CN106257497B - 一种图像同名点的匹配方法及装置 - Google Patents
一种图像同名点的匹配方法及装置 Download PDFInfo
- Publication number
- CN106257497B CN106257497B CN201610599169.2A CN201610599169A CN106257497B CN 106257497 B CN106257497 B CN 106257497B CN 201610599169 A CN201610599169 A CN 201610599169A CN 106257497 B CN106257497 B CN 106257497B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- point set
- points
- matching
- 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.)
- Expired - Fee Related
Links
Images
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
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/759—Region-based matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机图形学领域,公开了一种图像同名点的匹配方法及装置,通过获取至少两个图像;对所述图像进行特征提取,以获得稳定的第一特征点集合;在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合;根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展;计算两个图像中所述相似区域的面积比值;计算两个图像中的所述相似区域中点集的欧式距离或者相关系数,以计算两个图像中的相似区域的匹配度;当所述匹配度大于预设阈值时,以获得同名点集合。使得本发明无需获取拍摄图像时的技术参数,就可对拍摄图像进行同名点匹配识别。
Description
技术领域
本发明涉及计算机图形学领域,尤其涉及一种图像同名点的匹配方法及装置。
背景技术
近些年来,随着经济社会的发展,便携式拍照设备普及,图像获取的手段越来越多,需要对于拍摄的图像进行拼接,融合,对于多幅图像中获取的同一物体进行以及对于图像中的移动物体进行追踪等。需要从对同一物体拍摄的不同图像中提取出同名点,也就是进行同名点匹配。
图像的同名点匹配是计算机图形学和摄影测量学的一个核心问题。同名点的精确匹配在图像处理技术中是影像拼接熔合、图像三维重建以及图像中同名物体识别等研究领域的关键技术之一。同名点的匹配精度直接影响这图像拼接,融合的效果,三维重建的精确度以及同名物体识别的准确度。随着计算机图形学,模式识别等技术的发展,同名点匹配技术也取得了长足的发展。但是目前在影像的同名点提取,特别是复杂拍摄条件下获取的影像中很难获得大量的,精确的同名点。因此,需要提出新的方法解决同名点的获取方法。
发明内容
本发明提供一种图像同名点的匹配方法及装置,解决现有技术中复杂拍摄条件下获取的图像,同名点匹配精度不高、效率低的技术问题。
本发明的目的是通过以下技术方案实现的:
一种图像同名点的匹配方法,包括:
获取至少两个图像;
对所述图像进行特征提取,以获得稳定的第一特征点集合,并确定所述第一特征点集合中特征点的方向,并获取特征向量;
在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合;
根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展;
计算相似区域的面积,计算两个图像中所述相似区域的面积比值,根据所述面积比值,对于所述相似区域进行重采样,使得两个图像中的所述相似区域的面积相当;
计算两个图像中的所述相似区域中点集的欧式距离或者相关系数,以计算两个图像中的相似区域的匹配度;
当所述匹配度大于预设阈值时,从所述区域中选取不超过总点数一半的点作为特征点,以获得同名点集合,完成图像同名点匹配。
一种图像同名点的匹配装置,包括:
获取模块,用于获取至少两个图像;
特征提取模块,用于对所述图像进行特征提取,以获得稳定的第一特征点集合,并确定所述第一特征点集合中特征点的方向,并获取特征向量;
匹配模块,用于在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合;
区域扩展模块,用于根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展;
区域匹配模块,用于计算相似区域的面积,计算两个图像中所述相似区域的面积比值,根据所述面积比值,对于所述相似区域进行重采样,使得两个图像中的所述相似区域的面积相当;计算两个图像中的所述相似区域中点集的欧式距离或者相关系数,以计算两个图像中的相似区域的匹配度;
同名匹配模块,用于当所述匹配度大于预设阈值时,从所述区域中选取不超过总点数一半的点作为特征点,以获得同名点集合,完成图像同名点匹配。
本发明实施例提供了一种图像同名点的匹配方法,通过获取至少两个图像;对所述图像进行特征提取,以获得稳定的第一特征点集合,并确定所述第一特征点集合中特征点的方向,并获取特征向量;在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合;根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展;计算相似区域的面积,计算两个图像中所述相似区域的面积比值,根据所述面积比值,对于所述相似区域进行重采样,使得两个图像中的所述相似区域的面积相当;计算两个图像中的所述相似区域中点集的欧式距离或者相关系数,以计算两个图像中的相似区域的匹配度;当所述匹配度大于预设阈值时,从所述区域中选取不超过总点数一半的点作为特征点,以获得同名点集合,完成图像同名点匹配。无需获取拍摄图像时的技术参数,就可对拍摄图像进行同名点匹配识别。本发明实施例通过改进特征点识别匹配方法,提高了特征点的数量以及特征点识别的精确度。通过本发明的方法在提取特征点的过程中可以很大程度上保留原图中的结构信息,使得匹配的结果具有一定的结构信息为后续的特征识别以及图像拼接等提供有效的支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像同名点的匹配方法的流程图;
图2为本发明实施例提供的两个图像相似区域对比的示意图;
图3为本发明实施例提供的一种图像同名点的匹配装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供的一种图像同名点的匹配方法流程图,如图1所示,包括:
步骤101、获取至少两个图像;
步骤102、对所述图像进行特征提取,以获得稳定的第一特征点集合,并确定所述第一特征点集合中特征点的方向,并获取特征向量;
其中,对获取的所有图像需要执行步骤102,所述特征提取包括SIFT特征提取、HARRIS特征提取、SUSAN特征提取。当所述特征提取为SIFT特征提取时,步骤102中对所述图像进行特征提取,以获得稳定的第一特征点集合的步骤,包括:
步骤102-1、通过不同尺度kσ的高斯滤波函数对图像进行卷积处理,以获得尺度空间的图像,其中,σ为倍增指数,k值为尺度系数;
步骤102-2、对不同k值对应的尺度空间图像进行差分处理,以获得由多个高斯差分影像组成的金字塔图像;
步骤102-3、在所述金字塔图像中,对每个像素点及与所述像素点同尺度的8个相邻像素点和上下相邻尺度对应的18个像素点,进行灰度值比较,选取极值点作为SIFT候选特征点;
步骤102-4、对所述SIFT候选特征点,去除低对比度和边缘候选极值点,以获得第一特征点集合。
步骤103、在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合;
其中,步骤103具体可以包括:
步骤103-1、在两个不同的所述第一特征点集合之间判断出两个特征向量的距离小于预设阈值的特征点,利用双向配对,进行特征点筛选;
步骤103-2、利用随机抽样的算法,进行进一步筛选,以获得第二特征点集合;
步骤103-3、利用相关反向算法获取所述第二特征点集合在对应图像中对应的像素点集合。
步骤104、根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展;
其中,步骤104具体可以包括:
步骤104-1、根据图像尺度及图像特性,在所述像素点集合中确定每个像素点的相同形状的邻域;
步骤104-2、计算所述邻域中每个像素点的坐标值,并连接每个像素点,以构成封闭的多边形。
其中,实际拍摄的图像物体中,大多存在一定的结构特征,图像的局部区域存在一定的连续性,所以在这里对于像素点集合中的每个点,根据图像尺度,以及图像的一些特性确定一个邻域,邻域的形状根据应用的情况可以有所不同,如在建筑图像中可采用多边形,在人物图像中可采用圆形。如图2所示,两张不同建筑图像I和J,I图片中的区域记为A,J图片中的区域记为B,A区域中其中除了P1(x1,y1)外至少对应特征点多于两个,若n个特征点则分别为P1,P2,P3,…,Pn,分别计算各点的坐标值,并连接构成多边形,相应地,B区域的n个特征点则分别为Q1,Q2,Q3,…,Qn。连接A区域和B区域的n个特征点构成封闭的多边形。
步骤105、计算相似区域的面积,计算两个图像中所述相似区域的面积比值,根据所述面积比值,对于所述相似区域进行重采样,使得两个图像中的所述相似区域的面积相当;
其中,对照步骤104,相似区域为连接A区域和B区域的n个特征点构成封闭的多边形,计算多边形的面积记为S1。同样的对于图像J求出n个特征点,并计算多边形的面积,记为S2。对于所述多边形区域进行重采样,使得两个图像中的所述相似区域的面积相当。
步骤106、计算两个图像中的所述相似区域中点集的欧式距离或者相关系数,以计算两个图像中的相似区域的匹配度;
步骤107、当所述匹配度大于预设阈值时,从所述区域中选取不超过总点数一半的点作为特征点,以获得同名点集合,完成图像同名点匹配。
本发明实施例提供了一种图像同名点的匹配方法,通过获取至少两个图像;对所述图像进行特征提取,以获得稳定的第一特征点集合,并确定所述第一特征点集合中特征点的方向,并获取特征向量;在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合;根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展;计算相似区域的面积,计算两个图像中所述相似区域的面积比值,根据所述面积比值,对于所述相似区域进行重采样,使得两个图像中的所述相似区域的面积相当;计算两个图像中的所述相似区域中点集的欧式距离或者相关系数,以计算两个图像中的相似区域的匹配度;当所述匹配度大于预设阈值时,从所述区域中选取不超过总点数一半的点作为特征点,以获得同名点集合,完成图像同名点匹配。无需获取拍摄图像时的技术参数,就可对拍摄图像进行同名点匹配识别。本发明实施例通过改进特征点识别匹配方法,提高了特征点的数量以及特征点识别的精确度。通过本发明的方法在提取特征点的过程中可以很大程度上保留原图中的结构信息,使得匹配的结果具有一定的结构信息为后续的特征识别以及图像拼接等提供有效的支持。
本发明实施例还提供了一种图像同名点的匹配装置,如图3所示,包括:
获取模块310,用于获取至少两个图像;
特征提取模块320,用于对所述图像进行特征提取,以获得稳定的第一特征点集合,并确定所述第一特征点集合中特征点的方向,并获取特征向量;
匹配模块330,用于在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合;
区域扩展模块340,用于根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展;
区域匹配模块350,用于计算相似区域的面积,计算两个图像中所述相似区域的面积比值,根据所述面积比值,对于所述相似区域进行重采样,使得两个图像中的所述相似区域的面积相当;计算两个图像中的所述相似区域中点集的欧式距离或者相关系数,以计算两个图像中的相似区域的匹配度;
同名匹配模块360,用于当所述匹配度大于预设阈值时,从所述区域中选取不超过总点数一半的点作为特征点,以获得同名点集合,完成图像同名点匹配。
其中,所述特征提取模块320,包括:
卷积单元321,用于通过不同尺度kσ的高斯滤波函数对图像进行卷积处理,以获得尺度空间的图像,其中,σ为倍增指数,k值为尺度系数;
差分计算单元322,用于对不同k值对应的尺度空间图像进行差分处理,以获得由多个高斯差分影像组成的金字塔图像;
极值点选取单元323,用于在所述金字塔图像中,对每个像素点及与所述像素点同尺度的8个相邻像素点和上下相邻尺度对应的18个像素点,进行灰度值比较,选取极值点作为SIFT候选特征点;
极值点筛选单元324,用于对所述SIFT候选特征点,去除低对比度和边缘候选极值点,以获得第一特征点集合。
所述匹配模块330,包括:
第一筛选单元331,用于在两个不同的所述第一特征点集合之间判断出两个特征向量的距离小于预设阈值的特征点,利用双向配对,进行特征点筛选;
第二筛选单元332,用于利用随机抽样的算法,进行进一步筛选,以获得第二特征点集合;
反向映射单元333,用于利用相关反向算法获取所述第二特征点集合在对应图像中对应的像素点集合。
所述区域扩展模块340,包括:
邻域扩展单元341,用于根据图像尺度及图像特性,在所述像素点集合中确定每个像素点的相同形状的邻域;
多边形扩展单元342,用于计算所述邻域中每个像素点的坐标值,并连接每个像素点,以构成封闭的多边形。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过硬件来实施,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种图像同名点的匹配方法,其特征在于,包括:
获取至少两个图像;
对所述图像进行特征提取,以获得稳定的第一特征点集合,并确定所述第一特征点集合中特征点的方向,并获取特征向量;
在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合;
根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展;所述根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展,包括:
根据图像尺度及图像特性,在所述像素点集合中确定每个像素点的相同形状的邻域;
计算所述邻域中每个像素点的坐标值,并连接每个像素点,以构成封闭的多边形;
计算相似区域的面积,计算两个图像中所述相似区域的面积比值,根据所述面积比值,对于所述相似区域进行重采样,使得两个图像中的所述相似区域的面积相当;
计算两个图像中的所述相似区域中点集的欧式距离或者相关系数,以计算两个图像中的相似区域的匹配度;
当所述匹配度大于预设阈值时,从所述区域中选取不超过总点数一半的点作为特征点,以获得同名点集合,完成图像同名点匹配。
2.根据权利要求1所述的图像同名点的匹配方法,其特征在于,所述特征提取包括SIFT特征提取、HARRIS特征提取、SUSAN特征提取。
3.根据权利要求2所述的图像同名点的匹配方法,其特征在于,当所述特征提取为SIFT特征提取时,所述对所述图像进行特征提取,以获得稳定的第一特征点集合的步骤,包括:
通过不同尺度kσ的高斯滤波函数对图像进行卷积处理,以获得尺度空间的图像,其中,σ为倍增指数,k值为尺度系数;
对不同k值对应的尺度空间图像进行差分处理,以获得由多个高斯差分影像组成的金字塔图像;
在所述金字塔图像中,对每个像素点及与所述像素点同尺度的8个相邻像素点和上下相邻尺度对应的18个像素点,进行灰度值比较,选取极值点作为SIFT候选特征点;
对所述SIFT候选特征点,去除低对比度和边缘候选极值点,以获得第一特征点集合。
4.根据权利要求1所述的图像同名点的匹配方法,其特征在于,所述在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合的步骤,包括:
在两个不同的所述第一特征点集合之间判断出两个特征向量的距离小于预设阈值的特征点,利用双向配对,进行特征点筛选;
利用随机抽样的算法,进行进一步筛选,以获得第二特征点集合;
利用相关反向算法获取所述第二特征点集合在对应图像中对应的像素点集合。
5.一种图像同名点的匹配装置,其特征在于,包括:
获取模块,用于获取至少两个图像;
特征提取模块,用于对所述图像进行特征提取,以获得稳定的第一特征点集合,并确定所述第一特征点集合中特征点的方向,并获取特征向量;
匹配模块,用于在两个不同的所述第一特征点集合之间进行特征点匹配,以生成第二特征点集合,并利用相关反向算法,获取所述第二特征点集合在对应图像中对应的像素点集合;
区域扩展模块,用于根据图像尺度及图像特性,在所述像素点集合中进行相似区域扩展;所述区域扩展模块,包括:邻域扩展单元,用于根据图像尺度及图像特性,在所述像素点集合中确定每个像素点的相同形状的邻域;多边形扩展单元,用于计算所述邻域中每个像素点的坐标值,并连接每个像素点,以构成封闭的多边形;
区域匹配模块,用于计算相似区域的面积,计算两个图像中所述相似区域的面积比值,根据所述面积比值,对于所述相似区域进行重采样,使得两个图像中的所述相似区域的面积相当;计算两个图像中的所述相似区域中点集的欧式距离或者相关系数,以计算两个图像中的相似区域的匹配度;
同名匹配模块,用于当所述匹配度大于预设阈值时,从所述区域中选取不超过总点数一半的点作为特征点,以获得同名点集合,完成图像同名点匹配。
6.根据权利要求5所述的图像同名点的匹配装置,其特征在于,所述特征提取模块,包括:
卷积单元,用于通过不同尺度kσ的高斯滤波函数对图像进行卷积处理,以获得尺度空间的图像,其中,σ为倍增指数,k值为尺度系数;
差分计算单元,用于对不同k值对应的尺度空间图像进行差分处理,以获得由多个高斯差分影像组成的金字塔图像;
极值点选取单元,用于在所述金字塔图像中,对每个像素点及与所述像素点同尺度的8个相邻像素点和上下相邻尺度对应的18个像素点,进行灰度值比较,选取极值点作为SIFT候选特征点;
极值点筛选单元,用于对所述SIFT候选特征点,去除低对比度和边缘候选极值点,以获得第一特征点集合。
7.根据权利要求5所述的图像同名点的匹配装置,其特征在于,所述匹配模块,包括:
第一筛选单元,用于在两个不同的所述第一特征点集合之间判断出两个特征向量的距离小于预设阈值的特征点,利用双向配对,进行特征点筛选;
第二筛选单元,用于利用随机抽样的算法,进行进一步筛选,以获得第二特征点集合;
反向映射单元,用于利用相关反向算法获取所述第二特征点集合在对应图像中对应的像素点集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610599169.2A CN106257497B (zh) | 2016-07-27 | 2016-07-27 | 一种图像同名点的匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610599169.2A CN106257497B (zh) | 2016-07-27 | 2016-07-27 | 一种图像同名点的匹配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106257497A CN106257497A (zh) | 2016-12-28 |
CN106257497B true CN106257497B (zh) | 2020-05-08 |
Family
ID=57713662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610599169.2A Expired - Fee Related CN106257497B (zh) | 2016-07-27 | 2016-07-27 | 一种图像同名点的匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106257497B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084254A (zh) * | 2018-01-23 | 2019-08-02 | 北京国双科技有限公司 | 基于社交网络的相似图像确定方法及装置 |
CN109242011A (zh) * | 2018-08-27 | 2019-01-18 | 深圳开立生物医疗科技股份有限公司 | 一种识别图像差异的方法及装置 |
CN109447023B (zh) * | 2018-11-08 | 2020-07-03 | 北京奇艺世纪科技有限公司 | 确定图像相似度的方法、视频场景切换识别方法及装置 |
CN109598751B (zh) * | 2018-12-14 | 2023-05-23 | 强联智创(苏州)医疗科技有限公司 | 一种医学影像图片处理的方法、设备及装置 |
CN112261399B (zh) * | 2020-12-18 | 2021-03-16 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜图像三维重建方法、电子设备及可读存储介质 |
CN113205145B (zh) * | 2021-05-18 | 2022-08-16 | 广州大学 | 基于归一化互相关的模板匹配方法、系统、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236893A (zh) * | 2010-04-30 | 2011-11-09 | 中国人民解放军装备指挥技术学院 | 基于空间位置预测的月面影像图同名像点匹配方法 |
CN104217209A (zh) * | 2013-06-03 | 2014-12-17 | 核工业北京地质研究院 | 一种遥感图像自动配准点错误匹配消除方法 |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7194110B2 (en) * | 2002-12-18 | 2007-03-20 | Intel Corporation | Method and apparatus for tracking features in a video sequence |
-
2016
- 2016-07-27 CN CN201610599169.2A patent/CN106257497B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236893A (zh) * | 2010-04-30 | 2011-11-09 | 中国人民解放军装备指挥技术学院 | 基于空间位置预测的月面影像图同名像点匹配方法 |
CN104217209A (zh) * | 2013-06-03 | 2014-12-17 | 核工业北京地质研究院 | 一种遥感图像自动配准点错误匹配消除方法 |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106257497A (zh) | 2016-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106257497B (zh) | 一种图像同名点的匹配方法及装置 | |
CN109508681B (zh) | 生成人体关键点检测模型的方法和装置 | |
CN111199564B (zh) | 智能移动终端的室内定位方法、装置与电子设备 | |
Yang et al. | Color-guided depth recovery from RGB-D data using an adaptive autoregressive model | |
KR101532864B1 (ko) | 모바일 디바이스들에 대한 평면 맵핑 및 트래킹 | |
Huang et al. | A coarse-to-fine algorithm for matching and registration in 3D cross-source point clouds | |
CN112967341B (zh) | 基于实景图像的室内视觉定位方法、系统、设备及存储介质 | |
CN111160229B (zh) | 基于ssd网络的视频目标检测方法及装置 | |
CN108921864A (zh) | 一种光条中心提取方法及装置 | |
CN107507188B (zh) | 一种基于机器学习提取图像信息的方法及装置 | |
CN109461177B (zh) | 一种基于神经网络的单目图像深度预测方法 | |
Xue et al. | Boundary-induced and scene-aggregated network for monocular depth prediction | |
CN113450269A (zh) | 一种基于3d视觉的点云关键点提取方法 | |
CN115937546A (zh) | 图像匹配、三维图像重建方法、装置、电子设备以及介质 | |
CN111476812A (zh) | 地图分割方法、装置、位姿估计方法和设备终端 | |
CN117132737B (zh) | 一种三维建筑模型构建方法、系统及设备 | |
Governi et al. | Improving surface reconstruction in shape from shading using easy-to-set boundary conditions | |
CN111402429A (zh) | 一种尺度还原、三维重建方法、系统、存储介质及设备 | |
CN110533663B (zh) | 一种图像视差确定方法、装置、设备及系统 | |
Haque et al. | Robust feature-preserving denoising of 3D point clouds | |
Shim et al. | Noise reduction using mean shift algorithm for estimating 3D shape | |
Wang et al. | Face super-resolution via hierarchical multi-scale residual fusion network | |
CN114723973A (zh) | 大尺度变化鲁棒的图像特征匹配方法及装置 | |
CN111639691B (zh) | 一种基于特征匹配和贪婪搜索的图像数据采样方法 | |
Diskin et al. | Dense point-cloud representation of a scene using monocular vision |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200508 Termination date: 20210727 |
|
CF01 | Termination of patent right due to non-payment of annual fee |