CN104599258B - 一种基于各向异性特征描述符的图像拼接方法 - Google Patents
一种基于各向异性特征描述符的图像拼接方法 Download PDFInfo
- Publication number
- CN104599258B CN104599258B CN201410808344.5A CN201410808344A CN104599258B CN 104599258 B CN104599258 B CN 104599258B CN 201410808344 A CN201410808344 A CN 201410808344A CN 104599258 B CN104599258 B CN 104599258B
- Authority
- CN
- China
- Prior art keywords
- image
- point
- sampling
- descriptor
- anisotropic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000005286 illumination Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 230000007704 transition Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 210000001525 retina Anatomy 0.000 claims description 5
- 238000002592 echocardiography Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于各向异性特征描述符的图像拼接方法,适用于拼接多幅具有一定重叠关系的图像。本发明的方法包括如下步骤:A、检测参考图像和待配准图像的特征点,求取特征点的主方向;B、采用各向异性的点对点抽样模型,构成多组二值测试,得到特征描述符;C、采用最近邻方法对特征描述符进行匹配,利用PROSAC方法求取单应性矩阵;D、通过求解误差函数获得光照增益补偿矩阵,利用多波段融合获得过渡自然的全景图。本发明既能够准确地配准不同视角、视点拍摄的图像,获得清晰自然的宽视角的场景图像,又具有简单的复杂度与较快的运行速度,从而为监控系统或遥感系统提供很好的应用价值。
Description
技术领域
本发明属于图像信息处理的技术领域,本发明是一种基于各向异性特征描述符的图像拼接方法,适用于拼接在不同视角或视点拍摄的多幅具有一定重叠关系的图像。
背景技术
图像拼接已经成为一个日益流行的研究领域,在户外监控系统、医学图像分析、遥感图像处理等领域得到了广泛的应用。当使用普通相机来获取宽视野的场景图像时,必须通过调节焦距才可以获得完整的场景,但这样会以损失场景图像的分辨率为代价。而利用价钱昂贵、操作复杂的广角镜头和扫描式相机可以解决视角不足这一问题,但是广角镜头的边缘很容易产生扭曲变形。图像拼接技术是将几路普通图像或视频图像进行无缝拼接,得到更宽视角的场景图像,从而可把普通相机拍摄的多幅不同视角的图片拼接为全景图。图像拼接的目的就是提供一种自动匹配的方法,将具有一定重叠区域的多幅图片合成一副广视角图片,来扩大视区的范围,具有重要的现实意义。
图像获取、图像预处理、图像配准和图像融合这四步是图像拼接的整体流程。其中图像配准是图像拼接的核心部分,其目标是找出几幅重叠图像之间的相对变换关系,直接影响整个系统的成功率和运行速度。
基于特征点匹配的图像拼接算法是目前图像拼接算法的研究热门。Harris算法是最早提出的特征点检测模型,该特征具有旋转不变性,对光照和噪声也具有很好的鲁棒性。David G low于2004年提出的尺度不变变换特征的算法对平移、旋转和缩放等操作均有较好的鲁棒性,同时对光照和噪声具有很高的抗干扰性能。
论文名:Automatic Panoramic Image Stitching using Invariant Features,期刊:International Journal of Computer Vision(IJCV),年份:2007年。Brown等人提出了一种基于SIFT特征点匹配的全景图拼接方法,该算法利用Low等人提出的尺度不变特征,通过检测、描述和匹配SIFT特征点进行图像配准,然后利用增益误差函数估算出图像块的光照增益,对光圈或光线影响造成的亮度差问题进行补偿,最后利用多频段融合方法来消除拼接形成的缝合线,达到了较好的拼接效果。但由于SIFT算法运算量庞大,耗时长,导致该算法很难应用到实际的场合。
论文名:ORB:An Efficient Alternative To SIFT or SURF,会议:International Conference on Computer Vision(ICCV),年份:2011年。Ethan等人采用了FAST作为特征点检测算子,提出了一种具有旋转不变性的二值特征描述符。特征点的主方向通过计算矩得到,在特征点附近随机选取若干点对,将点对点灰度值比较的二值测试组合成一个二进制串特征描述子。二值描述符之间的距离利用汉明距离计算。该特征点方法具有较快的速度。但是由于FAST特征点鲁棒性较差,当应用到图像拼接中时,受非重叠区域特征点以及其他外点的影响,匹配正确率急剧下降。而且当图像有变形扭曲时,各向同性的二值描述符匹配性能也受到很大的影响。
针对上述背景内容,研究一种快且有效的特征点配准方法,从而应用到全景图拼接中,具有重要的意义。
发明内容
本发明的目的是为了克服现有图像拼接算法的不足,提供一种基于各向异性特征描述符的图像拼接方法,既能够准确的提取和匹配特征,精确的实现图像配准,从而清晰自然地合并多幅具有一定重叠区域的图像,扩大图像视区的范围,又具有简单的复杂度与较快的运行速度,从而为监控系统或遥感系统提供很好的应用价值。
本发明提供的技术方案包括如下步骤:
A、检测图像中的特征点,求取特征点的主方向和Hessian阵;
B、采用各向异性的点对点抽样模型,抽取点对构成多组二值测试,最终组成特征描述符;
C、采用最近邻方法对特征描述符进行匹配,利用PROSAC方法去除错误匹配对,求得图像之间单应性变换矩阵;
D、利用重叠区域光照强度误差函数获得光照补偿增益矩阵;消除图片融合的缝合线,利用多波段融合获得过渡自然的全景图;
所述步骤A为:
A1、采用Hessian矩阵行列式近似值图像,构造高斯金字塔尺度空间。图像中某个像素点的Hessian矩阵定义为
其中,Lxx、Lxy、Lyy是选用二阶标准高斯函数作为滤波器,通过特定核间的卷积计算二阶偏导数。Bay等人提出用方框滤波近似代替二阶高斯滤波,用积分图像来加速卷积计算,并通过改变方框的大小形成不同尺度的图像金字塔。每个像素的Hessian矩阵行列式近似公式如下:
Δ(H)=DxxDyy-(0.9Dxy)2 (2)
其中Dxx、Dyy,Dxy分别为方框滤波模板同图像卷积后的二阶偏导近似值。
A2、特征点的搜索是通过在同一组内各相邻层之间比较完成的,在3×3×3的立体领域内进行非极大值抑制,然后在尺度空间中进行亚像素插值运算,得到精确的位置坐标;
A3、为保证特征点的旋转不变性,需计算特征点的主方向,以特征点为中心,统计邻域内点的Haar小波响应。
所述步骤B为:
B1、确定每个特征点的抽样模型,这里采用各向异性的点对点抽样模型。经典的二值描述符ORB、FREAK的抽样模型的定义如下:
Λi=Rθ·Φi, (3)
Φi=[ri cosθi ri sinθi]T
其中Rθ为特征点的主方向,为保证特征点的旋转不变性。ri,θi分别为随机抽样模型Φi中任一点i的半径和角度。当图像出现扭曲变形时,抽样模型必须跟随做出修正。Schmid等人在论文《Scale and Affine Invariant Interest Point Detectors》中证明了特征点附近的仿射模型可以通过与Hessian阵的平方根矩阵相乘得到纠正。
因此,某一特征点的随机抽样模型将被修正为:
Λi′=H-1/2·Rθ·Φi (4)
其中H-1/2为任一特征点的Hessian阵的平方根矩阵的逆。
B2、特征点的二值描述符是由特征点附近的多组点对对比构成,即通过比较两点像素的强度形成一位二值测试,最终由多个二值测试组成二值描述符F:其中N是描述符的长度,pi,pj表示一个点对,Τ(Λ′;pi,pj)是一位二值测试,其表达形式如下所示
其中I(Λ′,pi)和I(Λ′,pj)为各向异性随机抽样模型Λ′上的随机取样点对pi和pj的强度。
所述步骤C为:
C1、由步骤B获得参考图像I1与待配准图像I2的特征描述符后,进行特性匹配,对于二值描述符,Hamming距离是一个理想的相似度测量工具。采用最近邻匹配法,对I1中任一个特征点n1i,I1中与之汉明距离最小的两个特征点分别为n2j、n2j′,(对应距离为dij、dij′),如果dij≤a*dij′,则认为是匹配的点对。
C2、估算图像间的变换关系,采用的变换模型为单应性矩阵,它符合平面目标在不同视点或视角成像的变换关系。变换关系如下:
其中(xi,yi),(xi′,yi′)分别为图像和待配准图像上匹配点对的坐标。这里采用PROSAC(progressive sample consensus)算法来去除误匹配点,求取变换矩阵。
所述步骤D为:
D1、将图像进行分块,并且求出任意两块图像的重叠区域的平均光强,其数学表达式为:
式中,N(i,j)为图像块i与图像块j相交区域的像素总数目,R、G、B为图像块i在相交区域任一点R、G、B三通道的像素值。建立误差函数如下:
式中,gi为某一图像块的光照增益系数。δN和δg分别为亮度和增益系数的标准差。
D2、根据步骤D1,将对应区域乘以gi进行增益补偿。然后设定层数Nbands,对每幅图像构建金字塔。具体流程如下:首先调整图像的宽和高,使之可被除尽,这样才能下采样Nbands次,然后再由最底部的图像上采样Nbands次。把对应层上采样和下采样的差放入金子塔相应层中。最后将各层金字塔叠加,得到完整的全景图。
本发明的有益效果:
(1)采用各向异性的特征描述符,对特征点处的点对点抽样模型进行合理正确的修正,在图片有扭曲变形的恶劣情况下,依然具备较好的描述和匹配性能。与FREAK、ORB等算法相比,本发明可以计算出准确的单应性变换矩阵。另外由于各向异性的特征描述符是二值描述符,具备二值描述符计算快速、匹配算法复杂度低的优点。与SIFT、SURF等算法相比,本发明具有更快的速度。在实时性系统中具有很好的实际应用价值。
(2)增加了光照补偿和多波段融合的方法,在下采样的情况下计算增益矩阵,该方法不仅计算快速而且非常有效,与加权平均的图像融合方法相比,图像交叉区域过渡自然,保留了更多的细节。
附图说明
图1为一种基于各向异性特征描述符的拼接流程示意图。
图2为计算特征点描述符的流程示意图。
图3为计算特征点描述符的点对点抽样模型。其中(a)和(b)分别为FREAK抽样模型和本发明采用的各向异性采样模型。
图4为PROSAC方法计算单应性矩阵的流程示意图。
图5为两幅待拼接图像及三种拼接方法的处理结果。
其中,(a)和(b)为参考图像和待配准图像;(c)和(d)检测的特征点;(e)为加权融合方法的拼接结果;(f)为本发明对(a)和(b)的拼接结果。
具体实施方式
下面结合具体实施例和附图详细阐述本发明。
A、检测参考图像和待配准图像(见附图5(a)、5(b)所示)的特征点,并计算特征点的主方向。
A1、对参考图像和待配准图像先做灰度化处理,采用Hessian矩阵行列式的近似值图像,构造高斯金子塔空间。具体操作见公式(1)(2)。
A2、在同一组内各相邻层3×3×3的空间邻域内搜索特征点,在尺度空间中进行亚像插值运算,得到特征点的准确位置坐标。
A3、以特征点为中心、6δ为半径做圆,计算圆形区域上任一点在x和y方向上大小为4δ的Haar小波响应,其中δ为特征点所在尺度空间的尺度。最后以60°范围作为一个区域,遍历一周得到6个扇形区域,每个区域的响应相加得到新的矢量,把具有最大模值的矢量方向作为该特征点的主方向。由此求得的两幅图的特征点(部分特征点见附图5(c)(d))。
B、采用各向异性的抽样模型抽取点对构成二值描述符,方法的流程示意图见附图2所示:
B1、这里采用FREAK方法的7层Retina抽样模型(见图3(a)),按照公式(4)修正Retina抽样模型得到各向异性的抽样模型(示例见图3(b))。
B2、按照步骤B1求取的各向异性的点对点抽样模型,形成N组二值测试,最终组成二值描述符F。这里N取值为128,即二值描述符F的维数为128。
C、利用最近邻方法对特征描述符进行匹配,然后采用PROSAC方法去除误匹配点对,求出单应性矩阵。
C1、按照公式dij≤a*dij′,比较I1中任一特征描述符与I1中距离最小和次最小的汉明距离,实验中取a*=0.7,满足则认为是匹配的点对。
C2、采用PROSAC方法去除误匹配对,方法的流程示意图见附图4所示。由此求得的图1(a)与图1(b)的单应性矩阵为:
D、采用光照增益补偿和多波段融合获得清晰而且过渡自然的全景图。
D1、将图像进行分块,在具体实施中,为了对算法加速,首先对图像下采样,将图像下采样到总像素面积S的尺度上,由大量实验经验值选取S为105。将图像分成32×32的图像块,按照公式(7)计算平均光强,最后按照公式(8)求解误差函数。具体实施中,分别选取δN和δg为10和0.1。
D2、利用步骤D1求得的增益矩阵对图像进行增益补偿,然后对每幅图像构建金字塔,设置金子塔层数为5。调整图像的宽和高,使其可被32整除。将图像下采样5次,然后由最底部的图像上采样5次,将对应层上采样和下采样的差放入金字塔中,将各层金字塔叠加,得到最终的全景图。实施步骤D1和D2前后的对比效果见附图5(e)和5(f)。
经过上述步骤,图5(f)为本发明对不同视角图像5(a)和5(b)的拼接结果。
上述实施例的实施平台为Windows 7(64位)操作系统、处理器主频为3.2GHz、系统内存4G的PC上,Microsoft Visual C++2010软件。图5(f)使用sift特征点配准与使用本发明各向异性特征描述符配准的两种方法对图5(a)和图5(b)的拼接结果。
对于图像大小为1000×562的图5(a)和5(b),本发明的图像配准处理时间为0.279s,而sift与surf的图像配准处理时间分别为2.83s和0.86s。
本发明若移植于FPGA硬件平台,采取并行运算,则可进一步加速。
Claims (1)
1.一种基于各向异性特征描述符的图像拼接方法,其特征在于以下步骤:
A、检测参考RGB图像I1和待配准RGB图像I2的特征点,计算特征点的主方向和Hessian矩阵;
(1)对I1,I2的RGB图像进行下采样初始化处理,将I1,I2的RGB图像下采样到总像素面积0.6×106的尺度上;然后对下采样后的RGB图像做灰度化处理,采用Hessian矩阵行列式的近似值图像构造高斯金字塔空间,表达式为:
det(H)=DxxDyy-(0.9Dxy)2 (1)
其中det(H)表示I1,I2灰度图像的图像Hessian矩阵H的行列式,Dxx,Dyy,Dxy表示使用不同方向的盒子滤波器模板与I1,I2灰度图像的卷积;用积分图像来加速卷积计算;
(2)在I1,I2所构造的图像高斯金字塔同一组内各相邻层3×3×3的立体邻域内搜索候选特征点;并在尺度空间上进行亚像素插值得到精确的位置坐标;
(3)以特征点为中心,计算半径6s邻域内的点的Haar小波响应,其中s表示特征点所在的图像高斯金字塔尺度值;以60度范围作为一个区域,遍历一周得到6个扇形区域,每个区域的响应相加得到新的矢量,把具有最大模值的矢量方向作为该特征点的主方向;
B、采用各向异性的点对点抽样模型构造二值测试对,组成多维特征描述符;具体步骤如下:
(1)采用FREAK的7层Retina抽样模型,计算每个特征点i的Hessian矩阵和主方向,修正FREAK的Retina抽样模型,其表达式为:
Λi′=H-1/2·Rθ·Φi (2)
公式(2)中Rθ为特征点的主方向,H-1/2为任一特征点的Hessian矩阵的平方根矩阵的逆,Φi表示随机抽样模型,Φi=[ri·cosθi ri·sinθi]T,ri,θi表示对应的半径 和角度;使用公式(2),将FREAK的Retina模型Λi=Rθ·Φi修正为各向异性的点对点抽样模型Λi′,在图像出现扭曲变形的恶劣情况下,该描述符依然具备很好的描述性能;
(2)在各向异性的点对点抽样模型Λi′上随机抽样一组点对,比较两点像素的强度值形成一位二值测试,其表达式为:
公式(3)中I(Λ′,pi)和I(Λ′,pj)为各向异性的点对点抽样模型Λ′上的随机取样点对pi和pj的强度;最终由512个二值测试组成二值描述符F:
C、采用最近邻方法对特征描述符进行匹配,采用PROSAC去除误匹配对,求取单应性矩阵Hc;
(1)参考图像I1中任一特征描述符n1i,在待配准图像I2中和n1i汉明距离最小和次最小的描述符n2j、n′2j,n2j、n′2j与n1i的汉明距离分别是dij,d′ij,按照公式dij≤a*dij′,实验中取a*=0.7,满足则认为是匹配的点对;
(2)采用PROSAC去除误匹配对,首先按照最小与次最小汉明距离比a*将匹配数据排序,设置最大迭代次数和内外点的误差门限,在前n-1个数据中抽取m-1个数据和第n个数据组成样本计算单应性矩阵,内点个数大于设定的阈值则迭代结束,否则继续迭代,在前n个数据中抽取m-1个数据和第n+1个数据组成样本计算单应性矩阵和内点个数,直至满足内点个数大于设定内点个数阈值或者迭代次数超过最大迭代次数为止;
D、采用光照增益补偿和多波段融合获得清晰而且过渡自然的全景图;具体步骤如下:
(1)将I1,I2的RGB图像下采样到总像素面积为0.1×106的尺度上,并分成32×32的图像块,计算任意两个图像块的重叠区域的平均强度,其表达式为:
公式(4)中R,G,B分别代表图像坐标点(x,y)处的r,g,b通道数值,intersect表示重叠区域像素集合,表示对I1和I2重叠场景部分像素点进行求和操作,N(i,j)为图像块i与图像块j相交区域的像素总数目;建立误差函数表达式为:
公式(5)中gi、gj分别表示图像块i、j的光照增益系数,表示对I1和I2重叠场景部分像素点平均强度进行求和操作;δN和δg分别为亮度和增益系数的标准差分别取10和0.1;
(2)求取的增益矩阵对参考图像I1和配准后的图像I′2进行增益补偿,然后进行多波段融合,具体流程如下,对I1,I′2建立拉普拉斯金字塔,设定层数为5;首先调整图像的宽和高,使其可被32整除,向下采样5次,然后由最底部的图像向上采样5次,将对应层上下采样的差放入金字塔中;最后将5层金字塔叠加,得到最终的全景图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410808344.5A CN104599258B (zh) | 2014-12-23 | 2014-12-23 | 一种基于各向异性特征描述符的图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410808344.5A CN104599258B (zh) | 2014-12-23 | 2014-12-23 | 一种基于各向异性特征描述符的图像拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104599258A CN104599258A (zh) | 2015-05-06 |
CN104599258B true CN104599258B (zh) | 2017-09-08 |
Family
ID=53125008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410808344.5A Active CN104599258B (zh) | 2014-12-23 | 2014-12-23 | 一种基于各向异性特征描述符的图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104599258B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205781B (zh) * | 2015-08-24 | 2018-02-02 | 电子科技大学 | 输电线路航拍图像拼接方法 |
CN105374010A (zh) * | 2015-09-22 | 2016-03-02 | 江苏省电力公司常州供电公司 | 全景图像的生成方法 |
CN105245841B (zh) * | 2015-10-08 | 2018-10-09 | 北京工业大学 | 一种基于cuda的全景视频监控系统 |
US20170118475A1 (en) * | 2015-10-22 | 2017-04-27 | Mediatek Inc. | Method and Apparatus of Video Compression for Non-stitched Panoramic Contents |
CN105809626A (zh) * | 2016-03-08 | 2016-07-27 | 长春理工大学 | 一种自适应光线补偿的视频图像拼接方法 |
CN105931185A (zh) * | 2016-04-20 | 2016-09-07 | 中国矿业大学 | 一种多视角图像自动拼接方法 |
CN106454152B (zh) * | 2016-12-02 | 2019-07-12 | 北京东土军悦科技有限公司 | 视频图像拼接方法、装置和系统 |
US10453204B2 (en) * | 2016-12-06 | 2019-10-22 | Adobe Inc. | Image alignment for burst mode images |
WO2019184719A1 (zh) * | 2018-03-29 | 2019-10-03 | 青岛海信移动通信技术股份有限公司 | 一种拍照的方法和装置 |
CN109376744A (zh) * | 2018-10-17 | 2019-02-22 | 中国矿业大学 | 一种surf和orb相结合的图像特征匹配方法及装置 |
CN111369495B (zh) * | 2020-02-17 | 2024-02-02 | 珀乐(北京)信息科技有限公司 | 一种基于视频的全景图像的变化检测方法 |
CN113496505B (zh) * | 2020-04-03 | 2022-11-08 | 广州极飞科技股份有限公司 | 图像配准方法、装置、多光谱相机、无人设备及存储介质 |
CN111695858B (zh) * | 2020-06-09 | 2022-05-31 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理系统 |
CN111784576B (zh) * | 2020-06-11 | 2024-05-28 | 上海研视信息科技有限公司 | 一种基于改进orb特征算法的图像拼接方法 |
CN113689332B (zh) * | 2021-08-23 | 2022-08-02 | 河北工业大学 | 高度重复特征场景下高鲁棒性的图像拼接方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006425A (zh) * | 2010-12-13 | 2011-04-06 | 交通运输部公路科学研究所 | 一种基于多摄像机的视频实时拼接方法 |
CN102867298A (zh) * | 2012-09-11 | 2013-01-09 | 浙江大学 | 一种基于人眼视觉特性的遥感图像拼接方法 |
CN103516995A (zh) * | 2012-06-19 | 2014-01-15 | 中南大学 | 一种基于orb特征的实时全景视频拼接方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8488883B2 (en) * | 2009-12-28 | 2013-07-16 | Picscout (Israel) Ltd. | Robust and efficient image identification |
-
2014
- 2014-12-23 CN CN201410808344.5A patent/CN104599258B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006425A (zh) * | 2010-12-13 | 2011-04-06 | 交通运输部公路科学研究所 | 一种基于多摄像机的视频实时拼接方法 |
CN103516995A (zh) * | 2012-06-19 | 2014-01-15 | 中南大学 | 一种基于orb特征的实时全景视频拼接方法和装置 |
CN102867298A (zh) * | 2012-09-11 | 2013-01-09 | 浙江大学 | 一种基于人眼视觉特性的遥感图像拼接方法 |
Non-Patent Citations (2)
Title |
---|
Ethan Rublee 等.ORB: an efficient alternative to SIFT or SURF.《IEEE International Conference on Computer Vision》.2011,第2564-2571页. * |
蔡丽欣 等.图像拼接方法及其关键技术研究.《计算机技术与发展》.2008,第18卷(第3期),第1-5页. * |
Also Published As
Publication number | Publication date |
---|---|
CN104599258A (zh) | 2015-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
Hu et al. | Revisiting single image depth estimation: Toward higher resolution maps with accurate object boundaries | |
CN105245841B (zh) | 一种基于cuda的全景视频监控系统 | |
CN110660023B (zh) | 一种基于图像语义分割的视频拼接方法 | |
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN104376548B (zh) | 一种基于改进型surf算法的图像快速拼接方法 | |
CN102507592B (zh) | 表面缺陷仿蝇视觉在线检测装置及检测方法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN107016646A (zh) | 一种基于改进的逼近投影变换图像拼接方法 | |
CN106940876A (zh) | 一种基于surf的快速无人机航拍图像拼接算法 | |
CN112254656B (zh) | 一种基于结构表面点特征的立体视觉三维位移测量方法 | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
CN112801870B (zh) | 一种基于网格优化的图像拼接方法,拼接系统及可读存储介质 | |
CN103955888A (zh) | 一种基于sift的高清视频图像拼接方法及装置 | |
CN109087245A (zh) | 基于相邻关系模型的无人机遥感图像拼接系统 | |
CN107154017A (zh) | 一种基于sift特征点匹配的图像拼接方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
Toriya et al. | SAR2OPT: Image alignment between multi-modal images using generative adversarial networks | |
Misra et al. | Feature based remote sensing image registration techniques: a comprehensive and comparative review | |
CN109658366A (zh) | 基于改进ransac和动态融合的实时视频拼接方法 | |
CN105678720A (zh) | 一种全景拼接判断图像匹配方法及装置 | |
CN110060199A (zh) | 一种基于彩色和深度信息的植株图像快速拼接方法 | |
CN112149728B (zh) | 一种快速的多模态图像模板匹配方法 | |
CN104700359A (zh) | 像平面不同极轴方向图像序列进行超分辨率重建的方法 | |
Luo et al. | Infrared and visible image fusion based on VPDE model and VGG network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |