CN106204577A - 一种通过斑块特征配准的图像识别装置 - Google Patents
一种通过斑块特征配准的图像识别装置 Download PDFInfo
- Publication number
- CN106204577A CN106204577A CN201610535198.2A CN201610535198A CN106204577A CN 106204577 A CN106204577 A CN 106204577A CN 201610535198 A CN201610535198 A CN 201610535198A CN 106204577 A CN106204577 A CN 106204577A
- Authority
- CN
- China
- Prior art keywords
- image
- patch properties
- region
- module
- template
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10024—Color image
Abstract
本发明提供了一种通过斑块特征配准的图像识别装置,包括识别装置和与其相连的斑块配准装置,所述识别装置包括:图像输入部,相似图像检索部,关键字提取部,关键字解析部,提示部。本发明具有图像匹配精度相对较高、匹配速度相对较快的优点。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种通过斑块特征配准的图像识别装置。
背景技术
图像配准是将在不同时间、从不同视角或用不同传感器拍摄的同一场景的两幅或多幅图像在空间上进行对齐的过程。其主要目的是消除参考图像和待配准图像间由成像条件不同所引起的几何形变,从而使二者具有空间一致性。现有技术中的图像配准算法能够通过增强信息间的互补性,减少对场景理解的不确定性。在图像配准过程中,由于同一场景的成像结果表现出较大的视觉差异,给配准带来较大的困难,且现有的配准算法在精度、效率、稳定性和适应性等方面并不能完全满足应用需求。
发明内容
针对上述问题,本发明提供一种通过斑块特征配准的图像识别装置。
本发明的目的采用以下技术方案来实现:
一种通过斑块特征配准的图像识别装置,包括识别装置和与其相连的斑块配准装置,所述识别装置包括:
图像输入部,取得识别对象图像;
相似图像检索部,从置于可经由因特网访问的服务器装置中的、和该图像识别装置无关地生成的自然产生的多幅图像之中,检索和由上述图像输入部所取得的识别对象图像相似的1幅以上的相似图像;
关键字提取部,从由上述相似图像检索部检索到的相似图像中附带的信息之中,提取能作为上述识别对象图像的识别结果的备选的多个关键字;
关键字解析部,通过解析由上述关键字提取部所提取的多个关键字,至少确定1个上述多个关键字之中作为上述识别对象图像的识别结果最相似的关键字;以及
提示部,输出由上述关键字解析部所确定的关键字,来作为上述识别对象图像的识别结果。
优选地,上述关键字提取部提取允许重复的多个关键字。
优选地,上述关键字解析部对于由上述关键字提取部所提取的多个关键字的每一个,解析个数,确定个数较多的关键字来作为识别结果。
优选地,所述斑块配准装置包括:预处理模块、特征检测模块、特征描述模块、特征匹配模块和空间变换模块;
(1)预处理模块,用于将参考图像和待配准图像转化为灰度图像,定义转化公式为:
I(x,y)=k(G(x,y)+R(x,y)+B(x,y))+2k(G(x,y)+R(x,y))+3k(x,y)
其中,I(x,y)代表图像在坐标(x,y)处的像素灰度值,G(x,y)、R(x,y)、B(x,y)分别代表坐标(x,y)处的红、绿、蓝强度值,k为设定的权重因子,k的取值范围为[0.08,0.12];
(2)特征检测模块,包括局部区域特征检测子模块和斑块特征检测子模块,所述局部区
域特征检测子模块用于通过墨西哥帽小波函数来检测预处理后的两图像的局部区域特征,所述斑块特征检测子模块用于采用近似Hessian矩阵的局部极值在自定义尺度空间中检测预处理后的两图像中的斑块特征,输出斑块特征的空间位置及所在的特征尺度;
所述近似Hessian矩阵的描述形式为:
式中,σ为高斯函数的标准差,即尺度因子;Exx(x,y,σ)、Exy(x,y,σ)、Eyy(x,y,σ)分别为高斯二阶微分离散化和裁剪后的近似模板在点(x,y)处与图像的卷积;设定Exx、Exy和Eyy表示第一、第二和第三9×9近似模板与图像的卷积结果,Exx、Exy和Eyy的计算公式定义如下:
其中,取第一近似模板从左至右3×3区域作为第一标记区域,取第二近似模板中部2×2区域作为第二标记区域,取第三近似模板从上至下3×3区域作为第三标记区域,A1、A2和A3分别为第一、第二和第三标记区域覆盖下的图像像素灰度和,P、Q为标记区域面积,分别等于9和4;
所述近似Hessian矩阵的特征点响应函数为:
DET(H)=ExxEyy-(0.9Exy)2
所述墨西哥帽小波函数的描述形式为:
其中,q为构造所述自定义尺度空间的变化参数,q与σ之间的关系为σ=2-q;
优选地,
(3)特征描述模块,其通过建立加权灰度描述子对检测出的斑块特征进行描述并形成描述矢量,建立加权灰度描述子时将以斑块特征为中心、垂直于斑块特征的主方向且大小为l×l的中心区域分割成多个子块,所述加权灰度描述子为:
WD={NP+,NP-}
此处
P+=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)>0,i=1,2,…l2}
P-=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)<0,i=1,2,…l2}
式中,WD表示加权灰度描述子,P+表示正灰度差值直方图,P-表示负灰度差值直方图,I(mi)和I(m)分别为采用双线性插值求取的各个子块的灰度均值和整个中心区域的灰度均值,Di为各子块与中心的距离,其中,i=1,2,…l2,f(Di)表示加权函数,NP+、NP-表示归一化的正负灰度差直方图;
(4)特征匹配模块,用于对预处理后的参考图像和待配准图像进行匹配,包括依次连接的局部区域匹配子模块、区域划分子模块、特征分组子模块和斑块特征匹配子模块,所述局部区域匹配子模块用于对预处理后的参考图像和待配准图像的局部区域特征进行匹配,所述区域划分子模块用于按照局部区域特征对预处理后的参考图像和待配准图像进行图像区域划分并将划分后的图像区域转化为标准圆区域,设划分的图像区域数量为N,N的取值范围为[200,1000],所述特征分组子模块用于将所述斑块特征按照图像区域划分的范围进行分组,所述斑块特征匹配子模块用于对各组内的表示斑块特征的描述矢量进行匹配;
(5)空间变换模块,用于将待配准图像通过几何变换模型映射到参考图像的坐标系中,完成图像配准,所述几何变换模型的参数采用随机抽样一致性算法进行估计。
其中,所述自定义尺度空间分为多组,每组包含三个不同尺度的滤波器模板;所述自定义尺度空间的第一组中,最小尺度对应的模板大小为9×9,标记区域增量设为4,模板增量为12,第二个和第三个模板对应的模板大小依次为21×21和33×33;除自定义尺度空间的第一组外的其他组中,每组的第一个模板与前一组的第二个模板大小相同,且模板增量为前一组的4倍。
其中,所述标准圆区域的圆心为局部区域特征的重心,标准圆区域的半径为局部区域边缘上的点到所述重心距离的均值。
本发明的有益效果为:
1、设置的图像预处理模块考虑了视觉习惯以及人眼对不同色彩的感知度同色彩强度的非线性关系,能够更为准确的描述图像;
2、设置的斑块特征检测子模块,能够充分利用基于积分图像的盒型滤波与滤波器尺寸无关的特性,等速构建图像的尺度空间,且由于没有图像的降采样操作,能够避免混叠现象出现;
3、特征描述模块通过建立加权灰度描述子对检测出的斑块特征进行描述,能够更充分地利用特征邻域内的局部信息构建描述矢量;
4、设置的特征匹配模块中先进行局部区域匹配再进行组内的斑块特征点划分,提高了图像匹配的速度,且其中设置的区域划分子模块将划分后的图像区域转化为标准圆区域,降低了斑块特征点分组判断的复杂性,因为斑块特征点是否位于区域内只需比较其边缘到圆心的距离与圆的半径即可,同时还降低了局部区域抽取精度对分组配准的影响,因为没有使用区域边缘而使用边缘到区域重心的均值做划分的边界。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明斑块配准装置各模块的连接示意图。
图2是本发明识别装置组成示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
实施例1
参见图1,图2,本实施例一种通过斑块特征配准的图像识别装置,包括识别装置和与其相连的斑块配准装置,所述识别装置包括:
图像输入部,取得识别对象图像;
相似图像检索部,从置于可经由因特网访问的服务器装置中的、和该图像识别装置无关地生成的自然产生的多幅图像之中,检索和由上述图像输入部所取得的识别对象图像相似的1幅以上的相似图像;
关键字提取部,从由上述相似图像检索部检索到的相似图像中附带的信息之中,提取能作为上述识别对象图像的识别结果的备选的多个关键字;
关键字解析部,通过解析由上述关键字提取部所提取的多个关键字,至少确定1个上述多个关键字之中作为上述识别对象图像的识别结果最相似的关键字;以及
提示部,输出由上述关键字解析部所确定的关键字,来作为上述识别对象图像的识别结果。
优选地,上述关键字提取部提取允许重复的多个关键字。
优选地,上述关键字解析部对于由上述关键字提取部所提取的多个关键字的每一个,解析个数,确定个数较多的关键字来作为识别结果。
优选地,所述斑块配准装置包括:预处理模块、特征检测模块、特征描述模块、特征匹配模块和空间变换模块;
(1)预处理模块,用于将参考图像和待配准图像转化为灰度图像,定义转化公式为:
I(x,y)=k(G(x,y)+R(x,y)+B(x,y))+2k(G(x,y)+R(x,y))+3k(x,y)
其中,I(x,y)代表图像在坐标(x,y)处的像素灰度值,G(x,y)、R(x,y)、B(x,y)分别代表坐标(x,y)处的红、绿、蓝强度值,k为设定的权重因子,k的取值范围为[0.08,0.12];
(2)特征检测模块,包括局部区域特征检测子模块和斑块特征检测子模块,所述局部区
域特征检测子模块用于通过墨西哥帽小波函数来检测预处理后的两图像的局部区域特征,所述斑块特征检测子模块用于采用近似Hessian矩阵的局部极值在自定义尺度空间中检测预处理后的两图像中的斑块特征,输出斑块特征的空间位置及所在的特征尺度;
所述近似Hessian矩阵的描述形式为:
式中,σ为高斯函数的标准差,即尺度因子;Exx(x,y,σ)、Exy(x,y,σ)、Eyy(x,y,σ)分别为高斯二阶微分离散化和裁剪后的近似模板在点(x,y)处与图像的卷积;设定Exx、Exy和Eyy表示第一、第二和第三9×9近似模板与图像的卷积结果,Exx、Exy和Eyy的计算公式定义如下:
其中,取第一近似模板从左至右3×3区域作为第一标记区域,取第二近似模板中部2×2区域作为第二标记区域,取第三近似模板从上至下3×3区域作为第三标记区域,A1、A2和A3分别为第一、第二和第三标记区域覆盖下的图像像素灰度和,P、Q为标记区域面积,分别等于9和4;
所述近似Hessian矩阵的特征点响应函数为:
DET(H)=ExxEyy-(0.9Exy)2
所述墨西哥帽小波函数的描述形式为:
其中,q为构造所述自定义尺度空间的变化参数,q与σ之间的关系为σ=2-q;
优选地,
(3)特征描述模块,其通过建立加权灰度描述子对检测出的斑块特征进行描述并形成描述矢量,建立加权灰度描述子时将以斑块特征为中心、垂直于斑块特征的主方向且大小为l×l的中心区域分割成多个子块,所述加权灰度描述子为:
WD={NP+,NP-}
此处
P+=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)>0,i=1,2,…l2}
P-=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)<0,i=1,2,…l2}
式中,WD表示加权灰度描述子,P+表示正灰度差值直方图,P-表示负灰度差值直方图,I(mi)和I(m)分别为采用双线性插值求取的各个子块的灰度均值和整个中心区域的灰度均值,Di为各子块与中心的距离,其中,i=1,2,…l2,f(Di)表示加权函数,NP+、NP-表示归一化的正负灰度差直方图;
(4)特征匹配模块,用于对预处理后的参考图像和待配准图像进行匹配,包括依次连接的局部区域匹配子模块、区域划分子模块、特征分组子模块和斑块特征匹配子模块,所述局部区域匹配子模块用于对预处理后的参考图像和待配准图像的局部区域特征进行匹配,所述区域划分子模块用于按照局部区域特征对预处理后的参考图像和待配准图像进行图像区域划分并将划分后的图像区域转化为标准圆区域,设划分的图像区域数量为N,N的取值范围为[200,1000],所述特征分组子模块用于将所述斑块特征按照图像区域划分的范围进行分组,所述斑块特征匹配子模块用于对各组内的表示斑块特征的描述矢量进行匹配;
(5)空间变换模块,用于将待配准图像通过几何变换模型映射到参考图像的坐标系中,完成图像配准,所述几何变换模型的参数采用随机抽样一致性算法进行估计。
其中,所述自定义尺度空间分为多组,每组包含三个不同尺度的滤波器模板;所述自定义尺度空间的第一组中,最小尺度对应的模板大小为9×9,标记区域增量设为4,模板增量为12,第二个和第三个模板对应的模板大小依次为21×21和33×33;除自定义尺度空间的第一组外的其他组中,每组的第一个模板与前一组的第二个模板大小相同,且模板增量为前一组的4倍。
其中,所述标准圆区域的圆心为局部区域特征的重心,标准圆区域的半径为局部区域边缘上的点到所述重心距离的均值。
本实施例设置的图像预处理模块考虑了视觉习惯以及人眼对不同色彩的感知度同色彩强度的非线性关系,能够更为准确的描述图像;设置的斑块特征检测子模块,能够等速构建图像的尺度空间,且能够避免混叠现象出现;设置的特征描述模块通过建立加权灰度描述子对检测出的斑块特征进行描述,能够更充分地利用特征邻域内的局部信息构建描述矢量;设置的特征匹配模块中先进行局部区域匹配再进行组内的斑块特征点划分,提高了图像匹配的速度,且其中设置的区域划分子模块将划分后的图像区域转化为标准圆区域,降低了斑块特征点分组判断的复杂性以及局部区域抽取精度对分组配准的影响。本实施例权重因子k取值为0.08,划分的图像区域数量N取值为200,图像匹配精度相对提高了1%,匹配速度提高了3%。
实施例2
参见图1,图2,本实施例一种通过斑块特征配准的图像识别装置,包括识别装置和与其相连的斑块配准装置,所述识别装置包括:
图像输入部,取得识别对象图像;
相似图像检索部,从置于可经由因特网访问的服务器装置中的、和该图像识别装置无关地生成的自然产生的多幅图像之中,检索和由上述图像输入部所取得的识别对象图像相似的1幅以上的相似图像;
关键字提取部,从由上述相似图像检索部检索到的相似图像中附带的信息之中,提取能作为上述识别对象图像的识别结果的备选的多个关键字;
关键字解析部,通过解析由上述关键字提取部所提取的多个关键字,至少确定1个上述多个关键字之中作为上述识别对象图像的识别结果最相似的关键字;以及
提示部,输出由上述关键字解析部所确定的关键字,来作为上述识别对象图像的识别结果。
优选地,上述关键字提取部提取允许重复的多个关键字。
优选地,上述关键字解析部对于由上述关键字提取部所提取的多个关键字的每一个,解析个数,确定个数较多的关键字来作为识别结果。
优选地,所述斑块配准装置包括:预处理模块、特征检测模块、特征描述模块、特征匹配模块和空间变换模块;
(1)预处理模块,用于将参考图像和待配准图像转化为灰度图像,定义转化公式为:
I(x,y)=k(G(x,y)+R(x,y)+B(x,y))+2k(G(x,y)+R(x,y))+3k(x,y)
其中,I(x,y)代表图像在坐标(x,y)处的像素灰度值,G(x,y)、R(x,y)、B(x,y)分别代表坐标(x,y)处的红、绿、蓝强度值,k为设定的权重因子,k的取值范围为[0.08,0.12];
(2)特征检测模块,包括局部区域特征检测子模块和斑块特征检测子模块,所述局部区
域特征检测子模块用于通过墨西哥帽小波函数来检测预处理后的两图像的局部区域特征,所述斑块特征检测子模块用于采用近似Hessian矩阵的局部极值在自定义尺度空间中检测预处理后的两图像中的斑块特征,输出斑块特征的空间位置及所在的特征尺度;
所述近似Hessian矩阵的描述形式为:
式中,σ为高斯函数的标准差,即尺度因子;Exx(x,y,σ)、Exy(x,y,σ)、Eyy(x,y,σ)分别为高斯二阶微分离散化和裁剪后的近似模板在点(x,y)处与图像的卷积;设定Exx、Exy和Eyy表示第一、第二和第三9×9近似模板与图像的卷积结果,Exx、Exy和Eyy的计算公式定义如下:
其中,取第一近似模板从左至右3×3区域作为第一标记区域,取第二近似模板中部2×2区域作为第二标记区域,取第三近似模板从上至下3×3区域作为第三标记区域,A1、A2和A3分别为第一、第二和第三标记区域覆盖下的图像像素灰度和,P、Q为标记区域面积,分别等于9和4;
所述近似Hessian矩阵的特征点响应函数为:
DET(H)=ExxEyy-(0.9Exy)2
所述墨西哥帽小波函数的描述形式为:
其中,q为构造所述自定义尺度空间的变化参数,q与σ之间的关系为σ=2-q;
优选地,
(3)特征描述模块,其通过建立加权灰度描述子对检测出的斑块特征进行描述并形成描述矢量,建立加权灰度描述子时将以斑块特征为中心、垂直于斑块特征的主方向且大小为l×l的中心区域分割成多个子块,所述加权灰度描述子为:
WD={NP+,NP-}
此处
P+=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)>0,i=1,2,…l2}
P-=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)<0,i=1,2,…l2}
式中,WD表示加权灰度描述子,P+表示正灰度差值直方图,P-表示负灰度差值直方图,I(mi)和I(m)分别为采用双线性插值求取的各个子块的灰度均值和整个中心区域的灰度均值,Di为各子块与中心的距离,其中,i=1,2,…l2,f(Di)表示加权函数,NP+、NP-表示归一化的正负灰度差直方图;
(4)特征匹配模块,用于对预处理后的参考图像和待配准图像进行匹配,包括依次连接的局部区域匹配子模块、区域划分子模块、特征分组子模块和斑块特征匹配子模块,所述局部区域匹配子模块用于对预处理后的参考图像和待配准图像的局部区域特征进行匹配,所述区域划分子模块用于按照局部区域特征对预处理后的参考图像和待配准图像进行图像区域划分并将划分后的图像区域转化为标准圆区域,设划分的图像区域数量为N,N的取值范围为[200,1000],所述特征分组子模块用于将所述斑块特征按照图像区域划分的范围进行分组,所述斑块特征匹配子模块用于对各组内的表示斑块特征的描述矢量进行匹配;
(5)空间变换模块,用于将待配准图像通过几何变换模型映射到参考图像的坐标系中,完成图像配准,所述几何变换模型的参数采用随机抽样一致性算法进行估计。
其中,所述自定义尺度空间分为多组,每组包含三个不同尺度的滤波器模板;所述自定义尺度空间的第一组中,最小尺度对应的模板大小为9×9,标记区域增量设为4,模板增量为12,第二个和第三个模板对应的模板大小依次为21×21和33×33;除自定义尺度空间的第一组外的其他组中,每组的第一个模板与前一组的第二个模板大小相同,且模板增量为前一组的4倍。
其中,所述标准圆区域的圆心为局部区域特征的重心,标准圆区域的半径为局部区域边缘上的点到所述重心距离的均值。
本实施例设置的图像预处理模块考虑了视觉习惯以及人眼对不同色彩的感知度同色彩强度的非线性关系,能够更为准确的描述图像;设置的斑块特征检测子模块,能够等速构建图像的尺度空间,且能够避免混叠现象出现;设置的特征描述模块通过建立加权灰度描述子对检测出的斑块特征进行描述,能够更充分地利用特征邻域内的局部信息构建描述矢量;设置的特征匹配模块中先进行局部区域匹配再进行组内的斑块特征点划分,提高了图像匹配的速度,且其中设置的区域划分子模块将划分后的图像区域转化为标准圆区域,降低了斑块特征点分组判断的复杂性以及局部区域抽取精度对分组配准的影响。本实施例权重因子k取值为0.09,划分的图像区域数量N取值为400,图像匹配精度相对提高了1.2%,匹配速度提高了2.5%。
实施例3
参见图1,图2,本实施例一种通过斑块特征配准的图像识别装置,包括识别装置和与其相连的斑块配准装置,所述识别装置包括:
图像输入部,取得识别对象图像;
相似图像检索部,从置于可经由因特网访问的服务器装置中的、和该图像识别装置无关地生成的自然产生的多幅图像之中,检索和由上述图像输入部所取得的识别对象图像相似的1幅以上的相似图像;
关键字提取部,从由上述相似图像检索部检索到的相似图像中附带的信息之中,提取能作为上述识别对象图像的识别结果的备选的多个关键字;
关键字解析部,通过解析由上述关键字提取部所提取的多个关键字,至少确定1个上述多个关键字之中作为上述识别对象图像的识别结果最相似的关键字;以及
提示部,输出由上述关键字解析部所确定的关键字,来作为上述识别对象图像的识别结果。
优选地,上述关键字提取部提取允许重复的多个关键字。
优选地,上述关键字解析部对于由上述关键字提取部所提取的多个关键字的每一个,解析个数,确定个数较多的关键字来作为识别结果。
优选地,所述斑块配准装置包括:预处理模块、特征检测模块、特征描述模块、特征匹配模块和空间变换模块;
(1)预处理模块,用于将参考图像和待配准图像转化为灰度图像,定义转化公式为:
I(x,y)=k(G(x,y)+R(x,y)+B(x,y))+2k(G(x,y)+R(x,y))+3k(x,y)
其中,I(x,y)代表图像在坐标(x,y)处的像素灰度值,G(x,y)、R(x,y)、B(x,y)分别代表坐标(x,y)处的红、绿、蓝强度值,k为设定的权重因子,k的取值范围为[0.08,0.12];
(2)特征检测模块,包括局部区域特征检测子模块和斑块特征检测子模块,所述局部区
域特征检测子模块用于通过墨西哥帽小波函数来检测预处理后的两图像的局部区域特征,所述斑块特征检测子模块用于采用近似Hessian矩阵的局部极值在自定义尺度空间中检测预处理后的两图像中的斑块特征,输出斑块特征的空间位置及所在的特征尺度;
所述近似Hessian矩阵的描述形式为:
式中,σ为高斯函数的标准差,即尺度因子;Exx(x,y,σ)、Exy(x,y,σ)、Eyy(x,y,σ)分别为高斯二阶微分离散化和裁剪后的近似模板在点(x,y)处与图像的卷积;设定Exx、Exy和Eyy表示第一、第二和第三9×9近似模板与图像的卷积结果,Exx、Exy和Eyy的计算公式定义如下:
其中,取第一近似模板从左至右3×3区域作为第一标记区域,取第二近似模板中部2×2区域作为第二标记区域,取第三近似模板从上至下3×3区域作为第三标记区域,A1、A2和A3分别为第一、第二和第三标记区域覆盖下的图像像素灰度和,P、Q为标记区域面积,分别等于9和4;
所述近似Hessian矩阵的特征点响应函数为:
DET(H)=ExxEyy-(0.9Exy)2
所述墨西哥帽小波函数的描述形式为:
其中,q为构造所述自定义尺度空间的变化参数,q与σ之间的关系为σ=2-q;
优选地,
(3)特征描述模块,其通过建立加权灰度描述子对检测出的斑块特征进行描述并形成描述矢量,建立加权灰度描述子时将以斑块特征为中心、垂直于斑块特征的主方向且大小为l×l的中心区域分割成多个子块,所述加权灰度描述子为:
WD={NP+,NP-}
此处
P+=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)>0,i=1,2,…l2}
P-=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)<0,i=1,2,…l2}
式中,WD表示加权灰度描述子,P+表示正灰度差值直方图,P-表示负灰度差值直方图,I(mi)和I(m)分别为采用双线性插值求取的各个子块的灰度均值和整个中心区域的灰度均值,Di为各子块与中心的距离,其中,i=1,2,…l2,f(Di)表示加权函数,NP+、NP-表示归一化的正负灰度差直方图;
(4)特征匹配模块,用于对预处理后的参考图像和待配准图像进行匹配,包括依次连接的局部区域匹配子模块、区域划分子模块、特征分组子模块和斑块特征匹配子模块,所述局部区域匹配子模块用于对预处理后的参考图像和待配准图像的局部区域特征进行匹配,所述区域划分子模块用于按照局部区域特征对预处理后的参考图像和待配准图像进行图像区域划分并将划分后的图像区域转化为标准圆区域,设划分的图像区域数量为N,N的取值范围为[200,1000],所述特征分组子模块用于将所述斑块特征按照图像区域划分的范围进行分组,所述斑块特征匹配子模块用于对各组内的表示斑块特征的描述矢量进行匹配;
(5)空间变换模块,用于将待配准图像通过几何变换模型映射到参考图像的坐标系中,完成图像配准,所述几何变换模型的参数采用随机抽样一致性算法进行估计。
其中,所述自定义尺度空间分为多组,每组包含三个不同尺度的滤波器模板;所述自定义尺度空间的第一组中,最小尺度对应的模板大小为9×9,标记区域增量设为4,模板增量为12,第二个和第三个模板对应的模板大小依次为21×21和33×33;除自定义尺度空间的第一组外的其他组中,每组的第一个模板与前一组的第二个模板大小相同,且模板增量为前一组的4倍。
其中,所述标准圆区域的圆心为局部区域特征的重心,标准圆区域的半径为局部区域边缘上的点到所述重心距离的均值。
本实施例设置的图像预处理模块考虑了视觉习惯以及人眼对不同色彩的感知度同色彩强度的非线性关系,能够更为准确的描述图像;设置的斑块特征检测子模块,能够等速构建图像的尺度空间,且能够避免混叠现象出现;设置的特征描述模块通过建立加权灰度描述子对检测出的斑块特征进行描述,能够更充分地利用特征邻域内的局部信息构建描述矢量;设置的特征匹配模块中先进行局部区域匹配再进行组内的斑块特征点划分,提高了图像匹配的速度,且其中设置的区域划分子模块将划分后的图像区域转化为标准圆区域,降低了斑块特征点分组判断的复杂性以及局部区域抽取精度对分组配准的影响。本实施例权重因子k取值为0.10,划分的图像区域数量N取值为600,图像匹配精度相对提高了1.8%,匹配速度提高了2.1%。
实施例4
参见图1,图2,本实施例一种通过斑块特征配准的图像识别装置,包括识别装置和与其相连的斑块配准装置,所述识别装置包括:
图像输入部,取得识别对象图像;
相似图像检索部,从置于可经由因特网访问的服务器装置中的、和该图像识别装置无关地生成的自然产生的多幅图像之中,检索和由上述图像输入部所取得的识别对象图像相似的1幅以上的相似图像;
关键字提取部,从由上述相似图像检索部检索到的相似图像中附带的信息之中,提取能作为上述识别对象图像的识别结果的备选的多个关键字;
关键字解析部,通过解析由上述关键字提取部所提取的多个关键字,至少确定1个上述多个关键字之中作为上述识别对象图像的识别结果最相似的关键字;以及
提示部,输出由上述关键字解析部所确定的关键字,来作为上述识别对象图像的识别结果。
优选地,上述关键字提取部提取允许重复的多个关键字。
优选地,上述关键字解析部对于由上述关键字提取部所提取的多个关键字的每一个,解析个数,确定个数较多的关键字来作为识别结果。
优选地,所述斑块配准装置包括:预处理模块、特征检测模块、特征描述模块、特征匹配模块和空间变换模块;
(1)预处理模块,用于将参考图像和待配准图像转化为灰度图像,定义转化公式为:
I(x,y)=k(G(x,y)+R(x,y)+B(x,y))+2k(G(x,y)+R(x,y))+3k(x,y)
其中,I(x,y)代表图像在坐标(x,y)处的像素灰度值,G(x,y)、R(x,y)、B(x,y)分别代表坐标(x,y)处的红、绿、蓝强度值,k为设定的权重因子,k的取值范围为[0.08,0.12];
(2)特征检测模块,包括局部区域特征检测子模块和斑块特征检测子模块,所述局部区
域特征检测子模块用于通过墨西哥帽小波函数来检测预处理后的两图像的局部区域特征,所述斑块特征检测子模块用于采用近似Hessian矩阵的局部极值在自定义尺度空间中检测预处理后的两图像中的斑块特征,输出斑块特征的空间位置及所在的特征尺度;
所述近似Hessian矩阵的描述形式为:
式中,σ为高斯函数的标准差,即尺度因子;Exx(x,y,σ)、Exy(x,y,σ)、Eyy(x,y,σ)分别为高斯二阶微分离散化和裁剪后的近似模板在点(x,y)处与图像的卷积;设定Exx、Exy和Eyy表示第一、第二和第三9×9近似模板与图像的卷积结果,Exx、Exy和Eyy的计算公式定义如下:
其中,取第一近似模板从左至右3×3区域作为第一标记区域,取第二近似模板中部2×2区域作为第二标记区域,取第三近似模板从上至下3×3区域作为第三标记区域,A1、A2和A3分别为第一、第二和第三标记区域覆盖下的图像像素灰度和,P、Q为标记区域面积,分别等于9和4;
所述近似Hessian矩阵的特征点响应函数为:
DET(H)=ExxEyy-(0.9Exy)2
所述墨西哥帽小波函数的描述形式为:
其中,q为构造所述自定义尺度空间的变化参数,q与σ之间的关系为σ=2-q;
优选地,
(3)特征描述模块,其通过建立加权灰度描述子对检测出的斑块特征进行描述并形成描述矢量,建立加权灰度描述子时将以斑块特征为中心、垂直于斑块特征的主方向且大小为l×l的中心区域分割成多个子块,所述加权灰度描述子为:
WD={NP+,NP-}
此处
P+=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)>0,i=1,2,…l2}
P-=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)<0,i=1,2,…l2}
式中,WD表示加权灰度描述子,P+表示正灰度差值直方图,P-表示负灰度差值直方图,I(mi)和I(m)分别为采用双线性插值求取的各个子块的灰度均值和整个中心区域的灰度均值,Di为各子块与中心的距离,其中,i=1,2,…l2,f(Di)表示加权函数,NP+、NP-表示归一化的正负灰度差直方图;
(4)特征匹配模块,用于对预处理后的参考图像和待配准图像进行匹配,包括依次连接的局部区域匹配子模块、区域划分子模块、特征分组子模块和斑块特征匹配子模块,所述局部区域匹配子模块用于对预处理后的参考图像和待配准图像的局部区域特征进行匹配,所述区域划分子模块用于按照局部区域特征对预处理后的参考图像和待配准图像进行图像区域划分并将划分后的图像区域转化为标准圆区域,设划分的图像区域数量为N,N的取值范围为[200,1000],所述特征分组子模块用于将所述斑块特征按照图像区域划分的范围进行分组,所述斑块特征匹配子模块用于对各组内的表示斑块特征的描述矢量进行匹配;
(5)空间变换模块,用于将待配准图像通过几何变换模型映射到参考图像的坐标系中,完成图像配准,所述几何变换模型的参数采用随机抽样一致性算法进行估计。
其中,所述自定义尺度空间分为多组,每组包含三个不同尺度的滤波器模板;所述自定义尺度空间的第一组中,最小尺度对应的模板大小为9×9,标记区域增量设为4,模板增量为12,第二个和第三个模板对应的模板大小依次为21×21和33×33;除自定义尺度空间的第一组外的其他组中,每组的第一个模板与前一组的第二个模板大小相同,且模板增量为前一组的4倍。
其中,所述标准圆区域的圆心为局部区域特征的重心,标准圆区域的半径为局部区域边缘上的点到所述重心距离的均值。
本实施例设置的图像预处理模块考虑了视觉习惯以及人眼对不同色彩的感知度同色彩强度的非线性关系,能够更为准确的描述图像;设置的斑块特征检测子模块,能够等速构建图像的尺度空间,且能够避免混叠现象出现;设置的特征描述模块通过建立加权灰度描述子对检测出的斑块特征进行描述,能够更充分地利用特征邻域内的局部信息构建描述矢量;设置的特征匹配模块中先进行局部区域匹配再进行组内的斑块特征点划分,提高了图像匹配的速度,且其中设置的区域划分子模块将划分后的图像区域转化为标准圆区域,降低了斑块特征点分组判断的复杂性以及局部区域抽取精度对分组配准的影响。本实施例权重因子k取值为0.11,划分的图像区域数量N取值为800,图像匹配精度相对提高了1.5%,匹配速度提高了1.5%。
实施例5
参见图1,图2,本实施例一种通过斑块特征配准的图像识别装置,包括识别装置和与其相连的斑块配准装置,所述识别装置包括:
图像输入部,取得识别对象图像;
相似图像检索部,从置于可经由因特网访问的服务器装置中的、和该图像识别装置无关地生成的自然产生的多幅图像之中,检索和由上述图像输入部所取得的识别对象图像相似的1幅以上的相似图像;
关键字提取部,从由上述相似图像检索部检索到的相似图像中附带的信息之中,提取能作为上述识别对象图像的识别结果的备选的多个关键字;
关键字解析部,通过解析由上述关键字提取部所提取的多个关键字,至少确定1个上述多个关键字之中作为上述识别对象图像的识别结果最相似的关键字;以及
提示部,输出由上述关键字解析部所确定的关键字,来作为上述识别对象图像的识别结果。
优选地,上述关键字提取部提取允许重复的多个关键字。
优选地,上述关键字解析部对于由上述关键字提取部所提取的多个关键字的每一个,解析个数,确定个数较多的关键字来作为识别结果。
优选地,所述斑块配准装置包括:预处理模块、特征检测模块、特征描述模块、特征匹配模块和空间变换模块;
(1)预处理模块,用于将参考图像和待配准图像转化为灰度图像,定义转化公式为:
I(x,y)=k(G(x,y)+R(x,y)+B(x,y))+2k(G(x,y)+R(x,y))+3k(x,y)
其中,I(x,y)代表图像在坐标(x,y)处的像素灰度值,G(x,y)、R(x,y)、B(x,y)分别代表坐标(x,y)处的红、绿、蓝强度值,k为设定的权重因子,k的取值范围为[0.08,0.12];
(2)特征检测模块,包括局部区域特征检测子模块和斑块特征检测子模块,所述局部区
域特征检测子模块用于通过墨西哥帽小波函数来检测预处理后的两图像的局部区域特征,所述斑块特征检测子模块用于采用近似Hessian矩阵的局部极值在自定义尺度空间中检测预处理后的两图像中的斑块特征,输出斑块特征的空间位置及所在的特征尺度;
所述近似Hessian矩阵的描述形式为:
式中,σ为高斯函数的标准差,即尺度因子;Exx(x,y,σ)、Exy(x,y,σ)、Eyy(x,y,σ)分别为高斯二阶微分离散化和裁剪后的近似模板在点(x,y)处与图像的卷积;设定Exx、Exy和Eyy表示第一、第二和第三9×9近似模板与图像的卷积结果,Exx、Exy和Eyy的计算公式定义如下:
其中,取第一近似模板从左至右3×3区域作为第一标记区域,取第二近似模板中部2×2区域作为第二标记区域,取第三近似模板从上至下3×3区域作为第三标记区域,A1、A2和A3分别为第一、第二和第三标记区域覆盖下的图像像素灰度和,P、Q为标记区域面积,分别等于9和4;
所述近似Hessian矩阵的特征点响应函数为:
DET(H)=ExxEyy-(0.9Exy)2
所述墨西哥帽小波函数的描述形式为:
其中,q为构造所述自定义尺度空间的变化参数,q与σ之间的关系为σ=2-q;
优选地,
(3)特征描述模块,其通过建立加权灰度描述子对检测出的斑块特征进行描述并形成描述矢量,建立加权灰度描述子时将以斑块特征为中心、垂直于斑块特征的主方向且大小为l×l的中心区域分割成多个子块,所述加权灰度描述子为:
WD={NP+,NP-}
此处
P+=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)>0,i=1,2,…l2}
P-=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)<0,i=1,2,…l2}
式中,WD表示加权灰度描述子,P+表示正灰度差值直方图,P-表示负灰度差值直方图,I(mi)和I(m)分别为采用双线性插值求取的各个子块的灰度均值和整个中心区域的灰度均值,Di为各子块与中心的距离,其中,i=1,2,…l2,f(Di)表示加权函数,NP+、NP-表示归一化的正负灰度差直方图;
(4)特征匹配模块,用于对预处理后的参考图像和待配准图像进行匹配,包括依次连接的局部区域匹配子模块、区域划分子模块、特征分组子模块和斑块特征匹配子模块,所述局部区域匹配子模块用于对预处理后的参考图像和待配准图像的局部区域特征进行匹配,所述区域划分子模块用于按照局部区域特征对预处理后的参考图像和待配准图像进行图像区域划分并将划分后的图像区域转化为标准圆区域,设划分的图像区域数量为N,N的取值范围为[200,1000],所述特征分组子模块用于将所述斑块特征按照图像区域划分的范围进行分组,所述斑块特征匹配子模块用于对各组内的表示斑块特征的描述矢量进行匹配;
(5)空间变换模块,用于将待配准图像通过几何变换模型映射到参考图像的坐标系中,完成图像配准,所述几何变换模型的参数采用随机抽样一致性算法进行估计。
其中,所述自定义尺度空间分为多组,每组包含三个不同尺度的滤波器模板;所述自定义尺度空间的第一组中,最小尺度对应的模板大小为9×9,标记区域增量设为4,模板增量为12,第二个和第三个模板对应的模板大小依次为21×21和33×33;除自定义尺度空间的第一组外的其他组中,每组的第一个模板与前一组的第二个模板大小相同,且模板增量为前一组的4倍。
其中,所述标准圆区域的圆心为局部区域特征的重心,标准圆区域的半径为局部区域边缘上的点到所述重心距离的均值。
本实施例设置的图像预处理模块考虑了视觉习惯以及人眼对不同色彩的感知度同色彩强度的非线性关系,能够更为准确的描述图像;设置的斑块特征检测子模块,能够等速构建图像的尺度空间,且能够避免混叠现象出现;设置的特征描述模块通过建立加权灰度描述子对检测出的斑块特征进行描述,能够更充分地利用特征邻域内的局部信息构建描述矢量;设置的特征匹配模块中先进行局部区域匹配再进行组内的斑块特征点划分,提高了图像匹配的速度,且其中设置的区域划分子模块将划分后的图像区域转化为标准圆区域,降低了斑块特征点分组判断的复杂性以及局部区域抽取精度对分组配准的影响。本实施例权重因子k取值为0.12,划分的图像区域数量N取值为1000,图像匹配精度相对提高了1.5%,匹配速度提高了1.2%。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (8)
1.一种通过斑块特征配准的图像识别装置,包括识别装置和与其相连的斑块配准装置,所述识别装置包括:
图像输入部,取得识别对象图像;
相似图像检索部,从置于可经由因特网访问的服务器装置中的、和该图像识别装置无关地生成的自然产生的多幅图像之中,检索和由上述图像输入部所取得的识别对象图像相似的1幅以上的相似图像;
关键字提取部,从由上述相似图像检索部检索到的相似图像中附带的信息之中,提取能作为上述识别对象图像的识别结果的备选的多个关键字;
关键字解析部,通过解析由上述关键字提取部所提取的多个关键字,至少确定1个上述多个关键字之中作为上述识别对象图像的识别结果最相似的关键字;以及
提示部,输出由上述关键字解析部所确定的关键字,来作为上述识别对象图像的识别结果。
2.根据权利要求1所述的一种通过斑块特征配准的图像识别装置,其特征是,上述关键字提取部提取允许重复的多个关键字。
3.根据权利要求2所述的一种通过斑块特征配准的图像识别装置,其特征是,上述关键字解析部对于由上述关键字提取部所提取的多个关键字的每一个,解析个数,确定个数较多的关键字来作为识别结果。
4.根据权利要求3所述的一种通过斑块特征配准的图像识别装置,其特征是,所述斑块配准装置包括:预处理模块、特征检测模块、特征描述模块、特征匹配模块和空间变换模块:
(1)预处理模块,用于将参考图像和待配准图像转化为灰度图像,定义转化公式为:
I(x,y)=k(G(x,y)+R(x,y)+B(x,y))+2k(G(x,y)+R(x,y))+3k(x,y)
其中,I(x,y)代表图像在坐标(x,y)处的像素灰度值,G(x,y)、R(x,y)、B(x,y)分别代表坐标(x,y)处的红、绿、蓝强度值,k为设定的权重因子,k的取值范围为[0.08,0.12];
(2)特征检测模块,包括局部区域特征检测子模块和斑块特征检测子模块,所述局部区域特征检测子模块用于通过墨西哥帽小波函数来检测预处理后的两图像的局部区域特征,所述斑块特征检测子模块用于采用近似Hessian矩阵的局部极值在自定义尺度空间中检测预处理后的两图像中的斑块特征,输出斑块特征的空间位置及所在的特征尺度;
所述近似Hessian矩阵的描述形式为:
式中,σ为高斯函数的标准差,即尺度因子;Exx(x,y,σ)、Exy(x,y,σ)、Eyy(x,y,σ)分别为高斯二阶微分离散化和裁剪后的近似模板在点(x,y)处与图像的卷积;设定Exx、Exy和Eyy表示第一、第二和第三9×9近似模板与图像的卷积结果,Exx、Exy和Eyy的计算公式定义如下:
其中,取第一近似模板从左至右3×3区域作为第一标记区域,取第二近似模板中部2×2区域作为第二标记区域,取第三近似模板从上至下3×3区域作为第三标记区域,A1、A2和A3分别为第一、第二和第三标记区域覆盖下的图像像素灰度和,P、Q为标记区域面积,分别等于9和4;
所述近似Hessian矩阵的特征点响应函数为:
DET(H)=ExxEyy-(0.9Exy)2
所述墨西哥帽小波函数的描述形式为:
其中,q为构造所述自定义尺度空间的变化参数,q与σ之间的关系为σ=2-q。
5.根据权利要求4所述的一种通过斑块特征配准的图像识别装置,其特征是,
(3)特征描述模块,其通过建立加权灰度描述子对检测出的斑块特征进行描述并形成描述矢量,建立加权灰度描述子时将以斑块特征为中心、垂直于斑块特征的主方向且大小为l×l的中心区域分割成多个子块,所述加权灰度描述子为:
WD={NP+,NP-}
此处
P+=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)>0,i=1,2,…l2}
P-=∑{f(Di)×d(mi)|d(mi)=I(mi)-I(m)<0,i=1,2,…l2}
式中,WD表示加权灰度描述子,P+表示正灰度差值直方图,P-表示负灰度差值直方图,I(mi)和I(m)分别为采用双线性插值求取的各个子块的灰度均值和整个中心区域的灰度均值,Di为各子块与中心的距离,其中,i=1,2,…l2,f(Di)表示加权函数,NP+、NP-表示归一化的正负灰度差直方图;
(4)特征匹配模块,用于对预处理后的参考图像和待配准图像进行匹配,包括依次连接的局部区域匹配子模块、区域划分子模块、特征分组子模块和斑块特征匹配子模块,所述局部区域匹配子模块用于对预处理后的参考图像和待配准图像的局部区域特征进行匹配,所述区域划分子模块用于按照局部区域特征对预处理后的参考图像和待配准图像进行图像区域划分并将划分后的图像区域转化为标准圆区域,设划分的图像区域数量为N,N的取值范围为[200,1000],所述特征分组子模块用于将所述斑块特征按照图像区域划分的范围进行分组,所述斑块特征匹配子模块用于对各组内的表示斑块特征的描述矢量进行匹配;
(5)空间变换模块,用于将待配准图像通过几何变换模型映射到参考图像的坐标系中,完成图像配准,所述几何变换模型的参数采用随机抽样一致性算法进行估计。
6.根据权利要求5所述的一种通过斑块特征配准的图像识别装置,其特征是,所述自定义尺度空间分为多组,每组包含三个不同尺度的滤波器模板。
7.根据权利要求6所述的一种通过斑块特征配准的图像识别装置,其特征是,所述自定义尺度空间的第一组中,最小尺度对应的模板大小为9×9,标记区域增量设为4,模板增量为12,第二个和第三个模板对应的模板大小依次为21×21和33×33;除自定义尺度空间的第一组外的其他组中,每组的第一个模板与前一组的第二个模板大小相同,且模板增量为前一组的4倍。
8.根据权利要求7所述的一种通过斑块特征配准的图像识别装置,其特征是,所述标准圆区域的圆心为局部区域特征的重心,标准圆区域的半径为局部区域边缘上的点到所述重心距离的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610535198.2A CN106204577A (zh) | 2016-07-05 | 2016-07-05 | 一种通过斑块特征配准的图像识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610535198.2A CN106204577A (zh) | 2016-07-05 | 2016-07-05 | 一种通过斑块特征配准的图像识别装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106204577A true CN106204577A (zh) | 2016-12-07 |
Family
ID=57473419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610535198.2A Pending CN106204577A (zh) | 2016-07-05 | 2016-07-05 | 一种通过斑块特征配准的图像识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204577A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101542531A (zh) * | 2007-06-14 | 2009-09-23 | 松下电器产业株式会社 | 图像识别装置及图像识别方法 |
CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
CN102722887A (zh) * | 2012-05-23 | 2012-10-10 | 北京京北方信息技术有限公司 | 一种图像配准方法及装置 |
CN102982543A (zh) * | 2012-11-20 | 2013-03-20 | 北京航空航天大学深圳研究院 | 一种多源遥感图像配准方法 |
CN103632142A (zh) * | 2013-11-29 | 2014-03-12 | 西安电子科技大学 | 基于局部坐标系特征描述的图像匹配方法 |
KR20140110586A (ko) * | 2013-03-08 | 2014-09-17 | 삼성전자주식회사 | 이미지 매칭 장치, 이미지 매칭 시스템 및 이미지 매칭 방법 |
-
2016
- 2016-07-05 CN CN201610535198.2A patent/CN106204577A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101542531A (zh) * | 2007-06-14 | 2009-09-23 | 松下电器产业株式会社 | 图像识别装置及图像识别方法 |
CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
CN102722887A (zh) * | 2012-05-23 | 2012-10-10 | 北京京北方信息技术有限公司 | 一种图像配准方法及装置 |
CN102982543A (zh) * | 2012-11-20 | 2013-03-20 | 北京航空航天大学深圳研究院 | 一种多源遥感图像配准方法 |
KR20140110586A (ko) * | 2013-03-08 | 2014-09-17 | 삼성전자주식회사 | 이미지 매칭 장치, 이미지 매칭 시스템 및 이미지 매칭 방법 |
CN103632142A (zh) * | 2013-11-29 | 2014-03-12 | 西安电子科技大学 | 基于局部坐标系特征描述的图像匹配方法 |
Non-Patent Citations (2)
Title |
---|
廉蔺: "红外与可见光遥感图像自动配准算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
靳峰: "基于特征的图像配准关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809731B (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
CN105354558B (zh) | 人脸图像匹配方法 | |
CN101556692A (zh) | 基于特征点邻域伪Zernike矩的图像拼接方法 | |
CN106023187B (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
CN106919944A (zh) | 一种基于orb算法的大视角图像快速识别方法 | |
CN108960288B (zh) | 基于卷积神经网络的三维模型分类方法及系统 | |
CN106548169A (zh) | 基于深度神经网络的模糊文字增强方法及装置 | |
CN106204565A (zh) | 一种通过斑块特征配准的图像清晰度检测装置 | |
CN107301643B (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
CN104504723A (zh) | 基于视觉显著特征的图像配准方法 | |
CN109741240A (zh) | 一种基于层次聚类的多平面图像拼接方法 | |
Zhang et al. | Detection of regions of interest in a high-spatial-resolution remote sensing image based on an adaptive spatial subsampling visual attention model | |
CN108154066B (zh) | 一种基于曲率特征递归神经网络的三维目标识别方法 | |
CN107766864A (zh) | 提取特征的方法和装置、物体识别的方法和装置 | |
CN107545242A (zh) | 一种通过2d图像推断人体动作姿态的方法及装置 | |
CN103839066A (zh) | 一种源于生物视觉的特征提取方法 | |
CN101859381A (zh) | 伽柏滤波器、图像识别设备及方法、程序和记录介质 | |
CN106060403A (zh) | 一种具备图像防抖检测功能的摄像装置 | |
Yang et al. | Doing more with Moiré pattern detection in digital photos | |
Xu et al. | Extended non-local feature for visual saliency detection in low contrast images | |
CN113850748A (zh) | 点云质量的评估系统及方法 | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
CN106228533A (zh) | 一种图像配准验证系统 | |
CN110348464A (zh) | 一种基于多支持区域局部亮度序的图像伪造检测算法 | |
CN106204576A (zh) | 一种基于斑块特征描述的图像配准装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |