CN107945120B - 基于样本块的旋转及缩放图像修复方法 - Google Patents
基于样本块的旋转及缩放图像修复方法 Download PDFInfo
- Publication number
- CN107945120B CN107945120B CN201711068055.6A CN201711068055A CN107945120B CN 107945120 B CN107945120 B CN 107945120B CN 201711068055 A CN201711068055 A CN 201711068055A CN 107945120 B CN107945120 B CN 107945120B
- Authority
- CN
- China
- Prior art keywords
- block
- damaged
- image
- value
- points
- 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 36
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 20
- 230000008439 repair process Effects 0.000 description 15
- 238000013519 translation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于样本块的旋转及缩放图像修复方法:利用局部特征向量的特性,对图像中未破损区域进行关键点的计算;计算破损区域中像素点的优先权,选出具有最高优先权的像素点,以此像素点为中心,根据确定的破损块的尺寸,定义出破损块;对破损块进行关键点的计算,对破损块和未破损区域进行关键点匹配,搜寻最优匹配块;利用匹配到的关键点坐标值确定最优匹配块的边缘轮廓;对最优匹配块进行空间拓展变换;利用拓展后的最优匹配块对破损块进行信息填充;重复上述步骤,直到所有破损块都被修复,输出修复后的图像。对于具有旋转和尺度缩放图像,本发明能够快速准确地获得相关破损块的最优匹配块,获得良好的修复效果。
Description
技术领域
本发明涉及计算机图像处理领域,更具体的说,是涉及一种基于样本块的旋转及缩放图像修复方法。
背景技术
图像修复是图像处理和计算机视觉领域研究的重点之一。图像修复是对受损图像进行修复重建,或者去除图像中的多余物体,同时保证图像原有的视觉效果。目前该技术大体上可以分为两类,一类是针对小区域破损区域的修复方法,另一类是针对大区域破损区域的修复方法。
小区域破损区域的修复通常是基于偏微分方程的图像修复算法,主要是利用热扩散方程建立图像的偏微分方程,并按照一定的规则向待修复区域扩散。大区域破损区域的修复主要是基于纹理合成的修复方法,也是目前图像修复的重点,主要是利用图像破损区域附近完好的纹理信息,对待修复区域进行块匹配和复制,从而达到图像修复的目的。最常见的大区域破损区域的修复算法主要是基于样本块的方法。
传统基于样本块的修复算法在搜索最优匹配块时,大多是通过平移的方式来进行搜索,这种方式可用于处理平移图像,但是当图像存在旋转和尺度变换时,仅通过平移无法获得最优的匹配块。而在信息填充阶段,由于得到的匹配块与待修复块并不是平移关系,此时需要对获得的最优匹配块进行旋转或者尺度缩放的变换,之后才能进行信息的填充。鉴于此,需要找到一种针对旋转和尺度缩放图像最优匹配块搜索方法,以及对图像块进行空间变换的方法。
发明内容
本发明的目的是为了克服现有技术中的不足,提供了一种基于样本块的旋转及缩放图像修复方法,利用局部特征向量的不变性来对破损块的最优匹配块进行搜索,利用改进后的空间能量函数对搜索到的最优匹配块进行变换,使其与破损块的像素信息相一致,从而使信息填充顺利进行,完成图像修复过程。
本发明的目的是通过以下技术方案实现的。
一种基于样本块的旋转及缩放图像修复方法,包括以下步骤:
1)利用局部特征向量的特性,对图像中未破损区域进行关键点的计算、检测和筛选;
2)计算破损区域中像素点的优先权,选出具有最高优先权的像素点,以此像素点为中心,根据确定的破损块的尺寸大小,定义出破损块;
3)对破损块进行关键点的计算、检测和筛选,然后对破损块和未破损区域进行关键点的匹配,搜寻最优匹配块;
4)利用匹配到的关键点的坐标值确定最优匹配块的边缘轮廓;
5)对最优匹配块的空间能量函数进行空间拓展变换:
式中,ip是像素的相对索引值,表示顺时针旋转θn角度,αn是尺度变换系数,取值为αn=0.5,表示顺时针旋转θn角度后的像素相对索引值,n是破损区域的像素点,x是未破损区域的像素点,M(x)是以x为中心的经过拓展变换后的最优匹配块,T代表破损区域,MMSE是最小均方差,Bn是以n为中心的破损块,代表水平和垂直方向的梯度信息,λ是权重因子,取值为λ=0.2;
6)利用拓展后的最优匹配块对破损块进行信息填充;
7)重复步骤2)至6),直到所有的破损块都被修复,输出修复后的图像。
对步骤1)中的未破损区域和步骤3)中破损块均按以下公式进行关键点的计算、检测和筛选具体过程如下:
首先,极值点通过高斯差分(DOG)函数产生:
F(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
式中,F(x,y,σ)是经过尺度变换之后的图像空间,G(x,y,σ)是多尺度的高斯函数,I(x,y)代表了图像像素值,k是一个固定的乘数因子,*代表了卷积运算;
然后,通过数据采样产生图像金字塔,在每一层图像层中计算像素的最大值和最小值点;在计算出极值点后,根据高斯差分函数的泰勒展开式,对极值点进行筛选,去除对噪声敏感以及位于边缘的那些点,将最后得到的极值点设为关键点;
最后,根据计算关键点的梯度信息来确定其方向特性;图像梯度的幅值和方向由以下的式子计算:
式中,m(x,y)是梯度的幅值,θ(x,y)是梯度的方向值。
步骤4)中确定最优匹配块的边缘轮廓的关系式为:
式中,xmin表示关键点横坐标的最小值,xmax表示关键点横坐标的最大值,ymin表示关键点纵坐标的最小值,ymax表示关键点纵坐标的最大值,yj表示横坐标最小值对应的另一半坐标值,yi表示横坐标最大值对应的另一半坐标值,xk表示纵坐标最小值对应的另一半坐标值,xl表示纵坐标最大值对应的另一半坐标值。
步骤5)中对最优匹配块的空间能量函数进行空间拓展变换的函数为:
式中,ip是像素的相对索引值,表示经过θn角度的旋转,αn是尺度变换系数,取值为αn=0.5,表示顺时针经过θn角度旋转后的像素相对索引值,n是破损区域的像素点,x是未破损区域的像素点,M(x)是以x为中心的经过拓展变换后的最优匹配块,T代表破损区域,MMSE是最小均方差,Bn是以n为中心的破损块,代表水平和垂直方向的梯度信息,λ是权重因子,取值为λ=0.2。
与现有技术相比,本发明的技术方案所带来的有益效果是:
(1)本发明针对的是旋转和尺度缩放图像的修复算法,传统的图像修复算法只能够在平移空间中进行最优匹配块的搜索,而当图像中存在旋转或者尺度缩放时,无法获取准确的匹配块,由此造成后面用此匹配块进行填充时无法得到很好的修复效果。针对这一不足,本发明利用了局部特征向量具有平移、缩放、旋转不变性的特性对最优匹配块进行搜索,提高了搜索的准确性,缩短了搜索时间,提高了最优匹配块的搜索效率。
(2)本发明对传统的空间能量函数进行改进,增加了旋转和尺度缩放因子,使其能够适应图像块的旋转和尺度缩放。利用改进后的空间函数对最优匹配块进行空间拓展变换,使其与破损块之间的像素信息相对应,从而保证了信息填充过程的顺利进行。
(3)本发明较好的解决了关于旋转和尺度缩放图像的修复问题,与已有的方法相比,鲁棒性更强,搜索过程的效率更高,有着广泛的应用前景。
附图说明
图1是本发明基于样本块的旋转及缩放图像修复方法的流程图;
图2是利用关键点的坐标值确定最优匹配块的边缘轮廓的过程图;
图3是利用本发明方法和一般的方法找到的匹配块的结果对比图;
图4是实施例中第一幅图像(旋转图像)实验效果图;
图5是实施例中第二幅图像(旋转图像)实验效果图;
图6是实施例中第三幅图像(尺度缩放图像)实验效果图;
图7是实施例中第四幅图像(尺度缩放图像)实验效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
本发明的基于样本块的旋转及缩放图像修复方法,如图1所示,具体步骤和原理如下:
1)利用局部特征向量的特性,对图像中未破损区域进行关键点的计算、检测和筛选。
局部特征向量是根据图像配准算法产生的。首先,带有方向信息的图像的局部极值点,即图像的关键点被检测,特征向量则由这些关键点产生。极值点通过高斯差分(DOG)函数产生:
F(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y) (1)
式中,F(x,y,σ)是经过尺度变换之后的图像空间,G(x,y,σ)是多尺度的高斯函数,I(x,y)代表了图像像素值,k是一个固定的乘数因子,*代表了卷积运算。
然后,通过数据采样产生图像金字塔,在每一层图像层中计算像素的最大值和最小值点。由于高斯差分函数自身具有的良好属性,这些极值点具有尺度不变特性。为了提高准确性,在计算出极值点后,本发明根据高斯差分函数的泰勒展开式,对极值点进行筛选,去除对噪声敏感以及位于边缘的那些点,将最后得到的极值点设为关键点。
最后,为了让计算出的关键点具有旋转不变性,根据计算关键点的梯度信息来确定其方向特性。图像梯度的幅值和方向由以下的式子计算:
式中,m(x,y)是梯度的幅值,θ(x,y)是梯度的方向值。
根据具有旋转和尺度不变性的关键点产生的特征向量,可以被用来对两个图像块进行匹配。本发明中利用了k-d树算法来进行最优搜索(参考文献:Beis JS,Lowe DG(1993)Shape Indexing Using Approximate Nearest-Neighbour Search in High-DimensionalSpaces.IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERNRECOGNITION.pp 1000-1006.)。
2)计算破损区域中像素点的优先权,选出具有最高优先权的像素点,以此像素点为中心,根据确定的破损块的尺寸大小,定义出破损块。
3)利用公式(1)-(3)对破损块进行关键点的计算、检测和筛选,然后对破损块和未破损区域当中的关键点进行搜索匹配,从而找到破损块的最优匹配块。
4)利用匹配到的关键点的坐标值确定最优匹配块的边缘轮廓。
假设N个关键点的水平和垂直坐标集合分别是X={x1,x2,...,xN}和Y={y1,y2,...,yN}。通过搜索坐标的最大和最小值,然后利用这4个坐标值来确定最优匹配块的边缘轮廓:
式中,xmin表示关键点横坐标的最小值,xmax表示关键点横坐标的最大值,ymin表示关键点纵坐标的最小值,ymax表示关键点纵坐标的最大值,yj表示横坐标最小值对应的另一半坐标值,yi表示横坐标最大值对应的另一半坐标值,xk表示纵坐标最小值对应的另一半坐标值,xl表示纵坐标最大值对应的另一半坐标值。
5)对搜索到的最优匹配块的空间能量函数进行空间拓展变换,加入梯度项、旋转和尺度缩放因子,使最优匹配块与破损块的像素相对应。
考虑到最优匹配块和破损块之间具有旋转或者尺度缩放的关系,所以首先要对最优匹配块进行变换来保证信息填充过程的顺利进行。能量函数能被用来表示空间的状态,然而传统的能量函数只能用于平移的图像空间,表达式如下:
本发明对传统的能量函数进行改进,增加了旋转和尺度变换因子,以确保信息填充的顺利进行。最优匹配块的空间拓展函数定义为:
式中,ip是像素的相对索引值,表示顺时针旋转θn角度,αn是尺度变换系数,取值为αn=0.5,表示顺时针旋转θn角度后的像素相对索引值,n是破损区域的像素点,x是未破损区域的像素点,M(x)是以x为中心的经过拓展(旋转和尺度变化)变换后的最优匹配块。
利用上述的空间拓展函数,本发明对传统能量函数进行改进,同时,为了减少匹配的误差,本发明将梯度项添加到能量函数中。改进后的空间能量函数如下所示:
6)利用拓展后的最优匹配块对破损块进行信息填充。
7)重复步骤2)至6),直到所有的破损块都被修复,输出修复后的图像。
实施例:
利用关键点坐标值确定最优匹配块的边缘轮廓的过程如图2所示。其中,S表示的是未破损区域区域,T表示的是破损区域,B表示的是破损块。图中的黑点表示的是关键点,矩形表示的是由关键点坐标确定的破损块的最优匹配块。公式(1)中取值为k=10。
本发明选取了2幅图像进行验证匹配块搜索结果,其中第一幅图像是旋转图像,第二幅图像是尺度缩放图像,如图3所示。在图(a)中左侧矩形标记的图像块和图(b)中中间矩形标记的图像块均表示破损块,在图(a)中右侧矩形标记的图像块和图(b)中右侧矩形标记的图像块均表示用本发明所示的方法获得的匹配块,在图(a)中顶部矩形标记的图像块和图(b)中左侧矩形标记的图像块表示用一般的基于样本块的方法(参考文献:Criminisi A,Pérez P,Toyama K(2004)Region filling and object removal by exemplar-basedimage inapinting.IEEE Transactions on image processing 13(9):1200-1212.)获得的匹配块。在图3(a)中,破损块和顶部矩形标记的图像块是完全不同的,但是和右侧矩形标记的图像块直接存在着旋转的关系。同理可见,在图3(b)中,破损块和右侧矩形标记的图像块之间存在着缩放的关系,但是和左侧矩形标记的图像块之间却是不同的。由此可见,由本发明所示的方法获得的匹配块是准确的。
本发明选取了4幅图像进行验证算法修复结果。图4是旋转图像,其中,图(a)代表原始图像;图(b)黑色区域代表破损区域;图(c)为NN修复算法的修复效果;图(d)为E-PLE修复算法的修复效果;图(e)为non-local修复算法的修复效果;图(f)为本发明方法的修复效果。图5是旋转图像,其中,图(a)代表原始图像;图(b)黑色区域代表破损区域;图(c)为NN修复算法的修复效果;图(d)为E-PLE修复算法的修复效果;图(e)为non-local修复算法的修复效果;图(f)为本发明方法的修复效果。图6是尺度缩放图像,其中,图(a)代表原始图像;图(b)黑色区域代表破损区域;图(c)为E-PLE修复算法的修复效果;图(d)为NN修复算法的修复效果;图(e)为本发明方法的修复效果。图7是尺度缩放图像,其中,图(a)代表原始图像;图(b)黑色区域代表破损区域;图(c)为NN修复算法的修复效果;图(d)为E-PLE修复算法的修复效果;图(e)为本发明方法的修复效果。
从图4和图5中可以看出,由于缺少旋转不变性,利用NN算法、E-PLE算法和non-local算法的修复结果不能令人满意;而利用本发明方法得到的修复结果取得了令人满意的结果,在视觉上更加合理,并且修复部分与整体图像更加一致。
从图6和图7中可以看出,由于缺少尺度变换,利用E-PLE算法和NN算法得到的修复结果不能令人满意;而本发明方法的搜索过程具有尺度不变性,因此得到的修复结果准确合理。
尽管上面结合附图对本发明的功能及工作过程进行了描述,但本发明并不局限于上述的具体功能和工作过程,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (3)
1.一种基于样本块的旋转及缩放图像修复方法,其特征在于,包括以下步骤:
1)利用局部特征向量的特性,对图像中未破损区域进行关键点的计算、检测和筛选;
2)计算破损区域中像素点的优先权,选出具有最高优先权的像素点,以此像素点为中心,根据确定的破损块的尺寸大小,定义出破损块;
3)对破损块进行关键点的计算、检测和筛选,然后对破损块和未破损区域进行关键点的匹配,搜寻最优匹配块;
4)利用匹配到的关键点的坐标值确定最优匹配块的边缘轮廓;
5)对最优匹配块的空间能量函数进行空间拓展变换:
式中,ip是空间变换前像素相对索引值,αn是尺度变换系数,取值为表示顺时针旋转θn角度后的像素相对索引值,n是破损区域的像素点,x是未破损区域的像素点,M(x)是以x为中心的经过拓展变换后的最优匹配块,T代表破损区域,MMSE是最小均方差,Bn是以n为中心的破损块,代表水平和垂直方向的梯度信息,λ是权重因子,取值为λ=0.2;
6)利用拓展后的最优匹配块对破损块进行信息填充;
7)重复步骤2)至6),直到所有的破损块都被修复,输出修复后的图像。
2.根据权利要求1所述的基于样本块的旋转及缩放图像修复方法,其特征在于,对步骤1)中的未破损区域和步骤3)中破损块均按以下公式进行关键点的计算、检测和筛选具体过程如下:
首先,极值点通过高斯差分(DOG)函数产生:
F(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
式中,F(x,y,σ)是经过尺度变换之后的图像空间,G(x,y,σ)是多尺度的高斯函数,I(x,y)代表了图像像素值,k是一个固定的乘数因子,*代表了卷积运算;
然后,通过数据采样产生图像金字塔,在每一层图像层中计算像素的最大值和最小值点;在计算出极值点后,根据高斯差分函数的泰勒展开式,对极值点进行筛选,去除对噪声敏感以及位于边缘的那些点,将最后得到的极值点设为关键点;
最后,根据计算关键点的梯度信息来确定其方向特性;图像梯度的幅值和方向由以下的式子计算:
式中,m(x,y)是梯度的幅值,θ(x,y)是梯度的方向值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711068055.6A CN107945120B (zh) | 2017-11-03 | 2017-11-03 | 基于样本块的旋转及缩放图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711068055.6A CN107945120B (zh) | 2017-11-03 | 2017-11-03 | 基于样本块的旋转及缩放图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945120A CN107945120A (zh) | 2018-04-20 |
CN107945120B true CN107945120B (zh) | 2020-09-01 |
Family
ID=61934277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711068055.6A Active CN107945120B (zh) | 2017-11-03 | 2017-11-03 | 基于样本块的旋转及缩放图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945120B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400268A (zh) * | 2019-07-02 | 2019-11-01 | 上海工程技术大学 | 一种非单一视角下织物图像修复系统及其方法 |
CN112101374B (zh) * | 2020-08-01 | 2022-05-24 | 西南交通大学 | 基于surf特征检测和isodata聚类算法的无人机障碍物检测方法 |
CN111815543B (zh) * | 2020-08-04 | 2024-02-09 | 北京惠朗时代科技有限公司 | 一种面向图像修复的多尺度特征匹配方法 |
CN113205145B (zh) * | 2021-05-18 | 2022-08-16 | 广州大学 | 基于归一化互相关的模板匹配方法、系统、装置及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4405656B2 (ja) * | 2000-10-20 | 2010-01-27 | 富士通株式会社 | 指紋情報を用いた個人認証システム及び同システム用登録・認証方法 |
CN101571950B (zh) * | 2009-03-25 | 2011-10-12 | 湖南大学 | 基于各向同性扩散和稀疏表示的图像修复方法 |
CN103971338B (zh) * | 2014-05-06 | 2017-01-11 | 清华大学深圳研究生院 | 一种基于显著图的可变块图像修复方法 |
CN104282000A (zh) * | 2014-09-15 | 2015-01-14 | 天津大学 | 一种基于旋转及尺度变换的图像修复方法 |
CN104484866A (zh) * | 2014-12-15 | 2015-04-01 | 天津大学 | 一种基于旋转及尺度空间拓展的图像修复方法 |
-
2017
- 2017-11-03 CN CN201711068055.6A patent/CN107945120B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107945120A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tareen et al. | A comparative analysis of sift, surf, kaze, akaze, orb, and brisk | |
CN107945120B (zh) | 基于样本块的旋转及缩放图像修复方法 | |
US20140226906A1 (en) | Image matching method and apparatus | |
Shahroudnejad et al. | Copy-move forgery detection in digital images using affine-SIFT | |
CN110070096B (zh) | 针对非刚性形状匹配的局部频域描述子生成方法及装置 | |
JP2006523345A (ja) | マルチメディアデータに索引付けをし、そして検索するための形状マッチング方法 | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN107862708A (zh) | 一种sar与可见光图像配准方法 | |
CN111242221A (zh) | 基于图匹配的图像匹配方法、系统及存储介质 | |
Jaberi et al. | Improving the detection and localization of duplicated regions in copy-move image forgery | |
CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
CN109255815B (zh) | 一种基于零阶球谐函数的物体检测与识别方法 | |
Al-Hammadi et al. | Improving SURF based copy-move forgery detection using super resolution | |
CN103353941A (zh) | 基于视角分类的自然标志物注册方法 | |
Zhu et al. | Image mosaic algorithm based on PCA-ORB feature matching | |
CN109345514A (zh) | 一种基于PatchMatch的数字图像盲取证技术 | |
Vaithiyanathan et al. | Real-time-based Object Recognition using SIFT algorithm | |
CN105844643A (zh) | 图像篡改检测方法 | |
CN106651756B (zh) | 一种基于sift和验证机制的图像配准方法 | |
CN112434712A (zh) | 一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法及系统 | |
CN111768436B (zh) | 一种基于Faster-RCNN改进的图像特征块配准方法 | |
Koutaki et al. | Fast and high accuracy pattern matching using multi-stage refining eigen template | |
CN111461139B (zh) | 一种复杂场景下的多目标视觉显著性分层检测方法 | |
Isnanto et al. | Determination of the optimal threshold value and number of keypoints in scale invariant feature transform-based copy-move forgery detection | |
Zhu et al. | Signature-based document image retrieval |
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 |