CN108198135B - 一种全景图像拼接最优缝合线搜索方法 - Google Patents

一种全景图像拼接最优缝合线搜索方法 Download PDF

Info

Publication number
CN108198135B
CN108198135B CN201810001205.XA CN201810001205A CN108198135B CN 108198135 B CN108198135 B CN 108198135B CN 201810001205 A CN201810001205 A CN 201810001205A CN 108198135 B CN108198135 B CN 108198135B
Authority
CN
China
Prior art keywords
image
suture line
optimal
population
panoramic
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.)
Expired - Fee Related
Application number
CN201810001205.XA
Other languages
English (en)
Other versions
CN108198135A (zh
Inventor
郝志峰
王锐
王珏
何敏藩
伍国华
邢立宁
石建迈
王炯琦
戎海武
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.)
Foshan Youyijia Technology Co ltd
Foshan University
Original Assignee
Foshan Youyijia Technology Co ltd
Foshan 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 Foshan Youyijia Technology Co ltd, Foshan University filed Critical Foshan Youyijia Technology Co ltd
Priority to CN201810001205.XA priority Critical patent/CN108198135B/zh
Publication of CN108198135A publication Critical patent/CN108198135A/zh
Priority to PCT/CN2018/122396 priority patent/WO2019134531A1/zh
Application granted granted Critical
Publication of CN108198135B publication Critical patent/CN108198135B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本发明公开了一种全景图像拼接最优缝合线搜索方法，包括步骤构建两个图像A和图像B的颜色差图YSAB和结构差图JGAB；建立最小化颜色差值和结构差值的缝合线搜索模型；运用遗传算法求解步骤A2中的两个缝合线搜索模型，得到一组Pareto(帕累托)最优的缝合线集合；运用图像质量评价算法，从缝合线集合中选出一条最优的缝合线。本发明以最小化图像的颜色差和结构差为目标，构造最优缝合线搜索模型，避免无法合理定义图像差异的问题，此外通过缝合线搜索模型，找出一组Pareto最优的缝合线集合，利用图像质量评价算法，针对不同缝合线下的拼接结果，选择出最好的全景拼接图，该全景拼接图所对应的缝合线即为最优缝合线。本发明创造用于搜索两图像的最优缝合线。

Description

一种全景图像拼接最优缝合线搜索方法
技术领域
本发明涉及数字图像处理技术领域，更具体地说涉及一种用于全景图像拼接的缝合线搜索方法。
背景技术
虚拟现实技术的兴起给人们带来了丰富的视觉体验。全景图像是实现虚拟现实的一个重要技术。高质量的全景图像能够给以良好的沉浸式体验。虽然采用广角镜头拍摄在一定程度上可以获取宽视角的图像，但是如果拍摄范围过大，就会使得图像细节的分辨率下降，同时图像边缘会发生较大的形变。因此，采用多个镜头拍摄，然后通过拼接算法合成全景图像是一个有效的方法。在在计算机视觉或者图像处理领域，全景图像拼接具体是指将多幅拍摄于同一场景的有重叠的小尺寸图像，经过配准和变换之后，合成为一幅高质量的、较大的全景图。
现有技术中的全景图像拼接方法，主要包括图像预处理、图像配准、图像融合三个步骤。其中图像预处理包括对图像进行去噪、边缘提取、直方图处理、进行傅里叶变换、小波变换等操作；图像配准是指找出待拼接图像中的特征点在参考图像中对应的位置,进而确定两幅图像之间的几何变换关系；图像融合是将待拼接图像的重合区域进行融合得到平滑无缝全景图像。
基于缝合线的图像拼接是图像融合中的一个重要步骤，主要用于解决融合过程中因重叠区域运动物体造成的“鬼影(重影)现象”。所述最优缝合线搜索即是寻找一条自图像顶端到底端的最优路径使得缝合线经过位置的图像差异最小。
常用的最优缝合线搜索方法包括图切割、最短路径、动态规划和基于进化计算的方法(如遗传算法、粒子群算法)等。但是现有方法通常将图像差异定义为图像之间的颜色差，图像之间的结构差，或者是二者在某种形式下的组合(如图像差定义为颜色差的平方与结构差值和)。换言之，现有的缝合线最优搜索都是关于单目标函数的优化，然而实质上，最优缝合线需要同时最小化图像之间的颜色差以及图像之间的结构差，是一个典型的两目标优化问题，亟需基于多目标优化的全景拼接缝合线搜索方法。
发明内容
本发明要解决的技术问题是：提供一种基于多目标优化的全景图像拼接最优缝合线搜索方法。
本发明解决其技术问题的解决方案是：
一种全景图像拼接最优缝合线搜索方法，包括以下步骤：
步骤A1.构建两个图像A和图像B的颜色差图YSAB和结构差图JGAB，所述图像A与图像B的重叠区域相同、大小相等且已配准；
步骤A2.建立最小化颜色差值和结构差值的缝合线搜索模型，所述缝合线搜索模型如表达式1所示，min{f1＝YSAB(x),f2＝JGAB(x)}，其中x表示一条缝合线，所述缝合线是一个长度为H的向量且向量中每个变量的值为整数且在闭区间[1，W]内，向量中每个变量表示每一行的缝合点；
步骤A3.运用遗传算法求解步骤A2中的两个缝合线搜索模型，得到一组Pareto(帕累托)最优的缝合线集合；
步骤A4.运用图像质量评价算法，从缝合线集合中选出一条最优的缝合线。
作为上述技术方案的进一步改进，所述步骤A1之前，还包括图像灰度化处理步骤，将图像A和图像B转换成为灰度图像。
作为上述技术方案的进一步改进，步骤A1中图像A和图像B的颜色差图YSAB通过对两个图像的像素值归一化处理后相减并取绝对值得到的，具体如表达式2所示，YSABij＝abs(Aij-Bij)/max(Aij,Bij)，其中Aij和Bij分别表示图像A和图像B第i行第j列的像素值；步骤A1中图像A和图像B的结构差图JGAB是通过表达式3获取的，JGAB＝diff(A,B)，其中diff表示图像A和图像B分别在x和y方向上梯度差的乘积，图像A和图像B重合区域中的像素点的结构差值，可通过修改梯度算子Sobel实现，利用Sobel算子进行梯度计算时，图像A和图像B在x和y方向上的梯度分别采用如下模板。
Figure BDA0001537073840000031
作为上述技术方案的进一步改进，所述步骤A3包括以下步骤：
步骤A31.设置并初始化父代种群S，随机生成N条备选缝合线，所述备选缝合线是长度为H的向量且向量中每个变量的值为整数且在闭区间[1，W]内，参数W和参数H分别为图像A和图像B重叠区域的宽和高，同时设定进化代数为maxGen，即遗传算法最大迭代次数，设定当前代数为gen且gen＝1；
步骤A32.若gen大于maxGen，输出种群S中Pareto(帕累托)最优的缝合线集合，否则，基于当前种群S，先后通过交叉算子和变异算子产生由N个新个体SNEW组成的子代种群Sc。以最小化为例，所述Pareto支配关系是指个体p支配个体q，当且仅当
Figure BDA0001537073840000041
Figure BDA0001537073840000042
fi(p)<fi(q)，M表示目标函数个数，即个体p在所有目标函数上不差于个体q，并且个体p至少在一个目标函数上优于个体q，Pareto最优解是指不能被种群中任何个体Pareto支配的解；
步骤A33.将父代种群S和子代种群Sc合并，得到规模为2N的种群Sall，即Sall＝S∪Sc，计算Sall中个体的适应度值，选择适应度值最大的N个个体，组成新的父代种群S；
步骤A34.令gen＝gen+1，返回步骤A32。
作为上述技术方案的进一步改进，步骤A32中交叉算子包括：随机从种群S中选择两个个体作为父代染色体，记为s1和s2，每个染色体即代表一条备选缝合线，且有H＝1920个基因位，每个基因位代表了一个缝合点，判断两个父代染色体是否存在交叉点，若不存在交叉点，则重新选择两个父代染色体，若存在交叉点，则交换两个父代染色体第一行到交叉点所在行的基因值，若存在多个交叉点，则随机选取其中一个交叉点，交换两个父代染色体第一行到交叉点所在行的基因值；步骤S32中变异算子包括：从经过交叉算子操作后所产生的新的种群S中随机抽取一个个体，记为s3，针对每一个基因位，以概率0.9判别是否进行变异操作，若一个基因位需要进行变异，则判断其相邻两个基因位的值是否相等，若相等，则等概率地将其相邻两个基因位的值赋予该基因位或者使该基因位的值保持不变，如果相邻两个基因位相差为1，则令该基因位自减1，其他情况不进行如何操作。
作为上述技术方案的进一步改进，步骤A33中通过表达式4计算种群Sall个体的适应度，
Figure BDA0001537073840000051
其中s表示染色体，num1表示在种群Sall中能够以Pareto支配染色体的个数，num2表示在种群Sall能够被染色体Pareto支配的个数。
作为上述技术方案的进一步改进，所述步骤A4包括以下步骤：
步骤A41.从得到的缝合线集合中均匀地选取5条缝合线，基于所选取的5条缝合线，对图像A和图像B进行拼接，得到5个全景拼接图；
步骤A42.利用峰值信噪比分别评价5个全景拼接图的质量，选择峰值信噪比最高的全景拼接图所对应的缝合线为最优缝合线。
作为上述技术方案的进一步改进，步骤A42中所述峰值信噪比通过表达式5计算得到，
Figure BDA0001537073840000052
其中
Figure BDA0001537073840000053
I(i,j)和K(i,j)分别表示大小为m*n的图像，c表示图像位深，所述峰值信噪比越大，拼接质量越好。
本发明的有益效果是：本发明同时以最小化图像的颜色差和结构差为目标，构造了最优缝合线搜索模型，有效避免无法合理定义图像差异的问题，此外通过缝合线搜索模型，找出一组Pareto最优的缝合线集合，利用图像质量评价算法，针对不同缝合线下的拼接结果，选择出最好的全景拼接图，该全景拼接图所对应的缝合线即为最优缝合线。本发明创造用于搜索两图像的最优缝合线。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。
图1是本发明的搜索方法流程图；
图2是作为图像A和图像B的一个例子；
图3中a是对图像A和图像B的像素值归一化处理后的颜色差图，b是对图像A和图像B的像素值归一化处理后的结构差图；
图4是求得的Pareto最优的缝合线集合以及所抽取的5个最优缝合线；
图5是利用最优缝合线将图像A和图像B拼接得到的全景拼接图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
参照图1，本发明创造公开了一种全景图像拼接最优缝合线搜索方法，包括以下步骤：
步骤A1.构建两个图像A和图像B的颜色差图YSAB和结构差图JGAB，所述图像A与图像B的重叠区域相同、大小相等且已配准；
步骤A2.建立最小化颜色差值和结构差值的缝合线搜索模型，所述缝合线搜索模型如表达式1所示，min{f1＝YSAB(x),f2＝JGAB(x)}，其中x表示一条缝合线，所述缝合线是一个长度为H的向量且向量中每个变量的值为整数且在闭区间[1，W]内，向量中每个变量表示每一行的缝合点；
步骤A3.运用遗传算法求解步骤A2中的两个缝合线搜索模型，得到一组Pareto(帕累托)最优的缝合线集合；
步骤A4.运用图像质量评价算法，从缝合线集合中选出一条最优的缝合线。
具体地，本发明同时以最小化图像的颜色差和结构差为目标，构造了最优缝合线搜索模型，有效避免无法合理定义图像差异的问题，此外通过缝合线搜索模型，找出一组Pareto最优的缝合线集合，利用图像质量评价算法，针对不同缝合线下的拼接结果，选择出最好的全景拼接图，该全景拼接图所对应的缝合线即为最优缝合线。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤A1之前，还包括图像灰度化处理步骤，将图像A和图像B转换成为灰度图像。
进一步作为优选的实施方式，本发明创造具体实施方式中，本发明创造具体实施方式中，步骤A1中图像A和图像B的颜色差图YSAB通过对两个图像的像素值归一化处理后相减并取绝对值得到的，具体如表达式2所示，YSABij＝abs(Aij-Bij)/max(Aij,Bij)，其中Aij和Bij分别表示图像A和图像B第i行第j列的像素值；步骤A1中图像A和图像B的结构差图JGAB是通过表达式3获取的，JGAB＝diff(A,B)，其中diff表示图像A和图像B分别在x和y方向上梯度差的乘积，图像A和图像B重合区域中的像素点的结构差值，可通过修改梯度算子Sobel实现，利用Sobel算子进行梯度计算时，图像A和图像B在x和y方向上的梯度分别采用如下模板。
Figure BDA0001537073840000081
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤A3包括以下步骤：
步骤A31.设置并初始化父代种群S，随机生成N条备选缝合线，所述备选缝合线是长度为H的向量且向量中每个变量的值为整数且在闭区间[1，W]内，参数W和参数H分别为图像A和图像B重叠区域的宽和高，同时设定进化代数为maxGen，设定当前代数为gen且gen＝1；
步骤A32.若gen大于maxGen，输出种群S中Pareto(帕累托)最优的缝合线集合，否则，基于当前种群S，先后通过交叉算子和变异算子产生由N个新个体SNEW组成的子代种群Sc。以最小化为例，所述Pareto支配关系是指个体p支配个体q，当且仅当
Figure BDA0001537073840000091
Figure BDA0001537073840000092
fi(p)<fi(q)，M表示目标函数个数，即个体p在所有目标函数上不差于个体q，并且个体p至少在一个目标函数上优于个体q，Pareto最优解是指不能被种群中任何个体Pareto支配的解；
步骤A33.将父代种群S和子代种群Sc合并，得到规模为2N的种群Sall，即Sall＝S∪Sc，计算Sall中个体的适应度值，选择适应度值最大的N个个体，组成新的父代种群S；
步骤A34.令gen＝gen+1，返回步骤A32。
进一步作为优选的实施方式，本发明创造具体实施方式中，步骤A32中交叉算子包括：随机从种群S中选择两个个体作为父代染色体，记为s1和s2，每个染色体即代表一条备选缝合线，且有H＝1920个基因位，每个基因位代表了一个缝合点，判断两个父代染色体是否存在交叉点，若不存在交叉点，则重新选择两个父代染色体，若存在交叉点，则交换两个父代染色体第一行到交叉点所在行的基因值，若存在多个交叉点，则随机选取其中一个交叉点，交换两个父代染色体第一行到交叉点所在行的基因值；步骤S32中变异算子包括：从经过交叉算子操作后所产生的新的种群S中随机抽取一个个体，记为s3，针对每一个基因位，以概率0.9判别是否进行变异操作，若一个基因位需要进行变异，则判断其相邻两个基因位的值是否相等，若相等，则等概率地将其相邻两个基因位的值赋予该基因位或者使该基因位的值保持不变，如果相邻两个基因位相差为1，则令该基因位自减1，其他情况不进行如何操作。
进一步作为优选的实施方式，本发明创造具体实施方式中，步骤A33中通过表达式4计算种群Sall个体的适应度，
Figure BDA0001537073840000101
其中s表示染色体，num1表示在种群Sall中能够以Pareto支配染色体的个数，num2表示在种群Sall能够被染色体Pareto支配的个数。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤A4包括以下步骤：
步骤A41.从得到的缝合线集合中均匀地选取5条缝合线，基于所选取的5条缝合线，对图像A和图像B进行拼接，得到5个全景拼接图；
步骤A42.利用峰值信噪比分别评价5个全景拼接图的质量，选择峰值信噪比最高的全景拼接图所对应的缝合线为最优缝合线。
进一步作为优选的实施方式，本发明创造具体实施方式中，步骤A42中所述峰值信噪比通过表达式5计算得到，
Figure BDA0001537073840000111
其中
Figure BDA0001537073840000112
I(i,j)和K(i,j)分别表示大小为m*n的图像，c表示图像位深，所述峰值信噪比越大，拼接质量越好。
参照图2至图5，以图2所示的两个图片为基础说明本发明创造的具体操作过程。
第一步，已知如图2所示的两个图，分别为图像A和图像B，其重叠区域相同、大小相等且已配准，计算图像A和图像B的颜色差图YSAB和结构差图JGAB，结果分别如图3中图a和图b所示，其中图像A和图像B的颜色差图YSAB和结构差图JGAB的宽和高(即像素)分别为W＝600，H＝1920；
第二步，建立最小化颜色差值和结构差值的缝合线搜索模型；
第三步，利用遗传算法求解两个缝合线搜索模型，得到一组如图4所示的Pareto(帕累托)最优的缝合线集合；
第四步，运用图像质量评价算法，从得到的缝合线集合中均匀地选取5条缝合线，如图4所示；
第五步，利用峰值信噪比分别评价5个全景拼接图的质量，选择峰值信噪比最高的全景拼接图所对应的缝合线为最优缝合线，如图5所示，即为利用最优缝合线将图像A和图像B拼接起来的全景拼接图。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种全景图像拼接最优缝合线搜索方法，其特征在于，包括以下步骤：
步骤A1.构建两个图像A和图像B的颜色差图YSAB和结构差图JGAB，所述图像A与图像B的重叠区域相同、大小相等且已配准；
步骤A2.建立最小化颜色差值和结构差值的缝合线搜索模型，所述缝合线搜索模型如表达式1所示，min{f1＝YSAB(x),f2＝JGAB(x)}，其中x表示一条缝合线，所述缝合线是一个长度为H的向量且向量中每个变量的值为整数且在闭区间[1，W]内，向量中每个变量表示每一行的缝合点；
步骤A3.运用遗传算法求解步骤A2中的两个缝合线搜索模型，得到一组Pareto(帕累托)最优的缝合线集合；
步骤A4.运用图像质量评价算法，从缝合线集合中选出一条最优的缝合线；
所述步骤A4包括以下步骤：
步骤A41.从得到的缝合线集合中均匀地选取5条缝合线，基于所选取的5条缝合线，对图像A和图像B进行拼接，得到5个全景拼接图；
步骤A42.利用峰值信噪比分别评价5个全景拼接图的质量，选择峰值信噪比最高的全景拼接图所对应的缝合线为最优缝合线；
步骤A42中所述峰值信噪比通过表达式5计算得到，
Figure FDA0002362541410000021
其中
Figure FDA0002362541410000022
I(i,j)和K(i,j)分别表示大小为m*n的图像，c表示图像位深，所述峰值信噪比越大，拼接质量越好。
2.根据权利要求1所述的一种全景图像拼接最优缝合线搜索方法，其特征在于，所述步骤A1之前，还包括图像灰度化处理步骤，将图像A和图像B转换成为灰度图像。
3.根据权利要求1所述的一种全景图像拼接最优缝合线搜索方法，其特征在于，步骤A1中图像A和图像B的颜色差图YSAB通过对两个图像的像素值归一化处理后相减并取绝对值得到的，具体如表达式2所示，YSABij＝abs(Aij-Bij)/max(Aij,Bij)，其中Aij和Bij分别表示图像A和图像B第i行第j列的像素值；步骤A1中图像A和图像B的结构差图JGAB是通过表达式3获取的，JGAB＝diff(A,B)，其中diff表示图像A和图像B分别在x和y方向上梯度差的乘积。
4.根据权利要求3所述的一种全景图像拼接最优缝合线搜索方法，其特征在于，所述步骤A3包括以下步骤：
步骤A31.设置并初始化父代种群S，随机生成N条备选缝合线，所述备选缝合线是长度为H的向量且向量中每个变量的值为整数且在闭区间[1，W]内，参数W和参数H分别为图像A和图像B重叠区域的宽和高，同时设定进化代数为maxGen，设定当前代数为gen且gen＝1；
步骤A32.若gen大于maxGen，输出种群S中Pareto(帕累托)最优的缝合线集合，否则，基于当前种群S，先后通过交叉算子和变异算子产生由N个新个体SNEW组成的子代种群Sc；
步骤A33.将父代种群S和子代种群Sc合并，得到规模为2N的种群Sall，即Sall＝S∪Sc，计算Sall中个体的适应度值，选择适应度值最大的N个个体，组成新的父代种群S；
步骤A34.令gen＝gen+1，返回步骤A32。
5.根据权利要求4所述的一种全景图像拼接最优缝合线搜索方法，其特征在于，步骤A32中交叉算子包括：随机从种群S中选择两个个体作为父代染色体，记为s1和s2，每个染色体即代表一条备选缝合线，且有H＝1920个基因位，每个基因位代表了一个缝合点，判断两个父代染色体是否存在交叉点，若不存在交叉点，则重新选择两个父代染色体，若存在交叉点，则交换两个父代染色体第一行到交叉点所在行的基因值，若存在多个交叉点，则随机选取其中一个交叉点，交换两个父代染色体第一行到交叉点所在行的基因值；步骤S32中变异算子包括：从经过交叉算子操作后所产生的新的种群S中随机抽取一个个体，记为s3，针对每一个基因位，以概率0.9判别是否进行变异操作，若一个基因位需要进行变异，则判断其相邻两个基因位的值是否相等，若相等，则等概率地将其相邻两个基因位的值赋予该基因位或者使该基因位的值保持不变，如果相邻两个基因位相差为1，则令该基因位自减1，其他情况不进行如何操作。
6.根据权利要求5所述的一种全景图像拼接最优缝合线搜索方法，其特征在于，步骤A33中通过表达式4计算种群Sall个体的适应度，
Figure FDA0002362541410000041
其中s表示染色体，num1表示在种群Sall中能够以Pareto支配染色体的个数，num2表示在种群Sall能够被染色体Pareto支配的个数。
CN201810001205.XA 2018-01-02 2018-01-02 一种全景图像拼接最优缝合线搜索方法 Expired - Fee Related CN108198135B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810001205.XA CN108198135B (zh) 2018-01-02 2018-01-02 一种全景图像拼接最优缝合线搜索方法
PCT/CN2018/122396 WO2019134531A1 (zh) 2018-01-02 2018-12-20 一种全景图像拼接最优缝合线搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810001205.XA CN108198135B (zh) 2018-01-02 2018-01-02 一种全景图像拼接最优缝合线搜索方法

Publications (2)

Publication Number Publication Date
CN108198135A CN108198135A (zh) 2018-06-22
CN108198135B true CN108198135B (zh) 2020-06-09

Family

ID=62588027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810001205.XA Expired - Fee Related CN108198135B (zh) 2018-01-02 2018-01-02 一种全景图像拼接最优缝合线搜索方法

Country Status (2)

Country Link
CN (1) CN108198135B (zh)
WO (1) WO2019134531A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198135B (zh) * 2018-01-02 2020-06-09 佛山科学技术学院 一种全景图像拼接最优缝合线搜索方法
CN110290365B (zh) * 2019-07-12 2021-02-02 广东技术师范大学天河学院 一种边缘融合方法
CN113160048A (zh) * 2021-02-02 2021-07-23 重庆高新区飞马创新研究院 一种缝合线引导的图像拼接方法
CN114066723A (zh) * 2021-11-11 2022-02-18 贝壳找房(北京)科技有限公司 设备检测方法、装置及存储介质
CN115239724B (zh) * 2022-09-22 2022-11-22 鹰驾科技（深圳）有限公司 一种360度全景环视拼接图像分析评价方法
CN117153325B (zh) * 2023-10-30 2024-01-30 佛山科学技术学院 一种基于图对比学习的抗癌药物有效性评估方法及系统
CN117455766A (zh) * 2023-12-19 2024-01-26 新乡北方车辆仪表有限公司 基于改进拼接线寻优及平滑过渡的图像融合方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103856727A (zh) * 2014-03-24 2014-06-11 北京工业大学 一种多路实时视频拼接处理系统
CN106485658A (zh) * 2016-09-21 2017-03-08 湖南子午天地科技文化发展有限公司 一种用于图像拼接的最优缝合线搜索方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170025058A (ko) * 2015-08-27 2017-03-08 삼성전자주식회사 영상 처리 장치 및 이를 포함하는 전자 시스템
CN106204437B (zh) * 2016-06-28 2019-05-28 深圳市凌云视迅科技有限责任公司 一种图像融合方法
CN106447612A (zh) * 2016-09-21 2017-02-22 湖南子午天地科技文化发展有限公司 一种图像拼接方法和生成装置
CN108198135B (zh) * 2018-01-02 2020-06-09 佛山科学技术学院 一种全景图像拼接最优缝合线搜索方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103856727A (zh) * 2014-03-24 2014-06-11 北京工业大学 一种多路实时视频拼接处理系统
CN106485658A (zh) * 2016-09-21 2017-03-08 湖南子午天地科技文化发展有限公司 一种用于图像拼接的最优缝合线搜索方法

Also Published As

Publication number Publication date
CN108198135A (zh) 2018-06-22
WO2019134531A1 (zh) 2019-07-11

Similar Documents

Publication Publication Date Title
CN108198135B (zh) 一种全景图像拼接最优缝合线搜索方法
CN109903331B (zh) 一种基于rgb-d相机的卷积神经网络目标检测方法
CN111640157B (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN108876723B (zh) 一种灰度目标图像的彩色背景的构建方法
KR20120061764A (ko) 화상 처리 장치 및 화상 처리 방법, 및 프로그램
CN114187491A (zh) 一种遮挡物体检测方法和装置
CN104008542B (zh) 一种针对特定平面图形的快速角点匹配方法
CN105809716B (zh) 融合超像素与三维自组织背景减除法的前景提取方法
CN110929649B (zh) 一种面向小目标检测的网络和困难样本挖掘方法
KR100591608B1 (ko) 영상 정합시 대응점 검색방법
CN110490913A (zh) 基于角点与单线段编组的特征描述算子进行影像匹配方法
JP2006072770A (ja) 顔検出装置および顔向き推定装置
CN111062331A (zh) 图像的马赛克检测方法、装置、电子设备及存储介质
CN111179173A (zh) 一种基于离散小波变换和坡度融合算法的图像拼接方法
CN112101113B (zh) 一种轻量化的无人机图像小目标检测方法
CN117437691A (zh) 一种基于轻量化网络的实时多人异常行为识别方法及系统
CN111931572B (zh) 一种遥感影像的目标检测方法
CN110717910B (zh) 基于卷积神经网络的ct图像目标检测方法及ct扫描仪
CN117011655A (zh) 基于自适应区域选择特征融合方法、目标跟踪方法及系统
CN113362390B (zh) 一种基于椭圆检测的快速圆形目标定位视频处理方法
CN108182391A (zh) 一种基于教育视频自动提取不重复的幻灯片方法
JP7144384B2 (ja) オブジェクト検出装置、方法及びプログラム
Lan et al. Robust visual object tracking with spatiotemporal regularisation and discriminative occlusion deformation
CN110322454B (zh) 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法
CN113343918A (zh) 一种电力设备识别方法、系统、介质及电子设备

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200609