CN106485252B - 图像配准试验点阵靶标图像特征点识别方法 - Google Patents
图像配准试验点阵靶标图像特征点识别方法 Download PDFInfo
- Publication number
- CN106485252B CN106485252B CN201610811157.1A CN201610811157A CN106485252B CN 106485252 B CN106485252 B CN 106485252B CN 201610811157 A CN201610811157 A CN 201610811157A CN 106485252 B CN106485252 B CN 106485252B
- Authority
- CN
- China
- Prior art keywords
- characteristic point
- image
- target image
- dot matrix
- point
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Abstract
本发明提供了一种图像配准试验点阵靶标图像特征点识别方法,包括:点阵靶标图像特征点分布区域的确认步骤;靶标图像特征点提取步骤;图像倾斜校正步骤;拾取图像中点阵的四边边界步骤;图像特征点识别步骤;图像倾斜还原步骤。本发明具备点阵靶标图像特征点提取与识别的功能,可对图像中的噪点进行识别,也可判断图像中是否存在缺失的特征点,降低了对图像清晰度和靶标摆放位置的要求,提高了特征点识别的准确率和识别精度,本发明适用图像配准试验等多特征点靶标的识别,以及视觉测量和视觉标定等。
Description
技术领域
本发明涉及图像处理,具体地,涉及图像配准试验点阵靶标图像特征点识别方法,可用于三轴气浮台试验图像配准、视觉测量,视觉标定等应用。
背景技术
由于视觉测量具备精度高、成本低、易实现和非接触性等特点,近年来视觉测量已渐渐应用到卫星的地面测试试验中,包括卫星的光轴指向测量、热变形参数辨识以及整星级图像导航与配准试验等。作为视觉测量的核心环节,靶标图像的特征点识别也越来越重要。为了提高视觉测量的精度,增加计算的样本,成像靶标的特征点数量也越来越多,这给靶标的特征点精确提取增加了难度。
目前,通用的靶标特征点提取方法有最亮像素法、模板匹配法等。传统上基于模板匹配的多目标特征点识别主要思想是:首先,分别对模板图像和待匹配图像进行特征提取;其次,特征提取后再按照相似性度量对这两幅图像的特征进行比较;最后,根据比较结果得出待匹配图像区域中是否存在与模板图像非常相似区域。模板匹配法的优点是不容易产生误匹配,但模板匹配法在实际应用中对多目标提取时存在抗干扰能力差,尤其是图像出现不规则扭转或者旋转时,容易匹配遗漏。
一些基于几何关系的靶标图像特征点识别方法,只适用于点数较少的点阵靶标图像识别。本发明涉及的点阵靶标图像特征点提取方法,能自动识别图像的扭转、旋转、偏移和缩放,抗扰动能力强,同时本发明具备噪点自主识别功能,并适用于点数较多的点阵靶标图像识别。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种图像配准试验点阵靶标图像特征点识别方法。
根据本发明提供的一种图像配准试验点阵靶标图像特征点识别方法,包括:
点阵靶标图像特征点分布区域的确认步骤:找到靶标图像中的特征点分布区域;
靶标图像特征点提取步骤:迭代执行步骤I,得到特征点的个数等于靶标图像上点的个数的灰度阈值和特征点,其中,所述步骤I包括:根据最大类间方差法给出靶标图像初始灰度阈值;对靶标图像中的像元进行检索,将灰度值大于灰度阈值的像元标记为有效像元;将所有相邻的有效像元标记为一个连通区域;若连通区域内的像元总数和总灰度值属于阈值范围内,则认为该连通区域为一个特征点,利用重心法得出特征点在靶标图像坐标系下的坐标,并且得到特征点的个数;如果特征点的个数小于靶标图像上点的个数,则认为选择的灰度阈值偏大,则降低灰度阈值的值;如果特征点的个数大于靶标图像上点的个数,则认为灰度阈值偏小,增加灰度阈值的值;
图像倾斜校正步骤:计算靶标图像的倾斜角度;以靶标图像中心像元为原点,所有特征点根据倾斜角度进行反向旋转,完成靶标图像的倾斜校正;
拾取图像中点阵的四边边界步骤:找到靶标图像中点阵边界的特征点,进而完成点阵边界的拾取,并根据边界条件,剔除噪点;
图像特征点识别步骤:将拥有相同纵向坐标范围的特征点分成一组,与靶标上的某一排点相对应;完成特征点分组后,需要对每一组内的特征点进行排序,并在存在噪点或特征点遗漏时,剔除噪点以及找到遗漏的特征点;
图像倾斜还原步骤:
完成特征点识别后,将特征点的坐标映射回靶标图像坐标系,以靶标图像中心像元为原点,所有特征点根据倾斜角度进行旋转,完成靶标图像的倾斜还原。
优选地,通过图像的灰度直方图法找到图像中的特征点分布区域,具体地,图像的横向灰度直方图X坐标为图像像元横向序列号,Y坐标为每一排像元的总灰度值,根据横向灰度直方图判断出点阵特征点在图像中的上下边界;图像的纵向灰度直方图X坐标为图像像元纵向序列号,Y坐标为每一列像元的总灰度值,根据纵向灰度直方图判断出点阵特征点在图像中的左右阈值。
优选地,所述计算靶标图像的倾斜角度,包括:首先将特征点分布区域沿水平方向平均划分为n个小区域,n大于单排特征点的个数,在每个小区域内找到处于最上方的特征点和处于最下方的特征点,将所有处于最上方的特征点提取出来,利用最小二乘法进行直线拟合,计算每个特征点的拟合误差,剔除拟合误差超过允许误差的特征点,再将剩余的点重新拟合,反复迭代,直至拟合误差满足要求,得到第一拟合结果;将所有处于最下方的特征点提取出来,利用最小二乘法进行直线拟合,计算每个特征点的拟合误差,剔除拟合误差超过允许误差的特征点,再将剩余的点重新拟合,反复迭代,直至拟合误差满足要求,得到第二拟合结果;取第一拟合结果与第二拟合结果的平均值。
优选地,利用约束条件对特征点进行排序,其中,约束条件为:对于靶标上的点阵,每一排点都是等间距排列,且左右两边的点处于点阵的左右边界上;所述利用约束条件对特征点进行排序,包括:首先将每一组的特征点按照横向坐标从小到大排列顺序,并对组内特征点的横向坐标进行差分,计算出该排特征点的平均间距,若平均间距在阈值范围内,则认为不存在噪点以及特征点遗漏,否则,则认为存在噪点以及特征点遗漏。
优选地,根据靶标点阵的几何分布关系剔除噪点,以及参照靶标上点阵的分布对靶标图像特征点进行排列以找到遗漏的特征点。
与现有技术相比,本发明具有如下的有益效果:
本发明具备点阵靶标图像特征点提取与识别的功能,可对图像中的噪点进行识别,也可判断图像中是否存在缺失的特征点,降低了对图像清晰度和靶标摆放位置的要求,提高了特征点识别的准确率和识别精度,本发明适用图像配准试验等多特征点靶标的识别,以及视觉测量和视觉标定等。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为图像配准试验点阵靶标图像特征点识别方法框图;
图2为点阵靶标图像;
图3为点阵靶标图像特征点提取流程图,其中的M表示靶标图像上点的个数。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供了一种图像配准试验点阵靶标图像特征点识别方法,包括如下步骤:步骤1,灰度直方图法定位图像中的特征点分布区域;步骤2,采用连通区域法完成图像特征点的提取,并通过动态灰度阈值对提取的结果进行修正;步骤3,采用最小二乘法拟合求解图像的倾斜角度,并进行倾斜校正;步骤4,倾斜校正后,拾取图像中点阵的四条边界;步骤5,利用点阵的几何分布特征对图像中的特征点进行排序,剔除噪点,完成特征点识别;步骤6,将识别出的特征点进行倾斜还原。
具体地,一种图像配准试验点阵靶标图像特征点识别方法,包括:
点阵靶标图像特征点分布区域的确认步骤:找到靶标图像中的特征点分布区域;
靶标图像特征点提取步骤:迭代执行步骤I,得到特征点的个数等于靶标图像上点的个数的灰度阈值和特征点,其中,所述步骤I包括:根据最大类间方差法给出靶标图像初始灰度阈值;对靶标图像中的像元进行检索,将灰度值大于灰度阈值的像元标记为有效像元;将所有相邻的有效像元标记为一个连通区域;若连通区域内的像元总数和总灰度值属于阈值范围内,则认为该连通区域为一个特征点,利用重心法得出特征点在靶标图像坐标系下的坐标,并且得到特征点的个数;如果特征点的个数小于靶标图像上点的个数,则认为选择的灰度阈值偏大,则降低灰度阈值的值;如果特征点的个数大于靶标图像上点的个数,则认为灰度阈值偏小,增加灰度阈值的值;
图像倾斜校正步骤:计算靶标图像的倾斜角度;以靶标图像中心像元为原点,所有特征点根据倾斜角度进行反向旋转,完成靶标图像的倾斜校正;
拾取图像中点阵的四边边界步骤:找到靶标图像中点阵边界的特征点,进而完成点阵边界的拾取,并根据边界条件,剔除噪点;
图像特征点识别步骤:将拥有相同纵向坐标范围的特征点分成一组,与靶标上的某一排点相对应;完成特征点分组后,需要对每一组内的特征点进行排序,并在存在噪点或特征点遗漏时,剔除噪点以及找到遗漏的特征点;
图像倾斜还原步骤:
完成特征点识别后,将特征点的坐标映射回靶标图像坐标系,以靶标图像中心像元为原点,所有特征点根据倾斜角度进行旋转,完成靶标图像的倾斜还原。
通过图像的灰度直方图法找到图像中的特征点分布区域,具体地,图像的横向灰度直方图X坐标为图像像元横向序列号,Y坐标为每一排像元的总灰度值,根据横向灰度直方图判断出点阵特征点在图像中的上下边界;图像的纵向灰度直方图X坐标为图像像元纵向序列号,Y坐标为每一列像元的总灰度值,根据纵向灰度直方图判断出点阵特征点在图像中的左右阈值。
所述计算靶标图像的倾斜角度,包括:首先将特征点分布区域沿水平方向平均划分为n个小区域,n大于单排特征点的个数,在每个小区域内找到处于最上方的特征点和处于最下方的特征点,将所有处于最上方的特征点提取出来,利用最小二乘法进行直线拟合,计算每个特征点的拟合误差,剔除拟合误差超过允许误差的特征点,再将剩余的点重新拟合,反复迭代,直至拟合误差满足要求,得到第一拟合结果;将所有处于最下方的特征点提取出来,利用最小二乘法进行直线拟合,计算每个特征点的拟合误差,剔除拟合误差超过允许误差的特征点,再将剩余的点重新拟合,反复迭代,直至拟合误差满足要求,得到第二拟合结果;取第一拟合结果与第二拟合结果的平均值。
利用约束条件对特征点进行排序,其中,约束条件为:对于靶标上的点阵,每一排点都是等间距排列,且左右两边的点处于点阵的左右边界上;所述利用约束条件对特征点进行排序,包括:首先将每一组的特征点按照横向坐标从小到大排列顺序,并对组内特征点的横向坐标进行差分,计算出该排特征点的平均间距,若平均间距在阈值范围内,则认为不存在噪点以及特征点遗漏,否则,则认为存在噪点以及特征点遗漏。
根据靶标点阵的几何分布关系剔除噪点,以及参照靶标上点阵的分布对靶标图像特征点进行排列以找到遗漏的特征点。
如下对各个步骤进行更为具体的说明。
点阵靶标图像特征点分布区域的确认步骤:
通过图像的灰度直方图法找到图像中的特征点分布区域,可以减少图像检索范围,提高运算速率。图像的灰度直方图分为横向和纵向两种:图像的横向灰度直方图X坐标为图像像元横向序列号,Y坐标为每一排像元的总灰度值,根据图像的灰度分布特性可知,图像背景对应的每排像元总灰度值较小,经过特征点分布区域时每排像元的总灰度值较大,因此可以根据横向灰度直方图判断出点阵特征点在图像中的上下边界;同理,图像的纵向灰度直方图X坐标为图像像元纵向序列号,Y坐标为每一列像元的总灰度值,根据纵向灰度直方图判断出点阵特征点在图像中的左右阈值。
图像特征点提取步骤:
附图3给出了点阵靶标图像特征点提取流程。首先根据最大类间方差法给出初始灰度阈值,对图像中的像元进行检索,将灰度值大于灰度阈值的像元标记为有效像元。然后,将所有相邻的有效像元标记为一个连通区域,若该连通区域内的像元总数和总灰度值满足条件,则认为该连通区域为一个特征点,利用重心法得出特征点在图像坐标系下的坐标。计算完成后,若提取的特征点个数小于靶标上点的个数,则选择的灰度阈值偏大,使一部分特征点丢失,应适当降低阈值;若提取的特征点个数远大于靶标上点的个数,则说明灰度阈值偏小,引入了太多噪点,应适当增加阈值。通过反复迭代,得出合适的灰度阈值和图像特征点。
图像倾斜校正步骤:
图像倾斜校正的重点是计算图像的倾斜角度。首先将特征点分布区域沿水平方向平均划分为n个小区域(n大于单排特征点的个数),在每个小区域内找到处于最上方的特征点(纵向坐标值最小)和处于最下方的特征点(纵向坐标值最大),将所有处于最上方的特征点提取出来,利用最小二乘法进行直线拟合,计算每个特征点的拟合误差,剔除拟合误差超过允许误差的特征点,再将剩余的点重新拟合,反复迭代,直至拟合误差满足要求;同理,将所有处于最下方的特征点提取出来,用同样的方法进行拟合,最终结果取两次拟合的平均值。计算出恒星倾斜角度后,以图像中心像元为原点,所有特征点根据倾斜角度进行反向旋转,完成图像的倾斜校正。
拾取图像中点阵的四边边界步骤:
经过倾斜校正后,图像中的点阵四个边界近似和图像坐标轴平行,利用最小二乘拟合直线法,找到图像中点阵边界的特征点,进而完成点阵边界的拾取,并根据边界条件,剔除一部分噪点。
图像特征点识别步骤:
经过倾斜校正后,图像中每一排特征点的纵向坐标都近似相等,因此可以根据纵向坐标对前几个步骤提取的特征点进行分类,将拥有相似纵向坐标的特征点分成一组,与靶标上的某一排点相对应,对于一些无相似纵向坐标的特征点,可认为是噪点。
完成特征点分组后,需要对每一组内的特征点进行排序,并判断是否存在噪点或特征点遗漏。对于靶标上的点阵,每一排点都是等间距排列,且左右两边的点处于点阵的左右边界上,可利用上述约束条件对特征点进行排序。首先将每一组的特征点按照横向坐标从小到大排列顺序,并对组内特征点的横向坐标进行差分,利用最小方差法计算出该排特征点的平均间距,通过平均间距可以判断是否存在噪点或特征点遗漏。若某排特征点在左右两边出现了遗漏,通过差分将无法判断,可通过步骤3拾取的点阵边界进行判断。
完成组内排序后,最后根据从上到下的顺序完成所有特征点的排序。若识别过程中发现某些位置存在特征点的遗漏,要将该位置标记出来。
图像倾斜还原步骤:
完成特征点识别后,要将特征点的坐标映射回初始图像坐标系。同样,以图像中心像元为原点,所有特征点根据倾斜角度进行旋转,完成图像的倾斜还原。
更为具体地,通过图像的灰度直方图法定位灰度值较高的区域,结合靶标上点阵的几何特征和图像的灰度分布特性确定特征点的分布区域。图像的灰度阈值根据特征点提取结果进行修正,提高特征点提取的准确性;采用连通区域法提取图像中的特征点,减少特征点的遗漏。通过最小二乘法迭代求解图像的倾斜角度。首先根据图像特征点的分布关系找到点阵边界的特征点,然后用最小二乘法对边界特征点进行拟合,剔除拟合误差较大的特征点,迭代至拟合误差满足要求后,得出图像的倾斜角度。利用最小方差法对特征点按纵向坐标分类;根据点阵的几何分布关系剔除图像中的噪点;判别图像中遗漏的特征点,参照靶标上点阵的分布对图像特征点进行排列。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (4)
1.一种图像配准试验点阵靶标图像特征点识别方法,其特征在于,包括:
点阵靶标图像特征点分布区域的确认步骤:找到靶标图像中的特征点分布区域;
靶标图像特征点提取步骤:迭代执行步骤I,得到特征点的个数等于靶标图像上点的个数的灰度阈值和特征点,其中,所述步骤I包括:根据最大类间方差法给出靶标图像初始灰度阈值;对靶标图像中的像元进行检索,将灰度值大于灰度阈值的像元标记为有效像元;将所有相邻的有效像元标记为一个连通区域;若连通区域内的像元总数和总灰度值属于阈值范围内,则认为该连通区域为一个特征点,利用重心法得出特征点在靶标图像坐标系下的坐标,并且得到特征点的个数;如果特征点的个数小于靶标图像上点的个数,则认为选择的灰度阈值偏大,则降低灰度阈值的值;如果特征点的个数大于靶标图像上点的个数,则认为灰度阈值偏小,增加灰度阈值的值;
图像倾斜校正步骤:计算靶标图像的倾斜角度;以靶标图像中心像元为原点,所有特征点根据倾斜角度进行反向旋转,完成靶标图像的倾斜校正;
拾取图像中点阵的四边边界步骤:找到靶标图像中点阵边界的特征点,进而完成点阵边界的拾取,并根据边界条件,剔除噪点;
图像特征点识别步骤:将拥有相同纵向坐标范围的特征点分成一组,与靶标上的某一排点相对应;完成特征点分组后,需要对每一组内的特征点进行排序,并在存在噪点或特征点遗漏时,分别剔除噪点或找到遗漏的特征点;
图像倾斜还原步骤:
完成特征点识别后,将特征点的坐标映射回靶标图像坐标系,以靶标图像中心像元为原点,所有特征点根据倾斜角度进行旋转,完成靶标图像的倾斜还原。
2.根据权利要求1所述的图像配准试验点阵靶标图像特征点识别方法,其特征在于,通过图像的灰度直方图法找到图像中的特征点分布区域,具体地,图像的横向灰度直方图X坐标为图像像元横向序列号,Y坐标为每一排像元的总灰度值,根据横向灰度直方图判断出点阵特征点在图像中的上下边界;图像的纵向灰度直方图X坐标为图像像元纵向序列号,Y坐标为每一列像元的总灰度值,根据纵向灰度直方图判断出点阵特征点在图像中的左右阈值。
3.根据权利要求1所述的图像配准试验点阵靶标图像特征点识别方法,其特征在于,利用约束条件对特征点进行排序,其中,约束条件为:对于靶标上的点阵,每一排点都是等间距排列,且左右两边的点处于点阵的左右边界上;所述利用约束条件对特征点进行排序,包括:首先将每一组的特征点按照横向坐标从小到大排列顺序,并对组内特征点的横向坐标进行差分,计算出该排特征点的平均间距,若平均间距在阈值范围内,则认为不存在噪点以及特征点遗漏,否则,则认为存在噪点以及特征点遗漏。
4.根据权利要求1所述的图像配准试验点阵靶标图像特征点识别方法,其特征在于,根据靶标点阵的几何分布关系剔除噪点,以及参照靶标上点阵的分布对靶标图像特征点进行排列以找到遗漏的特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811157.1A CN106485252B (zh) | 2016-09-08 | 2016-09-08 | 图像配准试验点阵靶标图像特征点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811157.1A CN106485252B (zh) | 2016-09-08 | 2016-09-08 | 图像配准试验点阵靶标图像特征点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485252A CN106485252A (zh) | 2017-03-08 |
CN106485252B true CN106485252B (zh) | 2019-06-21 |
Family
ID=58273503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610811157.1A Active CN106485252B (zh) | 2016-09-08 | 2016-09-08 | 图像配准试验点阵靶标图像特征点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485252B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085430A (zh) * | 2017-05-24 | 2017-08-22 | 深圳优地科技有限公司 | 一种轮式机器人参数调校的优化方法、装置和系统 |
CN108921155A (zh) * | 2018-04-23 | 2018-11-30 | 新疆大学 | 一种联机手写维吾尔文单词倾斜矫正方法 |
CN110823134B (zh) * | 2018-07-23 | 2021-07-23 | 北京大恒图像视觉有限公司 | 一种靶线计算及工业传感器安装检测方法 |
CN111289224B (zh) * | 2020-01-17 | 2021-08-06 | 中国科学院上海技术物理研究所 | 一种自动识别ctf测试图像并计算数值的方法 |
CN112070814B (zh) * | 2020-08-31 | 2024-04-02 | 杭州迅蚁网络科技有限公司 | 一种靶标角度识别方法、装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101876532A (zh) * | 2010-05-25 | 2010-11-03 | 大连理工大学 | 测量系统中的摄像机现场标定方法 |
CN104732553A (zh) * | 2015-04-10 | 2015-06-24 | 大连理工大学 | 一种基于多台激光辅助靶标的特征点提取方法 |
CN104766309A (zh) * | 2015-03-19 | 2015-07-08 | 江苏国典艺术品保真科技有限公司 | 一种平面特征点导航定位方法与装置 |
CN105678709A (zh) * | 2016-01-12 | 2016-06-15 | 西安交通大学 | 一种led手持靶标光心偏差校正算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140035712A (ko) * | 2012-09-14 | 2014-03-24 | 한국전자통신연구원 | 객체 인식 방법 및 장치 |
-
2016
- 2016-09-08 CN CN201610811157.1A patent/CN106485252B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101876532A (zh) * | 2010-05-25 | 2010-11-03 | 大连理工大学 | 测量系统中的摄像机现场标定方法 |
CN104766309A (zh) * | 2015-03-19 | 2015-07-08 | 江苏国典艺术品保真科技有限公司 | 一种平面特征点导航定位方法与装置 |
CN104732553A (zh) * | 2015-04-10 | 2015-06-24 | 大连理工大学 | 一种基于多台激光辅助靶标的特征点提取方法 |
CN105678709A (zh) * | 2016-01-12 | 2016-06-15 | 西安交通大学 | 一种led手持靶标光心偏差校正算法 |
Non-Patent Citations (5)
Title |
---|
Zernike矩的圆阵列靶标特征点精确提取方法;金兆楠;《山西电子技术》;20151231(第4期);第37-38、79页 |
圆阵列平面靶标特征点的自动标记;张胜男 等;《计算机工程与应用》;20140815;第169-172页 |
基于圆点阵列靶标的特征点坐标自动提取方法;夏瑞雪 等;《中国机械工程》;20100831;第21卷(第16期);第1906-1910页 |
机器视觉中平面靶标点自动识别方法研究;曹勇 等;《江苏科技信息》;20150930(第9期);第59-61页 |
靶标特征点提取亚像素精度阈值分割算法研究;赵洛彬 等;《中国科技论文》;20150430;第10卷(第8期);第942-947页 |
Also Published As
Publication number | Publication date |
---|---|
CN106485252A (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485252B (zh) | 图像配准试验点阵靶标图像特征点识别方法 | |
US20220172348A1 (en) | Information processing device, information processing method, and storage medium | |
Chen et al. | A double-threshold image binarization method based on edge detector | |
CN103913131B (zh) | 一种基于双目视觉的自由曲面法矢量测量方法 | |
CN101576953B (zh) | 一种人体姿态的分类方法和装置 | |
US20160314338A1 (en) | Method and apparatus for fingerprint identification | |
CN109409292A (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
CN107680054A (zh) | 雾霾环境下多源图像融合方法 | |
Turetken et al. | Detecting irregular curvilinear structures in gray scale and color imagery using multi-directional oriented flux | |
CN103198301B (zh) | 虹膜定位方法及装置 | |
US10521659B2 (en) | Image processing device, image processing method, and image processing program | |
CN106709500A (zh) | 一种图像特征匹配的方法 | |
CN110415241A (zh) | 一种基于计算机视觉的混凝土构件表面质量检测方法 | |
CN111507932B (zh) | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 | |
CN109308465A (zh) | 表格线检测方法、装置、设备及计算机可读介质 | |
CN108764250A (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
CN109409356B (zh) | 一种基于swt的多方向中文印刷体文字检测方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN109238268A (zh) | 不规则小天体导航形心的最优外接椭圆提取方法 | |
CN107909085A (zh) | 一种基于Harris算子的图像特征角点提取方法 | |
CN112614167A (zh) | 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 | |
CN109360144A (zh) | 一种基于手机平台的图像实时校正改进方法 | |
CN105956592B (zh) | 一种基于图像显著性与svm的飞机目标检测方法 | |
CN104268550A (zh) | 特征提取方法及装置 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 |
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 |