CN105608689A - 一种全景拼接消除图像特征误匹配方法及装置 - Google Patents
一种全景拼接消除图像特征误匹配方法及装置 Download PDFInfo
- Publication number
- CN105608689A CN105608689A CN201410667589.0A CN201410667589A CN105608689A CN 105608689 A CN105608689 A CN 105608689A CN 201410667589 A CN201410667589 A CN 201410667589A CN 105608689 A CN105608689 A CN 105608689A
- Authority
- CN
- China
- Prior art keywords
- characteristic matching
- matching
- characteristic
- feature
- panorama
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,尤其是一种全景拼接消除图像特征误匹配方法及装置,该方法包括:S101、采集两幅以上待拼接的全景分区图;S102、将所述全景分区图进行图像去噪和直方图均衡化;S103、将S102所得全景分区图进行特征提取;S104、将S103所得全景分区图进行特征粗匹配;S105、将S104全景分区图进行中值滤波;S106、获取精确特征匹配对;通过特征提取、特征粗匹配,再通过中值滤波,获取精确特征匹配对,实现消除图像特征误匹配,提升拼接效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种全景拼接消除图像特征误匹配方法及装置。
背景技术
在监控系统快速发展的今天,系统规模越来越大,监控点越来越多,工作人员面对越来越多的监控图像已无暇顾及,随着监控范围的不断扩大,需要对整座桥梁、机场、很长一段公路或者高层建筑进行监控,大多数摄像机的视场达不到这样大的监控范围,因此对大视场视频监控的要求逐渐增多,逐渐形成了一种高端需求。视频全景拼接作为一种解决方案,也得到了越来越多的关注。图像特征匹配是全景拼接过程中的一个重要环节,然而特征匹配过程常常出现误匹配现象。因此,需要一种全景拼接消除图像特征误匹配方法及装置,用来消除特征匹配过程中的误匹配。
发明内容
本发明所要解决的技术问题是:提供一种全景拼接消除图像特征误匹配方法及装置,消除特征匹配过程中的误匹配。
为了解决上述技术问题,本发明采用的技术方案为:
一种全景拼接消除图像特征误匹配方法,包括:
S101、采集两幅以上待拼接的全景分区图;
S102、将所述全景分区图进行图像去噪和直方图均衡化;
S103、将S102所得全景分区图进行特征提取;
S104、将S103所得全景分区图进行特征粗匹配;
S105、将S104全景分区图进行中值滤波;
S106、获取精确特征匹配对。
本发明采用的另一技术方案为:
一种全景拼接消除图像特征误匹配装置,包括依次连接的图像采集模块、图像去噪和直方图均衡化模块、特征提取模块、特征粗匹配模块、中值滤波模块和获取匹配对模块;
所述图像采集模块,用于采集两幅以上待拼接的全景分区图;
所述图像去噪和直方图均衡化模块,用于将采集到的两幅以上待拼接的全景分区图进行图像去噪和直方图均衡化;
所述特征提取模块,用于将图像去噪和直方图均衡化过的两幅以上待拼接的全景分区图进行特征提取;
所述特征粗匹配模块,用于将特征提取过的两幅以上待拼接的全景分区图进行特征粗匹配;
所述中值滤波模块,用于将特征粗匹配过的两幅以上待拼接的全景分区图进行中值滤波;
所述获取匹配对模块,用于获取精确特征匹配对。
本发明的有益效果在于:通过特征提取、特征粗匹配,再通过中值滤波,获取精确特征匹配对,实现消除图像特征误匹配,减少RANSAC随机选取特征匹配对迭代次数,提高RANSAC的执行效率,同时中值滤波能够有效的消除非重叠区域的特征匹配对,提升拼接效果,非重叠区域的特征匹配对包括误匹配对、图像中任意位置叠加时间、日期等相同字符产生的匹配对,实际操作中,在待拼接图像上任意位置叠加时间、日期等相同字符,是会在字符处提取到特征匹配对的,而这些特征匹配对会对拼接造成反作用,必须剔除。
附图说明
图1为本发明具体实施方式全景拼接消除图像特征误匹配方法的步骤图;
图2为本发明具体实施方式中特征匹配对示意图;
图3为本发明具体实施方式中的尺度空间极值检测的示意图;
图4为本发明具体实施方式中提取sift特征点生成本地特征描述符的示意图;
图5为本发明具体实施方式中的灰色区域积分的示意图;
图6为本发明具体实施方式中提取surf特征点生成本地特征描述符的示意图;
图7为本发明具体实施方式中提取到的harris角点的示意图;
图8为本发明具体实施方式全景拼接消除图像特征误匹配装置的结构示意图;
标号说明:
10、图像采集模块;20、图像去噪和直方图均衡化模块;30、特征提取模块;40、特征粗匹配模块;50、中值滤波模块;60、获取匹配对模块。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于:通过特征提取、特征粗匹配,再通过中值滤波,获取精确特征匹配对,实现消除图像特征误匹配,提升拼接效果。
请参照图1,是本发明具体实施方式全景拼接消除图像特征误匹配方法的步骤图,具体如下:
一种全景拼接消除图像特征误匹配方法,包括:
S101、采集两幅以上待拼接的全景分区图;
S102、将所述全景分区图进行图像去噪和直方图均衡化;
S103、将S102所得全景分区图进行特征提取;
S104、将S103所得全景分区图进行特征粗匹配;
S105、将S104全景分区图进行中值滤波;
S106、获取精确特征匹配对。
从上述描述可知,本发明的有益效果在于:通过特征提取、特征粗匹配,再通过中值滤波,获取精确特征匹配对,实现消除图像特征误匹配,减少RANSAC随机选取特征匹配对迭代次数,提高RANSAC的执行效率,同时中值滤波能够有效的消除非重叠区域的特征匹配对,提升拼接效果,非重叠区域的特征匹配对包括误匹配对、图像中任意位置叠加时间、日期等相同字符产生的匹配对,实际操作中,在待拼接图像上任意位置叠加时间、日期等相同字符,是会在字符处提取到特征匹配对的,而这些特征匹配对会对拼接造成反作用,必须剔除。
进一步的,所述步骤S105中“中值滤波”采用距离中值滤波、斜率中值滤波或角度中值滤波;
如图2,假设特征匹配对为:(P1(xi,yi),P2(xi,yi)i=0.....n;
所述距离中值滤波包括以下步骤:
A1:计算每对特征匹配对之间的距离Dist;
Disti=(P1(xi,yi)-P2(xi,yi)2;
A2:计算所有特征匹配对的距离的中值;
A3:每对特征匹配对之间距离与所有特征匹配对的距离的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除;
所述斜率中值滤波包括以下步骤:
B1:计算每对特征匹配对之间的斜率K;
B2:计算所有特征匹配对的斜率的中值;
B3:每对特征匹配对之间斜率与所有特征匹配对的斜率的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除;
所述角度中值滤波包括以下步骤:
C1:计算每对特征匹配对之间的角度;
C2:计算所有特征匹配对的角度的中值;
C3:每对特征匹配对之间角度与所有特征匹配对的角度的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除。
由上述描述可知,相互重叠的两幅图像,其特征匹配对必然在重叠区域,且所有特征匹配对之间的距离、斜率、角度等都在一定范围内,而误匹配对则不满足,通过三种中值滤波,能够消除图像特征误匹配,减少RANSAC随机选取特征匹配对迭代次数,提高RANSAC的执行效率,同时中值滤波能够有效的消除非重叠区域的误匹配对、消除图像中任意位置叠加时间、日期等相同字符产生的匹配对,提升拼接效果。
进一步的,所述图像直方图均衡化具体为:对两幅以上待拼接的全景分区图中像素个数多的灰度级进行展宽,而对像素个数少的灰度级进行缩减;
所述图像直方图均衡化具体步骤:
设f、g分别为原图像和处理后的图像;
1)求出原图像f的灰度直方图,设为h;
h为一个256维的向量;
求出图像f的总体像素个数Nf;
Nf=m*n(m,n分别为图像的长和宽);
计算每个灰度级的像素个数在整个图像中所占的百分比;
hs(i)=h(i)/Nf,(i=0,1,…,255);
2)计算图像各灰度级的累计分布hp;
3)求出新图像g的灰度值;
g=255·hp(i),i=1,2,...,255;
所述图像去噪具体为:对两幅以上待拼接的全景分区图采用均值滤波或中值滤波或K近邻均值滤波器进行去噪。
所述图像去噪采用均值滤波步骤为:对邻域像素加权平均;
所述图像去噪采用中值滤波步骤为:对邻域内对像素灰度值进行排序,选取中间值作为像素值;
所述图像去噪采用K近邻均值滤波器步骤为:在领域内选取K个与当前像素灰度值相差最小的像素,进行中值或均值滤波,边界保持的平滑滤波器;
由上述描述可知,所述图像直方图均衡化可以达到清晰图像的目的,有助于提取图像特征;所述图像去噪采用均值滤波能有效抑制噪声;所述图像去噪采用中值滤波可以保护边界,窗口越大,作用越强;所述图像去噪采用K近邻均值滤波器保持边界平滑。
进一步的,所述步骤S103中“特征提取”采用提取sift、surf或harris特征点。
所述提取sift特征点步骤:
1)尺度空间极值检测,初步确定关键点位置和所在尺度。通过高斯核函数与图像的卷积来实现二维图像的尺度空间。
在检测尺度空间极值时,图3中标记为叉号的像素需要跟包括同一尺度的周围邻域8个像素和相邻尺度对应位置的周围邻域9×2个像素总共26个像素进行比较,以确保在尺度空间和二维图像空间都检测到局部极值;
2)精确定位特征点的位置,通过拟合三维二次函数以精确确定关键点的位置和尺度,同时去除低对比度的关键点和不稳定的边缘响应点;
在关键点处用泰勒展开式得到:
式中,X=(x,y,σ)T为关键点的偏移量,D是在D(x,y,σ)关键点处的值;
3)确定特征点的主方向;
θ(x,y)=atan2((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y)));
每个关键点有三个信息:位置、所处尺度、方向;
4)生成本地特征描述符;
首先将坐标轴旋转为关键点的方向,以关键点为中心取4*4的窗口,如图4所示。图4中左图的黑点为当前关键点的位置,每个小格代表关键点邻域所在尺度空间的一个像素,箭头方向代表该像素的梯度方向,箭头长度代表梯度的大小,圆圈代表高斯加权的范围(越靠近关键点的像素梯度方向信息贡献越大)。接下来在每个4*4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点,一个关键点由4*4共16个种子点组成,每个种子点有8个方向向量信息,即最终形成128维的sift特征向量。
所述提取surf特征点步骤:
1)IntegralImages(积分图);
积分图主要是计算图像内某一个区域的像素和,积分图在位置x处的定义如下:
如图5中灰色区域积分图为:A-B-C+D;
2)近似Hessian矩阵;
给定图像I中一点X=(x,y),其Hessian矩阵为:
3)尺度空间描述;
surf中只是boxfilter的大小变化,而非图像缩放;
4)特征点定位;
根据Hessian矩阵求出尺度图像在(x,y)处的极值后,首先在极值点的3×3×3的立体邻域内进行非极大值抑制,在尺度空间和图像空间中进行插值,使用二次拟合函数进行插值:
对上式进行求导,并取得极值点处的极值为:
当极值≥0.03时,该点为特征点;
5)特征描述符;
如图6,以特征点为中心,沿着主方位构建一个边长为20的正方形,再分为4*4的子区域,在每个小区域内又分为5*5采样点,计算Haar小波在相对于主方位响应的水平和垂直方向上的响应;
所述提取harris特征点步骤:
1)对每一像素点计算相关矩阵m;
2)对m的四个元素进行高斯平滑滤波,得到新的m,高斯函数为:
3)利用m计算每个像素的角点量cim;
4)cim满足大于某一个阈值和cim是某邻域局部极大值,满足条件的就是角点;
图7为一幅图像中提取到的harris角点。
由上述描述可知,所述“特征提取”采用提取sift特征点中“通过拟合三维二次函数以精确确定关键点的位置和尺度,同时去除低对比度的关键点和不稳定的边缘响应点”可增强匹配稳定性、提高抗噪声能力;所述“特征提取”采用提取surf特征点中“在尺度空间和图像空间中进行插值”能够对候选特征点进行亚像素定位。
进一步的,所述步骤S104中的“特征粗匹配”采用欧式距离、双匹配、中值滤波或RANSAC算法获取匹配对。
所述步骤S104中的“特征粗匹配”采用欧式距离具体步骤:
1)假设待匹配图像为图像1(1,m),图像2(2,n),图像1有m个特征点,图像2有n个特征点,图像1中特征i=1,2,....m,在图像2中为图像1中的每一个特征点寻找匹配对;
2)图像1中特征i=1,在图像2中为图像1中的第一个特征点寻找最近点d1和次近点d2,前面提到过每个特征点有(sift:128维)特征描述符,通过特征点描述符计算欧式距离,如果满足下面公式,那么就认为特征i=1与图像2中欧式距离最近点匹配。
3)重复步骤2)中i=2,3,4....m,寻找图像1中其它特征点在图像2中寻找匹配对。
所述步骤S104中的“特征粗匹配”采用双匹配具体步骤:
1)假设待匹配图像为图像1(1,m),图像2(2,n),图像1有m个特征点,图像2有n个特征点;
2)以图像1为基准图片,在图像2中为图像1中特征点寻找匹配对,假设匹配对为P;
3)以图像2为基准图片,在图像1中为图像2中特征点寻找匹配对,假设匹配对为Q;
4)通过对比P,Q中匹配对,如果同时在P,Q匹配时,就认为是匹配对。
所述步骤S104中的“特征匹配”采用中值滤波具体步骤:
1)将特征匹配对连接成向量,找到每个向量邻域最近的k个向量(k=10);
2)采用角度滤波,计算角度均值,从k个向量中选取n个最接近角度均值的向量;
3)采用长度滤波,计算n个向量的长度均值,判断n个向量误差是否在阈值范围内浮动,如果满足则认为是正确的特征匹配对,否则是错误的特征匹配对。
所述步骤S104中的“特征粗匹配”采用RANSAC算法具体如下:
以相邻两帧图像为例,设匹配特征点对数目为N,匹配特征点集合分别记为P(1,N),P(2,N),其中P(1,N)为基准图像的特征点集合,P(2,N)为待匹配图像的特征点集合,具体步骤如下:
1)从初始N对匹配特征点中随机选取4对匹配特征点;
2)由选取的4对匹配特征点计算出基准图像和待匹配图像间透视投影变换矩阵M12,利用透视变换矩阵M12对待匹配图像的特征点集合P(2,N)中剩余N-4个特征点P(2,N-4)变换到基准图像坐标系下,记为P’(2,N-4);所述透视投影变换矩阵M12为H,是一个3×3的矩阵;
3)计算变换后的特征点P’(2,N-4)与特征点P(1,N-4)之间的坐标误差;
4)从N对匹配特征点对中找出坐标误差在一定误差阈值内的特征点对个数,记为i,即为内点;
5)反复迭代1)至4)步骤n次,找到i最大的集合为最大内点集,其余N-i为误匹配点,即为外点。用最小二乘法来减小误差,去除了误匹配的影响,得到空间变换矩阵M。
请参阅图8,是本发明具体实施方式全景拼接消除图像特征误匹配装置的结构示意图,包括依次连接的图像采集模块10、图像去噪和直方图均衡化模块20、特征提取模块30、特征粗匹配模块40、中值滤波模块50和获取匹配对模块60;
所述图像采集模块10,用于采集两幅以上待拼接的全景分区图;
所述图像去噪和直方图均衡化模块20,用于将采集到的两幅以上待拼接的全景分区图进行图像去噪和直方图均衡化;
所述特征提取模块30,用于将图像去噪和直方图均衡化过的两幅以上待拼接的全景分区图进行特征提取;
所述特征粗匹配模块40,用于将特征提取过的两幅以上待拼接的全景分区图进行特征粗匹配;
所述中值滤波模块50,用于将特征粗匹配过的两幅以上待拼接的全景分区图进行中值滤波;
所述获取匹配对模块60,用于获取精确特征匹配对。
从上述描述可知,本发明的有益效果在于:通过特征提取、特征粗匹配,再通过中值滤波,获取精确特征匹配对,实现消除图像特征误匹配,减少RANSAC随机选取特征匹配对迭代次数,提高RANSAC的执行效率,同时中值滤波能够有效的消除非重叠区域的特征匹配对,提升拼接效果,非重叠区域的特征匹配对包括误匹配对、图像中任意位置叠加时间、日期等相同字符产生的匹配对,实际操作中,在待拼接图像上任意位置叠加时间、日期等相同字符,是会在字符处提取到特征匹配对的,而这些特征匹配对会对拼接造成反作用,必须剔除。
进一步的,所述中值滤波模块50为距离中值滤波单元、斜率中值滤波单元或角度中值滤波单元;
所述距离中值滤波单元,用于计算每对特征匹配对之间的距离和计算所有特征匹配对的距离的中值,再将每对特征匹配对之间距离与所有特征匹配对的距离的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除;
所述斜率中值滤波单元,用于计算每对特征匹配对之间的斜率和计算所有特征匹配对的斜率的中值,再将每对特征匹配对之间斜率与所有特征匹配对的斜率的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除;
所述角度中值滤波单元,用于计算每对特征匹配对之间的角度和计算所有特征匹配对的角度的中值,再将每对特征匹配对之间角度与所有特征匹配对的角度的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除。
进一步的,所述图像去噪和直方图均衡化模块20包括图像去噪单元和直方图均衡化单元;
所述图像去噪单元,用于对两幅以上待拼接的全景分区图采用均值滤波或中值滤波或K近邻均值滤波器进行去噪;
所述直方图均衡化单元,用于对两幅以上待拼接的全景分区图中像素个数多的灰度级进行展宽,而对像素个数少的灰度级进行缩减。
进一步的,所述特征提取模块30为提取sift特征点单元、提取surf特征点单元或提取harris特征点单元。
由上述描述可知,所述提取sift特征点单元采用提取sift特征点中“通过拟合三维二次函数以精确确定关键点的位置和尺度,同时去除低对比度的关键点和不稳定的边缘响应点”可增强匹配稳定性、提高抗噪声能力;所述提取surf特征点单元采用提取surf特征点中“在尺度空间和图像空间中进行插值”能够对候选特征点进行亚像素定位。
进一步的,所述特征粗匹配模块40为欧式距离获取单元、双匹配获取单元、中值滤波获取单元或RANSAC算法获取单元。
综上所述,本发明提供的一种全景拼接消除图像特征误匹配方法及装置,通过特征提取、特征粗匹配,再通过中值滤波,获取精确特征匹配对,实现消除图像特征误匹配,减少RANSAC随机选取特征匹配对迭代次数,提高RANSAC的执行效率,同时中值滤波能够有效的消除非重叠区域的特征匹配对,提升拼接效果,非重叠区域的特征匹配对包括误匹配对、图像中任意位置叠加时间、日期等相同字符产生的匹配对,实际操作中,在待拼接图像上任意位置叠加时间、日期等相同字符,是会在字符处提取到特征匹配对的,而这些特征匹配对会对拼接造成反作用,必须剔除。所述图像直方图均衡化可以达到清晰图像的目的,有助于提取图像特征;所述图像去噪采用均值滤波能有效抑制噪声;所述图像去噪采用中值滤波可以保护边界,窗口越大,作用越强;所述图像去噪采用K近邻均值滤波器保持边界平滑。所述“特征提取”采用提取sift特征点中“通过拟合三维二次函数以精确确定关键点的位置和尺度,同时去除低对比度的关键点和不稳定的边缘响应点”可增强匹配稳定性、提高抗噪声能力;所述“特征提取”采用提取surf特征点中“在尺度空间和图像空间中进行插值”能够对候选特征点进行亚像素定位。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种全景拼接消除图像特征误匹配方法,其特征在于,包括
S101、采集两幅以上待拼接的全景分区图;
S102、将所述全景分区图进行图像去噪和直方图均衡化;
S103、将S102所得全景分区图进行特征提取;
S104、将S103所得全景分区图进行特征粗匹配;
S105、将S104全景分区图进行中值滤波;
S106、获取精确特征匹配对。
2.根据权利要求1所述的全景拼接消除图像特征误匹配方法,其特征在于,所述步骤S105中“中值滤波”采用距离中值滤波、斜率中值滤波或角度中值滤波;
所述距离中值滤波包括以下步骤:
A1:计算每对特征匹配对之间的距离;
A2:计算所有特征匹配对的距离的中值;
A3:每对特征匹配对之间距离与所有特征匹配对的距离的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除;
所述斜率中值滤波包括以下步骤:
B1:计算每对特征匹配对之间的斜率;
B2:计算所有特征匹配对的斜率的中值;
B3:每对特征匹配对之间斜率与所有特征匹配对的斜率的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除;
所述角度中值滤波包括以下步骤:
C1:计算每对特征匹配对之间的角度;
C2:计算所有特征匹配对的角度的中值;
C3:每对特征匹配对之间角度与所有特征匹配对的角度的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除。
3.根据权利要求1所述的全景拼接消除图像特征误匹配方法,其特征在于,所述图像直方图均衡化具体为:对两幅以上待拼接的全景分区图中像素个数多的灰度级进行展宽,而对像素个数少的灰度级进行缩减;
所述图像去噪具体为:对两幅以上待拼接的全景分区图采用均值滤波或中值滤波或K近邻均值滤波器进行去噪。
4.根据权利要求1所述的全景拼接消除图像特征误匹配方法,其特征在于,所述步骤S103中“特征提取”采用提取sift、surf或harris特征点。
5.根据权利要求1所述的全景拼接消除图像特征误匹配方法,其特征在于,所述步骤S104中的“特征粗匹配”采用欧式距离、双匹配、中值滤波或RANSAC算法获取匹配对。
6.一种全景拼接消除图像特征误匹配装置,其特征在于,包括依次连接的图像采集模块、图像去噪和直方图均衡化模块、特征提取模块、特征粗匹配模块、中值滤波模块和获取匹配对模块;
所述图像采集模块,用于采集两幅以上待拼接的全景分区图;
所述图像去噪和直方图均衡化模块,用于将采集到的两幅以上待拼接的全景分区图进行图像去噪和直方图均衡化;
所述特征提取模块,用于将图像去噪和直方图均衡化过的两幅以上待拼接的全景分区图进行特征提取;
所述特征粗匹配模块,用于将特征提取过的两幅以上待拼接的全景分区图进行特征粗匹配;
所述中值滤波模块,用于将特征粗匹配过的两幅以上待拼接的全景分区图进行中值滤波;
所述获取匹配对模块,用于获取精确特征匹配对。
7.根据权利要求6所述的全景拼接消除图像特征误匹配装置,其特征在于,所述中值滤波模块为距离中值滤波单元、斜率中值滤波单元或角度中值滤波单元;
所述距离中值滤波单元,用于计算每对特征匹配对之间的距离和计算所有特征匹配对的距离的中值,再将每对特征匹配对之间距离与所有特征匹配对的距离的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除;
所述斜率中值滤波单元,用于计算每对特征匹配对之间的斜率和计算所有特征匹配对的斜率的中值,再将每对特征匹配对之间斜率与所有特征匹配对的斜率的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除;
所述角度中值滤波单元,用于计算每对特征匹配对之间的角度和计算所有特征匹配对的角度的中值,再将每对特征匹配对之间角度与所有特征匹配对的角度的中值相对比,当误差大于预设阀值时,该特征匹配对确定为误匹配,进行剔除。
8.根据权利要求6所述的全景拼接消除图像特征误匹配装置,其特征在于,所述图像去噪和直方图均衡化模块包括图像去噪单元和直方图均衡化单元;
所述图像去噪单元,用于对两幅以上待拼接的全景分区图采用均值滤波或中值滤波或K近邻均值滤波器进行去噪;
所述直方图均衡化单元,用于对两幅以上待拼接的全景分区图中像素个数多的灰度级进行展宽,而对像素个数少的灰度级进行缩减。
9.根据权利要求6所述的全景拼接消除图像特征误匹配装置,其特征在于,所述特征提取模块为提取sift特征点单元、提取surf特征点单元或提取harris特征点单元。
10.根据权利要求6所述的全景拼接消除图像特征误匹配装置,其特征在于,所述特征粗匹配模块为欧式距离获取单元、双匹配获取单元、中值滤波获取单元或RANSAC算法获取单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410667589.0A CN105608689B (zh) | 2014-11-20 | 2014-11-20 | 一种全景拼接消除图像特征误匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410667589.0A CN105608689B (zh) | 2014-11-20 | 2014-11-20 | 一种全景拼接消除图像特征误匹配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608689A true CN105608689A (zh) | 2016-05-25 |
CN105608689B CN105608689B (zh) | 2018-10-19 |
Family
ID=55988605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410667589.0A Active CN105608689B (zh) | 2014-11-20 | 2014-11-20 | 一种全景拼接消除图像特征误匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608689B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107229934A (zh) * | 2017-04-24 | 2017-10-03 | 东北大学 | 基于最小匹配距离与随机采样一致性的错误匹配去除方法 |
CN107644411A (zh) * | 2017-09-19 | 2018-01-30 | 武汉中旗生物医疗电子有限公司 | 超声宽景成像方法及装置 |
CN108053370A (zh) * | 2017-11-29 | 2018-05-18 | 合肥工业大学 | 一种基于匹配误差抑制的成像坐标校正方法 |
CN108428211A (zh) * | 2017-02-15 | 2018-08-21 | 阿里巴巴集团控股有限公司 | 图像的处理方法、装置和机器可读介质 |
CN109064397A (zh) * | 2018-07-04 | 2018-12-21 | 广州希脉创新科技有限公司 | 一种基于摄像耳机的图像拼接方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134200A (zh) * | 2014-06-27 | 2014-11-05 | 河海大学 | 一种基于改进加权融合的运动场景图像拼接方法 |
-
2014
- 2014-11-20 CN CN201410667589.0A patent/CN105608689B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134200A (zh) * | 2014-06-27 | 2014-11-05 | 河海大学 | 一种基于改进加权融合的运动场景图像拼接方法 |
Non-Patent Citations (2)
Title |
---|
汪松: "基于SIFT算法的图像匹配方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
阮鹏: "多图像拼接算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428211A (zh) * | 2017-02-15 | 2018-08-21 | 阿里巴巴集团控股有限公司 | 图像的处理方法、装置和机器可读介质 |
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 |
CN107229934A (zh) * | 2017-04-24 | 2017-10-03 | 东北大学 | 基于最小匹配距离与随机采样一致性的错误匹配去除方法 |
CN107644411A (zh) * | 2017-09-19 | 2018-01-30 | 武汉中旗生物医疗电子有限公司 | 超声宽景成像方法及装置 |
CN108053370A (zh) * | 2017-11-29 | 2018-05-18 | 合肥工业大学 | 一种基于匹配误差抑制的成像坐标校正方法 |
CN108053370B (zh) * | 2017-11-29 | 2021-08-06 | 合肥工业大学 | 一种基于匹配误差抑制的成像坐标校正方法 |
CN109064397A (zh) * | 2018-07-04 | 2018-12-21 | 广州希脉创新科技有限公司 | 一种基于摄像耳机的图像拼接方法及系统 |
CN109064397B (zh) * | 2018-07-04 | 2023-08-01 | 广州希脉创新科技有限公司 | 一种基于摄像耳机的图像拼接方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105608689B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102132323B (zh) | 用于自动图像矫直的系统和方法 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN105608689A (zh) | 一种全景拼接消除图像特征误匹配方法及装置 | |
US8509536B2 (en) | Character recognition device and method and computer-readable medium controlling the same | |
EP2819091B1 (en) | Method and apparatus for processing a gray image | |
CN105608667A (zh) | 一种全景拼接的方法及装置 | |
US20150154450A1 (en) | Optical Flow Tracking Method and Apparatus | |
US20080232715A1 (en) | Image processing apparatus | |
Sutthiwichaiporn et al. | Adaptive boosted spectral filtering for progressive fingerprint enhancement | |
CN106934795A (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN104463795A (zh) | 一种点阵式dm二维码图像处理方法及装置 | |
CN103679636A (zh) | 基于点、线双重特征的快速图像拼接方法 | |
US11475707B2 (en) | Method for extracting image of face detection and device thereof | |
CN110188747A (zh) | 一种文本图像的倾斜校正方法、装置以及图像处理设备 | |
US9245194B2 (en) | Efficient line detection method | |
WO2020146980A1 (zh) | 车道线识别方法、车道线识别装置以及非易失性存储介质 | |
CN105678722A (zh) | 一种全景拼接图像弯曲矫正方法及装置 | |
CN105678720A (zh) | 一种全景拼接判断图像匹配方法及装置 | |
CN105701770B (zh) | 一种基于上下文线性模型的人脸超分辨率处理方法及系统 | |
CN105678719A (zh) | 一种全景拼接接缝处平滑方法及装置 | |
CN102737230B (zh) | 一种基于方向场估计的非局部均值滤波方法 | |
CN106203269A (zh) | 一种基于可形变局部块的人脸超分辨率处理方法及系统 | |
Bahrami et al. | Image tampering detection by exposing blur type inconsistency | |
CN104463238A (zh) | 一种车牌识别方法和系统 | |
CN103489201A (zh) | 基于运动模糊信息的目标跟踪方法 |
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 |