CN106709500A - 一种图像特征匹配的方法 - Google Patents

一种图像特征匹配的方法 Download PDF

Info

Publication number
CN106709500A
CN106709500A CN201510779263.1A CN201510779263A CN106709500A CN 106709500 A CN106709500 A CN 106709500A CN 201510779263 A CN201510779263 A CN 201510779263A CN 106709500 A CN106709500 A CN 106709500A
Authority
CN
China
Prior art keywords
image
point
matching
feature
collection
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
CN201510779263.1A
Other languages
English (en)
Other versions
CN106709500B (zh
Inventor
朱静
孙艳鹤
孙德利
张万新
陈奎
盛天宇
陈庆军
胡强
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.)
SHANGHAI YITAN ELECTRONIC TECHNOLOGY Co Ltd
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Original Assignee
SHANGHAI YITAN ELECTRONIC TECHNOLOGY Co Ltd
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
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 SHANGHAI YITAN ELECTRONIC TECHNOLOGY Co Ltd, State Grid Corp of China SGCC, State Grid Liaoning Electric Power Co Ltd filed Critical SHANGHAI YITAN ELECTRONIC TECHNOLOGY Co Ltd
Priority to CN201510779263.1A priority Critical patent/CN106709500B/zh
Publication of CN106709500A publication Critical patent/CN106709500A/zh
Application granted granted Critical
Publication of CN106709500B publication Critical patent/CN106709500B/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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像特征匹配的方法，包括：利用SIFT算法提取采集图像中的采集特征点，将采集特征点与模版图像的模版特征点进行匹配，从每一对匹配特征点的坐标差值组成的差值点集合中，筛选出落入以第一极值点为中心且具有第一半径R的靶心区域的有效差值点，再以筛选出的有效差值点对应的成对的匹配特征点作为有效特征点；利用筛选出的有效特征点和计算获取的投影变换矩阵，通过坐标映射变换算法实现将模板图像中的目标区域准确映射到采集图像中。本发明可实现户内兼户外环境下采集的目标图像与模板图像的准确匹配，可实现在采集的图像中准确的分割出设备区域。

Description

一种图像特征匹配的方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种图像特征匹配的方法。
背景技术
随着信息化和智能化的发展，越来越多的领域需要进行图像识别处理。图像特征匹配是图像识别的一种重要实现手段。特征匹配是指通过分别提取两个或多个图像的特征(点、线、面等特征)，对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等。
特征匹配首先对图像进行预处理来提取其高层次的特征，然后建立两幅图像之间特征的匹配对应关系，通常使用的特征基元有点特征、边缘特征和区域特征。特征匹配需要用到许多诸如矩阵的运算、梯度的求解、还有傅立叶变换和泰勒展开等数学运算。常用的特征提取与匹配方法有：统计方法、几何法、模型法、信号处理法、边界特征法、傅氏形状描述法、几何参数法、形状不变矩法等。
基于图像特征的匹配方法可以克服利用图象灰度信息进行匹配的缺点，由于图像的特征点比较像素点要少很多，大大减少了匹配过程的计算量；同时，特征点的匹配度量值对位置的变化比较敏感，可以大大提高匹配的精确程度；而且，特征点的提取过程可以减少噪声的影响，对灰度变化，图像形变以及遮挡等都有较好的适应能力。所以基于图像特征的匹配在实际中的应用越来越广泛。所使用的特征基元有点特征(明显点，角点，边缘点等)，边缘线段等。
尺度不变特征变换(SIFT，The Scale Invariant Feature Transform)，是检测图像中具有唯一性、对图像平移、旋转、缩放、甚至仿射变换(如从不同角度拍摄图片)保持不变性的图像局部特征的一种有效方法。可以容易地应用到图像匹配的应用中，如目标检测与识别，或者计算图像间的几何变换。申请号为201310045501.7的中国专利介绍了一种改进型SIFT图像特征匹配算法，通过建立K-dtree二叉树，用BBF在K-d树搜索最近邻特征点，欧式距离判别匹配的特征点对，再通过二次匹配后获取最终的匹配点。申请号为201410392413.9的中国专利通过在目标图像和参考图像特征点提取和特征描述子构建之间加入钓鱼(fishing)策略来获取一定比例的特征点，从而实现特征点匹配。
发表于西安交通大学学报的论文《一种改进的SIFT图像立体匹配算法》中，作者李丹、孙海涛、王海莉等人提出一种改进的立体视觉特征点匹配算法，采用24维特征描述符代替128维特征描述符和引入最小优先级队列的限制条件和匹配精度更高的马氏距离判断两幅图像的特征点匹配，缩短了计算时间，但正确匹配率平均为89.65％，匹配率比较低。
综上所述，目前大部分图像特征匹配算法都是在理想的光照环境下运行，一旦脱离这个前提，其匹配效果难以保证；大多没有考虑比较特殊的环境，目标图像比较简单，特征点数量相对较少，这类算法的鲁棒性较差，扩展性受到很大限制；在对匹配的特征点进行筛选时比较耗时，或者是匹配的准确度不高，而不能同时满足低耗时、高匹配率的要求。
发明内容
本发明旨在解决上面描述的问题。本发明的一个目的是提供一种解决以上问题中的任何一个的一种图像特征匹配的方法。具体地，本发明提供能够实现户内兼户外环境下采集的目标图像与模板图像的准确匹配，可实现在采集的图像中准确的分割出设备区域，鲁棒性强，扩展性好。。
根据本发明的第一方面，提供一种图像特征匹配的方法，包括如下步骤：
利用尺度不变特征变换SIFT算法提取采集图像中的采集特征点，将采集特征点与模版图像的模版特征点进行匹配，获取采集图像和模版图像二者间匹配的匹配特征点；
从采集图像和模版图像的每一对匹配特征点的坐标差值组成的差值点集合中，筛选出落入以第一极值点为中心且具有第一半径R的靶心区域的有效差值点，再以筛选出的有效差值点对应的成对的匹配特征点作为有效特征点；
利用筛选出的有效特征点和计算获取的投影变换矩阵，通过坐标映射变换算法实现将模板图像中的目标区域准确映射到采集图像中。
所述方法在提取采集图像中的采集特征点之前进一步包括如下步骤：
采用数学形态学的开操作对采集图像进行包括用于消除反光光斑和阴影的图像预处理。
所述方法在提取采集图像中的采集特征点之前进一步包括如下步骤：
采用自适应局部直方图均衡算法对采集图像进行用于突出图像细节的图像增强处理。
所述方法在提取采集图像中的采集特征点之前进一步包括如下步骤：采用数学形态学的开操作对采集图像进行包括用于消除反光光斑和阴影的图像预处理；采用自适应局部直方图均衡算法对采集图像进行用于突出图像细节的图像增强处理。
所述的筛选出落入以第一极值点为中心且具有第一半径R的靶心区域的有效差值点步骤，具体分为：
将每一对匹配特征点的坐标差值组成的差值点集合中的点置于二维坐标系中；
根据中心极限定理采用高斯滤波函数计算得出该差值点集合的第一极值点；
在所述二维坐标系中确定具有第一半径R且以所述第一极值点为中心的靶心区域；
筛选出落入靶心区域的差值点作为有效差值点。
本发明的图像匹配方法成功实现巡检图像与模板图像的匹配，实现了户内兼户外环境下采集的目标图像与模板图像的准确匹配，可实现在采集的图像中准确的分割出设备区域，继而为后续的目标识别提供强有力的图像支持。同时经验证这种方法对室外环境下获取的图像间的匹配也是适用的，因此这种算法具有很好的普适性和鲁棒性。
参照附图来阅读对于示例性实施例的以下描述，本发明的其他特性特征和优点将变得清晰。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
图1示例性地示出了本发明的图像特征匹配方法的流程图；
图2示例性地示出了图像特征匹配方法的具体实施例的流程图；
图3示例性地示出了图像特征匹配方法的具体实施例的中获取的巡检采集图像；
图4示例性地示出了巡检采集图像去除光斑和阴影的灰度图像；
图5示例性地示出了灰度图像进行自适应直方图均衡化图像增强的图像；
图6示例性地示出了采用RANSAC算法筛选特征点后的匹配情况示意图；
图7示例性地示出了靶心命中特征点筛选后的匹配情况示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本发明主要是为了解决阀厅巡检机器人对换流站阀厅内设备的巡检图像与模板图像间的匹配，该特殊的应用环境下获取的图像存在光照不均或阴影的干扰，同时阀厅内的设备结构复杂且密集，针对这种特殊情况需提高匹配的精确度和匹配的速度。
如图1所示，本发明所提供的一种图像特征匹配的方法，包括如下步骤：
S101：获取匹配特征点；
利用尺度不变特征变换SIFT算法提取采集图像中的采集特征点，将采集特征点与模版图像的模版特征点进行匹配，获取采集图像和模版图像二者间匹配的匹配特征点；
S102：获取有效特征点；
从采集图像和模版图像的每一对匹配特征点的坐标差值组成的差值点集合中，筛选出落入以第一极值点为中心且具有第一半径R的圆中的差值点，再以筛选出的差值点对应的成对的匹配特征点作为有效特征点；
S103：根据有效特征点进行目标区域映射；
利用筛选出的有效特征点和计算获取的投影变换矩阵，通过坐标映射变换算法实现将模板图像中的目标区域准确映射到采集图像中。
所述方法在提取采集图像中的采集特征点之前进一步包括如下步骤：采用数学形态学的开操作对采集图像进行包括用于消除反光光斑和阴影的图像预处理。
所述方法在提取采集图像中的采集特征点之前进一步包括如下步骤：采用自适应局部直方图均衡算法对采集图像进行用于突出图像细节的图像增强处理。
所述方法在提取采集图像中的采集特征点之前进一步包括如下步骤：采用数学形态学的开操作对采集图像进行包括用于消除反光光斑和阴影的图像预处理；采用自适应局部直方图均衡算法对预处理后的采集图像进行用于突出图像细节的图像增强处理。
如图2所示，进一步给出了本发明的图像特征匹配的方法的具体实施例的流程图。
步骤S201，获取巡检时的采集图像；
步骤S202，使用数学形态学“开”操作对巡检图像进行预处理，以消除反光光斑和阴影的影响；
步骤S203，使用自适应局部直方图均衡算法对图像信息进行增强，以突出图像中的细节部分；
步骤S204，利用SIFT算法提取巡检图像中的采集特征点，并与设备中的模板图像进行匹配，获取二者间匹配的匹配特征点；
步骤205，采用靶心命中过滤所述匹配特征点的方式对获取到的匹配特征点进行筛选，获取有效特征点，以提高配准概率、缩短计算的时耗；
步骤206，依靠命中靶心的有效特征点和计算获取的投影变换矩阵，通过坐标映射变换算法实现将模板中目标区域准确的映射到巡检获得的采集图像中。
其中，步骤S205的具体实现步骤又可分为：
第一步，对SIFT算法提取的两幅图像中的每一对匹配特征点分别进行X坐标、Y坐标相减，得到差值坐标{d1(dx1,dy1),…,dn(dxn,dyn)}的集合D；
第二步，集合D中的点在二维坐标系中，成正态分布；
第三步，根据中心极限定理，采用高斯滤波函数计算得出集合D的极值di(dxi,dyi)；
第四步，在集合D所在的二维坐标系中，以极值di(dxi,dyi)为中心做半径为R的靶心，凡集合D中的点落在靶心区域之内的均为有效命中，得到集合D的子集
第五步，集合所对应的成对的匹配特征点为有效特征点(即为命中靶心的特征点)，则过滤了其它误差较大的特征点。
进一步地，在具体实施中，图3是巡检机器人采集到的巡检图像，图4是对巡检图像通过预处理去除光斑和阴影后的灰度图像；图5是对灰度图像进行自适应直方图均衡化后的增强图像。
进一步地，作为对比，图6给出了采用RANSAC算法对特征点进行筛选后匹配的结果，图7给出了本发明解决方案中提出的靶心命中特征点的方式对特征点进行筛选后匹配的结果，显然后者筛选的特征点比前者少，继而缩短了算法时间，同时兼具了匹配的准确性。
进一步地，表1给出了RANSAC算法与靶心命中方式效率数据。
表1.RANSAC算法与靶心命中方式效率比较
表1是在同一软硬环境和相同的运算条件下，分别采用RANSAC算法、靶心命中方式筛选特征点来实现巡检图像与模板图像进行匹配的结果比较。从对比数据可以看出，发明的图像特征匹配方法所提出的特征点匹配算法在成功率与时效方面都优于传统的RANSAC算法，适用于图像的特征匹配应用，尤其适合巡检机器人在阀厅中进行巡检任务的场景应用。
本发明经对巡检机器人在换流站阀厅采集的大量图像进行测试，证实此图像匹配方法较之前的方法大大提高了图像特征匹配的准确率和缩短了时耗，增强了巡检机器人的续航能力。本发明的图像匹配方法成功实现巡检图像与模板图像的匹配，可实现在采集的图像中准确的分割出设备区域，继而为后续的目标识别提供强有力的图像支持。同时经验证这种方法对室外环境下获取的图像间的匹配也是适用的，因此这种算法具有很好的普适性和鲁棒性。
本发明实现了户内兼户外环境下采集的目标图像与模板图像的准确匹配，继而获取准确的设备区域，技术关键点是采集图像的预处理、图像特征点的匹配、可适应室内室外的环境。
上面描述的内容可以单独地或者以各种方式组合起来实施，而这些变型方式都在本发明的保护范围之内。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种图像特征匹配的方法，其特征在于，包括如下步骤：
利用尺度不变特征变换SIFT算法提取采集图像中的采集特征点，将采集特征点与模版图像的模版特征点进行匹配，获取采集图像和模版图像二者间匹配的匹配特征点；
从采集图像和模版图像的每一对匹配特征点的坐标差值组成的差值点集合中，筛选出落入以第一极值点为中心且具有第一半径R的靶心区域的有效差值点，再以筛选出的有效差值点对应的成对的匹配特征点作为有效特征点；
利用筛选出的有效特征点和计算获取的投影变换矩阵，通过坐标映射变换算法实现将模板图像中的目标区域准确映射到采集图像中。
2.如权利要求1所述的图像特征匹配的方法，其特征在于，所述方法在提取采集图像中的采集特征点之前进一步包括如下步骤：
采用数学形态学的开操作对采集图像进行包括用于消除反光光斑和阴影的图像预处理。
3.如权利要求1所述的图像特征匹配的方法，其特征在于，所述方法在提取采集图像中的采集特征点之前进一步包括如下步骤：
采用自适应局部直方图均衡算法对采集图像进行用于突出图像细节的图像增强处理。
4.如权利要求1所述的图像特征匹配的方法，其特征在于，所述方法在提取采集图像中的采集特征点之前进一步包括如下步骤：
采用数学形态学的开操作对采集图像进行包括用于消除反光光斑和阴影的图像预处理；
采用自适应局部直方图均衡算法对采集图像进行用于突出图像细节的图像增强处理。
5.如权利要求1所述的图像特征匹配的方法，其特征在于，所述的筛选出落入以第一极值点为中心且具有第一半径R的靶心区域的有效差值点步骤，具体分为：
将每一对匹配特征点的坐标差值组成的差值点集合中的点置于二维坐标系中；
根据中心极限定理采用高斯滤波函数计算得出该差值点集合的第一极值点；
在所述二维坐标系中确定具有第一半径R且以所述第一极值点为中心的靶心区域；
筛选出落入靶心区域的差值点作为有效差值点。
CN201510779263.1A 2015-11-13 2015-11-13 一种图像特征匹配的方法 Expired - Fee Related CN106709500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510779263.1A CN106709500B (zh) 2015-11-13 2015-11-13 一种图像特征匹配的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510779263.1A CN106709500B (zh) 2015-11-13 2015-11-13 一种图像特征匹配的方法

Publications (2)

Publication Number Publication Date
CN106709500A true CN106709500A (zh) 2017-05-24
CN106709500B CN106709500B (zh) 2021-12-03

Family

ID=58930714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510779263.1A Expired - Fee Related CN106709500B (zh) 2015-11-13 2015-11-13 一种图像特征匹配的方法

Country Status (1)

Country Link
CN (1) CN106709500B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481235A (zh) * 2017-08-24 2017-12-15 河海大学 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法
CN108010004A (zh) * 2017-12-06 2018-05-08 西安银石科技发展有限责任公司 机车车辆检修监控装置及监控方法
CN108256564A (zh) * 2018-01-10 2018-07-06 广东工业大学 一种基于距离度量相异度的自适应模版匹配方法及装置
CN109492608A (zh) * 2018-11-27 2019-03-19 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机设备及存储介质
CN110059711A (zh) * 2019-01-28 2019-07-26 阿里巴巴集团控股有限公司 图像的对齐方法、装置及设备
CN111597863A (zh) * 2019-02-21 2020-08-28 顺丰科技有限公司 一种装卸率确定方法、系统、设备及存储介质
CN111931689A (zh) * 2020-08-26 2020-11-13 北京建筑大学 一种在线提取视频卫星数据鉴别特征的方法
CN112819095A (zh) * 2021-02-26 2021-05-18 吉林大学 特征点匹配方法、装置、智能终端及计算机可读存储介质
CN112862829A (zh) * 2019-11-27 2021-05-28 武汉Tcl集团工业研究院有限公司 标签图片的分割方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620060A (zh) * 2009-08-13 2010-01-06 上海交通大学 颗粒大小分布自动检测方法
CN101777129A (zh) * 2009-11-25 2010-07-14 中国科学院自动化研究所 一种基于特征检测的图像匹配方法
CN102005047A (zh) * 2010-11-15 2011-04-06 无锡中星微电子有限公司 图像配准系统及其方法
CN102074001A (zh) * 2010-11-25 2011-05-25 上海合合信息科技发展有限公司 一种文本图像的拼接方法及系统
US20120274739A1 (en) * 2009-12-21 2012-11-01 Huawei Device Co.,Ud. Image splicing method and apparatus

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620060A (zh) * 2009-08-13 2010-01-06 上海交通大学 颗粒大小分布自动检测方法
CN101777129A (zh) * 2009-11-25 2010-07-14 中国科学院自动化研究所 一种基于特征检测的图像匹配方法
US20120274739A1 (en) * 2009-12-21 2012-11-01 Huawei Device Co.,Ud. Image splicing method and apparatus
CN102005047A (zh) * 2010-11-15 2011-04-06 无锡中星微电子有限公司 图像配准系统及其方法
CN102074001A (zh) * 2010-11-25 2011-05-25 上海合合信息科技发展有限公司 一种文本图像的拼接方法及系统

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481235A (zh) * 2017-08-24 2017-12-15 河海大学 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法
CN108010004A (zh) * 2017-12-06 2018-05-08 西安银石科技发展有限责任公司 机车车辆检修监控装置及监控方法
CN108256564B (zh) * 2018-01-10 2022-04-19 广东工业大学 一种基于距离度量相异度的自适应模版匹配方法及装置
CN108256564A (zh) * 2018-01-10 2018-07-06 广东工业大学 一种基于距离度量相异度的自适应模版匹配方法及装置
CN109492608A (zh) * 2018-11-27 2019-03-19 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机设备及存储介质
CN109492608B (zh) * 2018-11-27 2019-11-05 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机设备及存储介质
CN110059711A (zh) * 2019-01-28 2019-07-26 阿里巴巴集团控股有限公司 图像的对齐方法、装置及设备
CN111597863A (zh) * 2019-02-21 2020-08-28 顺丰科技有限公司 一种装卸率确定方法、系统、设备及存储介质
CN111597863B (zh) * 2019-02-21 2023-11-28 顺丰科技有限公司 一种装卸率确定方法、系统、设备及存储介质
CN112862829A (zh) * 2019-11-27 2021-05-28 武汉Tcl集团工业研究院有限公司 标签图片的分割方法、装置及存储介质
CN112862829B (zh) * 2019-11-27 2024-03-12 武汉Tcl集团工业研究院有限公司 标签图片的分割方法、装置及存储介质
CN111931689B (zh) * 2020-08-26 2021-04-23 北京建筑大学 一种在线提取视频卫星数据鉴别特征的方法
CN111931689A (zh) * 2020-08-26 2020-11-13 北京建筑大学 一种在线提取视频卫星数据鉴别特征的方法
CN112819095A (zh) * 2021-02-26 2021-05-18 吉林大学 特征点匹配方法、装置、智能终端及计算机可读存储介质

Also Published As

Publication number Publication date
CN106709500B (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN106709500A (zh) 一种图像特征匹配的方法
CN108121985A (zh) 一种基于机器视觉的双指针仪表读数方法
Yu et al. Feature point-based copy-move forgery detection: covering the non-textured areas
CN108009535A (zh) 一种基于机器视觉的单指针仪表读数方法
CN107103323A (zh) 一种基于图像轮廓特征的目标识别方法
CN107203990A (zh) 一种基于模板匹配与图像质量评估的标贴破损检测方法
CN106909941A (zh) 基于机器视觉的多表字符识别系统及方法
CN105096317A (zh) 一种复杂背景中的高性能相机全自动标定方法
CN109919960B (zh) 一种基于多尺度Gabor滤波器的图像连续边缘检测方法
CN104933434A (zh) 一种结合LBP特征提取和surf特征提取方法的图像匹配方法
CN104504723B (zh) 基于视觉显著特征的图像配准方法
CN106919944A (zh) 一种基于orb算法的大视角图像快速识别方法
CN105404868B (zh) 一种基于交互平台的复杂背景中文本的快速检测方法
CN109426814A (zh) 一种发票图片特定板块的定位、识别方法、系统、设备
CN104217459B (zh) 一种球面特征提取方法
CN110334762A (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN106485252B (zh) 图像配准试验点阵靶标图像特征点识别方法
CN109978848A (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN104123554A (zh) 基于mmtd的sift图像特征提取方法
CN106023187A (zh) 一种基于sift特征和角度相对距离的图像配准方法
CN109766818A (zh) 瞳孔中心定位方法及系统、计算机设备及可读存储介质
CN105844610A (zh) 基于机器视觉的植物叶片锈斑自动检测系统及方法
CN105678737A (zh) 一种基于Radon变换的数字图像角点检测方法
CN113392856A (zh) 图像伪造检测装置和方法
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

Legal Events

Date Code Title Description
PB01 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: 20211203

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