CN106485741A - 一种保留局部结构的非刚点集配准的方法 - Google Patents
一种保留局部结构的非刚点集配准的方法 Download PDFInfo
- Publication number
- CN106485741A CN106485741A CN201610911424.2A CN201610911424A CN106485741A CN 106485741 A CN106485741 A CN 106485741A CN 201610911424 A CN201610911424 A CN 201610911424A CN 106485741 A CN106485741 A CN 106485741A
- Authority
- CN
- China
- Prior art keywords
- matrix
- point set
- point
- correspondence
- function
- 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
Landscapes
- Complex Calculations (AREA)
Abstract
一种保留局部结构的非刚点集配准的方法,属于图像处理技术领域,涉及一种配准方法。解决了现有点集配准方法配准精度低,鲁棒性差的问题。本发明利用边缘特征检测算子获取参考图像和目标图像的边缘图像,对两幅边缘图像提取离散点,并定义为模板点集和目标点的点集,利用能量函数获得使能量函数E(P,f)最小的变换函数和对应性矩阵采用高斯混合模型建模;获取相应性矩阵P的限制项Ec(P)和相应性矩阵P的距离测量项Ed(P,f);利用连接邻域定义局部结构,建立空间变换f限制项Et(f)模型;获得最终能量函数E(P,f);利用EM算法求解满足公式最终能量函数E(P,f)最小的最优变换函数和对应性矩阵完成保留局部结构的非刚点集配准。本发明适用于点集配准。
Description
技术领域
本发明属于图像处理技术领域,涉及一种点集配准方法。
背景技术
1、随着图像获取技术的快速发展和自动化需求的提升,对多源,多视角,多时相的图像的分析技术越来越迫切。作为一种比较或融合不同条件下的图像的技术,图像配准已经广泛应用于遥感数据分析,计算机视觉和图像处理等领域。通过图像配准技术,寻找并建立不同图像之间的对应关系和变换关系,从而实现信息融合的目的。
2、现有配准技术主要分为三类,基于灰度信息的,基于变换域,基于特征信息的。鉴于鲁棒性高,计算量小等优点,基于特征信息的图像配准方法是目前最常用的。由于边缘特征,更容易提取。然而大部分基于点特征的图像配准并未充分利用点集中各点之间的连接性。
3、虽然大量的基于点特征的配准技术被提出,然而算法的鲁棒性和精度仍然是一个严重的问题。
发明内容
本发明是为了解决现有点集配准方法配准精度低,鲁棒性差的问题,而提出的一种引入局部连接性的非刚点集配准方法。
本发明所述的一种保留局部结构的非刚点集配准的方法,该方法的具体步骤为:
步骤一、利用边缘特征检测算子获取参考图像和目标图像的边缘图像,对两幅边缘图像提取离散点,并定义为模板点集和目标点的点集,且模板中像素非零点的集合和目标点集均属于维空间子集,且分别由{xi,i=1,2,…,M}和{yj,j=1,2,…,N}组成;分别由点集X和Y表示:X=[x1,x2,…,xM]T,Y=[y1,y2,…,yN]T;M和N均为正整数;
步骤二、利用能量函数获得使能量函数E(P,f)最小的变换函数和对应性矩阵
E(P,f)=Ed(P,f)+λEt(f)+ζEc(P) (2)
f为点集X到点集Y的空间变换为函数;模型点集X变换后的点集为变换点集U,U=[u1,u2,…,uM]T,其中,ui=f(xi),i=1,2,…,M;P为模板点集X和目标点集Y之间的对应性矩阵,P为M×N维的矩阵;Ed(P,f)、Et(f)和Ec(P)分别是对应性矩阵的距离测量项,空间变换f的限制项和对应性矩阵变换P限制项;λ和ζ均是正实数;
步骤三、将点集配准作为一个概率密度估计问题,采用高斯混合模型建模;将模板点集作为混合高斯模型的中心,而目标点集作为该混合高斯模型的观测值;获取相应性矩阵P的限制项Ec(P)和相应性矩阵P的距离测量项Ed(P,f);
步骤四、利用连接邻域定义局部结构,保留局部邻域信息,建立空间变换f限制项Et(f)模型;
步骤五、将步骤四和步骤五获得的相应性矩阵P的限制项Ec(P)、相应性矩阵P的距离测量项Ed(P,f)和空间变换f限制项Et(f)的模型带入公式2获得最终能量函数E(P,f);
步骤六、利用EM算法求解满足公式最终能量函数E(P,f)最小的最优变换函数和对应性矩阵完成保留局部结构的非刚点集配准。
本发明将配准能量函数分为三项,并利用概率密度估计和局部连接性限制分别对该三项进行了实现,并利用EM算法对能量函数进行了求解。该方法提高了配准算法的效果,配准精度高及改善了鲁棒性。本发明充分利用边缘点的连接性信息,来提升配准算法的效果。
附图说明
图1为发本发明所述方法流程图。
具体实施方式
具体实施方式一、结合图1说明本实施方式,本实施方式所述的一种保留局部结构的非刚点集配准的方法,该方法的具体步骤为:
步骤一、利用边缘特征检测算子获取参考图像和目标图像的边缘图像,对两幅边缘图像提取离散点,并定义为模板点集和目标点的点集,且模板中像素非零点的集合和目标点集均属于维空间子集,且分别由{xi,i=1,2,…,M}和{yj,j=1,2,…,N}组成;分别由点集X和Y表示:X=[x1,x2,…,xM]T,Y=[y1,y2,…,yN]T;M和N均为正整数;
步骤二、利用能量函数获得使能量函数E(P,f)最小的变换函数和对应性矩阵
E(P,f)=Ed(P,f)+λEt(f)+ζEc(P) (2)
f为点集X到点集Y的空间变换为函数;模型点集X变换后的点集为变换点集U,U=[u1,u2,…,uM]T,其中ui=f(xi),i=1,2,…,M;P为模板点集X和目标点集Y之间的对应性矩阵,P为M×N维的矩阵;Ed(P,f)、Et(f)和Ec(P)分别是对应性矩阵的距离测量项,空间变换f的限制项和对应性矩阵变换P限制项;λ和ζ均是正实数;
步骤三、将点集配准作为一个概率密度估计问题,采用高斯混合模型建模;将模板点集作为混合高斯模型的中心,而目标点集作为该混合高斯模型的观测值;获取相应性矩阵P的限制项Ec(P)和相应性矩阵P的距离测量项Ed(P,f);
步骤四、利用连接邻域定义局部结构,保留局部邻域信息,建立空间变换f限制项Et(f)模型;
步骤五、将步骤四和步骤五获得的相应性矩阵P的限制项Ec(P)、相应性矩阵P的距离测量项Ed(P,f)和空间变换f限制项Et(f)的模型带入公式2获得最终能量函数E(P,f);
步骤六、利用EM算法求解满足公式最终能量函数E(P,f)最小的最优变换函数和对应性矩阵完成保留局部结构的非刚点集配准。
具体实施方式二、本实施方式是对具体实施方式一所述的一种保留局部结构的非刚点集配准的方法的进一步说明,步骤四所述将点集配准作为一个概率密度估计问题,采用高斯混合模型建模;将模板点集作为混合高斯模型的中心,而目标点集作为该混合高斯模型的观测值;获取相应性矩阵P的限制项Ec(P)和相应性矩阵P的距离测量项Ed(P,f)的具体步骤为:
步骤四一、引入隐藏变量Z={zi|zi=i,i=1,2,…,M+1},用于表示模型点是内点或者外点;其中M为正整数,概率p(zi)为:
其中,ω为外点的权重值;
步骤四二、位于ui处的高斯分布产生观测点yj的条件概率为:
其中,σ2是各项同性协方差,ti,j为xi和yj匹配的概率;外点服从概率密度为的均匀分布;a大于0且小于1,ti,j的值表示点yj和点ui之间的形状相似性;其中,权重变量T={ti,j|i=1,2,…,M,j=1,2,…,N};其中,M为模板点集中点的个数,N目标点集中点的个数;
步骤四三、应用乘法规则,建立(Z,Y)的联合概率密度:
其中,模板点集X中的点xi和目标点集Y中的点yj之间的相应性为pi,j=p(zi|yj),p(zi|yj)是一个以σ2为参数的函数;
应用贝叶斯理论,隐藏变量zi的后验分布p(zi|yj)为:
步骤四四、设负对数似然函数lp=-ln(p(Z,Y)),且忽略一些常数项,完整的条件期望为:
其中,
步骤四五、将条件期望EZ[lp]作为能量函数,则相应性矩阵P为:
其中,模板点集X中的点xi和目标点集Y中的点yj之间的相应性为pi,j=p(zi|yj),
当σ2足够小,pi,j最终等于0或者1时相应性矩阵P的限制项表示为:
其中,D为模板点和目标点的维数;
应用带权重的最小二乘公式来量化能量函数中的距离测量项,其中,权重值为相应性:
具体实施方式三、本实施方式是对具体实施方式一或二所述的一种保留局部结构的非刚点集配准的方法的进一步说明,步骤五中利用连接邻域定义局部结构,保留局部邻域信息,求解空间变换f限制项Et(f)的具体方法为:
步骤五一、定义空间变换项f为初始位置加上一个分布函数v:
f(x,v)=x+v(x) (11)
步骤五二、定义全局变换限制项为再生核希尔伯特空间的范数则空间变换f的完整限制项为:
其中,参数η是局部限制项和空间限制的权衡项;
利用高斯矩阵核生成再生核希尔伯特空间
最优解v(x):
距离矩阵;
其中,利用最小平方误差来计算权重向量αi,该权重向量具有M维:
其中,αi,j=0;M×M维权重矩阵A为[α1,α2,…,αM]T;L为M×M维矩阵,矩阵L中的Li,j表示从节点xi到节点xj的最小路径长度;当节点xi和节点xj不连接时,定义Li,j=∞,Φ(xi)为点xi的k连接邻域为一个点集:
Φ(xi)={xj|Li,j≤k,j=1,2,…} (18)
k是正整数且满足1≤k≤M,路径从Φ(xi)中任意一点到点xi的路径距离均小于k;
k连接矩阵C为M×M维矩阵:
具体实施方式四、本实施方式是对具体实施方式一或二所述的一种保留局部结构的非刚点集配准的方法的进一步说明,步骤六所述将步骤四和步骤五获得的相应性矩阵P的限制项Ec(P)、相应性矩阵P的距离测量项Ed(P,f)和空间变换f限制项Et(f)带入公式2获得最终能量函数E(P,f)的具体方法为:通过公式:
应用EM算法,求解最优相应性矩阵P和变换函数;
步骤E:相应性矩阵通过公式P:
获得,其中,上标old所标注的变量均为步骤E前一次迭代中得到的变量;σ2和f为常数;
步骤M:将能量函数关于变量σ2和ω进行求导,并设结果为零,通过公式:
获得;则能量函数(16)可简化为:
将(19)写作矩阵形式:
其中,tr{·}表示矩阵的迹,d(·)为对角矩阵,1为所有值均1的列向量,Γ=(I-A)Td(P1)(I-A);WT为权重矩阵W的转置,GT为矩阵G的转置;G为公式14中的矩阵G(xi,xj);
引入连接性限制后,权重向量W通过公式:
W=inv{d(P1)G+σ2ζI+σ2ηΓG}(PY-d(P1)X+σ2ηΓX)) (24)
计算得到,其中,inv(·)为矩阵的逆,I表示单位矩阵,根据公式20和公式24获得变量σ2和W之间相互耦合,采用(σ2)old代替公式(24)中的σ2,获得权重矩阵W,相应性矩阵P,和公式20中的ω和σ2。
Claims (4)
1.一种保留局部结构的非刚点集配准的方法,其特征在于,该方法的具体步骤为:
步骤一、利用边缘特征检测算子获取参考图像和目标图像的边缘图像,对两幅边缘图像提取离散点,并定义为模板点集和目标点的点集,且模板中像素非零点的集合和目标点集均属于维空间子集,且分别由{xi,i=1,2,…,M}和{yj,j=1,2,…,N}组成;分别由点集X和Y表示:X=[x1,x2,…,xM]T,Y=[y1,y2,…,yN]T;M和N均为正整数;
步骤二、利用能量函数获得使能量函数E(P,f)最小的变换函数和对应性矩阵
E(P,f)=Ed(P,f)+λEt(f)+ζEc(P) (2)
f为点集X到点集Y的空间变换为函数;模型点集X变换后的点集为变换点集U,U=[u1,u2,…,uM]T,其中ui=f(xi),i=1,2,…,M;P为模板点集X和目标点集Y之间的对应性矩阵,P为M×N维的矩阵;Ed(P,f)、Et(f)和Ec(P)分别是对应性矩阵的距离测量项,空间变换f的限制项和对应性矩阵变换P限制项;λ和ζ均是正实数;其中,M为模板点集中点的个数,N目标点集中点的个数;
步骤三、将点集配准作为一个概率密度估计问题,采用高斯混合模型建模;将模板点集作为混合高斯模型的中心,而目标点集作为该混合高斯模型的观测值;获取相应性矩阵P的限制项Ec(P)和相应性矩阵P的距离测量项Ed(P,f);
步骤四、利用连接邻域定义局部结构,保留局部邻域信息,建立空间变换f限制项Et(f)模型;
步骤五、将步骤四和步骤五获得的相应性矩阵P的限制项Ec(P)、相应性矩阵P的距离测量项Ed(P,f)和空间变换f限制项Et(f)的模型带入公式2获得最终能量函数E(P,f);
步骤六、利用EM算法求解满足公式最终能量函数E(P,f)最小的最优变换函数和对应性矩阵完成保留局部结构的非刚点集配准。
2.根据权利要求1所述的一种保留局部结构的非刚点集配准的方法,其特征在于,步骤四所述将点集配准作为一个概率密度估计问题,采用高斯混合模型建模;将模板点集作为混合高斯模型的中心,而目标点集作为该混合高斯模型的观测值;获取相应性矩阵P的限制项Ec(P)和相应性矩阵P的距离测量项Ed(P,f)的具体步骤为:
步骤四一、引入隐藏变量Z={zi|zi=i,i=1,2,…,M+1},用于表示模型点是内点或者外点;其中M为正整数,概率p(zi)为:
其中,ω为外点的权重值;
步骤四二、位于ui处的高斯分布产生观测点yj的条件概率为:
其中,σ2是各项同性协方差,ti,j为xi和yj匹配的概率;外点服从概率密度为的均匀分布;a大于0且小于1,ti,j的值表示点yj和点ui之间的形状相似性;其中,权重变量T={ti,j|i=1,2,…,M,j=1,2,…,N};
步骤四三、应用乘法规则,建立(Z,Y)的联合概率密度:
其中,模板点集X中的点xi和目标点集Y中的点yj之间的相应性为pi,j=p(zi|yj),p(zi|yj)是一个以σ2为参数的函数;
应用贝叶斯理论,隐藏变量zi的后验分布p(zi|yj)为:
步骤四四、设负对数似然函数lp=-ln(p(Z,Y)),且忽略一些常数项,完整的条件期望为:
其中,
步骤四五、将条件期望EZ[lp]作为能量函数,则相应性矩阵P为:
其中,模板点集X中的点xi和目标点集Y中的点yj之间的相应性为pi,j=p(zi|yj),当σ2足够小,pi,j最终等于0或者1时相应性矩阵P的限制项表示为:
其中,D为模板点和目标点的维数;
应用带权重的最小二乘公式来量化能量函数中的距离测量项,其中,权重值为相应性:
。
3.根据权利要求1或2所述的一种保留局部结构的非刚点集配准的方法,其特征在于,步骤五中利用连接邻域定义局部结构,保留局部邻域信息,求解空间变换f限制项Et(f)的具体方法为:
步骤五一、定义空间变换项f为初始位置加上一个分布函数v:
f(x,v)=x+v(x) (12)
步骤五二、定义全局变换限制项为再生核希尔伯特空间的范数则空间变换f的完整限制项为:
其中,参数η是局部限制项和空间限制的权衡项;
利用高斯矩阵核生成再生核希尔伯特空间
最优解v(x):
距离矩阵;
其中,利用最小平方误差来计算权重向量αi,该权重向量具有M维:
其中,αi,j=0;M×M维权重矩阵A为[α1,α2,…,αM]T;L为M×M维矩阵,矩阵L中的Li,j表示从节点xi到节点xj的最小路径长度;当节点xi和节点xj不连接时,定义Li,j=∞,Φ(xi)为点xi的k连接邻域为一个点集:
Φ(xi)={xj|Li,j≤k,j=1,2,…} (18)
k是正整数且满足1≤k≤M,路径从Φ(xi)中任意一点到点xi的路径距离均小于k;
k-connected矩阵C为M×M维矩阵:
4.根据权利要求1或2所述的一种保留局部结构的非刚点集配准的方法,其特征在于,步骤六所述将步骤四和步骤五获得的相应性矩阵P的限制项Ec(P)、相应性矩阵P的距离测量项Ed(P,f)和空间变换f限制项Et(f)带入公式2获得最终能量函数E(P,f)的具体方法为:通过公式:
应用EM算法,求解最优相应性矩阵P和变换函数;
E步骤:相应性矩阵通过公式P:
获得,其中上标old所标注的变量均为步骤E前一次迭代中得到的变量;σ2和f为常数;
M步骤:将能量函数关于变量σ2和ω进行求导,并设结果为零,通过公式:
获得;则能量函数(16)可简化为:
将(19)写作矩阵形式:
其中,tr{·}表示矩阵的迹,d(·)为对角矩阵,1为所有值均1的列向量,Γ=(I-A)Td(P1)(I-A);WT为权重矩阵W的转置,GT为矩阵G的转置;G为公式14中的矩阵G(xi,xj);
引入连接性限制后,权重向量W通过公式:
W=inv{d(P1)G+σ2ζI+σ2ηΓG}(PY-d(P1)X+σ2ηΓX)) (24)
计算得到,其中,inv(·)为矩阵的逆,I表示单位矩阵,根据公式20和公式24获得变量σ2和W之间相互耦合,采用(σ2)old代替公式24中的σ2,获得权重矩阵W,相应性矩阵P,和公式20中的ω和σ2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610911424.2A CN106485741A (zh) | 2016-10-19 | 2016-10-19 | 一种保留局部结构的非刚点集配准的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610911424.2A CN106485741A (zh) | 2016-10-19 | 2016-10-19 | 一种保留局部结构的非刚点集配准的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106485741A true CN106485741A (zh) | 2017-03-08 |
Family
ID=58270177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610911424.2A Pending CN106485741A (zh) | 2016-10-19 | 2016-10-19 | 一种保留局部结构的非刚点集配准的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485741A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345578A (zh) * | 2018-10-15 | 2019-02-15 | 深圳步智造科技有限公司 | 基于贝叶斯优化的点云配准方法、系统及可读存储介质 |
CN110874849A (zh) * | 2019-11-08 | 2020-03-10 | 安徽大学 | 一种基于局部变换一致的非刚性点集配准方法 |
CN111127525A (zh) * | 2018-10-31 | 2020-05-08 | 千寻位置网络有限公司 | 带约束点集配准的增量式农田边界精度校准方法及装置 |
CN111260701A (zh) * | 2020-01-08 | 2020-06-09 | 华南理工大学 | 多模态视网膜眼底图像配准方法及装置 |
CN111968166A (zh) * | 2020-08-20 | 2020-11-20 | 西安工程大学 | 一种基于非刚体纺织图像配准技术的精确纺织方法 |
CN112465881A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种改进的鲁棒性点配准方法及系统 |
CN113034559A (zh) * | 2021-04-02 | 2021-06-25 | 宁波智能装备研究院有限公司 | 一种含局部连接性约束的ic芯片点集配准方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616280A (zh) * | 2014-11-26 | 2015-05-13 | 西安电子科技大学 | 基于最大稳定极值区域和相位一致性的图像配准方法 |
-
2016
- 2016-10-19 CN CN201610911424.2A patent/CN106485741A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616280A (zh) * | 2014-11-26 | 2015-05-13 | 西安电子科技大学 | 基于最大稳定极值区域和相位一致性的图像配准方法 |
Non-Patent Citations (1)
Title |
---|
JIAYI MA ET.AL: "Non-Rigid Point Set Registration by Preserving Global and Local Structures", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345578A (zh) * | 2018-10-15 | 2019-02-15 | 深圳步智造科技有限公司 | 基于贝叶斯优化的点云配准方法、系统及可读存储介质 |
CN111127525A (zh) * | 2018-10-31 | 2020-05-08 | 千寻位置网络有限公司 | 带约束点集配准的增量式农田边界精度校准方法及装置 |
CN111127525B (zh) * | 2018-10-31 | 2023-07-25 | 千寻位置网络有限公司 | 带约束点集配准的增量式农田边界精度校准方法及装置 |
CN110874849B (zh) * | 2019-11-08 | 2023-04-18 | 安徽大学 | 一种基于局部变换一致的非刚性点集配准方法 |
CN110874849A (zh) * | 2019-11-08 | 2020-03-10 | 安徽大学 | 一种基于局部变换一致的非刚性点集配准方法 |
CN111260701B (zh) * | 2020-01-08 | 2023-06-30 | 华南理工大学 | 多模态视网膜眼底图像配准方法及装置 |
CN111260701A (zh) * | 2020-01-08 | 2020-06-09 | 华南理工大学 | 多模态视网膜眼底图像配准方法及装置 |
CN111968166A (zh) * | 2020-08-20 | 2020-11-20 | 西安工程大学 | 一种基于非刚体纺织图像配准技术的精确纺织方法 |
CN111968166B (zh) * | 2020-08-20 | 2023-09-29 | 西安工程大学 | 一种基于非刚体纺织图像配准技术的精确纺织方法 |
CN112465881A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种改进的鲁棒性点配准方法及系统 |
CN112465881B (zh) * | 2020-11-11 | 2024-06-04 | 常州码库数据科技有限公司 | 一种改进的鲁棒性点配准方法及系统 |
CN113034559A (zh) * | 2021-04-02 | 2021-06-25 | 宁波智能装备研究院有限公司 | 一种含局部连接性约束的ic芯片点集配准方法 |
CN113034559B (zh) * | 2021-04-02 | 2022-06-17 | 宁波智能装备研究院有限公司 | 一种含局部连接性约束的ic芯片点集配准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485741A (zh) | 一种保留局部结构的非刚点集配准的方法 | |
CN111028277B (zh) | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 | |
CN108038906B (zh) | 一种基于图像的三维四边形网格模型重建方法 | |
CN102629374B (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
CN102750537B (zh) | 一种高精度图像自动配准方法 | |
CN103034982B (zh) | 一种基于变焦视频序列的图像超分辨率重建方法 | |
CN104778688A (zh) | 点云数据的配准方法及装置 | |
CN106485690A (zh) | 基于点特征的点云数据与光学影像的自动配准融合方法 | |
CN106683173A (zh) | 一种基于邻域块匹配提高三维重建点云稠密程度的方法 | |
CN106384383A (zh) | 一种基于fast和freak特征匹配算法的rgb‑d和slam场景重建方法 | |
CN107481279A (zh) | 一种单目视频深度图计算方法 | |
CN107945217B (zh) | 一种适用于自动装配的图像特征点对快速筛选方法及系统 | |
CN104616247B (zh) | 一种用于基于超像素sift航拍地图拼接的方法 | |
CN102800098B (zh) | 多特征多级别的可见光全色与多光谱高精度配准方法 | |
Wang et al. | Single view metrology from scene constraints | |
CN101794459A (zh) | 一种立体视觉影像与三维虚拟物体的无缝融合方法 | |
Peng et al. | Self-supervised category-level 6D object pose estimation with deep implicit shape representation | |
CN113012208B (zh) | 多视角遥感图像配准方法及系统 | |
CN105279522A (zh) | 一种基于sift的场景物体实时配准方法 | |
CN104318552B (zh) | 基于凸包投影图匹配的模型配准方法 | |
CN114066953A (zh) | 一种针对刚性目标的三维多模态图像可变形配准方法 | |
CN113516693A (zh) | 一种快速通用的图像配准方法 | |
CN113177592A (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
Jiang et al. | Learned local features for structure from motion of uav images: A comparative evaluation | |
CN117456136A (zh) | 一种基于多模态视觉识别的数字孪生场景智能生成方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170308 |