CN104966270A - 一种多图像拼接方法 - Google Patents
一种多图像拼接方法 Download PDFInfo
- Publication number
- CN104966270A CN104966270A CN201510368125.4A CN201510368125A CN104966270A CN 104966270 A CN104966270 A CN 104966270A CN 201510368125 A CN201510368125 A CN 201510368125A CN 104966270 A CN104966270 A CN 104966270A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- spliced
- sampled
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 15
- 238000013519 translation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 230000019552 anatomical structure morphogenesis Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition 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
- G06T3/40—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
- 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
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多图像拼接方法,包括如下步骤:对每个待拼接图像进行降采样处理得到相应的降采样图像,并确定各个降采样图像之间的重叠关系和相对位置关系;根据各个降采样图像之间的重叠关系和相对位置关系确定任意两个待拼接图像之间特征点匹配对集合;根据两个待拼接图像之间的特征点匹配对集合利用光束平差法对当前待拼接图像的相机位置进行标定,然后根据所有待拼接图像以及对应的标定结果拟合得到最佳正射投影平面,将各个待拼接图像正射投影到最佳正射投影平面得到相应的投影结果并进行融合。本发明的具有拼接速率高,拼接质量的优点。
Description
技术领域
本发明涉及计算机图像领域,尤其涉及一种多图像拼接方法。
背景技术
图像拼接技术,是通过各种方法,将多源图像无缝的融合成一张超高分辨率的完整图像。目前已经有很多的解决方案,早期的方法往往把重点放在单台计算机的处理上。
图像拼接主要分为图像配准和图像融合两个部分,其中图像配准为图像拼接的核心部分,主要目的为精确确定图像间的重叠位置。图像配准的一般方法有:基于区域的图像配准和基于特征的图像配准。由于基于区域的图像配准鲁棒性比较差,目前主流的图像配准方法为基于特征的图像配准。而基于图像特征的图像配准比较依赖图像特征的选取计算,由此如何选取鲁棒性较强的图像特征算子成为图像配准的主要难题。常见的图像特征有点特征,线特征,块特征等。2007年提出一种新的点特征计算方法,SIFT特征(Scale Invariant Feature),该特征具有很好的鲁棒性,具有尺度不变和旋转不变的优点,且对于有光照亮度差异拍摄图像也具有一定的稳定性,因此目前该算子的应用比较广泛。
图像融合是将互相重叠的图像融合成一张无缝的全景图。虽然图像融合不是图像拼接的核心部分,但融合算法的优劣却决定这最后全景图的质量,优秀的融合算法甚至能弥补图像配准准确度的缺陷。常见的融合算法有:平均值法、加权平滑法和多分辨率样条法。平均值法计算简单快速,但效果比较粗糙;加权平滑法为平均值法的改进,效果比平均值法好,但当融合区比较大时,容易导致图像模糊,而融合区较小,则会看到明显的过渡窄带;多分辨率样条法把图像分离到不同的频域进行加权平均求解,效果最好,但由于涉及到图像全局高斯金字塔和拉普拉斯金字塔的构造计算,计算量非常大。
基于特征点的图像拼接方法,它利用图像特征点进行图像配准,利用已经配准的图像对,在独立的计算机中,利用图像融合的方法,从而实现对多图像的无缝拼接。该方法针对低分辨率的少量图像拼接的效率还是可行的,但是面对如今单张图像达到几千万像素的超高分辨率的大量图像拼接,其执行效率是相当的不乐观的。
近年来,随着分布式计算技术的不断成熟,其技术已经在越来越多的大数据处理中取得了非常理想效果。分布式计算是利用网络,把成千上万的物理计算机连接起来,组成一台虚拟的超级计算机,在完成单个的任务时,分布式计算框架将任务并行的分配给成千上万的物理计算机单独运行,最后通过同步处理,对运行结果进行合并输出。近年来,随着数字图像分辨率的不断提高,分布式计算技术已被引入到超高分辨率数字图像处理中。目前已经有相关论文针对分布式计算在超高分辨率数字图像处理领域的应用做了论证。从这些论文的论证可知,同样的计算量,分布式计算系统可以实现几十倍的速度提升。
虽然目前已经有部分论文提出了分布式计算在图像处理领域的使用,但是目前还没有系统实现了基于分布式计算框架的多图像拼接。
发明内容
针对现有技术的不足,本发明提供了一种多图像拼接方法,大大的提高了图像拼接的拼接效果。
一种多图像拼接方法,包括如下步骤:
(1)对每个待拼接图像进行降采样处理得到相应的降采样图像,并确定各个降采样图像之间的重叠关系和相对位置关系;
(2)针对任意一个待拼接图像,进行如下操作:
(2-1)根据各个降采样图像之间的重叠关系和相对位置关系确定当前待拼接图像对应的重叠图像,并计算当前待拼接图像与各个重叠图像之间的特征点匹配对集合;
(2-2)根据当前待拼接图像与所有重叠图像之间的特征点匹配对集合,利用光束平差法对当前待拼接图像的相机位置进行标定;
(3)根据所有待拼接图像以及对应的标定结果拟合得到最佳正射投影平面;
(4)将各个待拼接图像正射投影到该最佳正射投影平面得到相应的投影结果,并将所有待拼接图像对应的投影结果进行融合即得到多图像拼接结果。
本发明的方法多图像拼接方法中首先对各个待拼接图像进行降采样处理,由于降采样图像与待拼接图像之间的对应关系,利用得到的降采样图像之间的重叠关系和相对位置关系获取各个待拼接图像之间的对应关系和特征点匹配对集合,大大降低了计算量,有利于提高拼接效率。
为保证拼接效果,本发明中通过降采样将各个待拼接图像的长宽缩小为原图像的10%,如5000×3000的输入图像(即待拼接图像)降采样为500×300的图像(即降采样图像)。
此外,针对每个待拼接图像,根据所有与其有重叠的待拼接图像的特征点匹配关系进行相机标定(即对待拼接图像的相机位置进行标定),并根据所有待拼接图像的相机标定结果拟合得到最佳正射投影平面,通过全局考虑,有利于提高得到的最佳正射投影平面的精确度,进而有利于提高拼接效果。
所述步骤(1)通过如下方法确定各个降采样图像之间的重叠关系:
(a)对各个降采样图像进行特征点提取得到相应的特征点集合;
(b)针对任意两个降采样图像,确定两个降采样图像之间的特征点匹配对:
若匹配对的数量大于预设的数量阈值,则认为二者相互重叠;
否则,认为二者不重叠。
作为优选,所述步骤(a)通过如下方法确定两个降采样图像之间的特征点匹配对:
对于其中一个降采样图像对应的特征点集合中的任意一个特征点,以该特征点作为参考特征点,以另一个降采样图像对应的特征点集合中各个特征点作为候选匹配特征点,计算该参考特征点与各个候选匹配特征点的距离,若最小距离与次最小距离的比值小于0.36,则以最小距离对应的候选匹配特征点作为该参考特征点的匹配特征点,并以二者作为一个特征点匹配对。
作为优选,所述的数量阈值为两个待拼接图像中对应的特征点较少的待拼接图像对应的特征点数量的10%,可以根据实际应用情况调整。
为提高本发明的多图像拼接方法的鲁棒性,所述步骤(a)中对各个降采样图像进行SIFT特征点提取。SIFT特征点由Brown.M和D.Lowe在2007年提出,SIFT(Scale Invariant Feature)特征点包含每个特征点的坐标和128维特征描述子。SIFT特征具有很好的鲁棒性,具有尺度不变和旋转不变的优点,且对于有光照亮度差异拍摄图像也具有一定的稳定性。
所述步骤(1)确定各个降采样图像之间相对位置关系时具体如下:
(1-1)从所有降采样图像中任意选择一张作为参考图像;
(1-2)针对任意两个降采样图像,利用两个降采样图像相对于所述参考图像之间的旋转矩阵和平移矩阵表示二者之间的相对位置关系。
通过求解如下目标函数的最小值计算降采样图像i与另一个降采样图像i′之间的相对位置关系:
其中,n表示所有降采样图像中相互重叠的图像对数,
m表示当前降采样图像图i与重叠图像i′的特征点匹配对的数量,
所述步骤(2-1)利用基于位置的特征点匹配方法确定当前待拼接图像与其对应的任意一张重叠图像之间的特征点匹配对集合,具体如下:
(S1)按照相应两个降采样图像之间的相对位置关系对该重叠图像的特征点集合进行位置变换,得到该重叠图像的特征点集合中各个特征点在当前待拼接图像上对应的映射特征点;
(S2)针对该重叠图像的特征点集合中每一个特征点,以该特征点作为参考特征点:
(S21)针对该参考特征点对应的映射特征点,确定当前待拼接图像的特征点集合中与该映射特征点位置对应的特征点作为该参考特点的候选匹配特征点;
(S22)计算该参考特征点与各个候选匹配特征点的距离,若最小距离与次最小距离的比值小于0.36,则以最小距离对应的候选匹配特征点作为该参考特征点的匹配特征点,并以二者作为一个特征点匹配对;
(S3)以该重叠图像的特征点集合中每一个特征点对应的特征点匹配形成特征点匹配对集合。
各个待拼接图像之间的重叠关系以及任意两个待拼接图像之间的相对位置关系与相应的降采样图像相同。因此,该重叠图像的特征点集合进行位置变换得到重叠图像的各个特征点在待拼接图像上的映射特征点的方法如下:
利用该重叠图像对应的降采样图像与相应的参考图像之间的相对位置关系对重叠图像进行位置变换,得到各个特征点在参考图像上的映射特征点;
根据相对位置关系的求解方法,令重叠图像的各个特征点在参考图像上的映射特征点作为当前待拼接图像在参考图像上的映射特征点相同,进而求解出重叠图像的各个特征点在待拼接图像上的映射特征点。
所述步骤(S21)中利用空间索引树方法确定当前待拼接图像的特征点集合中与该映射特征点位置对应的特征点,具体如下:
当前待拼接图像的特征点集合中各个特征点的位置(即空间坐标)建立相应的空间索引树,在每一个节点有若干个表示空间区域的子区块,每个子区块中包括位于相应空间区域的特征点;
针对当前映射特征点,在所述的空间索引数进行搜索,以空间索引树中与当前映射特征点所属空间区域相同的特征点作为当前映射特征点位置对应的特征点。
所述步骤(3)中采用RANSAC算法拟合得到最佳正射投影平面。采用随机抽样一致性算法(即RANSAC算法)有利于提高获取的最佳正射投影平面的准确性和鲁棒性。
所述步骤(4)中利用图像插值方法将各个待拼接图像正射投影到最佳拟合平面。
对各个待拼接图像的特征点集合进行Delaunay三角剖分,得到若干个Delaunay三角形,对于每个Delaunay三角形,采用双三次立方插值算法,从而实现了将图像都正射投影到最佳拟合平面中。
为提高多图像拼接方法的速度,所述多图像拼接方法基于分布式计算框架实现。
与现有技术相比,本发明具有如下优点:
通过降采样处理并利用得到的降采样图像计算各个待拼接图像之间的对应关系和特征点匹配对集合,大大降低了计算量,有利于提高拼接效率;
针对每个待拼接图像,根据所有与其有重叠的待拼接图像的特征点匹配关系进行相机标定,并全局考虑每个待拼接图像的标定结果形成最佳正射投影平面,进而有利于提高拼接效果。
具体实施方式
下面将结合具体实施对本发明进行详细说明。
本实施例的多图像拼接方法基于分布式计算框架(本实施例为Hadoop计算框架)实现,进行多图像拼接时包括如下步骤:
步骤1,Hadoop计算框架中每个节点以每张图像文件作为一个输入切片,不进行文件切割;在Map阶段对图像进行格式转换,生成同分辨率的JEPG格式图像,在Reduce阶段将结果写入到本地文件系统。
步骤2,Hadoop计算框架中每个节点以步骤1获取的同分辨率JEPG格式图像作为一个输入切片,Map阶段求解输入切片的SIFT特征点集合;在Reduce阶段将SIFT特征结果写入特定文件名的.key文件并保存在本地文件系统。
步骤3,Hadoop计算框架中每个节点以一张步骤1格式转换得到的JEPG图像文件作为一个输入切片,Map阶段对输入图像做降采样处理,得到分辨率大大降低的JEPG格式图像(即降采样图像),并求解降采样图像的特征点(本实施例为SIFT特征点)形成特征点集合,在Reduce阶段JEPG格式图像(即降采样图像)和相应的特征点集合写入到本地文件系统。
分布式计算系统(本实施例中为Hadoop计算框架)中每个节点,Map阶段以所有降采样JEPG图像(即降采样图像)作为一个输入切片,选择任意降采样JEPG图像作为键值(每个节点选择的键值图像不能相同),确定所有与键值图像有重叠的降采样图像文件,得到与该键值图像有重叠的图像集合,在Reduce阶段将重叠图像集合保存到本地文件系统。
本实施例中通过如下方法确定任意两个降采样图像之间的重叠关系:
确定两个降采样图像之间的特征点匹配对,具体如下:
对于其中一个降采样图像对应的特征点集合中的任意一个特征点,以该特征点作为参考特征点,以另一个降采样图像对应的特征点集合中各个特征点作为候选匹配特征点,计算参考特征点与各个候选匹配特征点之间的距离,若最小距离与次最小距离的比值小于0.36,则以最小距离对应的候选匹配特征点作为该参考特征点的匹配特征点,并以二者作为一个特征点匹配对,然后统计特征点匹配对的数量:
若匹配对的数量大于预设的数量阈值,则认为二者相互重叠;
否则,认为二者不重叠。
本实施例中的数量阈值为两个待拼接图像中对应的特征点较少的待拼接图像对应的特征点数量的10%。
步骤4,利用步骤3得到的任意一张降采样图像的重叠图像集合,估算任意两张重叠的降采样图像之间的相对位置关系,以旋转矩阵、平移矩阵表示。(不用map reduce)
本实施例中从所有降采样图像中选择一个作为参考图像,针对任意两个降采样图像,利用该任意两个降采样图像相对于参考图像之间的旋转矩阵和平移矩阵表示二者之间的相对位置关系。
本实施例中通过求解如下目标函数的最小值计算降采样图像i与另一个降采样图像i′之间的相对位置关系:
其中,n表示所有降采样图像中相互重叠的图像对数,
m表示当前降采样图像图i与重叠图像i′的特征点匹配对的数量,
步骤5,分布式计算系统每个节点,以一张待拼接图像作为键值,根与该作为键值的待拼接图像重叠的待拼接图像集合作为一个输入切片,Map阶段利利用基于位置的特征点匹配方法,计算得到键值图像与重叠图像集合任意一张图像的特征点匹配集合,在Reduce阶段将所有特征点匹配结果保存到本地文件系统。
由于降采样图像与待拼接图像的对应关系,作为键值的待拼接图像重叠的待拼接图像集合根据各个降采样图像之间的重叠关系确定。
步骤6,在步骤5获得的特征点匹配集合的基础上,利用光束平差法,对相机位置进行标定,计算得到每张待拼接图像以及拍摄相机的三维空间信息。
步骤7,利用步骤6得到的图像三维空间信息,首先采用RANSAC方法拟合得到一个最佳的正射投影平面,并计算各个待拼接图像的特征点到最佳拟合平面的旋转矩阵;其次,利用此旋转矩阵,计算得到各个待拼接图像的特征点在最佳拟合平面对应的最佳拟合平面特征点集合。
步骤8,分布式计算系统每个节点,以每张待拼接图像的特征点以及特征点在最佳拟合平面对应的特征集合(即最佳拟合平面特征点集合)作为一个输入切片,在Map阶段,利用图像插值方法将图像正射投影到最佳拟合平面(最佳拟合平面)得到相应的投影结果,在Reduce阶段生成Cropped TIFF格式图像,并保存在本地文件系统。
本实施例中对待拼接图像的特征点集合(最佳拟合平面特征点集合)进行Delaunay三角剖分,得到若干个Delaunay三角形,对于每个Delaunay三角形,采用双三次立方插值算法,从而实现了将待拼接图像正射投影到最佳拟合平面上。
步骤9,分布式计算系统每个节点,以步骤8生成的Cropped TIFF格式图像作为输入切片,利用成熟的图像融合算法,对图像进行拼接,最终得到一张完整的拼接图像。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多图像拼接方法,其特征在于,包括如下步骤:
(1)对每个待拼接图像进行降采样处理得到相应的降采样图像,并确定各个降采样图像之间的重叠关系和相对位置关系;
(2)针对任意一个待拼接图像,进行如下操作:
(2-1)根据各个降采样图像之间的重叠关系和相对位置关系确定当前待拼接图像对应的重叠图像,并计算当前待拼接图像与各个重叠图像之间的特征点匹配对集合;
(2-2)根据当前待拼接图像与所有重叠图像之间的特征点匹配对集合,利用光束平差法对当前待拼接图像的相机位置进行标定;
(3)根据所有待拼接图像以及对应的标定结果拟合得到最佳正射投影平面;
(4)将各个待拼接图像正射投影到最佳正射投影平面得到相应的投影结果,并将所有待拼接图像对应的投影结果进行融合即得到多图像拼接结果。
2.如权利要求1所述的多图像拼接方法,其特征在于,所述步骤(1)通过如下方法确定各个降采样图像之间的重叠关系:
(a)对各个降采样图像进行特征点提取得到相应的特征点集合;
(b)针对任意两个降采样图像,确定两个降采样图像之间的特征点匹配对:
若匹配对的数量大于预设的数量阈值,则认为二者相互重叠;
否则,认为二者不重叠。
3.如权利要求2所述的多图像拼接方法,其特征在于,所述步骤(a)通过如下方法确定两个降采样图像之间的特征点匹配对:
对于其中一个降采样图像对应的特征点集合中的任意一个特征点,以该特征点作为参考特征点,以另一个降采样图像对应的特征点集合中各个特征点作为候选匹配特征点,计算参考特征点与各个候选匹配特征点之间的距离,若最小距离与次最小距离的比值小于0.36,则以最小距离对应的候选匹配特征点作为该参考特征点的匹配特征点,并以二者作为一个特征点匹配对。
4.如权利要求2所述的多图像拼接方法,其特征在于,所述的数量阈值为两个待拼接图像中对应的特征点较少的待拼接图像对应的特征点数量的10%。
5.如权利要求2所述的多图像拼接方法,其特征在于,所述步骤(a)中对各个降采样图像进行SIFT特征点提取。
6.如权利要求2所述的多图像拼接方法,其特征在于,所述步骤(1)确定各个降采样图像之间相对位置关系时具体如下:
(1-1)从所有降采样图像中任意选择一张作为参考图像;
(1-2)针对任意两个降采样图像,利用两个降采样图像相对于所述参考图像之间的旋转矩阵和平移矩阵表示二者之间的相对位置关系。
7.如权利要求5所述的多图像拼接方法,其特征在于,所述步骤(2-1)利用基于位置的特征点匹配方法确定当前待拼接图像与其对应的任意一张重叠图像之间的特征点匹配对集合,具体如下:
(S1)按照相应两种降采样图像之间的相对位置关系对该重叠图像的特征点集合进行位置变换,得到该重叠图像的特征点集合中各个特征点在当前待拼接图像上对应的映射特征点;
(S2)针对该重叠图像的特征点集合中每一个特征点,以该特征点作为参考特征点:
(S21)针对该参考特征点对应的映射特征点,确定当前待拼接图像的特征点集合中与该映射特征点位置对应的特征点作为该参考特点的候选匹配特征点;
(S22)计算该参考特征点与各个候选匹配特征点的距离,若最小距离与次最小距离的比值小于0.36,则以最小距离对应的候选匹配特征点作为该参考特征点的匹配特征点,并以二者作为一个特征点匹配对;
(S3)以该重叠图像的特征点集合中每一个特征点对应的特征点匹配形成特征点匹配对集合。
8.如权利要求1~7中任意一项所述的多图像拼接方法,其特征在于,所述步骤(3)中采用RANSAC算法拟合得到最佳的正射投影平面。
9.如权利要求1~7中任意一项所述的多图像拼接方法,其特征在于,所述步骤(4)中利用图像插值方法将各个待拼接图像正射投影到最佳拟合平面。
10.如权利要求1~7中任意一项所述的多图像拼接方法,其特征在于,所述多图像拼接方法基于分布式计算框架实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510368125.4A CN104966270B (zh) | 2015-06-26 | 2015-06-26 | 一种多图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510368125.4A CN104966270B (zh) | 2015-06-26 | 2015-06-26 | 一种多图像拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104966270A true CN104966270A (zh) | 2015-10-07 |
CN104966270B CN104966270B (zh) | 2018-03-09 |
Family
ID=54220301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510368125.4A Active CN104966270B (zh) | 2015-06-26 | 2015-06-26 | 一种多图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104966270B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894448A (zh) * | 2015-11-06 | 2016-08-24 | 乐卡汽车智能科技(北京)有限公司 | 蒙板矩阵的生成方法、泊车图像的合成方法及装置 |
CN106504194A (zh) * | 2016-11-03 | 2017-03-15 | 重庆邮电大学 | 一种基于最佳拼接平面和局部特征的图像拼接方法 |
CN106600575A (zh) * | 2016-09-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 拼接图像校验方法及装置、x射线摄影系统 |
CN106657868A (zh) * | 2015-10-27 | 2017-05-10 | 北京航天长峰科技工业集团有限公司 | 一种基于人机交互摄像机标定的视频实时拼接方法 |
CN106683044A (zh) * | 2015-11-10 | 2017-05-17 | 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图像拼接方法、装置 |
CN106683043A (zh) * | 2015-11-10 | 2017-05-17 | 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 |
CN106780573A (zh) * | 2016-11-15 | 2017-05-31 | 山东大学 | 一种全景图特征匹配精度优化的方法及系统 |
CN106934762A (zh) * | 2017-03-09 | 2017-07-07 | 史鹏飞 | 一种图像拼接方法和设备 |
CN107093166A (zh) * | 2017-04-01 | 2017-08-25 | 华东师范大学 | 低重合率显微图像的无缝拼接方法 |
CN107563959A (zh) * | 2017-08-30 | 2018-01-09 | 北京林业大学 | 全景图生成方法及装置 |
CN108615223A (zh) * | 2018-05-08 | 2018-10-02 | 南京齿贝犀科技有限公司 | 基于局部优化算法的牙齿唇颊侧全景图像拼接方法 |
CN109191530A (zh) * | 2018-07-27 | 2019-01-11 | 深圳六滴科技有限公司 | 全景相机标定方法、系统、计算机设备和存储介质 |
CN109993718A (zh) * | 2019-03-05 | 2019-07-09 | 北京当红齐天国际文化发展集团有限公司 | 一种多通道投影图像融合方法及装置 |
US10580135B2 (en) | 2016-07-14 | 2020-03-03 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for splicing images |
CN111951201A (zh) * | 2019-05-16 | 2020-11-17 | 杭州海康机器人技术有限公司 | 一种无人机航拍图像拼接方法、装置和存储介质 |
CN112258395A (zh) * | 2020-11-12 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 一种无人机拍摄的影像拼接方法及装置 |
CN112669278A (zh) * | 2020-12-25 | 2021-04-16 | 中铁大桥局集团有限公司 | 一种基于无人机的梁底巡检及病害可视化方法及系统 |
CN112712462A (zh) * | 2019-10-24 | 2021-04-27 | 上海宗保科技有限公司 | 一种基于图像拼接的无人机图像采集系统 |
CN112837223A (zh) * | 2021-01-28 | 2021-05-25 | 杭州国芯科技股份有限公司 | 一种基于重叠子区域的超大图像配准拼接方法 |
-
2015
- 2015-06-26 CN CN201510368125.4A patent/CN104966270B/zh active Active
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106657868A (zh) * | 2015-10-27 | 2017-05-10 | 北京航天长峰科技工业集团有限公司 | 一种基于人机交互摄像机标定的视频实时拼接方法 |
CN105894448A (zh) * | 2015-11-06 | 2016-08-24 | 乐卡汽车智能科技(北京)有限公司 | 蒙板矩阵的生成方法、泊车图像的合成方法及装置 |
CN105894448B (zh) * | 2015-11-06 | 2019-08-20 | 法法汽车(中国)有限公司 | 蒙板矩阵的生成方法、泊车图像的合成方法及装置 |
CN106683044A (zh) * | 2015-11-10 | 2017-05-17 | 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图像拼接方法、装置 |
CN106683043A (zh) * | 2015-11-10 | 2017-05-17 | 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 |
CN106683044B (zh) * | 2015-11-10 | 2020-04-28 | 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图像拼接方法、装置 |
US11893738B2 (en) | 2016-07-14 | 2024-02-06 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for splicing images |
US11416993B2 (en) | 2016-07-14 | 2022-08-16 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for splicing images |
US10580135B2 (en) | 2016-07-14 | 2020-03-03 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for splicing images |
CN106600575A (zh) * | 2016-09-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 拼接图像校验方法及装置、x射线摄影系统 |
CN106504194A (zh) * | 2016-11-03 | 2017-03-15 | 重庆邮电大学 | 一种基于最佳拼接平面和局部特征的图像拼接方法 |
CN106504194B (zh) * | 2016-11-03 | 2019-06-21 | 重庆邮电大学 | 一种基于最佳拼接平面和局部特征的图像拼接方法 |
CN106780573A (zh) * | 2016-11-15 | 2017-05-31 | 山东大学 | 一种全景图特征匹配精度优化的方法及系统 |
CN106780573B (zh) * | 2016-11-15 | 2017-09-29 | 山东大学 | 一种全景图特征匹配精度优化的方法及系统 |
CN106934762A (zh) * | 2017-03-09 | 2017-07-07 | 史鹏飞 | 一种图像拼接方法和设备 |
CN106934762B (zh) * | 2017-03-09 | 2020-08-04 | 北京星云环影科技有限责任公司 | 一种图像拼接方法和设备 |
CN107093166A (zh) * | 2017-04-01 | 2017-08-25 | 华东师范大学 | 低重合率显微图像的无缝拼接方法 |
CN107093166B (zh) * | 2017-04-01 | 2019-07-05 | 华东师范大学 | 低重合率显微图像的无缝拼接方法 |
CN107563959B (zh) * | 2017-08-30 | 2021-04-30 | 北京林业大学 | 全景图生成方法及装置 |
CN107563959A (zh) * | 2017-08-30 | 2018-01-09 | 北京林业大学 | 全景图生成方法及装置 |
CN108615223A (zh) * | 2018-05-08 | 2018-10-02 | 南京齿贝犀科技有限公司 | 基于局部优化算法的牙齿唇颊侧全景图像拼接方法 |
CN109191530A (zh) * | 2018-07-27 | 2019-01-11 | 深圳六滴科技有限公司 | 全景相机标定方法、系统、计算机设备和存储介质 |
CN109191530B (zh) * | 2018-07-27 | 2022-07-05 | 深圳六滴科技有限公司 | 全景相机标定方法、系统、计算机设备和存储介质 |
CN109993718B (zh) * | 2019-03-05 | 2021-04-13 | 北京当红齐天国际文化科技发展集团有限公司 | 一种多通道投影图像融合方法及装置 |
CN109993718A (zh) * | 2019-03-05 | 2019-07-09 | 北京当红齐天国际文化发展集团有限公司 | 一种多通道投影图像融合方法及装置 |
CN111951201B (zh) * | 2019-05-16 | 2024-01-23 | 杭州海康威视数字技术股份有限公司 | 一种无人机航拍图像拼接方法、装置和存储介质 |
CN111951201A (zh) * | 2019-05-16 | 2020-11-17 | 杭州海康机器人技术有限公司 | 一种无人机航拍图像拼接方法、装置和存储介质 |
CN112712462A (zh) * | 2019-10-24 | 2021-04-27 | 上海宗保科技有限公司 | 一种基于图像拼接的无人机图像采集系统 |
CN112258395A (zh) * | 2020-11-12 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 一种无人机拍摄的影像拼接方法及装置 |
CN112669278A (zh) * | 2020-12-25 | 2021-04-16 | 中铁大桥局集团有限公司 | 一种基于无人机的梁底巡检及病害可视化方法及系统 |
CN112837223B (zh) * | 2021-01-28 | 2023-08-29 | 杭州国芯科技股份有限公司 | 一种基于重叠子区域的超大图像配准拼接方法 |
CN112837223A (zh) * | 2021-01-28 | 2021-05-25 | 杭州国芯科技股份有限公司 | 一种基于重叠子区域的超大图像配准拼接方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104966270B (zh) | 2018-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104966270A (zh) | 一种多图像拼接方法 | |
CN109949399B (zh) | 一种基于无人机航拍图像的场景三维重建方法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN103345736B (zh) | 一种虚拟视点绘制方法 | |
CN109544456A (zh) | 基于二维图像和三维点云数据融合的全景环境感知方法 | |
CN103856727A (zh) | 一种多路实时视频拼接处理系统 | |
Zhang et al. | Application of migration image registration algorithm based on improved SURF in remote sensing image mosaic | |
CN105005964A (zh) | 基于视频序列影像的地理场景全景图快速生成方法 | |
CN109410330A (zh) | 一种基于bim技术无人机航拍建模方法 | |
CN103761721A (zh) | 一种适用于空间绳系机器人的立体视觉快速图像拼接方法 | |
CN104992403A (zh) | 一种基于视觉相似度度量的混合操作算子图像重定向方法 | |
CN111105452B (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN102096915B (zh) | 一种基于精准图像拼接的摄像机镜头去污方法 | |
CN105488777A (zh) | 一种基于移动前景下全景图实时生成系统及其方法 | |
CN103700082B (zh) | 基于对偶四元数相对定向的图像拼接方法 | |
CN105809673A (zh) | 基于surf算法和合并最大相似区域的视频前景分割方法 | |
CN106780309A (zh) | 一种合成孔径雷达图像拼接方法 | |
CN112489097A (zh) | 基于混合2d卷积和伪3d卷积的立体匹配方法 | |
Koskenkorva et al. | Quasi-dense wide baseline matching for three views | |
CN115965961A (zh) | 局部到全局的多模态融合方法、系统、设备及存储介质 | |
CN106709897B (zh) | 基于梯度领域的正射影像间最优拼接线寻找方法及系统 | |
CN110021041B (zh) | 基于双目相机的无人驾驶场景增量式网格化结构重建方法 | |
CN103533255A (zh) | 基于运动位移曲线精简的视频场景自动分割方法 | |
CN103077523A (zh) | 手持相机拍摄取证方法 | |
Tran et al. | Variational disparity estimation framework for plenoptic images |
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 |