CN107886471B - 一种基于超像素投票模型的照片多余物体去除方法 - Google Patents
一种基于超像素投票模型的照片多余物体去除方法 Download PDFInfo
- Publication number
- CN107886471B CN107886471B CN201711070941.2A CN201711070941A CN107886471B CN 107886471 B CN107886471 B CN 107886471B CN 201711070941 A CN201711070941 A CN 201711070941A CN 107886471 B CN107886471 B CN 107886471B
- Authority
- CN
- China
- Prior art keywords
- image
- background
- super
- images
- pixel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 231100000289 photo-effect Toxicity 0.000 claims abstract 2
- 230000000694 effects Effects 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000008263 repair mechanism Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T3/18—Image warping, e.g. rearranging pixels individually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于超像素投票模型的照片多余物体去除方法,包括以下步骤:输入一组照片并进行图像配准,对照片进行前、背景分割,对照片中运动物体进行自动检测与去除,利用投票算法选取合适的区域模块进行图像补全。本发明提出了一种基于超像素分割的投票算法对照片中的运动物体进行自动检测与去除,去除运动物体后的照片效果逼真。
Description
技术领域
本发明属于图像补全及图像处理技术领域,具体涉及基于超像素投票模型的照片多余物体去除方法。
背景技术
现实生活中,经常会遇到这样的问题:游客会在某一地点拍摄多张照片,其目的是为了从中筛选出一张效果最佳的照片,即使这样,也会出现诸如以下的问题:有其他游客、车辆或别的物体出现在照片背景中,照片中人物表情不好等等,这在一定程度上影响了照片的效果。因此,从多张照片中去除背景中的多余对象,从而得到效果最佳的照片,是非常必要的。
虽然Adobe Photoshop CS可以实现对图片进行修改和完善,但其操作过程复杂,需要大量的人机交互,耗时较长,并不适用于大多数人群。如果只需要少量的人机交互,就能得到最佳的照片效果,那么便可以为游客们解决这个问题。
图像配准是图像处理研究领域中的一个典型问题和技术难点,是一种寻找同一场景的两幅或多幅图像之间的空间变换关系、并对其中的一幅或多幅图像进行变换的过程。图像配准可分为基于图像灰度和基于图像特征的配准。其中基于图像特征的配准方法由于其只对特征进行操作,计算量较少,因此应用较为广泛。
图像配准操作围绕图像的特征展开,因此,如何提取具有良好不变性的特征成为基于特征的图像配准的关键所在。尺度不变特征(Scale Invariant Feature Transform,SIFT)算法由D.G.Lowe(参见Lowe D G.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.)1999年提出,2004年完善总结。尺度不变特征SIFT算法所提取的特征具有旋转、尺度、仿射和光照等不变特性,是特征提取和匹配算法中应用最为广泛的算法。基于SIFT算法的图像配准因其高效性、稳定性和多量性等优点,具有重要的研究意义。SIFT算法不仅能提取出大量稳定的特征点,而且其独特性较高的特征描述符大多数情况下也能保证其较高的匹配率。但是,当待匹配图像含有大量的相似结构或包含运动物体时,由于SIFT特征描述符仅利用了特征点的局部邻域信息,因此对散落在这些相似区域中的点极易发生误匹配。目前去除误匹配的方法多采用极几何约束、迭代求精,如M-estimators、RANSAC等方法。
交互式图像分割是计算机视觉领域的一个重要研究课题,其目的是结合先验知识快速、精确地提取出用户感兴趣的前景对象。基于图论的图像分割一直是近年来研究的热点问题,该方法将图像分割过程转化为求解包含区域信息和边界信息的能量函数的最小化过程。基于该理论提出的分割算法包括:Graph cut算法,Grab cut算法。2004年Rother等人以Graph cut算法为基础,提出了Grab cut算法。该算法利用矩形框标出的感兴趣区域作为前景,矩形框外的区域作为背景,对前景、背景颜色空间建立高斯混合模型(GaussianMixture Model,GMM)(参见Zivkovic Z.Improved adaptive Gaussian mixture modelfor background subtraction[C]//International Conference on PatternRecognition.IEEE Computer Society,2004:28-31.),用GMM参数迭代地学习、估计,取代Graph cut算法的一次最小估计来完成能量函数最小化,可以很好地对彩色图像进行分割。Grab cut算法取得了高精度的分割能力和比较方便快捷的人机交互效果,但确定GMM参数的成本较高,成为制约其效率的瓶颈。
图像补全就是对图像上信息缺损区域进行信息填充的过程,其目的就是为了对有信息缺损的图像进行恢复,并且要使观察者无法察觉到图像曾经缺损或已被修复。目前存在两大类图像修复技术:一类是用于修复小尺度缺损的数字图像修补(inpainting)技术,另外一类是用于填充图像中大块丢失信息的图像补全(completion)技术。2000年Bertalmio(参见Bertalmio,Marcelo,Sapiro,et al.Image inpainting[J].2000,4(9):417--424.)提出的BSCB模型模拟微观修复机制;2001年Chen&Shen提出的整体变分(TV)模型模拟宏观修复机制,二者均是基于高阶偏微分方程(PDE)模型的典型的修补算法,主要用于修复小尺度破损的数字图像。这类算法建立在图像的先验模型和数据模型之上,将其转化为一个泛函求极值的变分问题,利用待修补区域的周边信息来确定扩散信息和扩散方向,模拟修补师的手工修复过程。该算法的优点是不限制待修补区的拓扑结构并可以同时填补多个区域,哪怕区域的结构和背景都不相同。其缺点是当修复区域比较大时,信息扩散速度会放缓,运算量急剧增加,从而导致该算法运行效率低下,无法适用于实际应用中。
2004年Criminisi(参见Criminisi A,Perez P,Toyama K.Region filling andobject removal by exemplar-based image inpainting[J].Image Processing IEEETransactions on,2004,13(9):1200-1212.)等采用一种基于块的图像补全算法,其实质是直接采用纹理合成的方法来去除照片中的大物体,并得到了很好的效果。这种纹理合成主要由优先权计算、搜索和复制三步组成:(1)计算优先权是为了决定填充的次序,以保证在纹理填充之前图像的线结构先被传播,这样就可以保证目标边界连通;(2)搜索就是根据纹理的相似性在原始区域找到最为匹配的块;(3)复制就是将所选择的块复制到目标区域内的适当位置。虽然Criminisi算法能很好地去除照片中的多余物体,但是需要事先进行大量的交互操作标记出待补全或待去除的区域,因此无法适用于实际应用中,并且Criminisi算法采用全局搜索方法来寻找匹配块,导致其运行效率低下,不适用于自动检测去除照片中的多余物体。
发明内容
本发明要解决的技术问题是:为了克服现有技术的计算复杂性以及低效性,提供一种基于超像素投票模型的照片多余物体去除方法,实现照片中运动物体自动检测与去除,准确性高,效果真实。
本发明解决上述技术问题的技术方案为:一种基于超像素投票模型的照片多余物体去除方法,对输入的一组照片进行图像配准以及前、背景分割,采用超像素分割方法将图像分割成多个超像素块,之后以超像素为单位,利用投票算法对照片中运动物体进行自动检测与去除,选取票数最多的超像素来替换当前超像素,从而得到去除运动物体后的图像,再利用图像补全算法,对结果图像进行效果优化。
本发明具体包括如下步骤:
1)对输入的照片进行图像配准
步骤(1)、采用SIFT特征检测与描述算法,完成图像序列特征点的提取,主要包括四个步骤:①检测尺度空间极值;②精炼特征点位置;③计算特征点的描述信息;④生成本地特征描述符。然后利用提取出的特征点进行图像配准,并采用RANSAC算法对图像变换矩阵进行求解与精炼,剔除误匹配,实现图像序列的对齐,保存图像序列的重叠区域。
2)图像前景与背景的分离
步骤(2)、对于步骤(1)配准后的图像序列,选取一张图像作为目标图像,其余图像作为候选图像,采用基于Grab cut的图像分割方法,利用高斯混合模型代替统计直方图模型对前景和背景颜色建模,在用户指定待分割对象的包围矩形框后,分离目标图像前景与背景信息,并保存。
步骤(3)、根据步骤(2)的结果,通过模板匹配方法,将Grab cut信息复制到其余候选图像,将其余图像的前景与背景分离。
3)运动物体的检测与去除
步骤(4)、采用SLIC超像素分割方法,将步骤(3)的目标背景图像分割成K个近似均匀的图像块,该算法将彩色图像转换为CIELAB颜色空间和XY坐标下的5维特征向量,然后对5维特征向量构造度量标准,对图像像素进行局部聚类。该算法速度较快,能生成紧凑、近似均匀的超像素,相比基于单像素的操作,可以大大提高效率,效果更加真实。
步骤(5)、将步骤(4)中对目标背景的超像素分割结果复制到其余候选背景图像,完成候选图像的分割,所以每张图像的分割结果都相同,拥有相同的超像素总数、超像素编号、每个超像素包含的像素数目及坐标等。
步骤(6)、采用投票法,统计所有背景图像中同一编号的超像素颜色信息,并进行相似度比较,取票数最多的超像素颜色信息替换目标背景图像中相应的超像素。该投票法可检测出背景图像中运动的物体,如:背景中的路人、车辆等,这些对象所属的超像素由于相似度票数少被替换,所以经过该步骤后的图像就是去除了多余运动物体的背景图像。
步骤(7)、对于步骤(6)得到的背景图像,被替换的超像素边界会存在黑边,通过图像膨胀技术去除黑边,并将背景图像与步骤(2)中的目标前景图像融合,得到结果图像并保存。
本发明与之前的方法相比的优点在于:本发明能够自动检测并去除照片中的多余物体,所得结果更准确真实。本发明主要有两点贡献:第一,给出了一种基于超像素分割的投票方法,该方法将图像序列分割成多个超像素块,以超像素为单位,自动检测并去除图像中的运动物体,具有快速、准确的优点;第二,提出了一种投票算法,利用其它图像的冗余信息来填补当前目标图像中被去除的区域信息,使得结果更加良好和逼真。
附图说明
图1为本发明整体流程图;
图2为Grab cut图像分割效果图;其中(a)前景图像,(b)背景图像;
图3为SLIC算法搜索范围示意图;其中(a)在整张图像中搜索,(b)SLIC在限定区域内搜索;
图4为图像超像素分割效果图;(a)目标背景图像,(b)超像素分割后的目标背景图像,(c)候选背景图像;
图5为超像素二维相似矩阵示意图;
图6为超像素黑边去除前后效果对比图;(a)超像素黑边去除前,(b)超像素黑边去除后;
图7为去除多余物体的照片效果图;(a)输入的图像序列,(b)目标图像,(c)去除多余物体的结果图像;
图8为结果照片效果图,(a)输入的图像序列,(b)目标图像,(c)去除多余物体的结果图像;
具体实施方式
下面结合附图以及本发明的具体实施方式进一步说明本发明。
如图1所示,对于输入的一组照片数据,本发明的步骤如下:
步骤(1)要完成图像配准,需要先提取图像的特征点,采用SIFT算法提取图像特征点,SIFT算法不仅能提取出大量稳定的特征点,而且其独特性较高的特征描述符大多数情况下也能保证其较高的匹配率。由于SIFT特征描述符仅利用了特征点的局部邻域信息,因此对散落在这些相似区域中的点极易发生误匹配。因此,为了提高图像配准的精度,本发明采用RANSAC等算法对图像变换矩阵进行求解与精炼,以达到较好的图像配准效果。
步骤(2)对于步骤(1)配准后的图像序列,选取一张图像作为目标图像,其余图像作为候选图像,采用基于Grab cut的图像分割方法,利用高斯混合模型代替统计直方图模型对前和背景颜色建模,在用户指定待分割对象的包围矩形框后迭代更新前景/背景GMM参数。用z=(z1,z2,…,zn)表示图像像素组成的数组,α=(α1,α2,…,αn)(0≤αn≤1)为像素对应的不透明度数组,它只能取0(背景)或1(前景),k=(k1,k2,…,kn)(kn∈{1,2,…,k},通常k=5,即前景和背景各5个高斯组件)为像素对应的前景或背景的高斯混合模型的高斯组件数组。前景提取问题可以转化为某个能量函数的最优化问题,然后使用图切方法求解。如图2所示,为Grab cut的效果图,其中(a)为进行图切后的前景人物,(b)为分离的背景图像。
步骤(3)根据步骤(2)的结果,通过模板匹配方法,将Grab cut信息复制到其余候选图像,将其余图像的前景与背景分离,Grab cut算法实现与步骤(2)中相同。
步骤(4)采用SLIC超像素分割算法对目标背景进行分割,该算法是将彩色图像转换为CIELAB颜色空间和XY坐标下的5维特征向量,然后对5维特征向量构造度量标准,对图像像素进行局部聚类的过程。该算法速度较快,能生成紧凑、近似均匀的超像素,具体步骤为:
a)初始化种子点。假设图像有N个像素点,预分割为K个相同尺寸的超像素,那么每个超像素的大小为N/K,且每个种子点的距离近似为S=√N/K。为了避免种子点处在图像的边缘位置,以及对后续的聚类过程造成干扰,需要将种子点在以它为中心的3×3的窗口内移动到梯度值最小的位置,同时为每个种子分配一个单独的标签。
b)相似度衡量。对于每个像素点,分别计算与之距离最近的种子点之间的相似程度,将最相似种子点的标签赋给该像素。通过不断迭代该过程,直到收敛,则相似度的衡量关系如下:
其中:lk,ak,bk,xk,yk(li,ai,bi,xi,yi)为第k(i)个像素的LAB颜色值和XY坐标值,dlab为像素点间的颜色差异,dxy为像素点间的空间距离,Di为两个像素的相似度;S为种子点的间距,m为平衡参数,用来衡量颜色值与空间信息在相似度衡量中的比重。Di取值越大,说明两个像素越相似。为了提高算法的运算速度,对每个种子点聚类时,只在以种子点为中心的2S×2S区域内搜索相似像素点,而不是在整张图像中寻找,如图3所示,其中(a)为在整张图像中搜索相似像素点的示意图,(b)为SLIC算法在限定邻近区域内搜索的示意图,因此大大降低了搜索时间,提高了算法效率。
步骤(5)将步骤(4)中对目标背景的超像素分割结果复制到其余候选背景图像,完成候选图像的分割,所以每张图像的分割结果都相同,拥有相同的超像素总数、超像素编号、每个超像素包含的像素数目及坐标等,如图4所示,(a)为要进行超像素分割的目标背景图像,(b)为采用SLIC超像素分割算法后的目标背景图像,(c)为图像序列中其它候选的背景图像的分割效果,可以看出SLIC算法能将图像分割成颜色相近的均匀块,这有利于之后的图像补全工作。
步骤(6)采用投票算法,统计所有背景图像中同一编号的超像素颜色信息,并进行相似度比较,对于目标背景图像中的超像素St,与候选图像中同一编号的超像素Sc的相似度可用下面的公式表示:
其中m为超像素St和Sc的像素数目,C为St与Sc中相似像素的数目。
如图5所示,当Sim(St,Sc)大于某个预定值,则认为超像素St和Sc是相似的,然后为编号相同的超像素(每张背景图像中的同一编号的超像素)创建一个二维相似矩阵smatk,表示第k个超像素相似矩阵,用于记录所有背景图像在该超像素处的相似度,矩阵中的元素smatk(i,j)(第i行第j列)表示背景图像i与背景图像j在该超像素的相似度,如果相似,此项元素置为1,否则为0。可用以下公式表示:
然后统计每张背景图像在该超像素处的相似度票数C(smatk(i)):
取票数最多的背景图像中的超像素颜色信息替换目标背景图像中相应的超像素。该投票法可检测出背景图像中运动的物体,如:背景中的路人、车辆等,这些对象所属的超像素由于相似度票数少被替换,所以经过该步骤后的图像就是去除了多余运动物体的背景图像。
步骤(7)对于步骤(6)得到的背景图像,被替换的超像素边界会存在黑边,通过图像膨胀技术去除黑边,如图6所示。然后将背景图像与步骤(2)中的目标前景图像融合,得到最终的结果图像并保存,效果图见图7,其中(a)为输入的图像序列,(b)为用户选择的要去除多余物体的目标图像,其中矩形框标出了待去除的物体,(c)为结果图像,可以看出该算法对于复杂场景中去除多余物体的效果逼真。
本发明的实现使用的软件平台为Microsoft visual studio 2010与OpenCV。硬件平台为3.4GHz Inter(R)Core(TM)i7CPU以及16GB内存。本发明的效果图如图8所示,其中(a)为输入的图像序列,(b)为用户选择的要去除多余物体的目标图像,其中矩形框标出了待去除的物体,(c)为结果图像,可以看出本发明对于体型较大物体的去除和补全效果逼真。对于包含4张照片的数据输入,每张照片分辨率为1200×900,该方法总体耗时约为60s。
Claims (5)
1.一种基于超像素投票模型的照片多余物体去除方法,其特征在于:包括如下步骤:
(1)利用图像配准技术对输入的多张照片进行图像配准对齐,并保留图像的重叠区域;
(2)选取一张照片作为目标图像,利用Grab cut算法对目标图像进行前景、背景分离,并使用模板匹配算法对其余照片进行前景、背景分离,其余照片作为候选图像;
(3)采用SLIC超像素分割方法,对目标图像的背景图像进行分割,然后将分割结果复制到其余候选图像的背景图像上,从而完成所有图像的背景图像的分割,利用投票选举法,将目标图像中有运动物体的超像素替换为所有图像中相应位置的优胜超像素,从而得到去掉多余物体后的结果图像;
(4)利用图像补全算法,对结果图像进行效果优化。
2.根据权利要求1所述的基于超像素投票模型的照片多余物体去除方法,其特征在于:步骤(1)包括:对输入的多张照片进行图像配准,利用基于SIFT的特征检测与匹配方法,将所有图像进行图像配准,并采用RANSAC算法对图像变换矩阵进行求解与精炼,剔除误匹配,保存所有图像的重叠区域。
3.根据权利要求1所述的基于超像素投票模型的照片多余物体去除方法,其特征在于:步骤(2)包括:采用基于Grab cut的图像分割方法,利用高斯混合模型代替统计直方图模型对前景和背景颜色建模,在用户指定待分割对象的包围矩形框后,分离目标图像的前景与背景信息,并通过模板匹配方法,实现其余候选图像背景与前景的分离。
4.根据权利要求1所述的基于超像素投票模型的照片多余物体去除方法,其特征在于:步骤(3)包括:采用SLIC超像素分割方法,将目标背景图像分割成具有相似纹理、颜色、亮度特征的相邻像素构成的图像块,统计所有背景图像中同一位置的超像素颜色信息,并进行投票选举,取票数最多的超像素作为优胜的超像素,替换目标背景图像中同一位置的超像素;通过这种方法,目标背景图像中包含运动物体的超像素由于得票少会被替换,保存此步骤的结果图像,并与步骤(2)中的前景图像进行融合,得到的便是去除了多余物体的结果图像。
5.根据权利要求1所述的基于超像素投票模型的照片多余物体去除方法,其特征在于:步骤(4)包括:对于步骤(3)的结果图像,利用图像补全算法,对结果图像中微小的残留物体进行去除,使得结果照片效果更加真实。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711070941.2A CN107886471B (zh) | 2017-11-03 | 2017-11-03 | 一种基于超像素投票模型的照片多余物体去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711070941.2A CN107886471B (zh) | 2017-11-03 | 2017-11-03 | 一种基于超像素投票模型的照片多余物体去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107886471A CN107886471A (zh) | 2018-04-06 |
CN107886471B true CN107886471B (zh) | 2020-12-01 |
Family
ID=61778800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711070941.2A Active CN107886471B (zh) | 2017-11-03 | 2017-11-03 | 一种基于超像素投票模型的照片多余物体去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107886471B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986133B (zh) * | 2018-07-13 | 2021-01-01 | 深圳棱镜空间智能科技有限公司 | 一种基于图像的运动目标去除方法 |
CN109242811B (zh) * | 2018-08-16 | 2021-09-17 | 广州视源电子科技股份有限公司 | 一种图像对齐方法及其装置、计算机可读存储介质和计算机设备 |
US11270415B2 (en) * | 2019-08-22 | 2022-03-08 | Adobe Inc. | Image inpainting with geometric and photometric transformations |
CN114885086A (zh) * | 2021-01-21 | 2022-08-09 | 华为技术有限公司 | 一种图像处理方法、头戴式设备和计算机可读存储介质 |
CN114363521B (zh) * | 2022-01-12 | 2023-09-15 | 西安维沃软件技术有限公司 | 图像处理方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266685A (zh) * | 2007-03-14 | 2008-09-17 | 中国科学院自动化研究所 | 一种基于多幅照片去除无关图像的方法 |
-
2017
- 2017-11-03 CN CN201711070941.2A patent/CN107886471B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107886471A (zh) | 2018-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886471B (zh) | 一种基于超像素投票模型的照片多余物体去除方法 | |
US11954813B2 (en) | Three-dimensional scene constructing method, apparatus and system, and storage medium | |
CN107452010B (zh) | 一种自动抠图算法和装置 | |
CN110070580B (zh) | 基于局部关键帧匹配的slam快速重定位方法及图像处理装置 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN108648194B (zh) | 基于cad模型三维目标识别分割和位姿测量方法及装置 | |
CN112967341B (zh) | 基于实景图像的室内视觉定位方法、系统、设备及存储介质 | |
CN107862698A (zh) | 基于k均值聚类的光场前景分割方法及装置 | |
CN107369204B (zh) | 一种从单幅照片恢复出场景基本三维结构的方法 | |
WO2018053952A1 (zh) | 一种基于场景样本库的影视图像深度提取方法 | |
Serna et al. | Data fusion of objects using techniques such as laser scanning, structured light and photogrammetry for cultural heritage applications | |
CN110310331A (zh) | 一种基于直线特征与点云特征结合的位姿估计方法 | |
CN110689573A (zh) | 一种基于边缘模型的增强现实无标识跟踪注册方法及装置 | |
CN112215925A (zh) | 自适应采煤机随动跟踪多摄像头视频拼接方法 | |
CN113159043A (zh) | 基于语义信息的特征点匹配方法及系统 | |
CN111709317B (zh) | 一种基于显著性模型下多尺度特征的行人重识别方法 | |
CN113538569A (zh) | 一种弱纹理物体位姿估计方法和系统 | |
Recky et al. | Façade segmentation in a multi-view scenario | |
CN112465021A (zh) | 基于图像插帧法的位姿轨迹估计方法 | |
CN110443228B (zh) | 一种行人匹配方法、装置、电子设备及存储介质 | |
CN111127353A (zh) | 一种基于块配准和匹配的高动态图像去鬼影方法 | |
Liu et al. | Match selection and refinement for highly accurate two-view structure from motion | |
CN109658523A (zh) | 利用ar增强现实应用实现车辆各功能使用说明的方法 | |
CN113011438A (zh) | 基于节点分类和稀疏图学习的双模态图像显著性检测方法 | |
CN113096016A (zh) | 一种低空航拍图像拼接方法和系统 |
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 |