CN107452030A - 基于轮廓检测和特征匹配的图像配准方法 - Google Patents

基于轮廓检测和特征匹配的图像配准方法 Download PDF

Info

Publication number
CN107452030A
CN107452030A CN201710658905.1A CN201710658905A CN107452030A CN 107452030 A CN107452030 A CN 107452030A CN 201710658905 A CN201710658905 A CN 201710658905A CN 107452030 A CN107452030 A CN 107452030A
Authority
CN
China
Prior art keywords
registration
contour detecting
profile
subject
preliminary
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
CN201710658905.1A
Other languages
English (en)
Other versions
CN107452030B (zh
Inventor
朱炳斐
陈文建
李武森
张峻乾
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and 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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201710658905.1A priority Critical patent/CN107452030B/zh
Publication of CN107452030A publication Critical patent/CN107452030A/zh
Application granted granted Critical
Publication of CN107452030B publication Critical patent/CN107452030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于轮廓检测和特征匹配的图像配准方法，步骤如下：首先通过黑/白色填充延扩待配准图和标准图；之后对待配准图进行阈值分割；然后对阈值图进行轮廓检测，选取图像目标区域的轮廓为初步轮廓图；接着对初步轮廓图进行由顶至下的轮廓检测，并建立最小外接矩形；然后计算获得逆时针方向顶层矩形与水平轴的旋转夹角绝对值θ和四个顶点坐标pt[0]，pt[1]，pt[2]，pt[3]；接着根据pt[0]，pt[1]判别旋转角度为正/负，之后根据‑θ或90°‑θ利用仿射变换获得初步配准图；最后对标准图和初步配准图进行基于特征点的匹配，获得最终的配准图。本发明能够实现0°至90°旋转角度和任何平移偏量的图像的快速高精度配准，满足各种需要图像配准市场的需求。

Description

基于轮廓检测和特征匹配的图像配准方法
技术领域
本发明涉及图像处理领域，特别是一种基于轮廓检测和特征匹配的图像配准方法。
背景技术
图像配准是图像处理的重要任务之一，用于将不同时间、不同传感器、不同视角以及不同拍摄条件下获取的两幅及以上图像进行几何意义上的匹配。其广泛应用于计算机视觉、医学图像处理、遥感数据分析等研究领域，具有十分重要的研究意义和实用价值。
图像配准的方法一般分为两类：基于区域的图像配准方法和基于特征的图像配准方法，而基于区域的配准又可以分为基于灰度的配准和基于变换域的配准。针对具有平移、旋转、缩放类型的图像匹配最常用的是单一的基于特征的配准或者基于变换域的配准。
基于特征的配准，其能将整个图像的各种分析转化为图像特征的分析，大大压缩了图像信息的数据量，同时保持了图像的平移、旋转等方面的特征，相比于其他方法速度快，鲁棒性好。最经典的是基于特征点的配准方法：SURF和SIFT。SIFT算法使用DoG对LoG进行简化，提高了特征点的搜索速度，并且配准精度很高。SURF算法借鉴SIFT的思想，将DoG中的高斯二阶微分模板进行了近似简化，使得模板只需要进行几个简单的加减法运算就能完成图像的滤波，并且运算量与滤波模板的尺寸无关，且同样具备对图像旋转、平移和尺度变化的不变性，在不降低性能的情况下，SURF算法比SIFT算法速度快。但这两种算法的缺点是：必须要有去除误匹配算法，占据了一定的时间，且有些去除误匹配的算法效果不好。
基于变换域的图像配准，最常用的是傅立叶变换，比如傅里叶梅林变换，将图像变换到频域，并对图像幅度谱进行对数-极坐标变换，在对数-极坐标空间求解相对旋转角度和平移偏量。但是该方法的缺点是：必须事先规定好角度的取值范围，如果仅在整数角度取值，当旋转角度为浮点值时，对角度的估计会有偏差，如果将角度的取值范围进一步细化，则势必增加计算量。
以上两种方法在处理过程中所采用的几何变换都是仿射变换，而仿射变换只能很好的处理二维空间的变换，如果存在微变的三维空间匹配精度会很低。很多基于上述两种方法改进的方法也都没有考虑到这个细节，导致配准精度和正确率一般。
发明内容
本发明的目的在于提供一种实现0°至90°旋转角度和任何平移偏量的快速高精度图像配准方法，满足各种需要图像配准市场的需求。
实现本发明目的的技术解决方案为：一种基于轮廓检测和特征匹配的图像配准方法，包括以下步骤：
步骤1、将待配准图和标准图通过黑色/白色填充进行延扩，得到两个矩形图像；所述矩形图像的大小为m×n，且m≠n，其中m为矩形的宽度，n为矩形的高度，m大于待配准图和标准图的宽度，n大于待配准图和标准图的高度。
步骤2、对步骤1延扩之后的待配准图根据填充色为黑/白选择阈值进行阈值分割，得到二值图；所述的根据填充色为黑/白选择合适阈值进行阈值分割，具体如下：若为黑，阈值为0～30，做全局阈值分割；若为白，阈值为220～255，做全局阈值分割并取反。
步骤3、对步骤2中的二值图进行轮廓检测，并根据判断条件去除过大或过小的轮廓，只留下图像目标区域的轮廓，保存为初步轮廓图；所述的根据判断条件去除过大或过小的轮廓，只留下图像目标区域的轮廓，具体如下：获取延扩前待配准图目标区域的周长l1，将二值图所有检测到的周长大于或小于l1的轮廓去除，这样就只留下图像目标区域的轮廓。
步骤4、对步骤3中的初步轮廓图再进行由顶层至下的轮廓检测，保存为2D点集，并建立顶层点集的最小外接矩形；所述的由顶层至下的轮廓检测，是将目标区域的轮廓边界作为顶层，整幅延扩图的边界为第二层。
步骤5、对步骤4得到的顶层矩形进行分析计算，确定其与水平轴逆时针方向的旋转夹角绝对值θ和逆时针四个顶点坐标，所述顶层矩形即目标区域轮廓，逆时针四个顶点坐标依次为左上顶点pt[0]，右上顶点pt[1]，右下顶点pt[2]，左下顶点pt[3]；
步骤6、根据步骤5得到的左上顶点pt[0]，右上顶点pt[1]判别待配准图相对标准图旋转角度为正/负，之后再选择-θ或90°-θ对待配准图进行仿射变换获得初步配准图；具体如下：获取步骤5顶层矩形的宽w与高h，根据左上顶点pt[0]，右上顶点pt[1]两点的坐标计算两点之间的距离l，若l＝h，则旋转角度为正，以角度-θ对待测图进行仿射变换；若l＝w，则旋转角度为负，以角度90°-θ对待测图进行仿射变换，得到初步匹配图。
步骤7、对步骤6的初步配准图和标准图进行基于特征点的匹配，获得最终的配准图。所述的基于特征点的匹配中采取的几何变换是透射变换，且无需去除误匹配算法。
本发明与现有技术相比，其显著优点为：1)本发明的方法针对0°至90°旋转角度和任何平移偏量的图像都能实现高精度配准；2)本发明中轮廓检测和最小外接矩形方法简单且效率高；3)本发明通过填充黑/白色使得阈值选取简单且适用于任何图像；4)本发明能够精确的获得待配准图与标准图之间的旋转角度信息，误差为10-5量级；5)由于本发明获得的角度信息精度高，利用仿射变换得到的初步配准图只有平移偏量(极其微小的角度偏差可忽略)，针对平移偏差基于特征点的匹配无需去除误匹配算法，节省时间且精度高；6)本发明中基于特征点匹配中的几何变化采取透射变换可以处理二维甚至三维空间的图像配准，配准精度更高。
附图说明
图1是本发明基于轮廓检测、最小外接矩形法和特征匹配的图像配准方法流程图。
图2是本发明阈值分割的流程图。
图3是本发明轮廓检测的部分流程图。
图4是本发明判别旋转角度为正/负并得到初步配准图的流程图。
图5是本发明的具体实施例。其中图(a)为标准图，图(b)为待配准图，图(c)为标准图延扩之后的矩形图像，图(d)为待配准图延扩之后的矩形图像，图(e)为图(d)的二值图，图(f)为初步轮廓图，图(g)为顶层点集的最小外接矩形，图(h)为初步匹配图，图(I)为最终配准图。
具体实施方式
下面结合附图及具体实施方式对本发明作进一步详细说明。
结合图1，本发明基于轮廓检测和特征匹配的图像配准方法，包括以下步骤：
步骤1、将待配准图和标准图通过黑色/白色填充进行延扩，得到两个矩形图像，矩形图像的大小为m×n，且m≠n，其中m为矩形的宽度，n为矩形的高度，m大于待配准图和标准图的宽度，n大于待配准图和标准图的高度；
步骤2、结合图2，对步骤1延扩之后的待配准图根据填充色为黑/白选择阈值进行阈值分割，具体如下：若为黑，阈值为0～30，做全局阈值分割；若为白，阈值为220～255，做全局阈值分割并取反。得到二值图；
步骤3、结合图3，对步骤2中的二值图进行轮廓检测，并根据判断条件去除过大或过小的轮廓，只留下图像目标区域的轮廓，保存为初步轮廓图。具体过程如下：获取延扩前待配准图目标区域的周长l1，将二值图所有检测到的周长大于或小于l1的轮廓去除，这样就只留下图像目标区域的轮廓；
步骤4、对步骤3中的初步轮廓图再进行由顶层至下的轮廓检测，是将目标区域的轮廓边界作为顶层，整幅延扩图的边界为第二层，保存为2D点集，并建立顶层点集的最小外接矩形；
步骤5、对步骤4得到的顶层矩形进行分析计算，确定其与水平轴逆时针方向的旋转夹角绝对值θ和逆时针四个顶点坐标，所述顶层矩形即目标区域轮廓，逆时针四个顶点坐标依次为左上顶点pt[0]，右上顶点pt[1]，右下顶点pt[2]，左下顶点pt[3]；
步骤6，结合图4，根据步骤5得到的左上顶点pt[0]，右上顶点pt[1]判别待配准图相对标准图旋转角度为正/负，之后再选择-θ或90°-θ对待配准图进行仿射变换获得初步配准图。具体如下：获取步骤5顶层矩形的宽w与高h，根据左上顶点pt[0]，右上顶点pt[1]两点的坐标计算两点之间的距离l，若l＝h，则旋转角度为正，以角度-θ对待测图进行仿射变换；若l＝w，则旋转角度为负，以角度90°-θ对待测图进行仿射变换，得到初步匹配图；
步骤7、对步骤6的初步配准图和标准图进行基于特征点的匹配，其中采取的几何变换是透射变换，且无需去除误匹配算法，获得最终的配准图。
下面结合实施例进行具体描述。
实施例
(1)结合图5，标准图和待配准图分别如图(a)、(b)，分别通过白色填充进行延扩，得到两个矩形图像(c)、(d)，矩形图像的大小均为1276×1404，其中1276像素为矩形的宽度，1404像素为矩形的高度，1276像素大于待配准图和标准图的宽度876像素，1404像素大于待配准图和标准图的高度1004像素；
(2)对步骤1中延扩之后的待配准图(d)以阈值254进行全局阈值分割并取反，得到二值图(e)；
(3)对步骤2中的二值图(e)进行轮廓检测，去除周长大于或小于2560像素的轮廓，只留下图像目标区域的轮廓，保存为初步轮廓图(f)。
(4)对步骤3中的初步轮廓图(f)再进行由顶层至下的轮廓检测，是将目标区域的轮廓边界作为顶层，整幅延扩图的边界为第二层，保存为2D点集，并建立顶层点集的最小外接矩形如图(g)；
(5)对步骤4得到的顶层矩形进行分析计算，得到逆时针四个顶点坐标：左上顶点pt[0]、右上顶点pt[1]、右下顶点pt[2]、左下顶点pt[3]依次为(325.568，1032.593)、(900.165，1072.773)、(949.274，370.488)、(374.677，330.308)。得到其与水平轴逆时针方向的旋转夹角绝对值θ＝3.99091；
(6)获得步骤5顶层矩形的宽w＝576像素与高h＝704像素，左上顶点pt[0]，右上顶点pt[1]两点的坐标计算两点之间的距离l＝576，因l＝w，则旋转角度为负，以角度90°-θ＝86.00909°对待测图进行仿射变换，得到初步匹配图(h)；
(7)对步骤6的初步配准图(h)和标准图(a)进行基于特征点的匹配，其中采取的几何变换是透射变换，且无需去除误匹配算法，获得最终的配准图(I)。
本发明方法简单、速度快、精度高且实时性好，能够实现0°至90°旋转角度和任何平移偏量的图像的快速高精度配准，满足各种需要图像配准市场的需求，有很好的应用前景。

Claims (7)

1.一种基于轮廓检测和特征匹配的图像配准方法，其特征在于，包括以下步骤：
步骤1、将待配准图和标准图通过黑色/白色填充进行延扩，得到两个矩形图像；
步骤2、对步骤1延扩之后的待配准图根据填充色为黑/白选择阈值进行阈值分割，得到二值图；
步骤3、对步骤2中的二值图进行轮廓检测，并根据判断条件去除过大或过小的轮廓，只留下图像目标区域的轮廓，保存为初步轮廓图；
步骤4、对步骤3中的初步轮廓图再进行由顶层至下的轮廓检测，保存为2D点集，并建立顶层点集的最小外接矩形；
步骤5、对步骤4得到的顶层矩形进行分析计算，确定其与水平轴逆时针方向的旋转夹角绝对值θ和逆时针四个顶点坐标，所述顶层矩形即目标区域轮廓，逆时针四个顶点坐标依次为左上顶点pt[0]，右上顶点pt[1]，右下顶点pt[2]，左下顶点pt[3]；
步骤6、根据步骤5得到的左上顶点pt[0]，右上顶点pt[1]判别待配准图相对标准图旋转角度为正/负，之后再选择-θ或90°-θ对待配准图进行仿射变换获得初步配准图；
步骤7、对步骤6的初步配准图和标准图进行基于特征点的匹配，获得最终的配准图。
2.根据权利要求1所述的基于轮廓检测和特征匹配的图像配准方法，其特征在于，步骤1所述矩形图像的大小为m×n，且m≠n，其中m为矩形的宽度，n为矩形的高度，m大于待配准图和标准图的宽度，n大于待配准图和标准图的高度。
3.根据权利要求1所述的基于轮廓检测和特征匹配的图像配准方法，其特征在于，步骤2所述的根据填充色为黑/白选择合适阈值进行阈值分割，具体如下：若为黑，阈值为0～30，做全局阈值分割；若为白，阈值为220～255，做全局阈值分割并取反。
4.根据权利要求1所述的基于轮廓检测和特征匹配的图像配准方法，其特征在于，步骤3所述的根据判断条件去除过大或过小的轮廓，只留下图像目标区域的轮廓，具体如下：获取延扩前待配准图目标区域的周长l1，将二值图所有检测到的周长大于或小于l1的轮廓去除，这样就只留下图像目标区域的轮廓。
5.根据权利要求1所述的基于轮廓检测和特征匹配的图像配准方法，其特征在于，步骤4所述的由顶层至下的轮廓检测，是将目标区域的轮廓边界作为顶层，整幅延扩图的边界为第二层。
6.根据权利要求1所述的基于轮廓检测和特征匹配的图像配准方法，其特征在于，步骤6所述的具体如下：获取步骤5顶层矩形的宽w与高h，根据左上顶点pt[0]，右上顶点pt[1]两点的坐标计算两点之间的距离l，若l＝h，则旋转角度为正，以角度-θ对待测图进行仿射变换；若l＝w，则旋转角度为负，以角度90°-θ对待测图进行仿射变换，得到初步匹配图。
7.根据权利要求1所述的基于轮廓检测和特征匹配的图像配准方法，其特征在于，步骤7所述的基于特征点的匹配中采取的几何变换是透射变换，且无需去除误匹配算法。
CN201710658905.1A 2017-08-04 2017-08-04 基于轮廓检测和特征匹配的图像配准方法 Active CN107452030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710658905.1A CN107452030B (zh) 2017-08-04 2017-08-04 基于轮廓检测和特征匹配的图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710658905.1A CN107452030B (zh) 2017-08-04 2017-08-04 基于轮廓检测和特征匹配的图像配准方法

Publications (2)

Publication Number Publication Date
CN107452030A true CN107452030A (zh) 2017-12-08
CN107452030B CN107452030B (zh) 2020-04-21

Family

ID=60490335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710658905.1A Active CN107452030B (zh) 2017-08-04 2017-08-04 基于轮廓检测和特征匹配的图像配准方法

Country Status (1)

Country Link
CN (1) CN107452030B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509866A (zh) * 2018-03-12 2018-09-07 华南理工大学 一种人脸轮廓提取方法
CN108665470A (zh) * 2018-05-14 2018-10-16 华南理工大学 一种交互式轮廓提取方法
CN108898187A (zh) * 2018-07-03 2018-11-27 国网福建晋江市供电有限公司 一种自动识别配电房指示设备图像的方法及装置
CN110276750A (zh) * 2019-06-17 2019-09-24 浙江大学 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法
CN112861880A (zh) * 2021-03-05 2021-05-28 江苏实达迪美数据处理有限公司 基于图像分类的弱监督rgbd图像显著性检测方法及系统
CN113450299A (zh) * 2020-03-09 2021-09-28 深圳中科飞测科技股份有限公司 图像匹配方法、计算机装置及可读存储介质
CN114445472A (zh) * 2022-03-04 2022-05-06 山东胜算软件科技有限公司 基于仿射变换和模板匹配的多步图像配准算法
CN116309760A (zh) * 2023-05-26 2023-06-23 安徽高哲信息技术有限公司 谷物的图像对齐方法及谷物检测设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298779A (zh) * 2011-08-16 2011-12-28 淮安盈科伟力科技有限公司 全景辅助泊车系统的图像配准方法
CN103578105A (zh) * 2013-11-01 2014-02-12 中北大学 一种基于区域特征的多源异类图像配准方法
CN106251350A (zh) * 2016-07-28 2016-12-21 北京航空航天大学 一种基于极小惯量的rcs像与目标轮廓配准方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298779A (zh) * 2011-08-16 2011-12-28 淮安盈科伟力科技有限公司 全景辅助泊车系统的图像配准方法
CN103578105A (zh) * 2013-11-01 2014-02-12 中北大学 一种基于区域特征的多源异类图像配准方法
CN106251350A (zh) * 2016-07-28 2016-12-21 北京航空航天大学 一种基于极小惯量的rcs像与目标轮廓配准方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509866A (zh) * 2018-03-12 2018-09-07 华南理工大学 一种人脸轮廓提取方法
CN108509866B (zh) * 2018-03-12 2020-06-19 华南理工大学 一种人脸轮廓提取方法
CN108665470A (zh) * 2018-05-14 2018-10-16 华南理工大学 一种交互式轮廓提取方法
CN108898187A (zh) * 2018-07-03 2018-11-27 国网福建晋江市供电有限公司 一种自动识别配电房指示设备图像的方法及装置
CN110276750A (zh) * 2019-06-17 2019-09-24 浙江大学 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法
CN113450299A (zh) * 2020-03-09 2021-09-28 深圳中科飞测科技股份有限公司 图像匹配方法、计算机装置及可读存储介质
CN112861880A (zh) * 2021-03-05 2021-05-28 江苏实达迪美数据处理有限公司 基于图像分类的弱监督rgbd图像显著性检测方法及系统
CN112861880B (zh) * 2021-03-05 2021-12-07 江苏实达迪美数据处理有限公司 基于图像分类的弱监督rgbd图像显著性检测方法及系统
CN114445472A (zh) * 2022-03-04 2022-05-06 山东胜算软件科技有限公司 基于仿射变换和模板匹配的多步图像配准算法
CN114445472B (zh) * 2022-03-04 2023-05-26 山东胜算软件科技有限公司 基于仿射变换和模板匹配的多步图像配准方法
CN116309760A (zh) * 2023-05-26 2023-06-23 安徽高哲信息技术有限公司 谷物的图像对齐方法及谷物检测设备
CN116309760B (zh) * 2023-05-26 2023-09-19 安徽高哲信息技术有限公司 谷物的图像对齐方法及谷物检测设备

Also Published As

Publication number Publication date
CN107452030B (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN107452030A (zh) 基于轮廓检测和特征匹配的图像配准方法
CN110443836B (zh) 一种基于平面特征的点云数据自动配准方法及装置
CN104200461B (zh) 基于互信息图像选块和sift特征的遥感图像配准方法
CN109903327B (zh) 一种稀疏点云的目标物尺寸测量方法
CN106446894B (zh) 一种基于轮廓识别球型目标物位置的方法
CN111222516B (zh) 印制电路板点云关键轮廓特征提取方法
CN107301661A (zh) 基于边缘点特征的高分辨率遥感图像配准方法
CN107610162A (zh) 一种基于互信息与图像分割的三维多模态医学图像自动配准方法
CN107818598B (zh) 一种基于视觉矫正的三维点云地图融合方法
CN106960451A (zh) 一种提升图像弱纹理区域特征点数量的方法
CN109146001B (zh) 多视角isar图像融合方法
CN103727930A (zh) 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法
TW201516969A (zh) 視訊物件追蹤方法
CN106340010A (zh) 一种基于二阶轮廓差分的角点检测方法
CN107633507A (zh) 基于轮廓检测和特征匹配的lcd缺陷检测方法
CN105488512A (zh) 基于Sift特征匹配和形状上下文的试卷阅卷方法
CN103218809A (zh) 一种珍珠长度参数的图像测量方法
Liu et al. Enhancement of contour smoothness by substitution of interpolated sub-pixel points for edge pixels
CN105488798B (zh) 基于点集对比的sar图像相似性度量方法
CN104732529A (zh) 一种遥感图像形状特征配准方法
CN106504219A (zh) 有约束的路径形态学高分辨率遥感影像道路增强方法
CN101196988A (zh) 三维掌纹身份鉴别系统的手掌定位及中心区提取方法
CN106802149B (zh) 基于高维组合特征的快速序列图像匹配导航方法
CN116563582A (zh) 基于国产CPU和opencv的图像模板匹配方法及装置
CN109829502B (zh) 一种面向重复纹理及非刚性形变的像对高效稠密匹配方法

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
CB03 Change of inventor or designer information

Inventor after: Chen Wenjian

Inventor after: Zhu Bingfei

Inventor after: Li Wusen

Inventor after: Zhang Junqian

Inventor before: Zhu Bingfei

Inventor before: Chen Wenjian

Inventor before: Li Wusen

Inventor before: Zhang Junqian

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant