CN104867137B - 一种基于改进ransac算法的图像配准方法 - Google Patents
一种基于改进ransac算法的图像配准方法 Download PDFInfo
- Publication number
- CN104867137B CN104867137B CN201510230025.5A CN201510230025A CN104867137B CN 104867137 B CN104867137 B CN 104867137B CN 201510230025 A CN201510230025 A CN 201510230025A CN 104867137 B CN104867137 B CN 104867137B
- Authority
- CN
- China
- Prior art keywords
- point
- registration
- image
- matching
- collection
- 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
Abstract
本发明公开了一种基于改进RANSAC算法的图像配准方法,包括如下步骤:步骤1、采集获得基准图像和待配准图像;步骤2、特征点提取并匹配,获得若干点匹配对;步骤3、对若干点匹配对进行一次筛选,获得一次点匹配对集;步骤4、采用改进的RANSAC算法对一次点匹配对集进行二次筛选,获得二次点匹配对集;步骤5、利用获得的二次点匹配对集进行拼接配准,获得配准图像。本发明提供的基于改进RANSAC算法的图像配准方法,通过提出相似性评价函数并对点匹配对进行一次筛选,提高了运算速度;通过提出改进的RANSAC算法进行二次筛选,采用对图像规则分块的方式,并结合扇形分块使得每个扇形区域中的特征点的个数以及取得每个特征点的概率均相同,提高了图像的配准精度。
Description
技术领域
本发明涉及图像配准技术领域,特别涉及一种基于改进RANSAC算法的图像配准方法。
背景技术
图像的匹配大致可分为两种,分别是基于像素灰度的匹配和基于图像特征的匹配,其中,基于特征点的匹配能够达到快速,鲁棒性高的图像匹配要求,因此被广泛应用。另外,目前特征点的提取主要有SIFT,SURF,FAST,ORB,BRISK等,而基于这些方法的匹配技术,得出的匹配集总是存在大量的劣质匹配,在上述基础上引入随机抽样一致算法RANSAC,可以有效的去除误匹配对,从而提高匹配质量,但是RANSAC算法也存在以下缺点:(1)当粗匹配中拥有较多的误匹配对时,寻找对应的支撑点集时就需要花费大量的时间;(2)当选择的随机样本集四个点之间很近时,一次求出的矩阵H会很不稳定,这样就影响了匹配精度。现有技术中通过改进RANSAC算法,采用对图像规则分块的方式,并通过从不同分块中选择支撑点集的方式来解决缺点(2)中匹配精度的问题,但此种方法得到的特征点在每一分块中分布不均匀,甚至有的分块中没有特征点,而为了使每个特征点取到的概率相同,就需要更多的步骤去实现。
发明内容
针对上述技术中存在的不足之处,本发明提供了一种运算速度快、拼接配准精度高的基于改进RANSAC算法的图像配准方法。
本发明采用的技术方案是:一种基于改进RANSAC算法的图像配准方法,包括如下步骤:步骤1、采集获得基准图像和待配准图像,并对基准图像和待配准图像进行预处理;步骤2、对经预处理后的基准图像和待配准图像分别进行特征点提取,并对提取的基准图像和待配准图像的特征点进行匹配,获得若干点匹配对;步骤3、对步骤2中获得的若干点匹配对进行一次筛选,获得一次点匹配对集;步骤4、采用改进的RANSAC算法对一次点匹配对集进行二次筛选,获得二次点匹配对集;步骤5、利用获得的二次点匹配对集进行拼接配准,获得配准图像。
优选的,所述步骤1中的预处理为高斯平滑处理。
优选的,所述步骤2中利用SIFT算法对经预处理后的基准图像和待配准图像进行特征点提取,依次对基准图像和待配准图像构建尺度空间,检测尺度空间的极值点并精确定位,精确定位的极值点即为特征点,为每个特征点制定方向参数,并生成每个特征点的描述子,最后根据基准图像和待配准图像的各个特征点的描述子将其进行匹配,获得若干点匹配对。
优选的,所述步骤3中对若干点匹配对进行一次筛选的方法如下:利用Pi与待配准图像中所有特征点Pj的欧氏距离和Qi与基准图像中所有特征点Qj的欧氏距离的相似性的关系,若点匹配对(Pi,Qi)和点匹配对(Pj,Qj)是两两正确的点匹配对,则欧式距离d(Pi,Pj)相似于欧式距离d(Qi,Qj),并提出如下相似性评价函数:
W(i)=∑j(R(i,j))./(1+D(i,j)),
D(i,j)=(d(Pi,Pj)+d(Qi,Qj))./2,
R(i,j)=exp(-|d(Pi,Pj)-d(Qi,Qj)|./D(i,j)),
其中,Pi表示待配准图像的第i个特征点,Qi表示基准图像的第i个特征点,(Pi,Qi)表示步骤2中若干点匹配对中的任意一对点匹配对,D(i,j)表示Pi和Qi与每对特征点的平均距离;对所有的W(i)求和得到W,并一一判断W(i)与0.8W的大小,若W(i)大于0.8W,则保留该点匹配对;反之,则去除该点匹配对;最终得到一次点匹配对集。
优选的,所述步骤4中采用改进的RANSAC算法对一次点匹配对集进行二次筛选的方法如下:步骤4-1、将一次点匹配对集的个数与N(N为偶数,且8≤N≤20)整除,若无法整除,则从一次筛选中去除的点匹配对中找出若干与W(i)的阈值最为接近的点匹配对,重新加入一次点匹配对集中,形成新的一次点匹配对集,以使新的一次点匹配对集的个数可以与N(N为偶数,且8≤N≤20)整除;反之,则从一次点匹配对集中去除与W(i)的的阈值最为接近的点匹配对,形成新的一次点匹配对集;步骤4-2、将待配准图像划分成以像素坐标原点为中心的N(N为偶数,且8≤N≤20)个扇形区域,并使得每个扇形区域中的特征点的个数相同;步骤4-3、随机抽取待配准图像中N个扇形区域中的4个扇形区域,从4个扇形区域中各随机选择一个特征点,且找到与其对应的基准图像中的特征点,形成4个点匹配对,并求解临时变换矩阵H;步骤4-4、计算待配准图像中的所有特征点经过临时变换矩阵H后的数值,并与其对应的基准图像中的特征点求欧式距离,如果该值小于阈值T1,则属于内点,得到内点集:若内点集的个数大于预设的阈值T2,则留下该内点集,并使该内点集的个数为新的阈值T2’;若内点集的个数小于预设的阈值T2,则返回步骤4-3;步骤4-5、经若干次迭代,得到最终的内点集,算法结束,此即为二次点匹配对集。
优选的,所述步骤4-2中使得每个扇形区域中的特征点的个数相同的具体方法如下:计算待配准图像中每个特征点的值S(Pi),并对S(Pi)按从小到大排序,同时对应更新待配准图像中每个特征点的排序,同时同步更新基准图像中与其对应的每个特征点,并将更新排序的待配准图像中的每个特征点按照顺序一一置于N个扇形区域中,使得N个扇形区域中的特征点的个数均相同,其中,S(Pi)=x2+y2,x表示待配准图像中第i个特征点的横坐标,y表示待配准图像中第i个特征点的纵坐标。
优选的,所述步骤5中采用加权平滑算法实现基准图像和待配准图像的拼接配准。
本发明与现有技术相比,其有益效果是:本发明提供的基于改进RANSAC算法的图像配准方法,通过提出相似性评价函数并对点匹配对进行一次筛选,提高了运算速度;通过提出改进的RANSAC算法进行二次筛选,采用对图像规则分块的方式,并结合扇形分块使得每个扇形区域中的特征点的个数以及取得每个特征点的概率均相同,提高了图像的配准精度。
附图说明
图1为本发明所述的图像配准方法的工作流程图;
图2为划分的扇形区域图;
图3为采集的视网膜图像的基准图像;
图4为采集的视网膜图像的待配准图像;
图5为视网膜图像拼接配准图像。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供了一种基于改进RANSAC算法的图像配准方法,包括如下步骤:
步骤1、采集获得基准图像和待配准图像,并对基准图像和待配准图像进行高斯平滑预处理;
步骤2、利用SIFT算法对经预处理后的基准图像和待配准图像进行特征点提取,依次对基准图像和待配准图像构建尺度空间,检测尺度空间的极值点并精确定位,精确定位的极值点即为特征点,为每个特征点制定方向参数,并生成每个特征点的描述子,最后根据基准图像和待配准图像的各个特征点的描述子将其进行匹配,获得若干点匹配对;
步骤3、对步骤2中获得的若干点匹配对进行一次筛选,其方法如下:利用Pi与待配准图像中所有特征点Pj的欧氏距离和Qi与基准图像中所有特征点Qj的欧氏距离的相似性的关系,若点匹配对(Pi,Qi)和点匹配对(Pj,Qj)是两两正确的点匹配对,则欧式距离d(Pi,Pj)相似于欧式距离d(Qi,Qj),并提出如下相似性评价函数:
W(i)=∑j(R(i,j))./(1+D(i,j)),
D(i,j)=(d(Pi,Pj)+d(Qi,Qj))./2,
R(i,j)=exp(-|d(Pi,Pj)-d(Qi,Qj)|./D(i,j)),
其中,Pi表示待配准图像的第i个特征点,Qi表示基准图像的第i个特征点,(Pi,Qi)表示步骤2中若干点匹配对中的任意一对点匹配对,D(i,j)表示Pi和Qi与每对特征点的平均距离;对所有的W(i)求和得到W,并一一判断W(i)与0.8W的大小,若W(i)大于0.8W,则保留该点匹配对;反之,则去除该点匹配对;最终得到一次点匹配对集;
步骤4、采用改进的RANSAC算法对一次点匹配对集进行二次筛选,方法如下:
步骤4-1、将一次点匹配对集的个数与N(N为偶数,且8≤N≤20)整除,若无法整除,则从一次筛选中去除的点匹配对中找出若干与W(i)的阈值最为接近的点匹配对,重新加入一次点匹配对集中,形成新的一次点匹配对集,以使新的一次点匹配对集的个数可以与N(N为偶数,且8≤N≤20)整除;反之,则从一次点匹配对集中去除与W(i)的的阈值最为接近的点匹配对,形成新的一次点匹配对集;
步骤4-2、将待配准图像划分成以像素坐标原点为中心的N(N为偶数,且8≤N≤20)个扇形区域,并使得每个扇形区域中的特征点的个数相同,其具体方法如下:计算待配准图像中每个特征点的值S(Pi),并对S(Pi)按从小到大排序,同时对应更新待配准图像中每个特征点的排序,同时同步更新基准图像中与其对应的每个特征点,并将更新排序的待配准图像中的每个特征点按照顺序一一置于N个扇形区域中,使得N个扇形区域中的特征点的个数均相同,其中,S(Pi)=x2+y2,x表示待配准图像中第i个特征点的横坐标,y表示待配准图像中第i个特征点的纵坐标;
步骤4-3、随机抽取待配准图像中N个扇形区域中的4个扇形区域,从4个扇形区域中各随机选择一个特征点,且找到与其对应的基准图像中的特征点,形成4个点匹配对,并求解临时变换矩阵H;
步骤4-4、计算待配准图像中的所有特征点经过临时变换矩阵H后的数值,并与其对应的基准图像中的特征点求欧式距离,如果该值小于阈值T1,则属于内点,得到内点集:若内点集的个数大于预设的阈值T2,则留下该内点集,并使该内点集的个数为新的阈值T2’;若内点集的个数小于预设的阈值T2,则返回步骤4-3;
步骤4-5、经若干次迭代,得到最终的内点集,算法结束,此即为二次点匹配对集;
步骤5、利用获得的二次点匹配对集,并采用加权平滑算法实现基准图像和待配准图像的拼接配准,获得配准图像。
具体实施例:
步骤1、通过相机采集获得视网膜图像的基准图像(如图3所示)和待配准图像(如图4所示),并对两幅图像进行高斯平滑预处理;
步骤2、利用SIFT算法对经预处理后的基准图像和待配准图像进行特征点提取,依次对基准图像和待配准图像构建尺度空间,检测尺度空间的极值点并精确定位,精确定位的极值点即为特征点,为每个特征点制定方向参数,并生成每个特征点的描述子,最后根据基准图像和待配准图像的各个特征点的描述子将其进行匹配,获得若干点匹配对,具体的:通过构建尺度空间,检测极值点:搜索所有尺度上的图像位置,通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点;其次,特征点过滤并进行精确定位:在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度,关键点的选择依据于它们的稳定程度;为特征点分配方向值:基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向,所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性;生成特征描述子,以特征点为中心取16*16的邻域为采样窗口,将采样点和特征点的相对方向,通过高斯加权后归入包含8个bin的方向直方图,最后获得4*4*8的特征描述子;采用关键点特征向量的欧氏距离来作为两幅图像中关键点的相似性判定度量,取基准图像中的某个关键点,通过遍历找到待配准图像中的两个最近距离的关键点,在这两个关键点中,如果次近距离比上最近距离小于某个阈值,则判定为一对点匹配对;
步骤3、对步骤2中获得的若干点匹配对进行一次筛选,其方法如下:利用Pi与待配准图像中所有特征点Pj的欧氏距离和Qi与基准图像中所有特征点Qj的欧氏距离的相似性的关系,若点匹配对(Pi,Qi)和点匹配对(Pj,Qj)是两两正确的点匹配对,则欧式距离d(Pi,Pj)相似于欧式距离d(Qi,Qj),并提出如下相似性评价函数:
W(i)=∑j(R(i,j))./(1+D(i,j)),
D(i,j)=(d(Pi,Pj)+d(Qi,Qj))./2,
R(i,j)=exp(-|d(Pi,Pj)-d(Qi,Qj)|./D(i,j)),
其中,Pi表示待配准图像的第i个特征点,Qi表示基准图像的第i个特征点,(Pi,Qi)表示步骤2中若干点匹配对中的任意一对点匹配对,D(i,j)表示Pi和Qi与每对特征点的平均距离;对所有的W(i)求和得到W,并一一判断W(i)与0.8W的大小,若W(i)大于0.8W,则保留该点匹配对;反之,则去除该点匹配对;最终得到一次点匹配对集;
步骤4、采用改进的RANSAC算法对一次点匹配对集进行二次筛选,方法如下:
步骤4-1、将一次点匹配对集的个数与8整除,若无法整除,则从一次筛选中去除的点匹配对中找出若干与W(i)的阈值最为接近的点匹配对,重新加入一次点匹配对集中,形成新的一次点匹配对集,以使新的一次点匹配对集的个数可以与8整除;反之,则从一次点匹配对集中去除与W(i)的的阈值最为接近的点匹配对,形成新的一次点匹配对集;
步骤4-2、将待配准图像划分成以像素坐标原点为中心的8个扇形区域(如图2所示),并使得每个扇形区域中的特征点的个数相同,其具体方法如下:计算待配准图像中每个特征点的值S(Pi),并对S(Pi)按从小到大排序,同时对应更新待配准图像中每个特征点的排序,同时同步更新基准图像中与其对应的每个特征点,并将更新排序的待配准图像中的每个特征点按照顺序一一置于N个扇形区域中,使得N个扇形区域中的特征点的个数均相同,其中,S(Pi)=x2+y2,x表示待配准图像中第i个特征点的横坐标,y表示待配准图像中第i个特征点的纵坐标;
步骤4-3、随机抽取待配准图像中N个扇形区域中的4个扇形区域,从4个扇形区域中各随机选择一个特征点,且找到与其对应的基准图像中的特征点,形成4个点匹配对,并求解临时变换矩阵H;
步骤4-4、计算待配准图像中的所有特征点经过临时变换矩阵H后的数值,并与其对应的基准图像中的特征点求欧式距离,如果该值小于阈值T1,则属于内点,得到内点集:若内点集的个数大于预设的阈值T2,则留下该内点集,并使该内点集的个数为新的阈值T2’;若内点集的个数小于预设的阈值T2,则返回步骤4-3;
步骤4-5、经若干次迭代,得到最终的内点集,算法结束,此即为二次点匹配对集;
步骤5、利用获得的二次点匹配对集,并采用加权平滑算法实现基准图像和待配准图像的拼接配准,获得配准图像(如图5所示),具体方法如下:根据变换矩阵H以确定融合的区域,求出拼接配准后图像的高度和宽度,在重叠区域使用加权平滑算法处理拼接缝的问题,图像重叠区域的像素值由两幅图像的对应像素的灰度值加权平均得到,即:
Pixel=k*Pixel_1+(1-k)*Pixel_2
其中,k的值就等于k=d1./(d1+d2),d1和d2分别为图像的点到左边界和右边界的距离。
本发明提供的基于改进RANSAC算法的图像配准方法,通过提出相似性评价函数并对点匹配对进行一次筛选,提高了运算速度;通过提出改进的RANSAC算法进行二次筛选,采用对图像规则分块的方式,并结合扇形分块使得每个扇形区域中的特征点的个数以及取得每个特征点的概率均相同,提高了图像的配准精度。
尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (3)
1.一种基于改进RANSAC算法的图像配准方法,其特征在于,包括如下步骤:
步骤1、采集获得基准图像和待配准图像,并对基准图像和待配准图像进行预处理;
步骤2、对经预处理后的基准图像和待配准图像分别进行特征点提取,并对提取的基准图像和待配准图像的特征点进行匹配,获得若干点匹配对;
步骤3、对步骤2中获得的若干点匹配对进行第一次筛选,获得一次点匹配对集;
步骤4、采用改进的RANSAC算法对一次点匹配对集进行第二次筛选,获得二次点匹配对集;
步骤5、利用获得的二次点匹配对集进行拼接配准,获得配准图像;
其中,所述步骤1中的预处理为高斯平滑处理;
所述步骤2中利用SIFT算法对经预处理后的基准图像和待配准图像进行特征点提取,依次对基准图像和待配准图像构建尺度空间,检测尺度空间的极值点并精确定位,精确定位的极值点即为特征点,为每个特征点制定方向参数,并生成每个特征点的描述子,最后根据基准图像和待配准图像的各个特征点的描述子将其进行匹配,获得若干点匹配对;
所述步骤3中对若干点匹配对进行第一次筛选的方法如下:
利用Pi与待配准图像中所有特征点Pj的欧氏距离和Qi与基准图像中所有特征点Qj的欧氏距离的相似性的关系,若点匹配对(Pi,Qi)和点匹配对(Pj,Qj)是两两正确的点匹配对,则欧式距离d(Pi,Pj)相似于欧式距离d(Qi,Qj),并提出如下相似性评价函数:
W(i)=Σj(R(i,j))/(1+D(i,j)),
D(i,j)=(d(Pi,Pj)+d(Qi,Qj))/2,
R(i,j)=exp(-|d(Pi,Pj)-d(Qi,Qj)|/D(i,j)),
其中,Pi表示待配准图像的第i个特征点,Qi表示基准图像的第i个特征点,(Pi,Qi)表示步骤2中若干点匹配对中的任意一对点匹配对,D(i,j)表示Pi和Qi与每对特征点的平均距离;
对所有的W(i)求和得到W,并一一判断W(i)与0.8W的大小,若W(i)大于0.8W,则保留该点匹配对;反之,则去除该点匹配对;最终得到一次点匹配对集;
所述改进的RANSAC算法包括如下步骤:
步骤4-1、将一次点匹配对集的个数与N整除,若无法整除,则从第一次筛选中去除的点匹配对中找出若干与W(i)的阈值最为接近的点匹配对,重新加入一次点匹配对集中,形成新的一次点匹配对集,以使新的一次点匹配对集的个数可以与N整除;反之,则从一次点匹配对集中去除与W(i)的阈值最为接近的点匹配对,形成新的一次点匹配对集,其中,N为偶数,且8≤N≤20;
步骤4-2、将待配准图像划分成以待配准图像的左上角顶点为中心的N个扇形区域,并使得每个扇形区域中的特征点的个数相同;
步骤4-3、随机抽取待配准图像中N个扇形区域中的4个扇形区域,从4个扇形区域中各随机选择一个特征点,且找到与其对应的基准图像中的特征点,形成4个点匹配对,并求解临时变换矩阵H;
步骤4-4、计算待配准图像中的所有特征点经过临时变换矩阵H后的数值,并与其对应的基准图像中的特征点求欧式距离,如果特征点经过临时变换矩阵H后的数值小于阈值T1,则属于内点,得到内点集:若内点集的个数大于预设的阈值T2,则留下该内点集,并使该内点集的个数为新的阈值T2’;若内点集的个数小于预设的阈值T2,则返回步骤4-3;
步骤4-5、经若干次迭代,得到最终的内点集,算法结束,此即为二次点匹配对集。
2.如权利要求1所述的基于改进RANSAC算法的图像配准方法,其特征在于,所述步骤4-2中使得每个扇形区域中的特征点的个数相同的具体方法如下:计算待配准图像中每个特征点的值S(Pi),并对S(Pi)按从小到大排序,同时对应更新待配准图像中每个特征点的排序,同时同步更新基准图像中与其对应的每个特征点,并将更新排序的待配准图像中的每个特征点按照顺序一一置于N个扇形区域中,使得N个扇形区域中的特征点的个数均相同,其中,S(Pi)=x2+y2,x表示待配准图像中第i个特征点的横坐标,y表示待配准图像中第i个特征点的纵坐标。
3.如权利要求2所述的基于改进RANSAC算法的图像配准方法,其特征在于,所述步骤5中采用加权平滑算法实现基准图像和待配准图像的拼接配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510230025.5A CN104867137B (zh) | 2015-05-08 | 2015-05-08 | 一种基于改进ransac算法的图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510230025.5A CN104867137B (zh) | 2015-05-08 | 2015-05-08 | 一种基于改进ransac算法的图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104867137A CN104867137A (zh) | 2015-08-26 |
CN104867137B true CN104867137B (zh) | 2017-12-08 |
Family
ID=53912952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510230025.5A Active CN104867137B (zh) | 2015-05-08 | 2015-05-08 | 一种基于改进ransac算法的图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104867137B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405123B (zh) * | 2015-10-26 | 2018-04-06 | 电子科技大学 | 一种颅脑ct图像空间坐标的校准方法 |
CN106683043B (zh) * | 2015-11-10 | 2020-03-06 | 中国航天科工集团第四研究院指挥自动化技术研发与应用中心 | 一种多通道光学探测系统的并行图像拼接方法、装置 |
CN107220658B (zh) * | 2017-05-10 | 2019-05-31 | 中国人民解放军军械工程学院 | 一种图像匹配点对筛选方法 |
CN107464252A (zh) * | 2017-06-30 | 2017-12-12 | 南京航空航天大学 | 一种基于混合特征的可见光与红外异源图像识别方法 |
CN107770437B (zh) * | 2017-09-08 | 2020-03-17 | 温州大学 | 无人机摄影摄像系统及其位移补偿机构 |
CN108460779B (zh) * | 2018-02-12 | 2021-09-24 | 浙江大学 | 一种动态环境下的移动机器人图像视觉定位方法 |
CN108596867A (zh) * | 2018-05-09 | 2018-09-28 | 五邑大学 | 一种基于orb算法的图片校正方法及系统 |
CN109741376A (zh) * | 2018-11-19 | 2019-05-10 | 天津津航技术物理研究所 | 一种基于改进ransac算法的中、长波红外图像配准方法 |
CN110533652B (zh) * | 2019-08-29 | 2022-12-06 | 西安汇智信息科技有限公司 | 基于旋转不变lbp-surf特征相似度的图像拼接评价方法 |
CN111242992B (zh) * | 2020-01-13 | 2023-05-23 | 洛阳理工学院 | 一种图像配准方法 |
CN111666858A (zh) * | 2020-05-29 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 基于单木识别的森林遥感图像配准方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129704A (zh) * | 2011-02-23 | 2011-07-20 | 山东大学 | 一种基于surf操作数的显微镜图像拼接方法 |
EP2904584B1 (en) * | 2012-10-05 | 2017-08-09 | Universidade De Coimbra | Method for aligning and tracking point regions in images with radial distortion that outputs motion model parameters, distortion calibration, and variation in zoom |
CN104021542A (zh) * | 2014-04-08 | 2014-09-03 | 苏州科技学院 | 基于极限约束的sift特征匹配点优化方法 |
CN104134208B (zh) * | 2014-07-17 | 2017-04-05 | 北京航空航天大学 | 利用几何结构特征从粗到精的红外与可见光图像配准方法 |
-
2015
- 2015-05-08 CN CN201510230025.5A patent/CN104867137B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104867137A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104867137B (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN107871124B (zh) | 一种基于深度神经网络的遥感图像目标检测方法 | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
CN106355577B (zh) | 基于特征状态与全局一致性的快速图像匹配方法及系统 | |
CN107346550B (zh) | 一种针对具有颜色信息的三维点云数据快速配准方法 | |
CN106600600A (zh) | 基于特征匹配的晶圆缺陷检测方法 | |
CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
CN105335725B (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN108921057B (zh) | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN109993800A (zh) | 一种工件尺寸的检测方法、装置及存储介质 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN109858476A (zh) | 标签的扩充方法和电子设备 | |
CN106204540A (zh) | 视觉检测方法 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN112037221B (zh) | 宫颈癌tct切片阳性细胞检测模型多域共适应训练方法 | |
CN110599463A (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
CN110175954A (zh) | 改进的icp点云快速拼接方法、装置、电子设备及存储介质 | |
CN111126494A (zh) | 基于各向异性卷积的图像分类方法及系统 | |
CN107578424A (zh) | 一种基于时空分类的动态背景差分检测方法、系统及装置 | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
CN110717910B (zh) | 基于卷积神经网络的ct图像目标检测方法及ct扫描仪 | |
CN112287906A (zh) | 一种基于深度特征融合的模板匹配跟踪方法及系统 | |
Wang et al. | A Dense-aware Cross-splitNet for Object Detection and Recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |