CN104574372A - 基于相似特征三角形的图像配准方法 - Google Patents
基于相似特征三角形的图像配准方法 Download PDFInfo
- Publication number
- CN104574372A CN104574372A CN201410808359.1A CN201410808359A CN104574372A CN 104574372 A CN104574372 A CN 104574372A CN 201410808359 A CN201410808359 A CN 201410808359A CN 104574372 A CN104574372 A CN 104574372A
- Authority
- CN
- China
- Prior art keywords
- feature
- delta
- point
- unique point
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000011426 transformation method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数字图像处理领域,为提出一种图像配准方法,从而可以为相似变换下的图像配准提供一种精确快速的解决方案。为此,本发明采取的技术方案是,基于相似特征三角形的图像配准方法,包括如下步骤:1)特征点提取及特征匹配;2)随机选取样本构成特征三角形;3)相似特征三角形预检验;4)根据最大欧氏距离法选取样本点;5)通过求解变换模型及全数据检验得到变换模型。本发明主要应用于数字图像处理。
Description
技术领域
本发明涉及数字图像处理领域,特别涉及一种用于相似变换下的图像配准方法。
技术背景
图像配准作为图像拼接的核心技术,在全景拼接、超分辨率图像、二维平面物体运动估计、分布式相机网络校准等多个方面都有着重要的应用。图像配准的目的是根据不同视角采集到的图像的重叠区域,找到一种能够描述两幅图像之间关系的变换模型。图像配准的精度和速度对后续图像的处理效果将会产生直接的影响。在对二维景物成像时,图像配准所寻找的变换关系可分为刚性变换,相似变换,仿射变换以及投影变换等。其中相似变换常见于卫星拍摄地球遥感图像、光轴平行的多相机拍摄远距离物体等情况。
图像配准方法通常采用基于特征的方法,一般是先通过特征提取算法对待配准的两幅图像进行特征提取,然后利用特征匹配算法将提取的特征点进行匹配,得到两幅图像中特征点的一一对应关系。最后利用这些匹配好的特征点对完成对图像配准变换模型的估算,并利用模型完成图像的配准及拼接。但通常这些匹配的特征点对中包含一定比例的异常数据,这些异常数据可能是由于噪声污染、测量误差或计算误差而产生。如果在对图像配准的变换模型估算时,错误的采用了异常的数据而导致变换模型估算的错误,将最终导致图像配准错误并进一步导致图像拼接或运动估计等应用实现的失败。
随机抽样一致(RANdom SAmple Consensus,RANSAC)算法作为一种参数估算方法,广泛地用于估算能够概括一组数据集的数学模型的参数,即使这一数据集包含一定比例的异常数据。通过在多次随机采样估算后,选取最多内点的模型为图像变换模型的RANSAC算法,能够有效剔除外点并保留了内点,当抽取次数足够多时,能够以较大概率保证内点和变换模型的准确性。
但基于传统RANSAC的图像配准方法在变换模型的估算上,精度与速度都无法达到更高的要求,尤其在具有广泛应用的相似变换图像配准上。采用标准的用于复杂投影变换情况下的RANSAC算法会使得相似变换模型的估算浪费不必要的时间和资源,同时全数据检验会因为抛弃检验不成功的样本而导致算法的迭代过程浪费大量不必要的时间,并且算法的随机性可能会导致选择某几个数据点之间的欧氏距离过小,而使得估算的变换模型不稳定和精度不高。
发明内容
为克服现有技术的不足,本发明的目的在于提出一种图像配准方法,从而可以为相似变换下的图像配准提供一种精确快速的解决方案。为此,本发明采取的技术方案是,基于相似特征三角形的图像配准方法,包括如下步骤:
1)特征点提取及特征匹配
将待配准两幅图像分为参考图像和目标图像,分别在两幅图像中利用特征提取算法进行特征点的提取,然后利用特征匹配算法对提取的特征点进行匹配,得到目标图像中特征点到 参考图像特征点的一一对应关系,即匹配的特征点对;
2)随机选取样本构成特征三角形
从匹配好的特征点对中随机选取3对作为一个数据点样本,并分别在参考图像和目标图像中利用选取的3个特征点构成一个特征三角形,特征三角形分别为△R1R2R3、△T1T2T3,其中,顶点R1(xR1,yR1)、R2(xR2,yR2)、R3(xR3,yR3)为参考图像中的三个特征点,并一一对应着目标图像中的三个特征点T1(xT1,yT1)、T2(xT2,yT2)、T3(xT3,yT3);dR12、dR23、dR13、dT12、dT23、dT13分别是两两特征点之间的欧氏距离;
3)相似特征三角形预检验
根据两幅图像之间的相似变换关系以及3对特征点对中特征点的一一对应关系,匹配正确的特征三角形对应满足相似关系:
其中r为目标图像到参考图像的缩放比例因子,将式(1)中的等式各项平方后,可以变形为满足式(1)成立的充分必要条件:
由于在多视角的二维平面景物图像的配准过程中,特征点的各向坐标值均看作是测量值,并满足如下关系:
其中x、y为坐标值的真实值,Δx、Δy为受到噪声污染的坐标值误差,通常坐标值误差服从以均值μ=0、标准差σ=0.001的高斯分布。将式(3)代入欧氏距离公式并带入到式(2)并最终代入到式(1)中,得到:
其中
D2、D3、D4依式(5)类推,es1和es2分别为对应于两个等式的相似误差;当特征三角形对满足如下关系
时,特征三角形对相似成立,即通过预检验;否则,抛弃此样本,重新选取;其中A为坐标误差归一化系数,根据式(5)多项式的各项系数,采用两个特征点的x坐标差值绝对值均值的三次方或y坐标差值绝对值均值的三次方作为坐标误差归一化系数A;阈值ths是一个由统计方法得出的高斯分布特征值;
4)根据最大欧氏距离法选取样本点
选取目标图像中的特征三角形中边长最大的一条边,即选取目标图像中三个特征点两两之间欧氏距离dT12、dT23、dT13中最大的一个,然后选取以这一最大欧氏距离作为端点的2个特征点,并依据匹配关系得到2对匹配的特征点样本;
5)通过求解变换模型及全数据检验得到变换模型
根据选取的2对特征点对的坐标,利用相似变换模型,如式(7),构成4个线性方程,并组成关于模型参数r,θ,h13和h23的方程组,其中r为缩放比例因子,θ为旋转角度因子,h13和h23分别为水平、竖直方向的平移因子,求解方程组得到相似变换模型,并在所有特征点对上按照传统RANSAC的方法进行全数据检验,根据内点数量结果确定的最终正确的变换模型:
对于存在相似变换的两幅图像,其特征点的提取可以采用基于特征的图像配准方法中最常用的Harris角点提取算法;对于特征匹配可以采用依据以特征点为中心的邻域像素灰度值的归一化互相关(Normalized Cross Correlation,NCC)的方法来对Harris算法提取的角点进行粗匹配。
与已有技术相比,本发明的技术特点与效果:
本发明提出的一种基于相似特征三角形的相似变换图像配准方法,采用基于相似特征三角形的快速预检验来大幅节省模型检验时间,采用最大欧氏距离法来进一步保证计算结果的精度和稳定,最终加快了图像配准的速度,增加了图像配准的准确度和稳定性。
附图说明
图1待配准的两幅图像中的一对特征三角形。
图2基于相似特征三角形的相似变换图像配准方法流程图。
具体实施方式
本发明中基于传统的RANSAC图像配准方法,对全数据检验之前的过程进行了优化改进。首先选取了相似变换模型作为精准的变换配准模型,利用待配准两幅图像之间的特征三角形相似的特性进行随机样本模型的预检验,并采用最大欧氏距离法提高了配准的稳定性。这一技术发明主要分为以下几个部分:
1.特征点提取及特征匹配
将待配准两幅图像分为参考图像和目标图像。分别在两幅图像中利用特征提取算法进行特征点的提取。然后利用特征匹配算法对提取的特征点进行匹配,得到目标图像中特征点到参考图像特征点的一一对应关系,即匹配的特征点对。
2.随机选取样本构成特征三角形
从匹配好的特征点对中随机选取3对作为一个数据点样本,并分别在参考图像和目标图 像中利用选取的3个特征点构成一个特征三角形,如图1所示。特征三角形分别为△R1R2R3、△T1T2T3,其中,顶点R1(xR1,yR1)、R2(xR2,yR2)、R3(xR3,yR3)为参考图像中的三个特征点,并一一对应着目标图像中的三个特征点T1(xT1,yT1)、T2(xT2,yT2)、T3(xT3,yT3);dR12、dR23、dR13、dT12、dT23、dT13分别是两两特征点之间的欧氏距离。
3.相似特征三角形预检验
根据两幅图像之间的相似变换关系以及3对特征点对中特征点的一一对应关系,匹配正确的特征三角形对应满足相似关系:
其中r为目标图像到参考图像的缩放比例因子。将式(1)中的等式各项平方后,可以变形为满足式(1)成立的充分必要条件:
由于在多视角的二维平面景物图像的配准过程中,特征点的各向坐标值均看作是测量值,并满足如下关系:
其中x、y为坐标值的真实值,Δx、Δy为受到噪声污染的坐标值误差,通常坐标值误差服从以均值μ=0、标准差σ=0.001的高斯分布。将式(3)代入欧氏距离公式并带入到式(2)并最终代入到式(1)中,得到:
其中
D2、D3、D4依式(5)类推,es1和es2分别为对应于两个等式的相似误差;当如图1所示的特征三角形对满足如下关系
时,特征三角形对相似成立,即通过预检验;否则,抛弃此样本,重新选取。其中A为坐标误差归一化系数,根据式(5)多项式的各项系数,采用两个特征点的x坐标差值绝对值均值的三次方或y坐标差值绝对值均值的三次方作为坐标误差归一化系数A;阈值ths是一个由统计方法得出的高斯分布特征值。
4.根据最大欧氏距离法选取样本点
选取目标图像中的特征三角形中边长最大的一条边,即选取目标图像中三个特征点两两之间欧氏距离dT12、dT23、dT13中最大的一个,如图1中的dT23。然后选取以这一最大欧氏距离作 为端点的2个特征点,并依据匹配关系得到2对匹配的特征点样本,如图1中的R2-T2、R3-T3。
5.通过求解变换模型及全数据检验得到变换模型
根据选取的2对特征点对的坐标,利用相似变换模型,如式(7),构成4个线性方程,并组成关于模型参数r,θ,h13和h23的方程组。其中r为缩放比例因子,θ为旋转角度因子,h13和h23分别为水平、竖直方向的平移因子。求解方程组得到相似变换模型,并在所有特征点对上按照传统RANSAC的方法进行全数据检验,根据内点数量结果确定的最终正确的变换模型。
本发明所实现的基于相似特征三角形的相似变换图像配准方法的具体步骤如图2所示。
在本发明中,对于存在相似变换的两幅图像,其特征点的提取可以采用基于特征的图像配准方法中最常用的Harris角点提取算法。对于特征匹配可以采用依据以特征点为中心的邻域像素灰度值的归一化互相关(Normalized Cross Correlation,NCC)的方法来对Harris算法提取的角点进行粗匹配。
接下来从匹配好的角点对中随机选取3对角点对组成一个样本,构成一对匹配的特征三角形,根据相似预检验公式判断匹配的特征三角形是否相似,如果相似,则通过预检验;否则,抛弃此样本,重新随机选取3对角点对。
将通过预检验的匹配特征三角形中的目标图像三角形三边长度进行比较,选取最长的一边,即3个角点两两之间的欧氏距离最大的一个,并由此选定以这一最大欧氏距离作为端点的2个角点,得到在两幅图像中对应的2对匹配的角点对样本。
根据选取的2对角点对的横纵坐标值联立求解方程组,得到基于此样本的相似变换假设模型,并利用传统RANSAC算法在全部角点对上对这一假设模型进行全数据检验,如果内点数达到阈值要求,则通过全数据检验,记录此假设模型并作为最终估算的相似变换模型;如果没有达到阈值要求,则没有通过全数据检验,需要抛弃此样本,并重新随机选择3对角点对形成新的样本。反复迭代这一过程直到获得能够描述两幅图像之间关系的相似变换模型。
Claims (2)
1.一种基于相似特征三角形的图像配准方法,其特征是,包括如下步骤:
1)特征点提取及特征匹配
将待配准两幅图像分为参考图像和目标图像,分别在两幅图像中利用特征提取算法进行特征点的提取,然后利用特征匹配算法对提取的特征点进行匹配,得到目标图像中特征点到参考图像特征点的一一对应关系,即匹配的特征点对;
2)随机选取样本构成特征三角形
从匹配好的特征点对中随机选取3对作为一个数据点样本,并分别在参考图像和目标图像中利用选取的3个特征点构成一个特征三角形,特征三角形分别为△R1R2R3、△T1T2T3,其中,顶点R1(xR1,yR1)、R2(xR2,yR2)、R3(xR3,yR3)为参考图像中的三个特征点,并一一对应着目标图像中的三个特征点T1(xT1,yT1)、T2(xT2,yT2)、T3(xT3,yT3);dR12、dR23、dR13、dT12、dT23、dT13分别是两两特征点之间的欧氏距离;
3)相似特征三角形预检验
根据两幅图像之间的相似变换关系以及3对特征点对中特征点的一一对应关系,匹配正确的特征三角形对应满足相似关系:
其中r为目标图像到参考图像的缩放比例因子,将式(1)中的等式各项平方后,可以变形为满足式(1)成立的充分必要条件:
由于在多视角的二维平面景物图像的配准过程中,特征点的各向坐标值均看作是测量值,并满足如下关系:
其中x、y为坐标值的真实值,Δx、Δy为受到噪声污染的坐标值误差,通常坐标值误差服从以均值μ=0、标准差σ=0.001的高斯分布。将式(3)代入欧氏距离公式并带入到式(2)并最终代入到式(1)中,得到:
其中
D2、D3、D4依式(5)类推,es1和es2分别为对应于两个等式的相似误差;当特征三角形对满足如下关系
时,特征三角形对相似成立,即通过预检验;否则,抛弃此样本,重新选取;其中A为坐标误差归一化系数,根据式(5)多项式的各项系数,采用两个特征点的x坐标差值绝对值均值的三次方或y坐标差值绝对值均值的三次方作为坐标误差归一化系数A;阈值ths是一个由统计方法得出的高斯分布特征值;
4)根据最大欧氏距离法选取样本点选取目标图像中的特征三角形中边长最大的一条边,即选取目标图像中三个特征点两两之间欧氏距离dT12、dT23、dT13中最大的一个,然后选取以这一最大欧氏距离作为端点的2个特征点,并依据匹配关系得到2对匹配的特征点样本;
5)通过求解变换模型及全数据检验得到变换模型
根据选取的2对特征点对的坐标,利用相似变换模型,如式(7),构成4个线性方程,并组成关于模型参数r,θ,h13和h23的方程组,其中r为缩放比例因子,θ为旋转角度因子,h13和h23分别为水平、竖直方向的平移因子,求解方程组得到相似变换模型,并在所有特征点对上按照传统RANSAC的方法进行全数据检验,根据内点数量结果确定的最终正确的变换模型:
2.如权利要求1所述的基于相似特征三角形的图像配准方法,其特征是,对于存在相似变换的两幅图像,其特征点的提取可以采用基于特征的图像配准方法中最常用的Harris角点提取算法;对于特征匹配可以采用依据以特征点为中心的邻域像素灰度值的归一化互相关(Normalized Cross Correlation,NCC)的方法来对Harris算法提取的角点进行粗匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410808359.1A CN104574372A (zh) | 2014-12-21 | 2014-12-21 | 基于相似特征三角形的图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410808359.1A CN104574372A (zh) | 2014-12-21 | 2014-12-21 | 基于相似特征三角形的图像配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104574372A true CN104574372A (zh) | 2015-04-29 |
Family
ID=53090344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410808359.1A Pending CN104574372A (zh) | 2014-12-21 | 2014-12-21 | 基于相似特征三角形的图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104574372A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123104A (zh) * | 2016-02-25 | 2017-09-01 | 北京大学 | 锥束计算机断层扫描图像注册与重叠方法 |
CN108446725A (zh) * | 2018-03-12 | 2018-08-24 | 杭州师范大学 | 一种基于特征三角形的图像特征匹配方法 |
CN108544494A (zh) * | 2018-05-31 | 2018-09-18 | 珠海市微半导体有限公司 | 一种基于惯性和视觉特征的定位装置、方法及机器人 |
CN109461132A (zh) * | 2018-10-31 | 2019-03-12 | 中国人民解放军国防科技大学 | 基于特征点几何拓扑关系的sar图像自动配准方法 |
CN109544460A (zh) * | 2017-09-22 | 2019-03-29 | 宝沃汽车(中国)有限公司 | 图像矫正方法、装置及车辆 |
CN110246164A (zh) * | 2019-05-30 | 2019-09-17 | 中国科学院长春光学精密机械与物理研究所 | 可见光图像与sar图像配准方法及系统 |
CN110261923A (zh) * | 2018-08-02 | 2019-09-20 | 浙江大华技术股份有限公司 | 一种违禁品检测方法及装置 |
CN110796016A (zh) * | 2019-09-30 | 2020-02-14 | 万翼科技有限公司 | 工程图纸识别方法、电子设备及相关产品 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778626A (zh) * | 2013-12-31 | 2014-05-07 | 北京理工大学 | 一种基于视觉显著区域的快速图像配准方法 |
-
2014
- 2014-12-21 CN CN201410808359.1A patent/CN104574372A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778626A (zh) * | 2013-12-31 | 2014-05-07 | 北京理工大学 | 一种基于视觉显著区域的快速图像配准方法 |
Non-Patent Citations (3)
Title |
---|
RAHUL RAGURAM等: "Exploiting Uncertainty in Random Sample Consensus", 《IEEE 12TH ITERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
陈洁: "基于相似三角形匹配的红外与可见光图像配准方法", 《激光与红外》 * |
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信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123104A (zh) * | 2016-02-25 | 2017-09-01 | 北京大学 | 锥束计算机断层扫描图像注册与重叠方法 |
CN109544460A (zh) * | 2017-09-22 | 2019-03-29 | 宝沃汽车(中国)有限公司 | 图像矫正方法、装置及车辆 |
CN108446725A (zh) * | 2018-03-12 | 2018-08-24 | 杭州师范大学 | 一种基于特征三角形的图像特征匹配方法 |
CN108544494A (zh) * | 2018-05-31 | 2018-09-18 | 珠海市微半导体有限公司 | 一种基于惯性和视觉特征的定位装置、方法及机器人 |
CN108544494B (zh) * | 2018-05-31 | 2023-10-24 | 珠海一微半导体股份有限公司 | 一种基于惯性和视觉特征的定位装置、方法及机器人 |
CN110261923A (zh) * | 2018-08-02 | 2019-09-20 | 浙江大华技术股份有限公司 | 一种违禁品检测方法及装置 |
CN110261923B (zh) * | 2018-08-02 | 2024-04-26 | 浙江大华技术股份有限公司 | 一种违禁品检测方法及装置 |
CN109461132A (zh) * | 2018-10-31 | 2019-03-12 | 中国人民解放军国防科技大学 | 基于特征点几何拓扑关系的sar图像自动配准方法 |
CN109461132B (zh) * | 2018-10-31 | 2021-04-27 | 中国人民解放军国防科技大学 | 基于特征点几何拓扑关系的sar图像自动配准方法 |
CN110246164A (zh) * | 2019-05-30 | 2019-09-17 | 中国科学院长春光学精密机械与物理研究所 | 可见光图像与sar图像配准方法及系统 |
CN110796016A (zh) * | 2019-09-30 | 2020-02-14 | 万翼科技有限公司 | 工程图纸识别方法、电子设备及相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104574372A (zh) | 基于相似特征三角形的图像配准方法 | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN103559711B (zh) | 基于三维视觉系统图像特征和三维信息的运动估计方法 | |
CN102005047B (zh) | 图像配准系统及其方法 | |
CN107133986B (zh) | 一种基于二维标定物的相机标定方法 | |
CN102609941A (zh) | 基于ToF深度相机的三维注册方法 | |
CN104121902A (zh) | 基于Xtion摄像机的室内机器人视觉里程计实现方法 | |
CN104036480A (zh) | 基于surf算法的快速消除误匹配点方法 | |
CN102629330A (zh) | 一种深度图像与彩色图像的快速高精度匹配方法 | |
CN110930382A (zh) | 基于标定板特征点提取的点云拼接精度评估方法及系统 | |
CN102750691B (zh) | 基于角点对cs距离匹配的图像配准方法 | |
CN106056625A (zh) | 一种基于地理同名点配准的机载红外运动目标检测方法 | |
JP2015201123A (ja) | 被写体認識装置、被写体認識方法及び被写体認識プログラム | |
CN105787464A (zh) | 一种大量图片在三维场景中的视点标定方法 | |
CN114529615A (zh) | 雷达标定方法、装置及存储介质 | |
CN112613437B (zh) | 一种违章建筑识别方法 | |
Onyango et al. | Accurate estimation of orientation parameters of UAV images through image registration with aerial oblique imagery | |
CN113674220A (zh) | 一种图像差异检测方法、检测装置和存储介质 | |
CN106802149B (zh) | 基于高维组合特征的快速序列图像匹配导航方法 | |
CN104596486A (zh) | 基于目标旋转对称特征的位姿测量方法 | |
CN104484647A (zh) | 一种高分辨率遥感图像云高度检测方法 | |
CN115908491A (zh) | 一种双目序列图像中圆形非编码标志点在线实时跟踪与匹配方法 | |
Urbančič et al. | THE RELIABILITY OF RANSAC METHOD WHEN ESTIMATING THE PARAMETERS OF GEOMETRIC OBJECT. | |
CN109146840B (zh) | 基于高斯概率统计的数据几何定位精度评估方法及装置 | |
CN111798444B (zh) | 基于图像畸变矫正分色处理的无人车间钢管长度测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150429 |
|
WD01 | Invention patent application deemed withdrawn after publication |