CN106485264A - 基于梯度序划分及映射策略的曲线描述及匹配方法 - Google Patents

基于梯度序划分及映射策略的曲线描述及匹配方法 Download PDF

Info

Publication number
CN106485264A
CN106485264A CN201610832242.6A CN201610832242A CN106485264A CN 106485264 A CN106485264 A CN 106485264A CN 201610832242 A CN201610832242 A CN 201610832242A CN 106485264 A CN106485264 A CN 106485264A
Authority
CN
China
Prior art keywords
curve
point
description
gradient
supporting zone
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
Application number
CN201610832242.6A
Other languages
English (en)
Other versions
CN106485264B (zh
Inventor
王志衡
司增艳
李广武
刘艳
刘红敏
霍占强
贾利琴
姜国权
王静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201610832242.6A priority Critical patent/CN106485264B/zh
Publication of CN106485264A publication Critical patent/CN106485264A/zh
Application granted granted Critical
Publication of CN106485264B publication Critical patent/CN106485264B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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

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

本发明涉及一种基于梯度序划分及映射策略的曲线描述及匹配方法，包括：从不同角度拍摄同一场景两幅不同图像并输入计算机、利用Canny边缘检测算子分别对两幅图像进行曲线段检测、确定曲线的支撑区域并计算主方向、基于梯度幅值对支撑区域进行子区域划分、计算支撑区域内各有效点的梯度序特征、将梯度序特征映射为24维向量特征、计算子区域描述子及曲线描述子、利用曲线描述子并基于双向匹配原则进行曲线匹配。本发明提供的方法能够克服已有基于灰度序划分的匹配方法面临的不稳定问题，具有更优的匹配性能。

Description

基于梯度序划分及映射策略的曲线描述及匹配方法
技术领域
本发明涉及计算机视觉中的图像特征自动匹配领域，特别是数字图像中曲线自动匹配方法。
背景技术
特征匹配技术在图像检索、物体识别、视频跟踪以及增强现实等领域有重要应用。目前已有的曲线匹配方法主要有如下两类，第一类是基于曲线形状的匹配方法，该方法主要利用曲线自身的曲率变化等形状信息进行曲线匹配，常见思路是对曲线形状信息进行频域变换后利用频域变换系数进行特征匹配，该类方法的主要问题是曲线形状包含的信息较少导致匹配准确性不高；第二类方法是基于图像内容的匹配方法，该类方法利用曲线附近的图像纹理结构信息构造匹配描述子进行曲线匹配，相对于第一类方法匹配性能更好。第二类方法研究较少，主要代表是基于均值标准差曲线描述子的方法（Z.H. Wang, F.C. Wuand Z.Y.Hu, MSLD: A Robust Descriptor for Line Matching. Pattern Recognition.2009, 42(5): 941-945提出了基于均值标准差描述子的直线匹配方法，文中将该方法进行推广获得了均值标准差曲线描述子），该方法将曲线邻域划分为一系列长方形子区域，然后将每个子区域的结构信息表述为向量形式，最后构建描述矩阵并计算矩阵各列向量的均值与标准差来构造曲线匹配描述子并进行曲线匹配。在图像局部形变较小条件下，该方法能够获得较好的匹配效果，在局部形变较大时，该方法使用的规则形状子区域划分将会造成较大的边界误差，导致匹配效果不佳。
为克服由于图像形变引起的边界误差问题，王志衡等人提出了一种基于灰度序划分的曲线匹配方法（王志衡等，基于亮度序的均值标准差描述子.模式识别与人工智能.2013, 26(4): 409-416.），这种方法利用像素灰度值大小对支撑区域进行子区域划分并构造描述子，对图像形变具有较好的鲁棒性。但是，在图像纹理不丰富的区域，图像中像素的灰度值通常非常接近，导致根据灰度排序结果不稳定，从而影响描述子的性能。在此方法的基础上，文献（H.M. Liu, S.S. Zhi and Z.H. Wang. IOCD: intensity order curvedescriptor, International Journal of Pattern Recognition and ArtificialIntelligence, 2013, 27(7),1355011.）进一步提出了一种新方法，该方法不仅利用灰度序进行子区域划分，还利用灰度序特征进行描述子构造，但该文献提出的灰度序特征仅利用像素点周围的四个像素点灰度排序，丢失了像素点自身的信息，且灰度序特征同样面临数值接近时排序不稳定的问题。
发明内容
本发明针对已有基于灰度序曲线描述及匹配方法存在的排序不稳定问题，目的是提供一种具有更强稳定性的曲线描述及自动匹配方法。为了实现本目的，基于梯度序划分及映射策略的曲线描述及匹配方法，包括以下步骤：
步骤S1：从不同角度拍摄同一场景两幅不同图像并输入计算机；
步骤S2：利用Canny边缘检测算子分别对两幅图像进行曲线段检测；
步骤S3： 确定曲线的支撑区域并计算主方向；
步骤S4： 基于梯度幅值对支撑区域进行子区域划分；
步骤S5： 构造曲线描述子；
步骤S51：计算支撑区域内各有效点的梯度序特征；
步骤S52：将梯度序特征映射为24维向量特征；
步骤S53：计算子区域描述子及曲线描述子；
步骤S6：利用曲线描述子并基于双向匹配原则进行曲线匹配。
针对已有基于灰度进行子区域划分的曲线匹配方法存在的排序不稳定问题，本发明提供的基于梯度序划分及映射策略的曲线描述及匹配方法选用梯度幅值作为子区域划分的依据，首先将梯度幅值小于平均梯度幅值的像素作为无效点排除，只保留梯度幅值较大的点作为有效点，由于梯度幅值较大的点一般数值差异较大，从而消除了利用灰度进行排序的不稳定问题。此外，本发明方法在进行描述子构造时也引入了梯度序特征，相比于灰度序特征，梯度序特征充分利用了像素点邻域内的灰度差异相对关系，具有更强的描述能力。本发明提供的方法能够克服已有方法存在的问题，具有更优的性能。
附图说明
图1所示为本发明基于梯度序划分及映射策略的曲线描述及匹配方法的流程图。
具体实施方式
图1所示为本发明基于梯度序划分及映射策略的曲线描述及匹配方法的流程图，该方法的主要步骤包括：从不同角度拍摄同一场景两幅不同图像并输入计算机、利用Canny边缘检测算子分别对两幅图像进行曲线段检测、确定曲线的支撑区域并计算主方向、基于梯度幅值对支撑区域进行子区域划分、计算支撑区域内各有效点的梯度序特征、将梯度序特征映射为24维向量特征、计算子区域描述子及曲线描述子、利用曲线描述子并基于双向匹配原则进行曲线匹配。各步骤的具体实施细节如下：
步骤S1：从不同角度拍摄同一场景两幅不同图像并输入计算机。
步骤S2：利用Canny边缘检测算子分别对两幅图像进行曲线段检测。
步骤S3：确定曲线的支撑区域并计算主方向，具体方式为，对于图像中任一条由m个点组成的曲线C，记曲线C上任一点为P l , l=1,2,…,m，将以P l 为圆心R为半径的圆形区域定义为点P l 的支撑区域并记为G(P l )，曲线C上各点支撑区域覆盖的区域定义为曲线C的支撑区域并记为，计算曲线C上各点梯度向量的均值[g x ,g y ]，并将该均值对应的方向θ=atan(g y , g x )确定为曲线C的主方向。
步骤S4：基于梯度幅值对支撑区域进行子区域划分，具体方式为：首先计算支撑区域G(C)内各点的梯度幅值，获得支撑区域的平均梯度幅值Avg(G(C))，将支撑区域内梯度幅值大于Avg(G(C))的点作为有效点，按梯度幅值大小对有效点进行非降序排列，依据排序将区域G(C)中包含的有效点划分为K个子集合：，1≤i≤K，其中Mag(x j )表示点x j 处的梯度幅值，阈值T i 的确定原则是保证每个子集合包含的有效点个数相等，整数K的取值范围为3~5。
步骤S5：构造曲线描述子，具体方式包括步骤S51、S52、S53；
步骤S51：计算支撑区域内各有效点的梯度序特征，具体方式为，对支撑区域G(C)内任一有效点X 0，以X 0为圆心r为半径确定一个圆周O r (X 0)，其中r的取值范围为6~8，在圆周O r (X 0)上以主方向θ为起始方向确定第一个点X 1，顺时针依次定位点X 2、X 3、X 4、X 5、X 6、X 7、X 8，其中点X 1、X 2、X 3、X 4、X 5、X 6、X 7、X 8将圆周O r (X 0)均分为8等份；记f(X a )(a=0、1、2、…、8)表示点X a 处的灰度值，按如下公式计算四个梯度值：
b 1 = abs(f(X1)+ f(X5)-2·f(X0))，b 2 = abs(f(X2)+ f(X6)-2·f(X0))，
b 3 = abs(f(X3)+ f(X7)-2·f(X0))，b 4 = abs(f(X4)+ f(X8)-2·f(X0))，
将梯度值b 1、b 2、b 3、b 4由小到大进行排序得到有效点X 0处的梯度序特征(x 1, x 2, x 3,x 4)，其中x 1, x 2, x 3, x 4∈{1,2,3,4}且x 1≠x 2≠x 3≠x 4，所述梯度序特征的形式共有24种，依次如下：(1,2,3,4)、(1,2,4,3)、(1,3,2,4)、(1,3,4,2)、(1,4,2,3)、(1,4,3,2)、(2,1,3,4)、(2,1,4,3)、(2,3,1,4)、(2,3,4,1)、(2,4,1,3)、(2,4,3,1)、(3,1,2,4)、(3,1,4,2)、(3,2,1,4)、(3,2,4,1)、(3,4,1,2)、(3,4,2,1)、(4,1,2,3)、(4,1,3,2)、(4,2,1,3)、(4,2,3,1)、(4,3,1,2)、(4,3,2,1)；
步骤S52：将梯度序特征映射为24维向量特征，具体方式为，将步骤S51获得的24种形式的梯度序特征按照下述规则映射为24维的二值向量：第1种形式(1,2,3,4)映射为，第2种形式(1,2,4,3)映射为，第k种形式映射为，第24种形式(4,3,2,1)映射为；
步骤S53：计算子区域描述子及曲线描述子，具体方式为，对步骤S4进行梯度序划分后所得任一子区域G i ，将G i 内包含的有效点对应的24维二值向量进行累加，得到子区域G i 的24维描述子；将各个子区域描述子连接起来，得到曲线C的24×K维描述向量，最后进行归一化处理得到曲线C的匹配描述子。
步骤S6：利用曲线描述子并基于双向匹配原则进行曲线匹配，具体方式为，对于第1幅图像中的一条曲线C，如果第2幅图像所有曲线中C'的描述子与曲线C的描述子之间欧式距离最小，同时第1幅图像所有曲线中C的描述子与C'的描述子之间欧式距离最小，则C、C'为一对匹配曲线。
针对已有基于灰度进行子区域划分的曲线匹配方法存在的排序不稳定问题，本发明提供的基于梯度序划分及映射策略的曲线描述及匹配方法选用梯度幅值作为子区域划分的依据，首先将梯度幅值小于平均梯度幅值的像素作为无效点排除，只保留梯度幅值较大的点作为有效点，由于梯度幅值较大的点一般数值差异较大，从而消除了利用灰度进行排序的不稳定问题。此外，本发明方法在进行描述子构造时也引入了梯度序特征，相比于灰度序特征，梯度序特征充分利用了像素点邻域内的灰度差异相对关系，具有更强的描述能力。本发明提供的方法能够克服已有方法存在的问题，具有更优的性能。

Claims (1)

1.一种基于梯度序划分及映射策略的曲线描述及匹配方法，其特征在于，包括步骤：
步骤S1：从不同角度拍摄同一场景两幅不同图像并输入计算机；
步骤S2：利用Canny边缘检测算子分别对两幅图像进行曲线段检测；
步骤S3：确定曲线的支撑区域并计算主方向，具体方式为，对于图像中任一条由m个点组成的曲线C，记曲线C上任一点为P l ,l=1,2,…,m，将以P l 为圆心R为半径的圆形区域定义为点P l 的支撑区域并记为G(P l )，曲线C上各点支撑区域覆盖的区域定义为曲线C的支撑区域并记为，计算曲线C上各点梯度向量的均值[g x , g y ]，并将该均值对应的方向θ=atan(g y , g x )确定为曲线C的主方向；
步骤S4：基于梯度幅值对支撑区域进行子区域划分，具体方式为：首先计算支撑区域G(C)内各点的梯度幅值，获得支撑区域的平均梯度幅值Avg(G(C))，将支撑区域内梯度幅值大于Avg(G(C))的点作为有效点，按梯度幅值大小对有效点进行非降序排列，依据排序将区域G(C)中包含的有效点划分为K个子集合：，1≤i≤K，其中Mag(x j )表示点x j 处的梯度幅值，阈值T i 的确定原则是保证每个子集合包含的有效点个数相等，整数K的取值范围为3~5；
步骤S5：构造曲线描述子，具体方式包括步骤S51、S52、S53；
步骤S51：计算支撑区域内各有效点的梯度序特征，具体方式为，对支撑区域G(C)内任一有效点X 0，以X 0为圆心r为半径确定一个圆周O r (X 0)，其中r的取值范围为6~8，在圆周O r (X 0)上以主方向θ为起始方向确定第一个点X 1，顺时针依次定位点X 2、X 3、X 4、X 5、X 6、X 7、X 8，其中点X 1、X 2、X 3、X 4、X 5、X 6、X 7、X 8将圆周O r (X 0)均分为8等份；记f(X a )(a=0、1、2、…、8)表示点X a 处的灰度值，按如下公式计算四个梯度值：
b 1 = abs(f(X1)+ f(X5)-2· f(X0))，b 2 = abs(f(X2)+ f(X6)-2· f(X0))，
b 3 = abs(f(X3)+ f(X7)-2· f(X0))，b 4 = abs(f(X4)+ f(X8)-2· f(X0))
将梯度值b 1、b 2、b 3、b 4由小到大进行排序得到有效点X 0处的梯度序特征(x 1, x 2, x 3,x 4)，其中x 1, x 2, x 3, x 4∈{1,2,3,4}且x 1≠x 2≠x 3≠x 4，所述梯度序特征的形式共有24种，依次如下：(1,2,3,4)、(1,2,4,3)、(1,3,2,4)、(1,3,4,2)、(1,4,2,3)、(1,4,3,2)、(2,1,3,4)、(2,1,4,3)、(2,3,1,4)、(2,3,4,1)、(2,4,1,3)、(2,4,3,1)、(3,1,2,4)、(3,1,4,2)、(3,2,1,4)、(3,2,4,1)、(3,4,1,2)、(3,4,2,1)、(4,1,2,3)、(4,1,3,2)、(4,2,1,3)、(4,2,3,1)、(4,3,1,2)、(4,3,2,1);
步骤S52：将梯度序特征映射为24维向量特征，具体方式为，将步骤S51获得的24种形式的梯度序特征按照下述规则映射为24维的二值向量：第1种形式(1,2,3,4)映射为，第2种形式(1,2,4,3)映射为，第k种形式映射为，第24种形式(4,3,2,1)映射为；
步骤S53：计算子区域描述子及曲线描述子，具体方式为，对步骤S4进行梯度序划分后所得任一子区域G i ，将G i 内包含的有效点对应的24维二值向量进行累加，得到子区域G i 的24维描述子；将各个子区域描述子连接起来，得到曲线C的24×K维描述向量，最后进行归一化处理得到曲线C的匹配描述子；
步骤S6：利用曲线描述子并基于双向匹配原则进行曲线匹配，具体方式为，对于第1幅图像中的一条曲线C，如果第2幅图像所有曲线中C'的描述子与曲线C的描述子之间欧式距离最小，同时第1幅图像所有曲线中C的描述子与C'的描述子之间欧式距离最小，则C、C'为一对匹配曲线。
CN201610832242.6A 2016-09-20 2016-09-20 基于梯度序划分及映射策略的曲线描述及匹配方法 Expired - Fee Related CN106485264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610832242.6A CN106485264B (zh) 2016-09-20 2016-09-20 基于梯度序划分及映射策略的曲线描述及匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610832242.6A CN106485264B (zh) 2016-09-20 2016-09-20 基于梯度序划分及映射策略的曲线描述及匹配方法

Publications (2)

Publication Number Publication Date
CN106485264A true CN106485264A (zh) 2017-03-08
CN106485264B CN106485264B (zh) 2019-03-15

Family

ID=58268747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610832242.6A Expired - Fee Related CN106485264B (zh) 2016-09-20 2016-09-20 基于梯度序划分及映射策略的曲线描述及匹配方法

Country Status (1)

Country Link
CN (1) CN106485264B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304870A (zh) * 2018-01-30 2018-07-20 河南理工大学 点线特征融合的错误匹配剔除方法
CN111860272A (zh) * 2020-07-13 2020-10-30 敦泰电子（深圳）有限公司 图像处理方法、芯片及电子装置
CN112819844A (zh) * 2021-01-29 2021-05-18 山东建筑大学 一种图像边缘检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0525944A1 (en) * 1991-07-30 1993-02-03 Halliburton Company Determination of subterranean formation fracture parameters
CN101488223A (zh) * 2008-01-16 2009-07-22 中国科学院自动化研究所 基于曲线均值标准差描述子的图像曲线特征匹配方法
CN102592277A (zh) * 2011-12-12 2012-07-18 河南理工大学 基于灰度子集合划分的曲线自动匹配方法
CN102663733A (zh) * 2012-03-05 2012-09-12 河南理工大学 基于特征组对的特征点匹配方法
CN102663442A (zh) * 2012-03-05 2012-09-12 河南理工大学 基于直线二分法的不规则区域自动匹配方法
CN102722730A (zh) * 2012-05-14 2012-10-10 河南理工大学 基于距离变换划分的不规则区域自动匹配方法
CN104050675A (zh) * 2014-06-30 2014-09-17 河南理工大学 基于三角形描述的特征点匹配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0525944A1 (en) * 1991-07-30 1993-02-03 Halliburton Company Determination of subterranean formation fracture parameters
CN101488223A (zh) * 2008-01-16 2009-07-22 中国科学院自动化研究所 基于曲线均值标准差描述子的图像曲线特征匹配方法
CN102592277A (zh) * 2011-12-12 2012-07-18 河南理工大学 基于灰度子集合划分的曲线自动匹配方法
CN102663733A (zh) * 2012-03-05 2012-09-12 河南理工大学 基于特征组对的特征点匹配方法
CN102663442A (zh) * 2012-03-05 2012-09-12 河南理工大学 基于直线二分法的不规则区域自动匹配方法
CN102722730A (zh) * 2012-05-14 2012-10-10 河南理工大学 基于距离变换划分的不规则区域自动匹配方法
CN104050675A (zh) * 2014-06-30 2014-09-17 河南理工大学 基于三角形描述的特征点匹配方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HONGMIN LIU 等: "IOCD: INTENSITY ORDER CURVE DESCRIPTOR", 《INTERNATIONAL JOURNAL OF PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE》 *
ZHIHENG WANG 等: "MSLD: A robust descriptor for line matching", 《PATTERN RECOGNITION》 *
智珊珊: "基于纹理特征的曲线自动匹配技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *
李宏荣: "基于灰度序的描述子主方向估计方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *
王志衡 等: "基于亮度序的均值标准差描述子", 《模式识别与人工智能》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304870A (zh) * 2018-01-30 2018-07-20 河南理工大学 点线特征融合的错误匹配剔除方法
CN108304870B (zh) * 2018-01-30 2021-10-08 河南理工大学 点线特征融合的错误匹配剔除方法
CN111860272A (zh) * 2020-07-13 2020-10-30 敦泰电子（深圳）有限公司 图像处理方法、芯片及电子装置
CN111860272B (zh) * 2020-07-13 2023-10-20 敦泰电子（深圳）有限公司 图像处理方法、芯片及电子装置
CN112819844A (zh) * 2021-01-29 2021-05-18 山东建筑大学 一种图像边缘检测方法及装置
CN112819844B (zh) * 2021-01-29 2023-03-14 山东建筑大学 一种图像边缘检测方法及装置

Also Published As

Publication number Publication date
CN106485264B (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN107688806B (zh) 一种基于仿射变换的自由场景文本检测方法
CN105427298B (zh) 基于各向异性梯度尺度空间的遥感图像配准方法
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN102945289B (zh) 基于cgci-sift局部特征的图像检索方法
JP3740065B2 (ja) 領域分割された映像の領域特徴値整合に基づいた客体抽出装置およびその方法
CN102713938B (zh) 用于均匀和非均匀照明变化中的改善的特征检测的尺度空间正规化技术
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
CN107392968B (zh) 融合颜色对比图和颜色空间分布图的图像显著性检测方法
CN109101981B (zh) 一种街景场景下基于全局图像条纹码的回环检测方法
Bora et al. A novel approach towards clustering based image segmentation
CN107180436A (zh) 一种改进的kaze图像匹配算法
CN109472770B (zh) 一种印刷电路板检测中的图像特征点快速匹配方法
CN104809731A (zh) 一种基于梯度二值化的旋转尺度不变场景匹配方法
CN108537816A (zh) 一种基于超像素和背景连接先验的显著物体分割方法
CN106485264A (zh) 基于梯度序划分及映射策略的曲线描述及匹配方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN104123554A (zh) 基于mmtd的sift图像特征提取方法
Lee et al. Robust registration of cloudy satellite images using two-step segmentation
CN103218833A (zh) 边缘加强型的彩色空间最稳极值区域检测方法
CN115830335A (zh) 一种基于自适应阈值算法的orb图像特征提取方法
KR20120094353A (ko) 시각적 형상 디스크립터 생성 방법 및 그 기록매체
CN112037230B (zh) 一种基于超像素和超度量轮廓图的林区图像分割方法
CN108491883B (zh) 一种基于条件随机场的显著性检测优化方法
CN107358244B (zh) 一种快速局部不变特征提取与描述方法
CN113095309A (zh) 一种基于点云的道路场景地面标识物的提取方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190315

CF01 Termination of patent right due to non-payment of annual fee