CN106910208A - 一种存在运动目标的场景图像拼接方法 - Google Patents
一种存在运动目标的场景图像拼接方法 Download PDFInfo
- Publication number
- CN106910208A CN106910208A CN201710132592.6A CN201710132592A CN106910208A CN 106910208 A CN106910208 A CN 106910208A CN 201710132592 A CN201710132592 A CN 201710132592A CN 106910208 A CN106910208 A CN 106910208A
- Authority
- CN
- China
- Prior art keywords
- image
- moving target
- max
- matrix
- conversion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 66
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 238000013519 translation Methods 0.000 claims description 14
- 230000033001 locomotion Effects 0.000 claims description 10
- 238000010422 painting Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 abstract description 4
- 230000003068 static effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种存在运动目标的场景图像拼接方法，首先利用摄像机获取存在运动目标的场景图像，然后采用SIFT算法提取图像特征，再利用提取的特征完成两幅图像特征之间的匹配，通过RANSAC算法去除错误的特征匹配，从而得到正确的特征匹配，通过特征的匹配关系建立图像间的几何变换模型以完成图像的配准，最后根据图像融合方法对配准后的图像进行融合处理。本发明基于移动直接线性变换估计和局部不变线性融合方法，通过提高图像配准精度和去除由运动目标造成的拼接“鬼影”，达到提高拼接图像质量和清晰度的目的。本发明的算法简单快速，工作量小、一致性好、效率高、配准精度高，同时消除了由运动目标造成的“鬼影”，特别适用于存在运动目标的场景图像拼接。
Description
技术领域
本发明涉及一种存在运动目标的场景图像拼接方法，属于图像全景信息中图像拼接技术领域。
背景技术
目前，全景图像获取是计算机视觉的新兴研究领域和热点内容。获取全景图像的方式主要有两种：(1)直接利用专用广角成像设备，一次摄取足够大的水平角度的图像，如鱼眼光学镜头、凸面反射光学镜头等非线性光学成像设备，但其造价较高，分辨率和视角不能兼顾，图像会严重畸变；(2)通过图像拼接处理，将一组具有重叠区域的低分辨率或小视角图像，拼接成一幅高分辨率、大视角的新图像，其成本低，效果好。因此，图像拼接方法对于获取全景图像信息非常重要。
图像拼接过程中的核心部分是图像配准和图像融合，这两个部分分别是提高图像配准精度和消除“鬼影”提高拼接图像清晰度的关键环节。图像配准是根据一些相似性度量来计算不同图像间的变换参数，使不同成像设备在不同时间和不同视角获取的同一场景的多幅重叠图像变换到同一坐标系下，并得到最佳匹配的过程。图像融合就是采用一定的算法，将重叠区域的图像数据进行融合，使得融合后的图像没有拼接缝隙、没有亮度差异、没有模糊和失真现象，视觉效果良好。
然而，一般情况下，场景中除了静态目标还具有动态目标。传统的图像拼接方法有的配准精度低，会产生视差误差，有的虽然也会考虑由动态目标造成的拼接“鬼影”，但并不能很好解决“鬼影”现象，因此会导致拼接图像不清晰。
如目前普遍使用的理论成熟且计算简单的方法是基于直接线性变换估计方法和线性融合的图像拼接方法，用直接线性变换方法估计图像的全局投影变换矩阵后，对图像中所有像素都用这一个投影变换矩阵进行变换，没有考虑像素间的相关性，从而会出现配准误差。而简单的线性融合方法取变换后图像对应的权值矩阵(像素值不为0的元素对应权值为1，否则为0)，在图像三通道中，同时将变换后图像与其对应权值矩阵相乘，相乘后的结果相加，再除以权值矩阵之和，即可得到线性融合后的拼接图像，此方法无法消除图像中由运动目标造成的“鬼影”，图像清晰度会大大降低。以上两个问题导致此图像拼接方法无法获得高匹配精度且不能有效消除“鬼影”，不适用于具有运动目标的场景图像拼接。
发明内容
针对上述问题，本发明的目的是提供一种基于移动直接线性变换估计和局部不变线性融合的简单快速、高效、准确、清晰度高的运动目标图像拼接方法，以适应存在大量运动目标的场景图像有效拼接问题，实现提高拼接图像视觉效果的目的。
本发明首先利用摄像机获取存在运动目标的场景图像，然后采用SIFT算法提取图像特征，再利用提取的特征完成两幅图像特征之间的匹配，通过RANSAC算法去除错误的特征匹配，从而得到正确的特征匹配，通过特征的匹配关系建立图像间的几何变换模型以完成图像的配准，最后根据图像融合方法对配准后的图像进行融合处理。
本发明通过以下具体步骤实现：
(1)图像获取：获取存在运动目标的多个场景图像 是第k个场景sk中的第i幅图像；
(2)提取图像特征：对于第k个场景sk中具有重叠区域的第i幅图像(对应采集时间为ti)和第j幅图像(对应采集时间为tj)，(i＜j,ti＜tj)，采用SIFT算法分别提取图像和的特征和 包含图像中特征的位置坐标和所处尺度及方向信息，表示图像中特征的128维描述子，该特征具有尺度不变性、旋转不变性、平移不变性及光照鲁棒性等特点；
(3)特征匹配：计算图像和中描述子之间的最近邻距离和次近邻距离，最近邻距离与次近邻距离的比率ratio小于阈值ε(一般取0.5)的认为是正确匹配；
(4)去除错误匹配：一般得到的匹配点对都会存在错误的匹配，因此采用RANSAC算法来去除错误的匹配，从而得到可信度高的正确匹配
(5)求解图像投影变换模型参数并进行图像变换：给定场景sk下的两幅具有重叠区域的图像x＝[x y]T和x'＝[x' y']T分别是图像 匹配点，其齐次坐标表示分别为和
本发明采用移动直接线性变换求解图像位置相关局部投影变换矩阵H*。得到H*后，对图像进行变换并对齐，图像中的任意像素x*被变形到图像坐标系下的位置即得到图像变换后的图像对图像的四个角点进行变换，得到其变换后图像的大小，只需要将图像放在相同大小的画布中，并做一个简单的偏移，就能得到对齐后的图像
(6)图像融合获得拼接后的图像：采用局部不变线性融合对位置相关局部投影变换矩阵得到的变换图像进行融合。具体描述如下：
对变换后图像和分别取相应的权值矩阵w1,w2(像素值不为0的元素对应权值为1，否则为0)。令两幅图像重叠区域为O，其内接矩形区域为R，R左上角像素坐标为(cmin,rmin)，右下角像素坐标为(cmax,rmax)，令对应的权值矩阵w1中与R位置相同区域的元素为0，随后与线性融合一样，在图像三通道中，同时将变换后图像与其对应权值矩阵相乘，相乘后的结果相加，再除以权值矩阵之和，即可得到局部不变线性融合得到的拼接图像Imlocal。这样其实就是保留了运动目标tj时刻的运动状态，消除了其ti时刻的运动状态。因此能够有效解决“鬼影”问题。
(7)图像拼接效果评估：根据各场景中待拼接图像，分别由直接线性变换结合线性融合得到图像拼接结果和移动直接线性变换结合局部不变线性融合得到图像拼接结果，通过对图像拼接结果进行主观视觉观察评价，移动直接线性变换结合局部不变线性融合方法得到的拼接图像比直接线性变换结合线性融合得到的拼接图像在配准精度和“鬼影”去除效果两方面均有了很大改善。
本发明基于移动直接线性变换估计和局部不变线性融合方法，通过提高图像配准精度和去除由运动目标造成的拼接“鬼影”，达到提高拼接图像质量和清晰度的目的。在图像配准阶段，本发明通过采用位置相关局部投影变换矩阵，使得图像非重叠区域变换表现出一种全局的投影变换，而图像重叠区域变换表现出非常好的灵活性，提高了图像重叠区域的配准精度。在图像融合阶段，本发明通过保持运动目标后一时刻的运动状态，消除其前一时刻的运动状态，从而达到去除“鬼影”的效果。由于本发明的算法简单快速，工作量小、一致性好、效率高、配准精度高，同时消除了由运动目标造成的“鬼影”，特别适用于存在运动目标的场景图像拼接。
附图说明
图1为本发明的整体流程图。
图2为本发明具体实施例中静态陆上场景图像拼接结果。
其中，(a)和(b)为静态陆上场景待拼接图像；(c)和(d)分别为静态陆上场景图像(a)和(b)的SIFT特征提取结果；(e)为静态陆上场景图像(a)和(b)的特征匹配结果；(f)为用RANSAC算法去除错误匹配的结果图；(g)和(h)分别为用直接线性变换估计得到的全局投影变换矩阵对图像进行变换的结果和用本发明中移动直接线性变换估计得到的位置相关局部投影变换矩阵对图像进行变换的结果；(i)是用线性融合对直接线性变换获得的变换图像进行融合得到的拼接图像；(j)是用线性融合对移动直接线性变换获得的变换图像进行融合得到的拼接图像。
图3为本发明具体实施例中具有运动目标的陆上场景图像拼接结果。
其中，(a)和(b)为存在运动目标的陆上场景待拼接图像；(c)和(d)分别为陆上场景图像(a)和(b)的SIFT特征提取结果；(e)为陆上场景图像(a)和(b)的特征匹配结果；(f)为用RANSAC算法去除错误匹配的结果图；(g)和(h)分别为用直接线性变换估计得到的全局投影变换矩阵对图像进行变换的结果和用本发明中移动直接线性变换估计得到的位置相关局部投影变换矩阵对图像进行变换的结果；(i)是用线性融合对直接线性变换获得的变换图像进行融合得到的拼接图像；(j)是用本发明中局部不变线性融合对移动直接线性变换获得的变换图像进行融合得到的拼接图像。
具体实施方式
为了验证本发明的有效性，下面以一组存在运动目标的陆上场景图像为例，结合附图详细说明本发明的具体实施过程。
本发明的整体流程如图1所示，具体详细过程如下：
1.图像获取：分别以静态的“railtracks”场景图像数据和具有运动目标的“bridge”场景图像数据为例(Che-Han Chang et.al,2014)，作为本发明实施例中的待拼接图像其中表示场景s1中的第i幅图像；
2.提取图像特征：采用SIFT算法提取具有重叠区域的陆上场景图像和的特征和 包含图像中特征的位置坐标和所处尺度及方向信息，表示图像中特征的128维描述子，该特征具有尺度不变性、旋转不变性、平移不变性及光照鲁棒性等特点；
3.特征匹配：根据比较最近邻距离与次近邻距离的方法，距离比率ratio小于阈值ε(一般取0.5)的认为是正确匹配；
4.去除错误匹配：一般得到的匹配点对都会存在错误的匹配，因此采用RANSAC算法来去除错误的匹配，从而得到可信度高的正确匹配
5.求解图像投影变换模型参数并进行图像变换：给定场景s1下的两幅具有重叠区域的图像x＝[x y]T和x'＝[x' y']T分别是图像 的匹配点，其齐次坐标表示分别为和为了说明本发明方法的有效性，下面采用两种方法求解图像投影变换模型矩阵并对图像进行相应变换：
(1)直接线性变换求解图像全局投影变换矩阵H(H为3×3的单应性矩阵)并进行图像变换：
(a)x到x'的投影变换关系为
表示相差一个尺度因子。令rj是H的第j行。
(b)将重新改写为一个隐含条件并线性化为
其中，h是通过向量化H得到。(2)中只有两行是线性独立的。
(c)令ai是第i个匹配点对在式(2)中P矩阵的前两行。给定一个估计的h，||aih||是第i个数据的代数误差。直接线性变换最小化代数误差的平方和
其中，范数约束避免了那些价值不高的解。
(d)对于所有的i，将ai垂直堆叠到矩阵以上问题可以改写为
上式的解是A的最不显着的右奇异向量。
(e)给定估计的H(从重建出的)，对图像进行排列对齐，图像中的任意像素x*被变形到图像坐标系下的位置即
为了避免产生较大的精度偏差，在直接线性变换估计H之前，首先将数据进行标准化，有了估计的H，在执行(5)之前规格化。
(f)图像变换：得到H后，通过(5)式，可以得到图像变换后的图像对图像的四个角点进行变换，可以得到其变换后图像的大小，只需要将图像放在相同大小的画布中，并做一个简单的偏移，就能得到对齐后的图像
(2)移动直接线性变换求解图像局部位置相关局部投影变换矩阵H*并进行图像变换：用直接线性变换方法估计图像全局投影变换模型后，对图像中所有像素都用这一个投影变换模型矩阵进行变换，没有考虑像素间的相关性，从而会出现配准误差。本发明提出用移动直接线性变换求解图像位置相关局部投影变换模型矩阵，具体过程如下：
(a)使用位置相关局部投影变换矩阵H*对任意像素x*进行变换
H*由下面加权问题得到
其中σ是高斯尺度因子，γ是权值补偿。xi是第i个匹配点对{xi，x′i}中属于待变换图像的点的坐标。距离像素x*越近的xi，权值越大。
(b)将(7)式写为矩阵形式
其中
(c)对W*A矩阵进行奇异值分解，就可得到此目标函数的解，即为W*A矩阵的最不显著的右奇异向量，从而得到待变换图像的投影变换矩阵H*。由此，可以获得每一个像素的位置相关局部投影变换矩阵，得到变换后的图像，这样能更好的保留x*周围的局部结构信息。
(d)图像变换：在实际计算中，每个像素的变换都求解一遍目标函数是一种不必要的浪费，因为相邻位置的像素会产生非常相似的权值，从而得到非常相似的位置相关局部投影变换矩阵。因此，我们为了提高计算效率，将待变换图像分为100×100的网格，取每个网格的中心作为x*。同一个网格中的像素都用x*对应的位置相关局部投影变换矩阵进行变换，从而得到变换后的图像可以得到其变换后图像的大小，只需要将图像放在相同大小的画布中，并做一个简单的偏移，就能得到对齐后的图像采取这种变换方式，使得图像非重叠区域的变换表现为一种全局的投影变换，而重叠区域的变换具有灵活地适应性，从而可以得到更好的配准精度。
6.图像融合获得拼接后的图像：与上述两种图像变换模型矩阵对应，分别采用两种方法对变换后的图像进行融合处理，即线性融合对全局投影变换矩阵得到的变换图像进行融合，局部不变线性融合对位置相关局部投影变换矩阵得到的变换图像进行融合。具体描述如下：
(1)线性融合：对变换后图像和分别取相应的权值矩阵w1,w2(像素值不为0的元素对应权值为1，否则为0)，则线性融合得到拼接图像IS为
(2)局部不变线性融合：简单的线性融合无法消除图像中有运动目标造成的“鬼影”，从而图像清晰度会大大降低。针对这个问题，本发明提出用局部不变线性融合来消除此“鬼影”。对变换后图像和分别取相应的权值矩阵w1,w2(像素值不为0的元素对应权值为1，否则为0)。令两幅图像重叠区域为O，其内接矩形区域为R，R左上角像素坐标为(cmin,rmin)，右下角像素坐标为(cmax,rmax)，因此内接矩形的长和宽分别为m＝cmax-cmin+1，n＝rmax-rmin+1，设zeros(m,n)表示一个m×n的零矩阵，w1(cmin:cmax,rmin:rmax)表示权值矩阵w1中与R对应的一个矩形区域,令w1(cmin:cmax,rmin:rmax)＝zeros(m,n)，局部不变线性融合得到的拼接图像Imlocal为
这样其实就是保留了运动目标后一时刻的运动状态，去除了其前一时刻的运动状态。因此能够有效解决“鬼影”问题。
7.图像拼接效果评估：根据各场景中待拼接图像，分别由直接线性变换结合线性融合得到图像拼接结果和移动直接线性变换结合局部不变线性融合得到图像拼接结果，通过主观视觉感受，从拼接图像的配准精度和“鬼影”去除效果两方面进行比较分析。由图2可知，移动直接线性变换估计得到的拼接图像与直接线性变换得到的拼接图像相比，基本上能够消除视差误差，从而获得较好的配准精度。由图3可知，对于存在运动目标的图像，本发明中局部不变线性融合与基本的线性融合相比，又能够很好地消除场景中由运动目标造成的“鬼影”。因此，本发明基于移动直接线性变换和局部不变线性融合的图像拼接方法，切实可行，方便有效。
本发明提出基于移动直接线性变换和局部不变线性融合的图像拼接方法，对陆上场景图像进行图像拼接处理，通过与基于直接线性变换和线性融合的图像拼接方法对比，本发明方法拼接图像配准精度高，无运动目标“鬼影”，图像清晰度高。由于本发明的算法简单快速，工作量小、一致性好、效率高、配准精度高，同时消除了由运动目标造成的“鬼影”，特别适用于存在运动目标的场景图像拼接。
Claims (3)
1.一种存在运动目标的场景图像拼接方法，其特征在于它包括以下步骤：
(1)用摄像机获取存在运动目标的场景图像作为待拼接图像；
(2)采用SIFT算法提取具有重叠区域的待拼接图像的SIFT特征，该特征包含图像中特征点的位置坐标、所处尺度、方向信息以及其128维描述子；
(3)根据比较SIFT特征描述子的最近邻距离与次近邻距离的方法对特征点进行匹配，最近邻距离与次近邻距离的距离比率ratio小于阈值ε的认为是正确匹配点对；
(4)采用RANSAC算法去除错误的匹配点对，从而提取可信度高的正确匹配点对
(5)用移动直接线性变换估计求解图像的位置相关局部投影变换矩阵，并进行图像变换，得到变换后的图像；
(6)用局部不变线性融合对变换后的图像进行融合，从而得到最后的配准精度高且去除了运动目标“鬼影”的清晰的拼接图像。
2.根据权利要求1所述的图像拼接方法，其特征在于所述移动直接线性变换估计方法通过求解图像位置相关局部投影变换模型矩阵H*并进行图像变换，具体过程如下：
(1)使用位置相关局部投影变换矩阵H*对任意像素x*进行变换改写为一个隐含条件即 rj是H*的第j行；H*由加权问题得到，其中ai是第i个匹配点对所对应的P矩阵的前两行，σ是高斯尺度因子，γ是权值补偿；xi是第i个匹配点对{xi,x'i}中属于待变换图像中特征点的坐标；距离像素x*越近的xi，权值越大；将上述加权问题写为矩阵形式其中
(2)对W*A矩阵进行奇异值分解，得到此目标函数的解，即为W*A矩阵的最不显著的右奇异向量，从而得到待变换图像的投影变换矩阵H*；
(3)图像变换：将待变换图像分为N×N的网格，取每个网格的中心作为x*；同一个网格中的像素都用x*对应的位置相关局部投影变换矩阵进行变换，从而得到变换后的图像将图像放在相同大小的画布中，并做一个简单的偏移，就能得到对齐后的图像
3.根据权利要求1所述的图像拼接方法，其特征在于所述局部不变线性融合方法通过保留运动目标后一时刻的运动状态，去除其前一时刻的运动状态的方式，对变换后的图像进行融合处理，来解决“鬼影”问题，具体过程如下：
(1)对变换后图像和分别取相应的权值矩阵w1,w2，像素值不为0的元素对应权值为1，否则为0；
(2)令两幅图像重叠区域为O，其内接矩形区域为R，R左上角像素坐标为(cmin,rmin)，右下角像素坐标为(cmax,rmax)，因此内接矩形的长和宽分别为m＝cmax-cmin+1，n＝rmax-rmin+1，设zeros(m,n)表示一个m×n的零矩阵，w1(cmin:cmax,rmin:rmax)表示权值矩阵w1中与R对应的一个矩形区域，令w1(cmin:cmax,rmin:rmax)＝zeros(m,n)，局部不变线性融合得到的拼接图像Imlocal为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710132592.6A CN106910208A (zh) | 2017-03-07 | 2017-03-07 | 一种存在运动目标的场景图像拼接方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710132592.6A CN106910208A (zh) | 2017-03-07 | 2017-03-07 | 一种存在运动目标的场景图像拼接方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106910208A true CN106910208A (zh) | 2017-06-30 |
Family
ID=59187337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710132592.6A Pending CN106910208A (zh) | 2017-03-07 | 2017-03-07 | 一种存在运动目标的场景图像拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106910208A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730545A (zh) * | 2017-11-08 | 2018-02-23 | 视微影像(河南)科技有限公司 | 一种动态消除鬼像的光学成像方法和系统 |
| CN107734268A (zh) * | 2017-09-18 | 2018-02-23 | 北京航空航天大学 | 一种结构保持的宽基线视频拼接方法 |
| CN108171651A (zh) * | 2017-12-26 | 2018-06-15 | 天津大学 | 基于多模型几何拟合和分层单应变换的图像对齐方法 |
| CN108376409A (zh) * | 2018-02-24 | 2018-08-07 | 首都师范大学 | 一种光场图像配准方法及系统 |
| CN110363706A (zh) * | 2019-06-26 | 2019-10-22 | 杭州电子科技大学 | 一种大面积桥面图像拼接方法 |
| CN111161143A (zh) * | 2019-12-16 | 2020-05-15 | 首都医科大学 | 一种光学定位技术辅助的手术视野全景拼接方法 |
| CN111340709A (zh) * | 2020-03-15 | 2020-06-26 | 黎明职业大学 | 一种新的计算机图案拼接方法 |
| CN112116534A (zh) * | 2020-08-07 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于位置信息的鬼影消除方法 |
| CN114463170A (zh) * | 2021-12-24 | 2022-05-10 | 河北大学 | 一种针对agv应用的大场景图像拼接方法 |
| CN114463170B (zh) * | 2021-12-24 | 2024-06-04 | 河北大学 | 一种针对agv应用的大场景图像拼接方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931185A (zh) * | 2016-04-20 | 2016-09-07 | 中国矿业大学 | 一种多视角图像自动拼接方法 |
| CN105976399A (zh) * | 2016-04-29 | 2016-09-28 | 北京航空航天大学 | 一种基于sift特征匹配的运动目标检测方法 |
-
2017
- 2017-03-07 CN CN201710132592.6A patent/CN106910208A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931185A (zh) * | 2016-04-20 | 2016-09-07 | 中国矿业大学 | 一种多视角图像自动拼接方法 |
| CN105976399A (zh) * | 2016-04-29 | 2016-09-28 | 北京航空航天大学 | 一种基于sift特征匹配的运动目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| JULIO ZARAGOZA: "As-Projective-As-Possible Image Stitching with Moving DLT", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| 王娟: "图像拼接技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107734268A (zh) * | 2017-09-18 | 2018-02-23 | 北京航空航天大学 | 一种结构保持的宽基线视频拼接方法 |
| CN107730545B (zh) * | 2017-11-08 | 2020-07-03 | 视微影像(河南)科技有限公司 | 一种动态消除鬼像的光学成像方法和系统 |
| CN107730545A (zh) * | 2017-11-08 | 2018-02-23 | 视微影像(河南)科技有限公司 | 一种动态消除鬼像的光学成像方法和系统 |
| CN108171651A (zh) * | 2017-12-26 | 2018-06-15 | 天津大学 | 基于多模型几何拟合和分层单应变换的图像对齐方法 |
| CN108171651B (zh) * | 2017-12-26 | 2021-07-09 | 天津大学 | 基于多模型几何拟合和分层单应变换的图像对齐方法 |
| CN108376409A (zh) * | 2018-02-24 | 2018-08-07 | 首都师范大学 | 一种光场图像配准方法及系统 |
| CN110363706A (zh) * | 2019-06-26 | 2019-10-22 | 杭州电子科技大学 | 一种大面积桥面图像拼接方法 |
| CN110363706B (zh) * | 2019-06-26 | 2023-03-21 | 杭州电子科技大学 | 一种大面积桥面图像拼接方法 |
| CN111161143A (zh) * | 2019-12-16 | 2020-05-15 | 首都医科大学 | 一种光学定位技术辅助的手术视野全景拼接方法 |
| CN111340709A (zh) * | 2020-03-15 | 2020-06-26 | 黎明职业大学 | 一种新的计算机图案拼接方法 |
| CN112116534A (zh) * | 2020-08-07 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于位置信息的鬼影消除方法 |
| CN114463170A (zh) * | 2021-12-24 | 2022-05-10 | 河北大学 | 一种针对agv应用的大场景图像拼接方法 |
| CN114463170B (zh) * | 2021-12-24 | 2024-06-04 | 河北大学 | 一种针对agv应用的大场景图像拼接方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106910208A (zh) | 一种存在运动目标的场景图像拼接方法 | |
| Feng et al. | Robust registration for remote sensing images by combining and localizing feature-and area-based methods | |
| CN110211043B (zh) | 一种用于全景图像拼接的基于网格优化的配准方法 | |
| CN111080724A (zh) | 一种红外和可见光的融合方法 | |
| CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
| CN104392416B (zh) | 一种运动场景的视频拼接方法 | |
| CN101777129B (zh) | 一种基于特征检测的图像匹配方法 | |
| CN107679537A (zh) | 一种基于轮廓点orb特征匹配的无纹理空间目标姿态估计算法 | |
| CN106780303A (zh) | 一种基于局部配准的图像拼接方法 | |
| CN111127318A (zh) | 一种机场环境下的全景图像拼接方法 | |
| CN101276465A (zh) | 广角图像自动拼接方法 | |
| TW202117611A (zh) | 電腦視覺訓練系統及訓練電腦視覺系統的方法 | |
| Li et al. | A study on automatic UAV image mosaic method for paroxysmal disaster | |
| CN111553841B (zh) | 一种基于最佳缝合线更新的实时视频拼接方法 | |
| CN108734657A (zh) | 一种具有视差处理能力的图像拼接方法 | |
| CN112348775B (zh) | 基于车载环视的路面坑塘检测系统及方法 | |
| CN108171735A (zh) | 基于深度学习的十亿像素视频对齐方法及系统 | |
| CN116152068A (zh) | 一种可用于太阳能板图像的拼接方法 | |
| CN110084743A (zh) | 基于多航带起始航迹约束的图像拼接与定位方法 | |
| Wan et al. | Drone image stitching using local mesh-based bundle adjustment and shape-preserving transform | |
| CN108898550A (zh) | 基于空间三角面片拟合的图像拼接方法 | |
| Rui et al. | Research on fast natural aerial image mosaic | |
| CN113052765A (zh) | 基于最优栅格密度模型的全景图像拼接方法 | |
| CN108765292A (zh) | 基于空间三角面片拟合的图像拼接方法 | |
| DE102004026782A1 (de) | Verfahren und Vorrichtung zur rechnergestützten Bewegungsschätzung in mindestens zwei zeitlich aufeinander folgenden digitalen Bildern, computerlesbares Speichermedium und Computerprogramm-Element |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170630 |
|
| RJ01 | Rejection of invention patent application after publication |