维图像进行空间位置的配准校正,而且克服了其它配准方法在浮动图像与模板图像相比有多余部分的情况下配准误差较大的缺点;
(2)配准方法基于边界点,不需要图像所有的像素都参与运算,而且不需要建立点或特征的对应关系,计算效率高,能保证算法的实时性;
(3)使用几何特征差分布直方图方法对图像进行预配准,基于对几何特征的统计性质,减少多余边界对预配准结果的影响,该方法对多余边界不敏感;
(4)使用几何特征差分布直方图方法对图像进行预配准,不需要进行迭代计算,也不需要使用优化方法进行全局寻优,耗时少;
(5)根据对广义Hausdorff距离的分析,能实现对浮动图像中多余边界点的去除,从而实现对图像准确的配准和校正;
(6)算法简单易行,鲁棒性较好。特别地,算法适用于图像部分匹配、图像边界提取得不理想、不完整或者边界断断续续的情况下的图像配准。
附图说明
图1为本发明一种针对部分匹配图像的二维图像配准方法的流程图;
图2为图1中预配准步骤的流程图;
图3为图1中去除多余边界点步骤的流程图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,一种针对部分匹配图像的二维图像配准方法,包括如下步骤:
S1对模板图像IM和浮动图像IF提取边界,分别得到模板图像和浮动图像的边界图像CM和CF;
本发明提取边界具体采用Canny算子,也可以使用其他边缘检测算子,如Roberts、Sobel、Prewitt、Robinson和拉普拉斯算子等。但是Canny算子获得的图像的大边缘呈现为连贯的曲线,而且是单像素宽,有利于进行边界的匹配。
提取边界具体包括如下步骤:
S1.1首先用2D高斯滤波模板进行卷积以平滑图像。
S1.2利用微分算子计算梯度的幅值和方向,假设图像上某一像素点(i,j),则该点的梯度幅值和梯度方向分别表示为
其中Cx(i,j)和Cy(i,j)分别为X和Y轴方向上的偏导数。
S1.3对梯度幅值进行非极大值抑制。即遍历图像,若点(i,j)处的梯度幅值C(i,j)大于θ(i,j)方向上前后两个点的插值,则点(i,j)标记为候选边缘点,反之则标记为非边缘点。
S1.4使用双阈值法检测和连接边缘。使用累计直方图计算一个高阈值和一个低阈值。凡是大于高阈值的一定是边缘;凡是小于边阈值的一定不是边缘。如果检测结果大于低阈值又小于高阈值,则根据边缘的连通性,判断该点的邻接点中有没有超过高阈值的边缘,如果有,则该点也是边缘点。
S2对S1得到的边界图像CM和CF进行预配准,得到粗略的空间变换参数,所述空间变换参数包括浮动图像相对于模板图像旋转的角度,浮动图像相对于模板图像在X轴及Y轴的位移;
如图2所示,具体包括如下步骤:
S2.1对于模板图像IM和浮动图像IF的边界图像CM和CF,求取每一个边界点在模板图像IM和浮动图像IF处的梯度方向;即对于每一个边界点,在原图像IM和IF的该点周围的像素值的基础上计算梯度方向;
所述S2.1中求取每一个边界点在模板图像IM和浮动图像IF处的梯度方向,具体采用Sobel梯度算子或高斯梯度算子。
S2.2采用几何特征差分布直方图的方法计算浮动图像相对于模板图像旋转的角度:
所述S2.2中采用几何特征差分布直方图的方法计算浮动图像相对于模板图像旋转的角度,具体为:设为过边界点u的梯度方向,点pi∈CM,点qj∈CF,其中i=1,2,…,NM,j=1,2,…,NF,NM和NF分别为CM和CF中边界点的个数,那么,pi与qj的梯度方向角度之差表示为得到θ(i,j)后取整,并使其变化范围在0°~359°之间,然后对θ(i,j)作出梯度方向角度差分布直方图,取最高峰值处的θ值为浮动图像相对于模板图像旋转的角度。
上述步骤S2.2中,对于梯度方向角度差分布直方图中可能出现一些伪峰值点,可以取分布中取前n大的频率的峰值。对这n个峰值所对应的梯度方向角度差都分别做如下操作:进行角度补偿和平移量估计,使用得到的空间变换参数对浮动边界进行空间校正后计算其相对模板边界的平均Hasudroff距离。比较所得的n个,最小的对应的角度参数就是最优的旋转角度峰值,算法实现时,n通常取5。
S2.3使用S2.2所得的角度,对浮动图像的边界图像CF进行角度补偿;
S2.4分别在模板图像的边界图像CM和经过角度补偿后的浮动图像的边界图像CF上设定坐标轴原点,一般设定图像左上角处为坐标轴原点,采用几何特征差分布直方图的方法计算浮动图像相对模板图像在X轴方向的位移tx,采用与求取tx相同的方法,得到浮动图像相对模板图像在Y轴方向的位移ty。
所述S2.4中采用几何特征差分布直方图的方法计算浮动图像相对模板图像在X轴方向的位移tx,具体为:设x(u)表示边界点u在X轴方向上的坐标值,计算模板图像上的边界点pi和角度补偿后的浮动图像的边界点qj’在X轴方向的坐标差值X(i,j)=x(qj’)-x(pi),对X(i,j)作坐标差分布直方图,取分布的最高峰值为浮动图像相对模板图像在X轴方向的位移tx。
几何特征差分布直方图的预配准可以得到浮动图像相对于模板图像的空间变换参数的一个近似,但这个结果不受到浮动图像上的多余边界的影响,预配准结果接近真实值,而且不用需要建立点或特征的对应关系。
S3用S2得到的粗略的空间变换参数对浮动图像的边界图像CF进行校正,然后通过广义Hausdorff距离的二阶差分的分析,去除多余的边界点,得到新的浮动图像边界CF’;
如图3所示,所述S3中通过对广义Hausdorff距离的二阶差分的分析,去除多余的边界点,具体为:
S3.1使用预配准所得粗略的空间变换参数对浮动图像的边界图像CF进行校正,得到校正后的边界图像CF (i)
S3.2计算所有不同k值(k=1,2,…,NF)下校正后的CF (i)到CM的广义Hausdorff距离,并按k从小到大进行排序,得到非递减序列,记为H(CF (i),CM);
所述给定点集A到B的广义Hausdorff距离:
hk(A,B)=ktha∈Aminb∈B||a-b||
其中kth表示第k小,hk(A,B)随着k值的不同而改变;
S3.3计算H(CF (i),CM)对k的二阶差分:
其中一阶差分的计算为
其中d为自然数,d通常取5,得到二阶差分序列Δ2H(CF (i),CM);
S3.4计算二阶差分序列Δ2H(CF (i),CM)中的最大值Δ2Hmax和次大值Δ2Hsmax,及其在序列中对应的下标kmax和ksmax;
S3.5标记出CF中CFE的多余边界点,
若Δ2Hmax-Δ2Hsmax>Q,求得最大值点的序号kmax,将序号k>kmax的点标记为多余边界点;
S3.6将多余边界点去除,得到新的浮动图像边界CF’。
S3中hk(A,B)随着k值的不同而改变,其意义是对每一点a∈A,统计a与点集B中和它最靠近的点之间的距离,然后,对这些距离行排序,第k小的距离就是hk(A,B)。若设CF其中包含有多余边界为CFE,真正与CM对应的边界为CFR。那么广义Hausdorff距离hk(CFE,CM)要比hk(CFR,CM)大,并随k的增大而较快增长。将广义Hausdorff距离按k从小到大进行排序(k=1,2,…,NF),得到序列H(CF,CM)。本发明通过分析序列H(CF,CM)的增长幅度得到CF中CFR和CFE的分界点,从而去除多余边界。
S4对模板图像的边界图像CM和新的浮动图像边界图像CF’,再与CM使用平均Hausdorff距离进行精确配准,判断是否平均Hausdorff距离小于一个给定的常数或CF中的边界点数小于一个给定的常数,否则重复多余边界去除和精确配准过程,直至终止条件满足为止。
Hausdorff距离的计算可以使用距离变换的方法进行简化和加速。距离变换是度量图像中非边界点到最近边界点距离的变换,边界点对应的距离为零值。距离变换的目的是产生一幅距离图像,图像中每个像素点的值被赋予该点到最近的图像边界像素点的距离。这里的距离可以使用街区距离、棋盘距离、伪欧氏距离、倒角距离。本发明的方法主要使用的是3-4倒角距离。
如下表所示,为距离变换的一个例子,其值为0的点为边界点,其它非零值对应边界点周围的非边界点,表示非边界点到最近边界点的距离。
8 | 7 | 6 | 7 | 8 |
7 | 4 | 3 | 4 | 7 |
6 | 3 | 0 | 3 | 6 |
7 | 4 | 3 | 4 | 7 |
8 | 7 | 6 | 7 | 8 |
使用基于平均Hausdorff距离进行精确配准时,以平均Hausdorff距离作为寻优方法的目标函数,求得满足平均Hausdorff距离最小的空间变换参数。可以使用的寻优方法有Powell算法、模拟退火算法、遗传算法、粒子群算法等。
本发明的配准方法所针对的空间变换为刚体变换模型,所以空间变换的参数有三个,分别为旋转角度θ,tx和ty为在水平方向和竖直方向上的平移量。
假设原来坐标为(x,y),变换后坐标为(x’,y’),则变换公式可表示为:
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种针对部分匹配图像的二维图像配准方法,其特征在于,包括如下步骤:
S1对模板图像IM和浮动图像IF提取边界,分别得到模板图像和浮动图像的边界图像CM和CF;
S2对S1得到的边界图像CM和CF进行预配准,得到粗略的空间变换参数,所述空间变换参数包括浮动图像相对于模板图像旋转的角度,浮动图像相对于模板图像在X轴及Y轴的位移;
S3用S2得到的粗略的空间变换参数对浮动图像的边界图像CF进行校正,然后通过广义Hausdorff距离的二阶差分的分析,去除多余的边界点,得到新的浮动图像边界CF’;
S4对模板图像的边界图像CM和新的浮动图像边界图像CF’,使用平均Hausdorff距离进行精确配准,得到精确的空间变换参数;
S5重复步骤S3-S4,使精确的空间变换参数达到所需精度,则配准完成。
2.根据权利要求1所述的配准方法,其特征在于,所述S1中具体采用Canny边缘检测算子提取边界。
3.根据权利要求1所述的配准方法,其特征在于,所述S2中预配准采用几何特征差分布直方图的方法,具体为:
S2.1对于模板图像IM和浮动图像IF的边界图像CM和CF,求取每一个边界点在模板图像IM和浮动图像IF处的梯度方向;
S2.2采用几何特征差分布直方图的方法计算浮动图像相对于模板图像旋转的角度:
S2.3使用S2.2所得的角度,对浮动图像的边界图像CF进行角度补偿;
S2.4分别在模板图像的边界图像CM和经过角度补偿后的浮动图像的边界图像CF上设定坐标轴原点,采用几何特征差分布直方图的方法计算浮动图像相对模板图像在X轴方向的位移tx,采用与求取tx相同的方法,得到浮动图像相对模板图像在Y轴方向的位移ty。
5.根据权利要求3所述的配准方法,其特征在于,所述S2.4中采用几何特征差分布直方图的方法计算浮动图像相对模板图像在X轴方向的位移tx,具体为:设x(u)表示边界点u在X轴方向上的坐标值,计算模板图像上的边界点pi和角度补偿后的浮动图像的边界点qj’在X轴方向的坐标差值X(i,j)=x(qj’)-x(pi),对X(i,j)作坐标差分布直方图,取分布的最高峰值为浮动图像相对模板图像在X轴方向的位移tx。
6.根据权利要求3所述的配准方法,其特征在于,所述S2.1中求取每一个边界点在模板图像IM和浮动图像IF处的梯度方向,具体采用Sobel梯度算子或高斯梯度算子。
7.根据权利要求1所述的配准方法,其特征在于,所述S3中通过对广义Hausdorff距离的二阶差分的分析,去除多余的边界点,具体为:
S3.1使用预配准所得粗略的空间变换参数对浮动图像的边界图像CF进行校正,得到校正后的边界图像CF (i)
S3.2计算所有不同k值(k=1,2,…,NF)下校正后的CF (i)到CM的广义Hausdorff距离,并按k从小到大进行排序,得到非递减序列,记为H(CF (i),CM);
所述给定点集A到B的广义Hausdorff距离:
hk(A,B)=ktha∈Aminb∈B||a-b||
其中kth表示第k小,hk(A,B)随着k值的不同而改变;
S3.3计算H(CF (i),CM)对k的二阶差分:
其中一阶差分的计算为
其中d为自然数,d通常取5,得到二阶差分序列Δ2H(CF (i),CM);
S3.4计算二阶差分序列Δ2H(CF (i),CM)中的最大值Δ2Hmax和次大值Δ2Hsmax,及其在序列中对应的下标kmax和ksmax;
S3.5标记出CF中CFE的多余边界点,
若Δ2Hmax-Δ2Hsmax>Q,求得最大值点的序号kmax,将序号k>kmax对应的点标记为多余边界点;
S3.6将多余边界点去除,得到新的浮动图像边界CF’。
8.根据权利要求1所述的配准方法,其特征在于,所述S4中使用基于平均Hausdorff距离进行精确配准具体为,以平均Hausdorff距离作为寻优算法的目标函数,求得满足平均Hausdorff距离最小的空间变换参数。
9.根据权利要求8所述的配准方法,其特征在于,所述寻优算法为Powell算法、模拟退火算法、遗传算法或粒子群算法。
10.根据权利要求7所述的配准方法,其特征在于,所述S3.5中λ为1.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310646684.8A CN103679713A (zh) | 2013-12-04 | 2013-12-04 | 一种针对部分匹配图像的二维图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310646684.8A CN103679713A (zh) | 2013-12-04 | 2013-12-04 | 一种针对部分匹配图像的二维图像配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103679713A true CN103679713A (zh) | 2014-03-26 |
Family
ID=50317164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310646684.8A Pending CN103679713A (zh) | 2013-12-04 | 2013-12-04 | 一种针对部分匹配图像的二维图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679713A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537640A (zh) * | 2014-11-27 | 2015-04-22 | 中国科学院深圳先进技术研究院 | 基于梯度直方图分布匹配确定三维旋转量的方法和系统 |
CN105787870A (zh) * | 2016-02-21 | 2016-07-20 | 郑州财经学院 | 一种图形图像拼接融合系统 |
CN105938615A (zh) * | 2016-04-01 | 2016-09-14 | 武汉熹光科技有限公司 | 基于特征导向gmm和边缘图像的图像配准方法及系统 |
CN108182699A (zh) * | 2017-12-28 | 2018-06-19 | 北京天睿空间科技股份有限公司 | 基于二维图像局部变形的三维配准方法 |
CN108416735A (zh) * | 2018-03-19 | 2018-08-17 | 深圳市深图医学影像设备有限公司 | 基于几何特征的数字化x线图像的拼接方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163620A (en) * | 1998-05-29 | 2000-12-19 | Eastman Kodak Company | Automatic process for detecting changes between two images |
CN101706843A (zh) * | 2009-11-16 | 2010-05-12 | 杭州电子科技大学 | 一种乳腺cr图像交互式读片方法 |
CN102298779A (zh) * | 2011-08-16 | 2011-12-28 | 淮安盈科伟力科技有限公司 | 全景辅助泊车系统的图像配准方法 |
-
2013
- 2013-12-04 CN CN201310646684.8A patent/CN103679713A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163620A (en) * | 1998-05-29 | 2000-12-19 | Eastman Kodak Company | Automatic process for detecting changes between two images |
CN101706843A (zh) * | 2009-11-16 | 2010-05-12 | 杭州电子科技大学 | 一种乳腺cr图像交互式读片方法 |
CN102298779A (zh) * | 2011-08-16 | 2011-12-28 | 淮安盈科伟力科技有限公司 | 全景辅助泊车系统的图像配准方法 |
Non-Patent Citations (2)
Title |
---|
冯晓伟: "基于特征点的图像配准技术及应用", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
卢毅 等: "基于Hausdorff距离的反舰导弹预定目标选择方法", 《数据采集与处理》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537640A (zh) * | 2014-11-27 | 2015-04-22 | 中国科学院深圳先进技术研究院 | 基于梯度直方图分布匹配确定三维旋转量的方法和系统 |
CN104537640B (zh) * | 2014-11-27 | 2018-01-09 | 中国科学院深圳先进技术研究院 | 基于梯度直方图分布匹配确定三维旋转量的方法和系统 |
CN105787870A (zh) * | 2016-02-21 | 2016-07-20 | 郑州财经学院 | 一种图形图像拼接融合系统 |
CN105938615A (zh) * | 2016-04-01 | 2016-09-14 | 武汉熹光科技有限公司 | 基于特征导向gmm和边缘图像的图像配准方法及系统 |
CN105938615B (zh) * | 2016-04-01 | 2018-10-26 | 武汉熹光科技有限公司 | 基于特征导向gmm和边缘图像的图像配准方法及系统 |
CN108182699A (zh) * | 2017-12-28 | 2018-06-19 | 北京天睿空间科技股份有限公司 | 基于二维图像局部变形的三维配准方法 |
CN108182699B (zh) * | 2017-12-28 | 2019-11-08 | 北京天睿空间科技股份有限公司 | 基于二维图像局部变形的三维配准方法 |
CN108416735A (zh) * | 2018-03-19 | 2018-08-17 | 深圳市深图医学影像设备有限公司 | 基于几何特征的数字化x线图像的拼接方法及装置 |
CN108416735B (zh) * | 2018-03-19 | 2022-02-01 | 深圳市深图医学影像设备有限公司 | 基于几何特征的数字化x线图像的拼接方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318548B (zh) | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 | |
CN101216895B (zh) | 一种复杂背景图像中椭圆图像特征的自动提取方法 | |
CN102298779B (zh) | 全景辅助泊车系统的图像配准方法 | |
CN108597009B (zh) | 一种基于方向角信息进行三维目标检测的方法 | |
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 | |
CN103971378A (zh) | 一种混合视觉系统中全景图像的三维重建方法 | |
CN104574421A (zh) | 一种大幅面小重合区域高精度多光谱图像配准方法及装置 | |
CN104200461A (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN103679713A (zh) | 一种针对部分匹配图像的二维图像配准方法 | |
CN106204557A (zh) | 一种基于扩展高斯球与m估计的非完备数据对称特征的提取方法 | |
CN101698303A (zh) | 一种三维激光和单目视觉间的自动标定方法 | |
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 | |
CN105261047A (zh) | 一种基于近距离短弧段图像的对接环圆心提取方法 | |
CN101144708A (zh) | 三维扫描系统中圆形标志点的检测方法 | |
CN103679714A (zh) | 一种基于梯度互相关的光学和sar图像自动配准方法 | |
CN104200463A (zh) | 基于傅立叶梅林变换和最大互信息理论的图像配准方法 | |
CN105023265A (zh) | 鱼眼镜头下的棋盘格角点自动检测方法 | |
CN111126116A (zh) | 无人船河道垃圾识别方法及系统 | |
CN101833763B (zh) | 一种水面倒影图像检测方法 | |
CN103839262A (zh) | 一种基于直线和fft的sar图像配准方法 | |
CN103714547A (zh) | 一种结合边缘区域和互相关的图像配准方法 | |
Qiao et al. | Improved Harris sub-pixel corner detection algorithm for chessboard image | |
CN104331885A (zh) | 一种基于投票线聚类的圆形目标检测方法 | |
CN113884002A (zh) | 基于二三维信息融合的受电弓滑板上表面检测系统及方法 | |
CN103700082B (zh) | 基于对偶四元数相对定向的图像拼接方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140326 |