CN107704856A - 冰芯光学特性图像采集处理方法 - Google Patents

冰芯光学特性图像采集处理方法 Download PDF

Info

Publication number
CN107704856A
CN107704856A CN201710902403.9A CN201710902403A CN107704856A CN 107704856 A CN107704856 A CN 107704856A CN 201710902403 A CN201710902403 A CN 201710902403A CN 107704856 A CN107704856 A CN 107704856A
Authority
CN
China
Prior art keywords
mrow
msub
image
ice core
mtd
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
Application number
CN201710902403.9A
Other languages
English (en)
Inventor
史剑光
董天骄
于海滨
贝琛圆
江晓
营方全
刘敬彪
安春雷
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201710902403.9A priority Critical patent/CN107704856A/zh
Publication of CN107704856A publication Critical patent/CN107704856A/zh
Pending legal-status Critical Current

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本发明公开了一种冰芯光学特性图像采集处理方法，方法包括以下步骤：拍摄多幅冰芯照片；对多幅冰芯照片进行图像拼接；对拼接后的全景冰芯图像进行光学分析，其特征在于，图像拼接包括以下步骤：图像预处理，采用直方图均衡化方法将冰芯照片进行非线性拉伸，重新分配像素值；图像匹配区域定位，确定相邻两幅照片的重叠区域，进行特征点的提取和配准；图像特征提取，采用FAST函数进行角点检测；图像特征匹配，以两个特征点描述符之间的欧氏距离作为特征点匹配的相似度准则；图像融合，采用加权平均融合进行图像平滑过渡后无缝拼接。本发明针对冰芯特征点稀少的问题，采用改进的图像拼接方法，高效、快速的合成冰芯全景图。

Description

冰芯光学特性图像采集处理方法
技术领域
本发明属于图像处理领域，特别涉及一种冰芯光学特性图像采集处理方法。
背景技术
冰芯是冰钻从冰川上部向下钻取的圆柱状冰体。降雪过程沉积到冰川内部的多种物质与化学成分，包括气溶胶微粒、火山尘埃、放射性物质及其同位素、大气成分、人类排放的固体与气体成分等，都能被保存在冰芯记录中[1]。利用定年技术与实验室分析，可以得到冰芯中不同气候环境指标的变化，重建过去不同时间尺度的气候环境时间变化过程。冰芯作为气候环境信息的载体，具有保真性强、信息量大、分辨率高、时间尺度长等优点，堪称“无字的环境密码档案库”。
目前，国外已经研制出多套冰芯光学测定仪。日本在2003年就已经研制出了一套冰芯光学测定仪，该冰芯光学测定仪被应用于Dome Fuji ice core project II。该光学测定仪的扫描速度在5mm/s左右，测量的冰芯样品长度1.5米，整条冰芯扫描下来用时6分钟左右。美国国家冰芯实验室在2007年也研制出了一套冰芯光学测定仪。该冰芯光学测定仪的扫描分辨率为0.05mm到1mm。具有自动光学图像采集和数据处理的功能。然而，这些设备不能够抵抗极地的恶劣环境，只能在实验室使用，无法让科研人员在第一时间保存冰芯的原始信息。
发明内容
有鉴于此，本发明的目的在于针对冰芯特征点稀少的问题，采用改进的图像拼接方法，高效、快速地合成冰芯全景图，以进行光学分析，得到冰芯反映的数据结果。
为达到上述目的，本发明提供了一种冰芯光学特性图像采集处理方法，包括以下步骤：
拍摄多幅冰芯照片；
对多幅冰芯照片进行图像拼接；
对拼接后的全景冰芯图像进行光学分析，
其中，所述图像拼接包括以下步骤：
图像预处理，采用直方图均衡化方法将冰芯照片进行非线性拉伸，重新分配像素值；
图像匹配区域定位，确定相邻两幅照片的重叠区域，进行特征点的提取和配准；
图像特征提取，采用FAST函数进行角点检测；
图像特征匹配，以两个特征点描述符之间的欧氏距离作为特征点匹配的相似度准则；
图像融合，采用加权平均融合进行图像平滑过渡后无缝拼接。
优选地，所述图像预处理包括以下步骤：
统计原始输入图像各灰度级的像素数目ni，i＝0，1，...L-1，其中L为灰度总级数；
计算原始图像直方图，即各灰度级的概率密度Pi，根据下式获得，
其中，n为原始图像的总像素数、ri为灰度级i；
计算累计分布函数sk，根据下式获得，
计算最后的输出灰度级gk，根据下式获得，
gk＝INT[(L-1)sk(rk)+0.5]/(L-1)，
其中，INT[]是取整算符。
优选地，所述图像特征提取包括以下步骤：
以一个像素p为中心，半径为3的圆上选取16个像素点，与中心点像素值做差，根据下式得到满足不等式的个数，
其中，I(x)为边上像素点的像素值，I(p)为中心点的像素值，εd为设定的阈值，N为满足不等式的个数；
如果N＞12，则此点作为一个候选角点，否则，删除；
对图像进行非极大值抑制，如果以特征点p为中心的一个邻域内有多个特征点，判断每个特征点的得分，若p是邻域中所有特征点得分最高的，则保留；否则，删除；若邻域内只有一个特征点，则保留，得分计算公式如下：
其中，p是中心像素，t是检测的阈值，pixel values是圆上N个相邻像素。
优选地，所述图像特征匹配，设特征点对p和q的特征描述符为Desp和Desq，则其欧氏距离由下式获得，
优选地，所述图像特征匹配，包括以下步骤：
采用优先k-d树进行优先搜索来查找每个特征点的两个近似最近邻特征点；
如果找出特征点p欧氏距离最近和次近的两个邻居特征点q1和q2，则计算p与q1以及p与q2两组描述符之间欧氏距离的比值r；
如果比值r小于规定阈值T，则匹配成功，(p，q1)为图像序列中的一对匹配点，否则匹配失败。
优选地，，所述图像融合，假设f1，f2是两幅待拼接的图像，f是融合后的图像，由下式获得：
其中，d1，d2表示权重值，且在重叠区域中，d1由1渐变到0，d1由0渐变到1。
优选地，所述光学分析，把同一位置的所有像素点的灰度值累加起来计算其平均值，不同的位置代表不同的年代，以此绘制年代-灰度曲线。
本发明的有益效果在于：在现实工作中，在南极钻取的冰芯样品长度1米左右，获得一幅场景的全景图像很难。如果扩大图像采集设备的视场角，会导致图像有很大的畸变，同时分辨率没有提高。本发明采用图像拼接的方法，对采集到的图像，采用适当的匹配算法，利用加权平均的融合方法完成对多幅图像的无缝拼接，以生成全视角的高清晰图像。拼接后的图像完整保存了整条冰芯，拼接缝上过渡自然，效果好。再配合之后的光学分析，绘制出年代-灰度曲线，可直接作为冰芯的年份参考
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明方法实施例1的冰芯光学特性图像采集处理方法步骤流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
实施例1
参见图1，所示为本发明方法实施例1的冰芯光学特性图像采集处理方法步骤流程图，包括以下步骤：
S10，拍摄多幅冰芯照片；
S201，图像预处理，采用直方图均衡化方法将冰芯照片进行非线性拉伸，重新分配像素值；
S202，图像匹配区域定位，确定相邻两幅照片的重叠区域，进行特征点的提取和配准；
S203，图像特征提取，采用FAST函数进行角点检测；
S204，图像特征匹配，以两个特征点描述符之间的欧氏距离作为特征点匹配的相似度准则；
S205，图像融合，采用加权平均融合进行图像平滑过渡后无缝拼接；
S30，对拼接后的全景冰芯图像进行光学分析，
在现实工作中，在南极钻取的冰芯样品长度1米左右，获得一幅场景的全景图像很难。如果扩大图像采集设备的视场角，会导致图像有很大的畸变，同时分辨率没有提高。为了解决这个问题，本发明如上述步骤所述，采用图像拼接的方法，图像拼接是指将同一幅场景中的多幅互相重叠区域拼接成一幅全景图像的过程。对采集到的图像，采用图像匹配区域定位，利用加权平均的融合方法完成对多幅图像的无缝拼接，以生成全视角的高清晰图像。根据图像匹配没有采用基于区域相关的拼接，由于其实是从待拼接图像的灰度值出发，对待配准图像中的一块区域与参考图像中的相同尺寸的区域使用最小二乘法或者其他数学方法计算其灰度值差异，对此差异比较后来判断待拼接图像重叠区域的范围和位置，从而实现图像拼接。而基于特征点的配准方法是通过像素导出图像特征，然后以图像特征为标准，对图像重叠部分的对应特征区域进行搜索匹配，具有比较高的健壮性和鲁棒性。
由于冰芯高透光的特点，拍摄出的照片存在灰度值差异不大，特征点稀少的问题。因此，基于区域相关的匹配算法实际上很难实现。本发明在冰芯的轨道上增加特征条，成功将图像的特征点提高了2个数量级，再采用基于特征点的图像特征匹配和图像融合，成功率高、效果好。
实施例2
S201图像预处理包括以下步骤：
第一步，统计原始输入图像各灰度级的像素数目ni，i＝0，1，...L-1，其中L为灰度总级数；
第二步：计算原始图像直方图，即各灰度级的概率密度Pi，根据下式获得，
其中，n为原始图像的总像素数、ri为灰度级i；
第三步：计算累计分布函数sk，根据下式获得，
第四步：计算最后的输出灰度级gk，根据下式获得，
gk＝INT[(L-1)sk(rk)+0.5]/(L-1)，
其中，INT[]是取整算符。
冰芯由于其高透光性，拍摄出的照片一般偏亮。因此，冰芯的原始图片灰度值主要集中在比较亮的区间。所以本发明采用直方图均衡化的方法把图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。这样就可以增强局部的对比度而不影响整体的对比度，使图像更加清晰。
实施例3
S203图像特征提取包括以下步骤：
第一步：以一个像素p为中心，半径为3的圆上选取16个像素点，与中心点像素值做差，根据下式得到满足不等式的个数，
其中，I(x)为边上像素点的像素值，I(p)为中心点的像素值，εd为设定的阈值，N为满足不等式的个数；
第二步：如果N＞12，则此点作为一个候选角点，否则，删除；
第三步：对图像进行非极大值抑制，如果以特征点p为中心的一个邻域内有多个特征点，判断每个特征点的得分，若p是邻域中所有特征点得分最高的，则保留；否则，删除；若邻域内只有一个特征点，则保留，得分计算公式如下：
其中，p是中心像素，t是检测的阈值，pixel values是圆上N个相邻像素。
确定图像匹配区域后，就要在匹配区域内进行特征提取和匹配。因为本文中采集的图像只存在平移变换，为了加快检测速度，采用FAST特征提取。FAST角点的定义为：若某像素与其周围邻域内足够多的像素点相差较大，则该像素可能是角点。
实施例4
S204图像特征匹配，设特征点对p和q的特征描述符为Desp和Desq，则其欧氏距离由下式获得，
再由以下步骤得到图像特征匹配结果：
第一步：采用优先k-d树进行优先搜索来查找每个特征点的两个近似最近邻特征点；
第二步：如果找出特征点p欧氏距离最近和次近的两个邻居特征点q1和q2，则计算p与q1以及p与q2两组描述符之间欧氏距离的比值r；
第三步：如果比值r小于规定阈值T，则匹配成功，(p，q1)为图像序列中的一对匹配点，否则匹配失败。
实施例5
S205图像融合，假设f1，f2是两幅待拼接的图像，f是融合后的图像，由下式获得：
其中，d1，d2表示权重值，且在重叠区域中，d1由1渐变到0，d1由0渐变到1。
图像匹配后，图像间的变换关系就得到了唯一确定。但是，由于拍摄时光照、环境条件的差异，两幅待拼接图像的重叠区域可能会有较大的差异。如果直接对图像进行叠加拼接，则在拼接位置上会存在明显的拼接缝以及重叠区域的模糊和失真的现象。所以要选择合适的方法来消除这种现象，本发明采用加权平均的融合方法进行图像平滑过渡。
具体实施例中，从全景图像可见光光度可以分析出冰芯的透光度、冰晶体性质等，以此反演出南极的气候变化。所以光学分析是很有意义的，本发明的光学分析，把同一位置的所有像素点的灰度值累加起来计算其平均值，不同的位置代表不同的年代，以此绘制年代-灰度曲线，以供科研人员分析使用。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种冰芯光学特性图像采集处理方法，包括以下步骤：
拍摄多幅冰芯照片；
对多幅冰芯照片进行图像拼接；
对拼接后的全景冰芯图像进行光学分析，
其特征在于，所述图像拼接包括以下步骤：
图像预处理，采用直方图均衡化方法将冰芯照片进行非线性拉伸，重新分配像素值；
图像匹配区域定位，确定相邻两幅照片的重叠区域，进行特征点的提取和配准；
图像特征提取，采用FAST函数进行角点检测；
图像特征匹配，以两个特征点描述符之间的欧氏距离作为特征点匹配的相似度准则；
图像融合，采用加权平均融合进行图像平滑过渡后无缝拼接。
2.根据权利要求1所述的冰芯光学特性图像采集处理方法，其特征在于，所述图像预处理包括以下步骤：
统计原始输入图像各灰度级的像素数目ni，i＝0，1，...L-1，其中L为灰度总级数；
计算原始图像直方图，即各灰度级的概率密度Pi，根据下式获得，
<mrow> <msub> <mi>P</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>r</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>n</mi> <mi>i</mi> </msub> <mi>n</mi> </mfrac> <mo>,</mo> </mrow>
其中，n为原始图像的总像素数、ri为灰度级i；
计算累计分布函数sk，根据下式获得，
<mrow> <msub> <mi>s</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>r</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>k</mi> </munderover> <msub> <mi>P</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>r</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>L</mi> <mo>-</mo> <mn>1</mn> <mo>;</mo> </mrow>
计算最后的输出灰度级gk，根据下式获得，
gk＝INT[(L-1)sk(rk)+0.5]/(L-1)，
其中，INT[]是取整算符。
3.根据权利要求2所述的冰芯光学特性图像采集处理方法，其特征在于，所述图像特征提取包括以下步骤：
以一个像素p为中心，半径为3的圆上选取16个像素点，与中心点像素值做差，根据下式得到满足不等式的个数，
<mrow> <mi>N</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>&amp;ForAll;</mo> <mrow> <mo>(</mo> <mi>c</mi> <mi>i</mi> <mi>r</mi> <mi>c</mi> <mi>l</mi> <mi>e</mi> <mo>(</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> </munder> <mo>|</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&gt;</mo> <msub> <mi>&amp;epsiv;</mi> <mi>d</mi> </msub> <mo>,</mo> </mrow>
其中，I(x)为边上像素点的像素值，I(p)为中心点的像素值，εd为设定的阈值，N为满足不等式的个数；
如果N＞12，则此点作为一个候选角点，否则，删除；
对图像进行非极大值抑制，如果以特征点p为中心的一个邻域内有多个特征点，判断每个特征点的得分，若p是邻域中所有特征点得分最高的，则保留；否则，删除；若邻域内只有一个特征点，则保留，得分计算公式如下：
<mrow> <mi>V</mi> <mo>=</mo> <mi>max</mi> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>&amp;Sigma;</mi> <mrow> <mo>(</mo> <mi>p</mi> <mi>i</mi> <mi>x</mi> <mi>e</mi> <mi>l</mi> <mi> </mi> <mi>v</mi> <mi>a</mi> <mi>l</mi> <mi>u</mi> <mi>e</mi> <mi>s</mi> <mo>-</mo> <mi>p</mi> <mo>)</mo> </mrow> <mi>i</mi> <mi>f</mi> <mrow> <mo>(</mo> <mi>v</mi> <mi>a</mi> <mi>l</mi> <mi>u</mi> <mi>e</mi> <mo>-</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>&gt;</mo> <mi>t</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>&amp;Sigma;</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>-</mo> <mi>p</mi> <mi>i</mi> <mi>x</mi> <mi>e</mi> <mi>l</mi> <mi> </mi> <mi>v</mi> <mi>a</mi> <mi>l</mi> <mi>u</mi> <mi>e</mi> <mi>s</mi> <mo>)</mo> </mrow> <mi>i</mi> <mi>f</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>-</mo> <mi>v</mi> <mi>a</mi> <mi>l</mi> <mi>u</mi> <mi>e</mi> <mo>)</mo> </mrow> <mo>&gt;</mo> <mi>t</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，p是中心像素，t是检测的阈值，pixel values是圆上N个相邻像素。
4.根据权利要求3所述的冰芯光学特性图像采集处理方法，其特征在于，所述图像特征匹配，设特征点对p和q的特征描述符为Desp和Desq，则其欧氏距离由下式获得，
<mrow> <mi>d</mi> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mn>127</mn> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>Des</mi> <mi>p</mi> </msub> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>Des</mi> <mi>q</mi> </msub> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>.</mo> </mrow>
5.根据权利要求4所述的冰芯光学特性图像采集处理方法，其特征在于，所述图像特征匹配，包括以下步骤：
采用优先k-d树进行优先搜索来查找每个特征点的两个近似最近邻特征点；
如果找出特征点p欧氏距离最近和次近的两个邻居特征点q1和q2，则计算p与q1以及p与q2两组描述符之间欧氏距离的比值r；
如果比值r小于规定阈值T，则匹配成功，(p，q1)为图像序列中的一对匹配点，否则匹配失败。
6.根据权利要求1所述的冰芯光学特性图像采集处理方法，其特征在于，所述图像融合，假设f1，f2是两幅待拼接的图像，f是融合后的图像，由下式获得：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>f</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;Element;</mo> <msub> <mi>f</mi> <mn>1</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>d</mi> <mn>1</mn> </msub> <msub> <mi>f</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>d</mi> <mn>2</mn> </msub> <msub> <mi>f</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;Element;</mo> <msub> <mi>f</mi> <mn>1</mn> </msub> <mo>&amp;cap;</mo> <msub> <mi>f</mi> <mn>2</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>f</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;Element;</mo> <msub> <mi>f</mi> <mn>2</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，d1，d2表示权重值，且在重叠区域中，d1由1渐变到0，d1由0渐变到1。
7.根据权利要求1所述的冰芯光学特性图像采集处理方法，其特征在于，所述光学分析，把同一位置的所有像素点的灰度值累加起来计算其平均值，不同的位置代表不同的年代，以此绘制年代-灰度曲线。
CN201710902403.9A 2017-09-28 2017-09-28 冰芯光学特性图像采集处理方法 Pending CN107704856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710902403.9A CN107704856A (zh) 2017-09-28 2017-09-28 冰芯光学特性图像采集处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710902403.9A CN107704856A (zh) 2017-09-28 2017-09-28 冰芯光学特性图像采集处理方法

Publications (1)

Publication Number Publication Date
CN107704856A true CN107704856A (zh) 2018-02-16

Family

ID=61174645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710902403.9A Pending CN107704856A (zh) 2017-09-28 2017-09-28 冰芯光学特性图像采集处理方法

Country Status (1)

Country Link
CN (1) CN107704856A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115524343A (zh) * 2022-09-29 2022-12-27 哈尔滨工业大学 一种冰晶体物理结构的细观表征方法
CN117911287A (zh) * 2024-03-20 2024-04-19 中国科学院西安光学精密机械研究所 一种大幅壁画图像的交互式拼接修复方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916371A (zh) * 2010-09-01 2010-12-15 北京工业大学 对图像进行光照归一化处理的方法及采用其的图像识别方法
CN105069743A (zh) * 2015-07-28 2015-11-18 中国科学院长春光学精密机械与物理研究所 探测器拼接实时图像配准的方法
US20170076173A1 (en) * 2014-11-03 2017-03-16 Texas Instruments Incorporated Optimized Fast Feature Detection for Vector Processors

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916371A (zh) * 2010-09-01 2010-12-15 北京工业大学 对图像进行光照归一化处理的方法及采用其的图像识别方法
US20170076173A1 (en) * 2014-11-03 2017-03-16 Texas Instruments Incorporated Optimized Fast Feature Detection for Vector Processors
CN105069743A (zh) * 2015-07-28 2015-11-18 中国科学院长春光学精密机械与物理研究所 探测器拼接实时图像配准的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张懿 等: "基于FAST特征的快速图像拼接系统研究", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115524343A (zh) * 2022-09-29 2022-12-27 哈尔滨工业大学 一种冰晶体物理结构的细观表征方法
CN117911287A (zh) * 2024-03-20 2024-04-19 中国科学院西安光学精密机械研究所 一种大幅壁画图像的交互式拼接修复方法

Similar Documents

Publication Publication Date Title
WO2023029373A1 (zh) 一种高精度的农田植被信息提取方法
Cihlar et al. Classification by progressive generalization: A new automated methodology for remote sensing multichannel data
Gao et al. Faster multi-defect detection system in shield tunnel using combination of FCN and faster RCNN
Yang et al. An automated cirrus cloud detection method for a ground-based cloud image
CN112801230B (zh) 一种配电线路无人机智能验收方法
CN110333554A (zh) Nriet暴雨智能相似分析方法
CN112287983A (zh) 一种基于深度学习的遥感图像目标提取系统和方法
CN108537169A (zh) 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法
Shin et al. True Orthoimage Generation Using Airborne LiDAR Data with Generative Adversarial Network‐Based Deep Learning Model
CN107704856A (zh) 冰芯光学特性图像采集处理方法
CN115294066A (zh) 一种砂石粒径检测方法
Chen et al. Real-time garbage object detection with data augmentation and feature fusion using SUAV low-altitude remote sensing images
CN113627427B (zh) 一种基于图像检测技术的仪器仪表读数方法及系统
CN113627288B (zh) 一种面向海量影像的智能化信息标签获取方法
Li et al. Learning to holistically detect bridges from large-size vhr remote sensing imagery
CN113392837A (zh) 一种基于深度学习的车牌识别方法及装置
CN116883893A (zh) 基于红外热成像的隧道掌子面地下水智能判识方法及系统
Teodoro et al. Exploration of the OBIA methods available in SPRING non-commercial software to UAV data processing
CN111179278A (zh) 一种图像检测的方法、装置、设备和存储介质
CN112906528B (zh) 一种融合多源卫星遥感数据的城市建筑物材质分类方法
Hu et al. An automatic detection method of the mural shedding disease using YOLOv4
Chang et al. Improving Cloud Detection in WFV Images Onboard Chinese GF-1/6 Satellite
Groenen et al. Panorams: automatic annotation for detecting objects in urban context
Tang et al. Crack-Detection Method for Asphalt Pavement Based on the Improved YOLOv5
Priem et al. Use of multispectral satellite imagery and hyperspectral endmember libraries for urban land cover mapping at the metropolitan scale

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180216