CN105184781B - 图像配准方法及装置 - Google Patents
图像配准方法及装置 Download PDFInfo
- Publication number
- CN105184781B CN105184781B CN201510532152.0A CN201510532152A CN105184781B CN 105184781 B CN105184781 B CN 105184781B CN 201510532152 A CN201510532152 A CN 201510532152A CN 105184781 B CN105184781 B CN 105184781B
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- matching
- characteristic point
- source 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种图像配准方法及装置,属于图像处理领域。所述方法包括:提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点;提取源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段;以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致,匹配直线段的方向一致,并将所述变形处理后的图像作为配准后图像。上述方法有效提高了图像配准的配准率。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像配准方法及装置。
背景技术
图像配准是计算机图形学和计算机视觉中重要的研究问题,是图像拼接和融合中的关键技术。图像配准就是将不同时间、不同传感器或不同条件下获取的两幅或多幅图像进行匹配、叠加的过程。例如,待配准的图像是同一相机围绕着焦点在一个方向上进行旋转后拍摄所得,通过对重合区域的特征点进行匹配,使用投影变换可以近似地将这些图像变换到同一个成像平面。而在一般的情况下,当相机的位置和拍摄角度任意变换的时,只有当场景中所有物体位于同一个平面内才可以用投影变换来表示他们之间的位置关系。因此,对于一般场景在不同位置和角度拍摄的图像,投影变换已经不能对他们的位置关系进行表示。
在实际应用中,对同一场景的拍摄通常是不同相机在不同角度和位置进行拍摄,这就使得新拍摄的图像与之前拍摄的图像相比,可能存在相机设置参数不同,场景中物体深度不一致等情况,当然也就无法用一个投影变换进行配准。因此,如何对同一场景在不同设备、不同位置及不同角度拍摄的图像进行高配准率的配准成为一个亟待解决的问题。
发明内容
针对现有技术中的缺陷,本发明提供一种图像配准方法及装置,有效地提高了图像配准的配准率。
第一方面,本发明提供一种图像配准方法,所述方法包括:
提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点;
提取所述源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段;
以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致;
将所述变形处理后的图像作为对所述待配准图像进行配准后的图像。
可选地,所述提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点,具体包括:
提取所述源图像与待配准图像的SIFT特征点,并确定所述SIFT特征点的特征描述子;
根据所述SIFT特征点的特征描述子,确定所述源图像与待配准图像的匹配特征点。
可选地,所述提取所述源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段,具体包括:
采用LSD直线提取方式提取所述源图像与待配准图像中的直线段;
采用MSLD方式对提取出的直线段进行匹配,得到所述源图像与待配准图像的匹配直线段。
可选地,所述以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,具体包括:
对所述待配准图像进行网格化处理;
以所述匹配特征点及所述匹配直线段为约束条件,建立关于网格顶点位置的能量方程;
将所述能量方程按照最小化进行求解,以获得与最小化能量方程对应的网格的顶点位置;
将待配准图像网格与所述与最小化能量方程对应的网格进行纹理映射,得到变形处理后的图像。
可选地,所述以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,进一步包括:
以所述匹配特征点、所述匹配直线段、所述待配准图像中的直线段及局部图像为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,并且所述变形处理后的图像和所述源图像中的直线段及局部图像的形状一致。
第二方面,本发明提供一种图像配准装置,所述装置包括:
特征点匹配单元,用于提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点;
直线段匹配单元,用于提取所述源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段;
配准单元,用于以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致;
配准后图像获取单元,用于将所述变形处理后的图像作为对所述待配准图像进行配准后的图像。
可选地,所述特征点匹配单元,具体用于提取所述源图像与待配准图像的SIFT特征点,并确定所述SIFT特征点的特征描述子;根据所述SIFT特征点的特征描述子,确定所述源图像与待配准图像的匹配特征点。
可选地,所述直线段匹配单元,具体用于采用LSD直线提取方式提取所述源图像与待配准图像中的直线段;采用MSLD方式对提取出的直线段进行匹配,得到所述源图像与待配准图像的匹配直线段。
可选地,所述配准单元,具体用于对所述待配准图像进行网格化处理;以所述匹配特征点及所述匹配直线段为约束条件,建立关于网格顶点位置的能量方程;将所述能量方程按照最小化进行求解,以获得与最小化能量方程对应的网格的顶点位置;将待配准图像网格与所述与最小化能量方程对应的网格进行纹理映射,得到变形处理后的图像。
可选地,所述配准单元,还用于以所述匹配特征点、所述匹配直线段、所述待配准图像中的直线段及局部图像为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,并且所述变形处理后的图像和所述源图像中的直线段及局部图像的形状一致。
由上述技术方案可知,本发明的图像配准方法及装置,通过获取源图像和待配准图像的匹配特征点与匹配直线段,以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致,匹配直线段的方向一致,并将所述变形处理后的图像作为配准后图像。由此,有效地提高了图像配准的配准率。
附图说明
图1为本发明一实施例提供的图像配准方法的流程示意图;
图2为本发明另一实施例提供的图像配准方法的流程示意图;
图3为本发明一实施例提供的图像配准装置的结构示意图;
图4a为本发明一实施例提供的源图像的效果图;
图4b为本发明一实施例提供的网格化处理后的待配准图像的效果图;
图4c为图4b变形处理后的图像效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例,都属于本发明保护的范围。
图1示出了本发明一实施例提供的图像配准方法的流程示意图,如图1所示,本实施例的图像配准方法如下所述。
101、提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点。
举例来说,本实施例的特征点可为反映图像内容中特殊位置或内容的点,可包括图像的顶点、交叉点和拐点,当然可根据实际需要提取相应的特征点,本实施例不对特征点的类型进行限定。
在一种可实施的方式中,上述的步骤101包括图像中未示出的子步骤1011和子步骤1012。
1011、提取所述源图像与待配准图像的SIFT特征点,并确定所述SIFT特征点的特征描述子。
本实施例提取了源图像与待配准图像的SIFT特征点,但不对其它特征点提取方式进行限定。
1012、根据所述SIFT特征点的特征描述子,确定所述源图像与待配准图像的匹配特征点。
举例来说,可根据SIFT特征点的特征描述子之间的距离,确定源图像与待配准图像的匹配特征点。
在实际应用中,还应对上述匹配特征点进行聚类,例如采用AgglomerativeCorrespondence Clustering方法对匹配特征点进行聚类,以使同一个类里的特征点对的变换相似。
102、提取所述源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段。
在实际应用中,上述的步骤102包括图中未示出的子步骤1021和子步骤1022。
1021、采用LSD直线提取方式提取所述源图像与待配准图像中的直线段。
在实际应用时,为了使提取的直线段具有较好的重现性,可在提取直线段之后,设定一个预设的阈值,去掉线段长度小于该阈值的直线段。例如,设置预设的阈值为20像素,则提取直线段之后,过滤掉长度小于20像素的直线段。其中,预设的阈值为一经验值,可根据实际情况进行调整,本实施例不对预设的阈值的取值进行限定。
1022、采用MSLD方式对提取出的直线段进行匹配,得到所述源图像与待配准图像的匹配直线段。
应该说明的是,上述的LSD直线段提取法及MSLD直线段匹配法只是本实施例的一种可选方式,本实施例不对提取线段的方式以及直线段匹配方法进行限定。
103、以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致。
应该说明的是,上述的约束条件如下所述:
对于匹配的特征点对,使待配准图像中的特征点在进行变形处理后的该特征点的位置尽量靠近与其匹配特征点在源图像中的位置。
对于匹配的直线段对,使待配准图像中的直线段在进行变形处理后的直线段的方向与其在源图像中的匹配直线段方向尽量一致。
104、将所述变形处理后的图像作为对所述待配准图像进行配准后的图像。
本实施例的图像配准方法,通过获取源图像和待配准图像的匹配特征点与匹配直线段,以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致,匹配直线段的方向一致,并将所述变形处理后的图像作为配准后图像。由此,有效地提高了图像配准的配准率。
图2示出了本发明一实施例提供的图像配准方法的流程示意图,如图2所示,本实施例的图像配准方法如下所述。
201、提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点。
202、提取所述源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段。
203、对所述待配准图像进行网格化处理。
举例来说,可在待配准图像上添加均匀的矩形网格,例如可在待配准图像上添加20*20的矩形网格,如图4b所示。本实施例不对网格处理的网络数量进行限定。
204、以所述匹配特征点及所述匹配直线段为约束条件,建立关于网格顶点位置的能量方程。
可理解的是,待配准图像在经过变形处理后,其图像中的特征点的位置可由图像中所在网格的四个顶点坐标的组合来表示;图像中的直线段的方向向量也可由直线段的全部或部分所在网格的四个顶点坐标的线性组合来表示。因此,可以上述匹配特征点及匹配直线段为约束条件,建立关于网格顶点位置的能量方程。
具体地,上述的能量方程可包括匹配特征点约束条件项以及匹配直线段约束项,对应两个方程式如下所述:
对于匹配的特征点对,使其在变形处理后的图像中的位置尽量靠近与其匹配特征点在源图像中的位置,设匹配特征点约束顶为:
其中,V为变形处理后的网格,V={(xi,yi),1≤i≤N},N为顶点的数目,K为匹配特征点对数,(xi,s,yi,s)和(xi,r,yi,r)表示第i对匹配点的位置,下标s和r分别表示源图像和变形后的目标图像。经过变形处理后的待配准图像中的特征点的位置用其周围四个网格顶点坐标的线性组合进行表示,源图像中特征点位置已知,因此上式可以用网格顶点的二次形式表示;
对于提取出来的直线段,其必然会和矩形网格的边相交。这些交点将一条直线段切分成很多子线段,下述的和直线的有关的约束项均为在切分后的直线段上进行的操作,设匹配直线段的约束项为:
其中,和e分别表示直线段在变形之前和之后的方向向量。NLC表示匹配的直线段的个数,为旋转矩阵,s为缩放因子。旋转的角度θi为已知。最小化该项可以得到s的表达式由于e可以表示为其周围四个网格顶点的线性组合,因此直线段约束项可以用网格顶点的二次形式表示。
在具体应用中,除了考虑上述两个约束项以外,上述的步骤204还可包括:
以所述匹配特征点、所述匹配直线段、所述待配准图像中的直线段及局部图像为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,并且所述变形处理后的图像和所述源图像中的直线段及局部图像的形状一致。
由此,上述的能量方程具有四个约束项,分别为匹配特征点约束项、匹配直线段约束项、直线段保持项以及保形项。
具体地,对于待配准图像中提取出的直线段,为了使其在变形处理后的图像中仍保持为直线段,可设直线段保持项为:
其中,NLP为提取出的直线段的数目,s,R,e,与上述的匹配直线段约束项中的定义相同。θm为未知旋转角度。在具体应用时,可将360°离散化成50个方向区间,每条线段根据其初始方向赋予这50个离散化的方向区间中的一种。鼓励每一个区间内的线段旋转相同的角度θm。由于一些直线段在源图像中有匹配的直线段,因此这一部分线段的旋转角度为已知。
对于待配准像中所有的由相邻四个顶点构成的矩形网格,使其尽量进行相似变换,从而保证图像局部的形状。设保形项为:
其中,Nq表示网格中四边形的数目,Aq定义如下:
Vq定义如下:
Vq=[x0,y0,x1,y1,…,x3,y3]T,
其中,定义网格的四个顶点的坐标分别为(x0,y0),…(x3,y3)。
最后,将上述的四个约束项叠加起来,得到能量方程为:
E(V,{θm})=EP+λLCELC+λLPELP+λSES。
205、将所述能量方程按照最小化进行求解,以获得与最小化能量方程对应的网格的顶点位置。
将上述的能量方程最小化进行示解。举例来说,取λLC为100000,λLP为100,λS为1000,最小化上述约束项来求得V和θm。
直接最小化以上约束项并且同时求出V和θm是困难的。因此,采用一种两步迭代的方法去求解这个方程。第一步固定θm求解V,此时变成一个二次优化问题,可以通过最小二乘的方法求解。第二步固定V求解θm,此时可使用一个平均的策略去近似求解。对每一个θm,用所有落在区间m的e和之间的角度的平均来近似。重复上述两个步骤,通常5次迭代就可以求出解。由此得到与最小化能量方程对应的网格的顶点位置。
206、将待配准图像网格与所述与最小化能量方程对应的网格进行纹理映射,得到变形处理后的图像。
举例来说,可采用OpenGL中提供的纹理映射方式将将待配准图像网格与所述与最小化能量方程对应的网格进行纹理映射。
图4a至图4c分别为源图像、网格化处理后的待配准图像及待配准图像进行配准后的图像的效果图。
207、将所述变形处理后的图像作为对所述待配准图像进行配准后的图像。
本实施例的图像配准方法,通过获取源图像和待配准图像的匹配特征点与匹配直线段,以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致,匹配直线段的方向一致,并将所述变形处理后的图像作为配准后图像。由此,有效地提高了图像配准的配准率。
图3示出了本发明一实施例提供的图像配准装置,如图3所述,本实施例的图像配准装置,包括:特征点匹配单元31、直线段匹配单元32、配准单元33和配准后图像获取单元34。
所述特征点匹配单元31,用于提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点;
直线段匹配单元32,用于提取所述源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段;
配准单元33,用于以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致;
配准后图像获取单元34,用于将所述变形处理后的图像作为对所述待配准图像进行配准后的图像。
可选地,所述特征点匹配单元31,具体用于提取所述源图像与待配准图像的SIFT特征点,并确定所述SIFT特征点的特征描述子;根据所述SIFT特征点的特征描述子,确定所述源图像与待配准图像的匹配特征点。
所述直线段匹配单元32,具体用于采用LSD直线提取方式提取所述源图像与待配准图像中的直线段;采用MSLD方式对提取出的直线段进行匹配,得到所述源图像与待配准图像的匹配直线段。
所述配准单元33,具体用于对所述待配准图像进行网格化处理;以所述匹配特征点及所述匹配直线段为约束条件,建立关于网格顶点位置的能量方程;将所述能量方程按照最小化进行求解,以获得与最小化能量方程对应的网格的顶点位置;将待配准图像网格与所述与最小化能量方程对应的网格进行纹理映射,得到变形处理后的图像。
可选地,所述配准单元33,还用于以所述匹配特征点、所述匹配直线段、所述待配准图像中的直线段及局部图像为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,并且所述变形处理后的图像和所述源图像中的直线段及局部图像的形状一致。
本实施例的图像配准装置,可以用于执行上述图1或图2所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本实施例的图像配准装置,通过获取源图像和待配准图像的匹配特征点与匹配直线段,以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致,匹配直线段的方向一致,并将所述变形处理后的图像作为配准后图像。由此,有效地提高了图像配准的配准率。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种图像配准方法,其特征在于,所述方法包括:
提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点;
提取所述源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段;
以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致;
将所述变形处理后的图像作为对所述待配准图像进行配准后的图像。
2.根据权利要求1所述的方法,其特征在于,所述提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点,具体包括:
提取所述源图像与待配准图像的尺度不变特征变换(Scale-invariant featuretransform,SIFT)特征点,并确定所述尺度不变特征变换(Scale-invariant featuretransform,SIFT)特征点的特征描述子;
根据所述尺度不变特征变换(Scale-invariant feature transform,SIFT)特征点的特征描述子,确定所述源图像与待配准图像的匹配特征点。
3.根据权利要求1所述的方法,其特征在于,所述提取所述源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段,具体包括:
采用直线段检测算法(Line Segment Detector,LSD)直线提取方式提取所述源图像与待配准图像中的直线段;
采用均值-标准差描述子(Mean-Standard deniation Line Descriptor,MSLD)方式对提取出的直线段进行匹配,得到所述源图像与待配准图像的匹配直线段。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,具体包括:
对所述待配准图像进行网格化处理;
以所述匹配特征点及所述匹配直线段为约束条件,建立关于网格顶点位置的能量方程;
将所述能量方程按照最小化进行求解,以获得与最小化能量方程对应的网格的顶点位置;
将待配准图像网格与所述与最小化能量方程对应的网格进行纹理映射,得到变形处理后的图像。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,进一步包括:
以所述匹配特征点、所述匹配直线段、所述待配准图像中的直线段及局部图像为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,并且所述变形处理后的图像和所述源图像中的直线段及局部图像的形状一致。
6.一种图像配准装置,其特征在于,所述装置包括:
特征点匹配单元,用于提取源图像与待配准图像中的特征点,并对所述特征点进行匹配,得到所述源图像与待配准图像的匹配特征点;
直线段匹配单元,用于提取所述源图像与待配准图像中的直线段,并对所述直线段进行匹配,得到所述源图像与待配准图像的匹配直线段;
配准单元,用于以所述匹配特征点及所述匹配直线段为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致;
配准后图像获取单元,用于将所述变形处理后的图像作为对所述待配准图像进行配准后的图像。
7.根据权利要求6所述的装置,其特征在于,所述特征点匹配单元,具体用于提取所述源图像与待配准图像的尺度不变特征变换(Scale-invariant feature transform,SIFT)特征点,并确定所述尺度不变特征变换(Scale-invariant feature transform,SIFT)特征点的特征描述子;根据所述尺度不变特征变换(Scale-invariant feature transform,SIFT)特征点的特征描述子,确定所述源图像与待配准图像的匹配特征点。
8.根据权利要求6所述的装置,其特征在于,所述直线段匹配单元,具体用于采用直线段检测算法(Line Segment Detector,LSD)直线提取方式提取所述源图像与待配准图像中的直线段;采用均值-标准差描述子(Mean-Standard deniation Line Descriptor,MSLD)方式对提取出的直线段进行匹配,得到所述源图像与待配准图像的匹配直线段。
9.根据权利要求6所述的装置,其特征在于,所述配准单元,具体用于对所述待配准图像进行网格化处理;以所述匹配特征点及所述匹配直线段为约束条件,建立关于网格顶点位置的能量方程;将所述能量方程按照最小化进行求解,以获得与最小化能量方程对应的网格的顶点位置;将待配准图像网格与所述与最小化能量方程对应的网格进行纹理映射,得到变形处理后的图像。
10.根据权利要求6所述的装置,其特征在于,所述配准单元,还用于以所述匹配特征点、所述匹配直线段、所述待配准图像中的直线段及局部图像为约束条件对所述待配准图像进行变形处理,以使变形处理后的图像和所述源图像的匹配特征点的位置一致及匹配直线段的方向一致,并且所述变形处理后的图像和所述源图像中的直线段及局部图像的形状一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510532152.0A CN105184781B (zh) | 2015-08-26 | 2015-08-26 | 图像配准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510532152.0A CN105184781B (zh) | 2015-08-26 | 2015-08-26 | 图像配准方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184781A CN105184781A (zh) | 2015-12-23 |
CN105184781B true CN105184781B (zh) | 2018-02-09 |
Family
ID=54906834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510532152.0A Active CN105184781B (zh) | 2015-08-26 | 2015-08-26 | 图像配准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184781B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038716B (zh) * | 2017-03-29 | 2019-06-04 | 大连外国语大学 | 一种基于椭球模型的非刚性医学图像抗旋转配准方法 |
CN108564571B (zh) * | 2018-03-30 | 2020-10-16 | 精锐视觉智能科技(深圳)有限公司 | 图像区域选取方法及终端设备 |
-
2015
- 2015-08-26 CN CN201510532152.0A patent/CN105184781B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于特征的多源遥感图像配准技术研究;吕金建;《中国博士学位论文全文数据库 信息科技辑》;20100415;正文第80-90页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184781A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102607517B1 (ko) | 3d 포인트 클라우드에서 합성 이미지 생성 | |
US7961216B2 (en) | Real-time composite image comparator | |
CN105005964B (zh) | 基于视频序列影像的地理场景全景图快速生成方法 | |
CN106991695A (zh) | 一种图像配准方法及装置 | |
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及系统 | |
CN104616247B (zh) | 一种用于基于超像素sift航拍地图拼接的方法 | |
CN103226831B (zh) | 利用分块布尔运算的图像匹配方法 | |
CN106447601A (zh) | 一种基于投影‑相似变换的无人机遥感影像拼接方法 | |
Alemán-Flores et al. | Line detection in images showing significant lens distortion and application to distortion correction | |
CN107742276A (zh) | 一种基于无人机遥感图像机载一体化快速处理系统和方法 | |
Ma et al. | Learning from documents in the wild to improve document unwarping | |
CN108171735A (zh) | 基于深度学习的十亿像素视频对齐方法及系统 | |
Zhang et al. | GPU-accelerated large-size VHR images registration via coarse-to-fine matching | |
CN105184781B (zh) | 图像配准方法及装置 | |
CN112862683A (zh) | 一种基于弹性配准和网格优化的邻接图像拼接方法 | |
CN114255197A (zh) | 一种红外与可见光图像自适应融合对齐方法及系统 | |
JP2012185712A (ja) | 画像照合装置または画像照合方法 | |
Bellavia et al. | Image orientation with a hybrid pipeline robust to rotations and wide-baselines | |
CN101464953A (zh) | 轮廓提取装置和轮廓提取方法 | |
CN109087344A (zh) | 三维重建中的图像选择方法及装置 | |
WO2023246091A1 (zh) | 图像配准和模板构建方法、装置、电子设备及存储介质 | |
CN115063485B (zh) | 三维重建方法、装置及计算机可读存储介质 | |
CN109902695A (zh) | 一种面向像对直线特征匹配的线特征矫正与提纯方法 | |
CN102034235B (zh) | 基于旋转模型的鱼眼图像准稠密对应点匹配扩散方法 | |
CN105791655A (zh) | 一种计算摄像模组的镜头畸变的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |