CN105719272A - 保持空间结构的图像特征点匹配方法 - Google Patents
保持空间结构的图像特征点匹配方法 Download PDFInfo
- Publication number
- CN105719272A CN105719272A CN201410740484.3A CN201410740484A CN105719272A CN 105719272 A CN105719272 A CN 105719272A CN 201410740484 A CN201410740484 A CN 201410740484A CN 105719272 A CN105719272 A CN 105719272A
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- descriptor
- distance matrix
- feature points
- 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 29
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种保持空间结构的图像特征点匹配方法,包括步骤:提取和表征出待匹配的图像I、II的特征点;构建图像I、II的特征点的描述子距离矩阵;构建图像I、II的特征点的坐标距离矩阵;归一化图像I、II的特征点的坐标距离矩阵;用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵;根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度。本发明的有益效果是,由于在特征点匹配过程中融入了空间结构的匹配,提高了特征点匹配的准确性。
Description
技术领域
本发明涉及模式识别与计算机视觉领域,尤其涉及一种保持空间结构的图像特征点匹配方法。
背景技术
在计算机视觉应用中,图像间匹配的常用方法是先从各个图像中提取出特征点,并用描述子表征各特征点,然后通过比较描述子的相似程度,对不同图像的特征点进行匹配。
图像特征点提取和表征的输出的结果是图像特征点的位置和描述子,它是图像特征点匹配的前一步。SIFT(尺度不变特征转换)是一种经典的图像特征点提取和表征方法,主要步骤包括构建尺度空间,检测和过滤高斯差分极值点,分配方向值生成描述子等。
图像特征点匹配是实现图像检索、三维重建、图像配准与融合、目标识别与跟踪等多种应用的关键步骤之一。常用的匹配方法是对一个图像上的每个特征点,在另一个图像中找出与之描述子相似度最高的特征点,然后统计相似度大于经验阈值的匹配点个数,用来度量图像的相似程度。这种方法没有考虑特征点的位置关系,容易导致一个目标上的特征点被匹配到多个目标等错误。
发明内容
为了解决现阶段图像匹配方法未考虑特征点位置关系而容易导致错误的问题,本发明提供一种保持空间结构的图像特征点匹配方法,该方法在特征点匹配过程中融入了空间结构的匹配,提高了特征点匹配的准确性。
本发明实施例提供一种保持空间结构的图像特征点匹配方法,包括步骤:提取和表征出待匹配的图像I、II的特征点;构建图像I、II的特征点的描述子距离矩阵;构建图像I、II的特征点的坐标距离矩阵;归一化图像I、II的特征点的坐标距离矩阵;用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵;根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度。
上述实施例中,所述“构建图像I、II的特征点的描述子距离矩阵”步骤中,设N表示图像I中提取到的特征点数,si表示图像I中第i个特征点的描述子,i=1...N;设M表示图像II中提取到的特征点数,tj表示图像II中第j个特征点的描述子,j=1...M;设D(N×M的矩阵)表示图像I和图像II的特征点的描述子距离矩阵,D中第i行第j列的元素Dij表示图像I中第i个特征点与图像II中第j个特征点的描述子距离,其计算方法为Dij=||si-tj||。
上述实施例中,所述“构建图像I、II的特征点的坐标距离矩阵”步骤中,设pi和pk分别表示图像I中第i个和第k个特征点的坐标,k=1...N,设(N×N的矩阵)表示图像I中特征点的坐标距离矩阵,其各元素为
设pj和pl分别表示图像II中第j个和第l个特征点的坐标,l=1...M,设(M×M的矩阵)表示图像II中特征点的坐标距离矩阵,其各元素为
其中,α为经验值,α控制了实际坐标距离对结构距离加权的权值的影响程度。
上述实施例中,所述“归一化图像I、II的特征点的坐标距离矩阵”步骤中,使每行加和、每列加和都为1,归一化后图像I的特征点的坐标距离矩阵为
归一化后,W将作为匹配时图像I各特征点结构距离加和的权值,即对于图像I中的第i个特征点si,Wik表示了第k个特征点sk对si的权值,图像I中除si之外所有特征点对si的权值加和为1;
使每行加和、每列加和都为1,归一化后图像II的特征点的坐标距离矩阵为
归一化后,W'将作为匹配时图像II各特征点结构距离加和的权值,即对于图像II中的第j个特征点tj,表示了第l个特征点tl对tj的权值,图像II中除tj之外所有特征点对tj的权值加和为1。
上述实施例中,所述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”步骤中,设C(N×M的矩阵)表示图像I和图像II的特征点的描述子结构距离矩阵,其初始值为C=D,C中第i行第j列的元素Cij表示图像I中第i个特征点与图像II中第j个特征点的描述子结构距离,对于所有i和j,即i=1...N,j=1...M,计算并更新
其中,
Tk表示图像I中第k个特征点与图像II中最佳匹配的特征点的描述子结构距离,取值区间是1到M之间的整数,对于k=1...N,
T'l表示图像II中第l个特征点与图像I中最佳匹配的特征点的描述子结构距离,取值区间是1到N之间的整数,对于l=1...M,
上述实施例中,所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”步骤中,如果迭代优化前后C中没有元素发生变化,或者迭代次数达到预设的最大次数,则统计T和T'中小于预设的最大匹配阈值的元素个数之和,作为图像I和图像II的匹配度进行输出。
上述实施例中,所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”步骤中,如果迭代优化前后C中有元素发生变化且迭代次数未达到预设的最大次数,则再次执行前述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”的步骤,直至迭代优化前后C中没有元素发生变化,或者迭代次数达到预设的最大次数,再统计T和T'中小于预设的最大匹配阈值的元素个数之和,作为图像I和图像II的匹配度进行输出。
上述实施例中,所述“提取和表征出待匹配的图像I、II的特征点”的步骤采用尺度不变特征转换算法进行。
上述实施例中,该尺度不变特征转换算法包括步骤:尺度空间极值检测、关键点定位、方向确定以及关键点描述。
上述实施例中,所述度空间极值检测是在尺度空间通过高斯微分函数来检测潜在的对于尺度和旋转不变的兴趣点;所述关键点定位是在兴趣点位置上确定关键点的位置和尺度;所述方向确定是指基于图像局部的梯度方向给每个关键点分配方向;所述关键点描述是在每个关键点的领域内测量图像局部的梯度,最终用一个特征向量来表达。
本发明的上述保持空间结构的图像特征点匹配方法,在特征点匹配过程中,除了描述子的直接比较,还加入了基于位置关系的结构距离计算,使得匹配结果能够保持空间结构;将特征点之间的位置距离作为权值,对于每个特征点,其周围较近的其他特征点对该点的匹配有较大影响,较远特征点只有较小影响,如此设计既融入了空间结构的匹配、又保证了全局匹配的正确性;并且该方法容易通过矩阵乘法等线性运算近似实现,算法效率高。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明实施例提供的保持空间结构的图像特征点匹配方法,包括步骤:
提取和表征出待匹配的图像I、II的特征点;
构建图像I、II的特征点的描述子距离矩阵;
构建图像I、II的特征点的坐标距离矩阵;
归一化图像I、II的特征点的坐标距离矩阵;
用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵;
根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度。
本实施例中,在进行所述“提取和表征出待匹配的图像I、II的特征点”的步骤时,优先采用SIFT(尺度不变特征转换(Scale-invariantfeaturetransform,SIFT)算法作为特征点提取和表征的方法。
该SIFT算法大致有尺度空间极值检测、关键点定位、方向确定以及关键点描述四个步骤。具体的,该SIFT算法包括步骤:在尺度空间通过高斯微分函数来检测潜在的对于尺度和旋转不变的兴趣点;在兴趣点位置上,确定关键点的位置和尺度;基于图像局部的梯度方向,给每个关键点分配方向;在每个关键点的领域内测量图像局部的梯度,最终用一个特征向量来表达。
本实施例中,在进行所述“构建图像I、II的特征点的描述子距离矩阵”的步骤时,设N表示图像I中提取到的特征点数,si表示图像I中第i个特征点的描述子,i=1...N;设M表示图像II中提取到的特征点数,tj表示图像II中第j个特征点的描述子,j=1...M;设D(N×M的矩阵)表示图像I和图像II的特征点的描述子距离矩阵,D中第i行第j列的元素Dij表示图像I中第i个特征点与图像II中第j个特征点的描述子距离,其计算方法为Dij=||si-tj||。
本实施例中,在进行所述“构建图像I、II的特征点的坐标距离矩阵”的步骤时,设pi和pk分别表示图像I中第i个和第k个特征点的坐标,k=1...N,设(N×N的矩阵)表示图像I中特征点的坐标距离矩阵,其各元素为
设pj和pl分别表示图像II中第j个和第l个特征点的坐标,l=1...M,设(M×M的矩阵)表示图像II中特征点的坐标距离矩阵,其各元素为
其中,α为经验值,α控制了实际坐标距离对结构距离加权的权值的影响程度。
本实施例中,在进行所述“归一化图像I、II的特征点的坐标距离矩阵”的步骤时,使每行加和、每列加和都为1,归一化后图像I的特征点的坐标距离矩阵为
归一化后,W将作为匹配时图像I各特征点结构距离加和的权值,即对于图像I中的第i个特征点si,Wik表示了第k个特征点sk对si的权值,图像I中除si之外所有特征点对si的权值加和为1;
使每行加和、每列加和都为1,归一化后图像II的特征点的坐标距离矩阵为
归一化后,W'将作为匹配时图像II各特征点结构距离加和的权值,即对于图像II中的第j个特征点tj,表示了第l个特征点tl对tj的权值,图像II中除tj之外所有特征点对tj的权值加和为1。
本实施例中,在进行所述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”的步骤时,设C(N×M的矩阵)表示图像I和图像II的特征点的描述子结构距离矩阵,其初始值为C=D,C中第i行第j列的元素Cij表示图像I中第i个特征点与图像II中第j个特征点的描述子结构距离,对于所有i和j,即i=1...N,j=1...M,计算并更新
其中,
Tk表示图像I中第k个特征点与图像II中最佳匹配的特征点的描述子结构距离,取值区间是1到M之间的整数,对于k=1...N,
T'l表示图像II中第l个特征点与图像I中最佳匹配的特征点的描述子结构距离,取值区间是1到N之间的整数,对于l=1...M,
本实施例中,在进行所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”的步骤时,如果迭代优化前后C中没有元素发生变化,或者迭代次数达到预设的最大次数,则统计T和T'中小于预设的最大匹配阈值的元素个数之和,作为图像I和图像II的匹配度进行输出。
在进行所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”的步骤时,如果迭代优化前后C中有元素发生变化,且迭代次数未达到预设的最大次数,则再次执行“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”的步骤,直至迭代优化前后C中没有元素发生变化,或者迭代次数达到预设的最大次数,再统计T和T'中小于预设的最大匹配阈值的元素个数之和,作为图像I和图像II的匹配度进行输出。
有利地,所述保持空间结构的图像特征点匹配方法,在特征点匹配过程中,除了描述子的直接比较,还加入了基于位置关系的结构距离计算,使得匹配结果能够保持空间结构;将特征点之间的位置距离作为权值,对于每个特征点,其周围较近的其他特征点对该点的匹配有较大影响,较远特征点只有较小影响,如此设计既融入了空间结构的匹配、又保证了全局匹配的正确性;并且该方法容易通过矩阵乘法等线性运算近似实现,算法效率高。
以上所揭露的仅为本发明实施例中的较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种保持空间结构的图像特征点匹配方法,包括步骤:
提取和表征出待匹配的图像I、II的特征点;
构建图像I、II的特征点的描述子距离矩阵;
构建图像I、II的特征点的坐标距离矩阵;
归一化图像I、II的特征点的坐标距离矩阵;
用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵;
根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度。
2.如权利要求1所述的保持空间结构的图像特征点匹配方法,其特征在于,所述“构建图像I、II的特征点的描述子距离矩阵”步骤中,
设N表示图像I中提取到的特征点数,si表示图像I中第i个特征点的描述子,i=1...N;
设M表示图像II中提取到的特征点数,tj表示图像II中第j个特征点的描述子,j=1...M;
设D(N×M的矩阵)表示图像I和图像II的特征点的描述子距离矩阵,D中第i行第j列的元素Dij表示图像I中第i个特征点与图像II中第j个特征点的描述子距离,其计算方法为Dij=||si-tj||。
3.如权利要求2所述的保持空间结构的图像特征点匹配方法,其特征在于,所述“构建图像I、II的特征点的坐标距离矩阵”步骤中,
设pi和pk分别表示图像I中第i个和第k个特征点的坐标,k=1...N,设(N×N的矩阵)表示图像I中特征点的坐标距离矩阵,其各元素为
设pj和pl分别表示图像II中第j个和第l个特征点的坐标,l=1...M,设(M×M的矩阵)表示图像II中特征点的坐标距离矩阵,其各元素为
其中,α为经验值,α控制了实际坐标距离对结构距离加权的权值的影响程度。
4.如权利要求3所述的保持空间结构的图像特征点匹配方法,其特征在于,
所述“归一化图像I、II的特征点的坐标距离矩阵”步骤中,
使每行加和、每列加和都为1,归一化后图像I的特征点的坐标距离矩阵为
归一化后,W将作为匹配时图像I各特征点结构距离加和的权值,即对于图像I中的第i个特征点si,Wik表示了第k个特征点sk对si的权值,图像I中除si之外所有特征点对si的权值加和为1;
使每行加和、每列加和都为1,归一化后图像II的特征点的坐标距离矩阵为
归一化后,W'将作为匹配时图像II各特征点结构距离加和的权值,即对于图像II中的第j个特征点tj,表示了第l个特征点tl对tj的权值,图像II中除tj之外所有特征点对tj的权值加和为1。
5.如权利要求4所述的保持空间结构的图像特征点匹配方法,其特征在于,所述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”步骤中,
设C(N×M的矩阵)表示图像I和图像II的特征点的描述子结构距离矩阵,其初始值为C=D,C中第i行第j列的元素Cij表示图像I中第i个特征点与图像II中第j个特征点的描述子结构距离,对于所有i和j,即i=1...N,j=1...M,计算并更新
其中,
Tk表示图像I中第k个特征点与图像II中最佳匹配的特征点的描述子结构距离,取值区间是1到M之间的整数,对于k=1...N,
T'l表示图像II中第l个特征点与图像I中最佳匹配的特征点的描述子结构距离,取值区间是1到N之间的整数,对于l=1...M,
6.如权利要求5所述的保持空间结构的图像特征点匹配方法,其特征在于,所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”步骤中,如果迭代优化前后C中没有元素发生变化,或者迭代次数达到预设的最大次数,则统计T和T'中小于预设的最大匹配阈值的元素个数之和,作为图像I和图像II的匹配度进行输出。
7.如权利要求6所述的保持空间结构的图像特征点匹配方法,其特征在于,所述“根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度”步骤中,如果迭代优化前后C中有元素发生变化且迭代次数未达到预设的最大次数,则再次执行前述“用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离矩阵”的步骤,直至迭代优化前后C中没有元素发生变化,或者迭代次数达到预设的最大次数,再统计T和T'中小于预设的最大匹配阈值的元素个数之和,作为图像I和图像II的匹配度进行输出。
8.如权利要求1所述的保持空间结构的图像特征点匹配方法,其特征在于,所述“提取和表征出待匹配的图像I、II的特征点”的步骤采用尺度不变特征转换算法进行。
9.如权利要求8所述的保持空间结构的图像特征点匹配方法,其特征在于,该尺度不变特征转换算法包括步骤:尺度空间极值检测、关键点定位、方向确定以及关键点描述。
10.如权利要求9所述的保持空间结构的图像特征点匹配方法,其特征在于,所述度空间极值检测是在尺度空间通过高斯微分函数来检测潜在的对于尺度和旋转不变的兴趣点;所述关键点定位是在兴趣点位置上确定关键点的位置和尺度;所述方向确定是指基于图像局部的梯度方向给每个关键点分配方向;所述关键点描述是在每个关键点的领域内测量图像局部的梯度,最终用一个特征向量来表达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740484.3A CN105719272B (zh) | 2014-12-05 | 2014-12-05 | 保持空间结构的图像特征点匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740484.3A CN105719272B (zh) | 2014-12-05 | 2014-12-05 | 保持空间结构的图像特征点匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105719272A true CN105719272A (zh) | 2016-06-29 |
CN105719272B CN105719272B (zh) | 2020-07-10 |
Family
ID=56144280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410740484.3A Active CN105719272B (zh) | 2014-12-05 | 2014-12-05 | 保持空间结构的图像特征点匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719272B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107360371A (zh) * | 2017-08-04 | 2017-11-17 | 上海斐讯数据通信技术有限公司 | 一种自动拍照方法、服务器及自动拍照装置 |
CN113408592A (zh) * | 2021-06-01 | 2021-09-17 | 北京百度网讯科技有限公司 | 特征点匹配方法、装置、电子设备及计算机可读存储介质 |
CN116563096A (zh) * | 2023-07-11 | 2023-08-08 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 用于图像配准的形变场的确定方法、装置以及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521838A (zh) * | 2011-12-19 | 2012-06-27 | 国家计算机网络与信息安全管理中心 | 一种图像检索/匹配方法及系统 |
CN102592281A (zh) * | 2012-01-16 | 2012-07-18 | 北方工业大学 | 图像匹配方法 |
CN103279955A (zh) * | 2013-05-23 | 2013-09-04 | 中国科学院深圳先进技术研究院 | 图像匹配方法和系统 |
CN103544717A (zh) * | 2013-10-22 | 2014-01-29 | 北京交通大学长三角研究院 | 一种基于sift特征的二阶段三维图像压缩编码方法 |
CN103700099A (zh) * | 2013-12-18 | 2014-04-02 | 同济大学 | 一种旋转和尺度不变的宽基线立体匹配方法 |
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
CN104121902A (zh) * | 2014-06-28 | 2014-10-29 | 福州大学 | 基于Xtion摄像机的室内机器人视觉里程计实现方法 |
CN104134206A (zh) * | 2014-07-15 | 2014-11-05 | 中国人民解放军信息工程大学 | 基于三维二值特征描述子的ct体数据快速匹配方法 |
-
2014
- 2014-12-05 CN CN201410740484.3A patent/CN105719272B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521838A (zh) * | 2011-12-19 | 2012-06-27 | 国家计算机网络与信息安全管理中心 | 一种图像检索/匹配方法及系统 |
CN102592281A (zh) * | 2012-01-16 | 2012-07-18 | 北方工业大学 | 图像匹配方法 |
CN103279955A (zh) * | 2013-05-23 | 2013-09-04 | 中国科学院深圳先进技术研究院 | 图像匹配方法和系统 |
CN103544717A (zh) * | 2013-10-22 | 2014-01-29 | 北京交通大学长三角研究院 | 一种基于sift特征的二阶段三维图像压缩编码方法 |
CN103700099A (zh) * | 2013-12-18 | 2014-04-02 | 同济大学 | 一种旋转和尺度不变的宽基线立体匹配方法 |
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
CN104121902A (zh) * | 2014-06-28 | 2014-10-29 | 福州大学 | 基于Xtion摄像机的室内机器人视觉里程计实现方法 |
CN104134206A (zh) * | 2014-07-15 | 2014-11-05 | 中国人民解放军信息工程大学 | 基于三维二值特征描述子的ct体数据快速匹配方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107360371A (zh) * | 2017-08-04 | 2017-11-17 | 上海斐讯数据通信技术有限公司 | 一种自动拍照方法、服务器及自动拍照装置 |
CN113408592A (zh) * | 2021-06-01 | 2021-09-17 | 北京百度网讯科技有限公司 | 特征点匹配方法、装置、电子设备及计算机可读存储介质 |
CN113408592B (zh) * | 2021-06-01 | 2024-03-01 | 北京百度网讯科技有限公司 | 特征点匹配方法、装置、电子设备及计算机可读存储介质 |
CN116563096A (zh) * | 2023-07-11 | 2023-08-08 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 用于图像配准的形变场的确定方法、装置以及电子设备 |
CN116563096B (zh) * | 2023-07-11 | 2023-09-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 用于图像配准的形变场的确定方法、装置以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105719272B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839265B (zh) | 基于sift和归一化互信息的sar图像配准方法 | |
JP5705147B2 (ja) | 記述子を用いて3dオブジェクトまたはオブジェクトを表す方法 | |
EP2907082B1 (en) | Using a probabilistic model for detecting an object in visual data | |
CN106682700B (zh) | 基于关键点描述算子的分块快速匹配方法 | |
US9911066B2 (en) | Classification system for similar objects from digital images | |
CN103236064A (zh) | 一种基于法向量的点云自动配准方法 | |
WO2015042772A1 (zh) | 一种遥感图像显著目标变化检测方法 | |
CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
CN105354841A (zh) | 一种快速遥感影像匹配方法及系统 | |
EP3301641A1 (en) | Image collation device, image collation method, and program | |
CN109241901A (zh) | 一种对具有孔洞的三维点云的检测与识别方法 | |
JP5870011B2 (ja) | 点群解析装置、点群解析方法及び点群解析プログラム | |
CN105719272B (zh) | 保持空间结构的图像特征点匹配方法 | |
El Khoury et al. | Indexed heat curves for 3d-model retrieval | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
KR101528757B1 (ko) | 이분된 로컬 영역을 가지는 윤곽선 분할 기반 특징을 이용한 물체 인식 방법 | |
CN103064857B (zh) | 图像查询方法及图像查询设备 | |
Nanni et al. | Ensemble of shape descriptors for shape retrieval and classification | |
Ghosh et al. | Automated color logo recognition system based on shape and color features | |
CN104794497B (zh) | 一种高光谱图像分类中多中心拟合方法 | |
Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration | |
Ahmad et al. | A fusion of labeled-grid shape descriptors with weighted ranking algorithm for shapes recognition | |
CN111194004B (zh) | 基站指纹定位方法、装置和系统、计算机可读存储介质 | |
Chen et al. | Method of item recognition based on SIFT and SURF | |
Bhattacharya et al. | DT-RANSAC: a delaunay triangulation based scheme for improved RANSAC feature matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |