CN108460722A - 一种高分辨率宽视场率遥感成像方法及装置 - Google Patents

一种高分辨率宽视场率遥感成像方法及装置 Download PDF

Info

Publication number
CN108460722A
CN108460722A CN201810094144.6A CN201810094144A CN108460722A CN 108460722 A CN108460722 A CN 108460722A CN 201810094144 A CN201810094144 A CN 201810094144A CN 108460722 A CN108460722 A CN 108460722A
Authority
CN
China
Prior art keywords
image
resolution
visual field
low
wide visual
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
CN201810094144.6A
Other languages
English (en)
Inventor
陈忻
魏红军
孙莹莹
饶鹏
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.)
Shanghai Institute of Technical Physics of CAS
Original Assignee
Shanghai Institute of Technical Physics of CAS
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 Shanghai Institute of Technical Physics of CAS filed Critical Shanghai Institute of Technical Physics of CAS
Priority to CN201810094144.6A priority Critical patent/CN108460722A/zh
Publication of CN108460722A publication Critical patent/CN108460722A/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
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering 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
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20224—Image subtraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种高分辨率宽视场率遥感成像方法及装置。该方法通过宽视场成像模块对地遥感成像，主控与图像处理模块通过调节指向机构控制高分辨率成像模块在宽视场成像模块覆盖的任意区域内成像，并同步获取两个模块的图像输出。对获取到的遥感图像进行配准，取出两个模块对应区域的图像，利用得到的图像更新低频特征库与高频特征库，并建立低频特征库中向量与高频特征库向量的投影关系。对宽视场图像利用特征库进行分辨率提升，将高频特征补充回低宽视场图像中，实现高分辨率宽视场的成像。同时能够在线评估提升质量，并根据评估结果对特征库进行更新。

Description

一种高分辨率宽视场率遥感成像方法及装置
技术领域：
本发明涉及到光电信号处理技术，具体指一种高分辨率遥感成像方法，它应用对地遥感成像仪器，特别适合于对成像分辨率与成像视场有较高要求的场合。
背景技术
遥感技术是指从高空或外层空间接收来自地球表层各类地物的电磁波信息，并通过对这些信息进行扫描、摄影、传输和处理，从而对地表各类地物和现象进行远距离控测和识别的现代综合技术。空间分辨率(Spatial Resolution)又称地面分辨率,是遥感系统的关键性指标。其中后者是针对地面而言，指可以识别的最小地面距离或最小目标物的大小。前者是针对遥感器或图像而言的，指图像上能够详细区分的最小单元的尺寸或大小，或指遥感器区分两个目标的最小角度或线性距离的度量。它们均反映对两个非常靠近的目标物的识别、区分能力，有时也称分辨力或解像力。
当前遥感探测的成像目标种类多样，目标机动性也越来越强，这就要求遥感相机具备大的视场，能够满足大范围成像的覆盖。同时要求遥感相机能够对针目标进行一定的分类与识别，分类与识别通常是根据成像区域的特征分析来达到。因此对遥感相机的分辨率也提出了一定的要求。针对当前航天遥感相机高分辨率与宽视场两项指标矛盾的情况，因此有必要研究出一种可以同时获得高分辨率和宽视场成像的方法和装置。
发明内容：
为了克服上述现有技术的不足，本发明提供了一种高分辨率遥感成像方法，该方法基于宽视场低分辨率相机加两维指向高分辨率窄视场相机的方案，通过两个模块同步成像，建立高分辨率图像中的图像与低分辨率图像对应区域中的特征投影关系，利用投影关系对宽视场模块得到的图像进行高分辨率的提示，实现宽视场与高分辨率遥感图像的获取。
本发明的上述目的是通过如下技术方案予以实现的：
一种高分辨率宽视场遥感成像方法，其特征在于：包括如下步骤：
(1)同步获取宽视场低分辨率模块A的遥感图像与窄视场高分辨率成像模块B的遥感图像，用灰度矩阵分别表示为IAn，IBn,n为获得的图像帧号；其中A模块的成像视场是B模块的N倍，B通过两维指向机构实现对A的视场区域内的成像,B得到的图像分辨率是A的M倍；
(2)通过灰度图像配准，提取出与IAn中与IBn对应的区域图像，并按照分辨率比率M对该区域进行插值，得到图像IARn；
(3)初始化高分特征库FHD＝{dhi},i∈[1,Nh],其中dhi为每一类的中心向量,Nh为最大类数量；初始化低频特征库FLD，FLD＝{dli},i∈[1,Nl]；其中dli为每一类的中心向量,Nl为最大类数量；初始化可以选择设置特征库为空或依照先验知识预设特征库中的特征类别数与对应中心向量。
(4)对图像IBn、IARn对做差，得到两幅图像的差异灰度矩阵FHn,对FHn按照Mb·Nb大小进行分块，将图像块展开为列向量，作为该图像块的高频特征,其中Mb、Nb分别为灰度矩阵行列方向上的分块尺寸，大小可根据实际情况进行设置；对当前图像获取的全部高频特征与当前的高频特征库FHD进行聚类，更新计算每一类的中心向量得到新的高频特征库FHD；
(5)对图像IBn按照Mb·Nb大小进行分块，提取每个图像块的特征；对当前图像获取的全部低频特征与之前的低频特征库FLD进行聚类，更新计算每一类的中心向量，得到新的低频特征库FLD；
(6)计算高频特征与低频特征库中每一类中心的投影关系,得到每一类的投影矩阵Pi，i∈[1,Nl]，计算公式如下：
(7)将IAn按照分辨率系数M进行插值得IACn，IACn按照Mb·Nb分块，计算每块BIAC(t)n的低频特征其中t为图像块序号；计算与低频特征库中每一类的重构关系，计算公式如下:
其中Ci(t)为该图像块低频特征的权重系数；利用投影矩阵Pi对图像块进行分辨率提升，计算公式如下：
其中BIHn(t)为提升后的高分辨率图像块；依次处理全部图像块，得到高分辨率图像IHn，完成整幅低分辨率宽视场图像的分辨率提升；
评估IBn与IHn对应区域的差异，当差异大于阈值，则后一轮重新进行步骤(2)-步骤(5)，否则直接执行步骤(6)处理过程。
一种实现所述高分辨率宽视场遥感成像方法的装置，包括：
宽视场成像模块：由图像传感器与光学成像系统组成，宽视场成像模块实现宽视场低分辨率成像覆盖,图像传感器是可见光或红外或紫外或毫米波等不同波段的面阵传感器；
高分辨率成像模块：由高分辨率图像传感器与两维指向机构、光学成像系统组成，高分辨率成像模块通过两维指向实现低分辨率模块视场的覆盖,图像传感器是可见光或红外或紫外或毫米波等不同波段的面阵传感器；
主控与图像采集模块：由信息获取电路与扫描控制电路组成；
图像处理模块：由高性能处理器与存储电路组成；
上述装置的工作流程为：宽视场成像模块对地遥感成像，主控与图像处理模块通过两维指向机构控制高分辨率成像模块在宽视场成像模块覆盖区域内成像，并同步采集两个模块的图像输出。信息处理模块对获取到的遥感图像进行配准，取出两个模块对应区域的图像，利用得到的图像更新低频特征库与高频特征库，并建立低频特征库中向量与高频特征库向量的投影关系。对低分辨率图像利用特征库进行分辨率提升，将高频特征补充回低分辨率图像中，实现高分辨率宽视场的成像。同时在线评估提升质量，并根据评估结果对特征库进行更新。
与现有技术相比，本发明的有益效果是
1.利用窄视场高分辨率图像对宽视场低分辨率图像的分辨率提高，解决了宽视场与高分辨率之间的矛盾关系。
2.利用高分辨模块的图像对提升后的图像进行质量估计，可以动态更新提升算法，提高宽视场图像的质量。
附图说明
图1为本发明的实现流程框图；
图2为本方明实施装置示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
同步获取宽视场成像模块A的遥感图像IAn与高分辨率成像模块B的遥感图像IBn；其中B通二维指向实现对A的视场任意区域的成像,模块A与模块B选择相同规模的探测器,模块A辨率为模块B分辨率的1/8，模块A视场为模块B视场的8倍。对得到的图像进行配准，配准方法为块匹配，区域模块A中的对应区域，对该区域按8倍系数进行Cubic插值，得到图像IARn；初始化的高频特征库FHD＝{dhi},i∈[1,Nh]，Nh设置为1024,；初始化低频特征库FLD＝{dli},i∈[1Nl,]；Nl为设置为1024；对图像IBn、IARn对做差，得到两幅图像的差异FHn,对FHn按照5·5大小进行分块，将图像块展开为25维列向量，作为该图像块的高频特征；对当前图像获取的全部高频特征与之前的高频特征库FHD进行聚类，采用欧式距离作为类别隶属判别，更新计算每一类的中心向量，更新时的累加权重分配为：当前中心向量权重0.8，属于当前类的图像块特征向量权重0.2,得到新的高频特征库；对图像IBn按照5·5大小进行分块，提取每个图像块的特征，图像特征选择为图像块的一阶与二阶梯度，并联立为列向量；对当前图像获取的全部低频特征与之前的低频特征库FLD进行聚类，更新计算每一类的中心向量，更新计算每一类的中心向量，更新时的累加权重分配为：当前中心向量权重0.8，属于当前类的图像块特征向量权重0.2,得到新的低频特征库；利用最小均方误差计算高频特征与低频特征库中每一类中心的投影关系。将IAn按照分辨率系数进行插值得IACn，IACn按照5·5分块，计算每块BIAC(t)n的低频特征利用最小均方误差计算与低频特征库中每一类的重构关系。再利用之前获得的投影矩阵Pi对图像块进行分辨率提升，依次处理全部图像块，得到高分辨率图像IHn，完成整幅低分辨率宽视场图像的分辨率提升；评估IBn与IHn对应区域的差异，评估函数采用PSNR，当PSNR小于25dB，则后一轮重新进行特征库的更新，否则直接利用当前特征库进行后续图像提升处理。

Claims (6)

1.一种高分辨率宽视场遥感成像方法，其特征在于：包括如下步骤：
(1)同步获取宽视场低分辨率模块A的遥感图像与窄视场高分辨率成像模块B的遥感图像，用灰度矩阵分别表示为IAn，IBn,n为获得的图像帧号；其中模块A的成像视场是模块B的N倍，模块B通过两维指向机构实现对模块A的视场区域内的成像,模块B得到的图像分辨率是模块A的M倍；
(2)通过灰度图像配准，提取出与IAn中与IBn对应的区域图像，并按照分辨率比率M对该区域进行插值，得到图像IARn；
(3)初始化高分特征库FHD＝{dhi},i∈[1,Nh],其中dhi为每一类的中心向量,Nh为最大类数量；初始化低频特征库FLD，FLD＝{dli},i∈[1,Nl]；其中dli为每一类的中心向量,Nl为最大类数量；初始化可以选择设置特征库为空或依照先验知识预设特征库中的特征类别数与对应中心向量；
(4)对图像IBn、IARn对做差，得到两幅图像的差异灰度矩阵FHn,对FHn按照Mb·Nb大小进行分块，将图像块展开为列向量，作为该图像块的高频特征,其中Mb、Nb分别为灰度矩阵行列方向上的分块尺寸；对当前图像获取的全部高频特征与当前的高频特征库FHD进行聚类，更新计算每一类的中心向量得到新的高频特征库FHD；
(5)对图像IBn按照Mb·Nb大小进行分块，提取每个图像块的特征；对当前图像获取的全部低频特征与之前的低频特征库FLD进行聚类，更新计算每一类的中心向量，得到新的低频特征库FLD；
(6)计算高频特征与低频特征库中每一类中心的投影关系,得到每一类的投影矩阵Pi，i∈[1,Nl]，计算公式如下：
(7)将IAn按照分辨率系数M进行插值得IACn，IACn按照Mb·Nb分块，计算每块BIAC(t)n的低频特征其中t为图像块序号；计算与低频特征库中每一类的重构关系，计算公式如下:
其中Ci(t)为该图像块低频特征的权重系数；利用投影矩阵Pi对图像块进行分辨率提升，计算公式如下：
其中BIHn(t)为提升后的高分辨率图像块；依次处理全部图像块，得到高分辨率图像IHn，完成整幅低分辨率宽视场图像的分辨率提升；
(8)评估IBn与IHn对应区域的差异，当差异大于阈值，则后一轮重新进行步骤(2)-步骤(5)，否则直接执行步骤(6)处理过程。
2.根据权利要求1所述的一种高分辨率宽视场遥感成像方法，其特征在于：步骤(2)中所述的灰度图像配准方法为基于纹理的匹配或基于特征的匹配；所述插值方法为线性插值或样条插值或Bubic插值。
3.根据权利要求1所述的一种高分辨率宽视场遥感成像方法，其特征在于：步骤(4)中所述的对当前图像获取的全部高频特征与当前的高频特征库FHD进行聚类的方法采用欧几里得距离或相关函数或交叉熵作为特征相似程度的评价计算；每一类中心向量的更新采用属于当前类的特征向量与当前中心向量权重累加的方法进行更新。
4.根据权利要求1所述的一种高分辨率宽视场遥感成像方法，其特征在于：步骤中(5)所述的图像块的低频特征是一阶梯度或二阶梯度或图像块的高阶统计量或HOG算子或SIFT特征等反映图像块固有特点的描述方法。
5.根据权利要求1所述的一种高分辨率宽视场遥感成像方法，其特征在于：步骤(8)中所述的评估IBn与IHn对应区域的差异是通过图像间的PSNR与SSIM进行加权组合得到。
6.一种实现如权利要求1所述的高分辨率宽视场遥感成像方法的装置，其特征在于装置包括：
宽视场低分辨率模块A：由图像传感器与光学成像系统组成，宽视场成像模块实现宽视场低分辨率成像覆盖,图像传感器是可见光或红外或紫外或毫米波等不同波段的面阵传感器；
窄视场高分辨率成像模块B：由高分辨率图像传感器与两维指向机构、光学成像系统组成，高分辨率成像模块通过两维指向实现低分辨率模块视场的覆盖,图像传感器是可见光或红外或紫外或毫米波等不同波段的面阵传感器；
主控与图像采集模块：由信息获取电路与扫描控制电路组成；
图像处理模块：由高性能处理器与存储电路组成；
宽视场低分辨率模块A对地遥感成像，主控与图像处理模块通过两维指向机构控制窄视场高分辨率成像模块B在宽视场成像模块覆盖区域内成像，并同步采集两个模块的图像输出；信息处理模块对获取到的遥感图像进行配准，取出两个模块对应区域的图像，利用得到的图像更新低频特征库与高频特征库，并建立低频特征库中向量与高频特征库向量的投影关系。对低分辨率图像利用特征库进行分辨率提升，将高频特征补充回低分辨率图像中，实现高分辨率宽视场的成像；同时在线评估提升质量，并根据评估结果对特征库进行更新。
CN201810094144.6A 2018-01-31 2018-01-31 一种高分辨率宽视场率遥感成像方法及装置 Pending CN108460722A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810094144.6A CN108460722A (zh) 2018-01-31 2018-01-31 一种高分辨率宽视场率遥感成像方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810094144.6A CN108460722A (zh) 2018-01-31 2018-01-31 一种高分辨率宽视场率遥感成像方法及装置

Publications (1)

Publication Number Publication Date
CN108460722A true CN108460722A (zh) 2018-08-28

Family

ID=63239065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810094144.6A Pending CN108460722A (zh) 2018-01-31 2018-01-31 一种高分辨率宽视场率遥感成像方法及装置

Country Status (1)

Country Link
CN (1) CN108460722A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884736A (zh) * 2021-02-08 2021-06-01 吉林省水利水电勘测设计研究院 一种水源地生态监测预警系统及其控制方法
CN114266696A (zh) * 2020-09-16 2022-04-01 广州虎牙科技有限公司 图像处理方法、装置、电子设备和计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101217625A (zh) * 2008-01-11 2008-07-09 清华大学 超分辨率成像的装置及方法
CN103632357A (zh) * 2013-01-30 2014-03-12 中国科学院电子学研究所 一种基于光照分离的图像超分辨率增强方法
CN104851077A (zh) * 2015-06-03 2015-08-19 四川大学 一种自适应的遥感图像全色锐化方法
CN104867116A (zh) * 2015-04-21 2015-08-26 重庆大学 一种基于mca和字典学习的车牌超分辨率重构方法
WO2016089041A1 (ko) * 2014-12-02 2016-06-09 서울시립대학교산학협력단 전정색영상과 적외선영상의 융합 방법 및 장치
CN106022241A (zh) * 2016-05-12 2016-10-12 宁波大学 一种基于小波变换及稀疏表示的人脸识别方法
US20170024855A1 (en) * 2015-07-26 2017-01-26 Macau University Of Science And Technology Single Image Super-Resolution Method Using Transform-Invariant Directional Total Variation with S1/2+L1/2-norm
EP3196666A1 (en) * 2016-01-20 2017-07-26 Universität Bern Magnetic resonance imaging method for detecting neuronal activity in a subject's brain

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101217625A (zh) * 2008-01-11 2008-07-09 清华大学 超分辨率成像的装置及方法
CN103632357A (zh) * 2013-01-30 2014-03-12 中国科学院电子学研究所 一种基于光照分离的图像超分辨率增强方法
WO2016089041A1 (ko) * 2014-12-02 2016-06-09 서울시립대학교산학협력단 전정색영상과 적외선영상의 융합 방법 및 장치
CN104867116A (zh) * 2015-04-21 2015-08-26 重庆大学 一种基于mca和字典学习的车牌超分辨率重构方法
CN104851077A (zh) * 2015-06-03 2015-08-19 四川大学 一种自适应的遥感图像全色锐化方法
US20170024855A1 (en) * 2015-07-26 2017-01-26 Macau University Of Science And Technology Single Image Super-Resolution Method Using Transform-Invariant Directional Total Variation with S1/2+L1/2-norm
EP3196666A1 (en) * 2016-01-20 2017-07-26 Universität Bern Magnetic resonance imaging method for detecting neuronal activity in a subject's brain
CN106022241A (zh) * 2016-05-12 2016-10-12 宁波大学 一种基于小波变换及稀疏表示的人脸识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HASSAN GHASSEMIAN: "A Review of Remote Sensing Image Fusion Methods", 《INFORMATION FUSION》 *
张百环: "基于频域特征的人耳识别", 《中国优秀硕士论文全文库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266696A (zh) * 2020-09-16 2022-04-01 广州虎牙科技有限公司 图像处理方法、装置、电子设备和计算机可读存储介质
CN114266696B (zh) * 2020-09-16 2024-06-11 广州虎牙科技有限公司 图像处理方法、装置、电子设备和计算机可读存储介质
CN112884736A (zh) * 2021-02-08 2021-06-01 吉林省水利水电勘测设计研究院 一种水源地生态监测预警系统及其控制方法
CN112884736B (zh) * 2021-02-08 2021-08-17 吉林省水利水电勘测设计研究院 一种水源地生态监测预警系统及其控制方法

Similar Documents

Publication Publication Date Title
CN113052835B (zh) 一种基于三维点云与图像数据融合的药盒检测方法及其检测系统
CN107993258B (zh) 一种图像配准方法及装置
CN111079556A (zh) 一种多时相无人机视频图像变化区域检测及分类方法
CN111462128B (zh) 一种基于多模态光谱图像的像素级图像分割系统及方法
CN106875419B (zh) 基于ncc匹配帧差的弱小动目标跟踪丢失重检方法
CN111553939B (zh) 一种多目摄像机的图像配准算法
CN111027415B (zh) 一种基于偏振图像的车辆检测方法
Zhu et al. Hyperspectral light field stereo matching
CN107560592A (zh) 一种用于光电跟踪仪联动目标的精确测距方法
CN114782628A (zh) 基于深度相机的室内实时三维重建方法
CN108460722A (zh) 一种高分辨率宽视场率遥感成像方法及装置
CN111127353A (zh) 一种基于块配准和匹配的高动态图像去鬼影方法
Hajebi et al. Structure from infrared stereo images
CN117523100A (zh) 基于神经网络与多视图一致性的三维场景重建方法和装置
CN111583315A (zh) 一种新的可见光图像和红外图像配准方法及装置
Zhang et al. Infrared detection of small moving target using spatial–temporal local vector difference measure
CN109029380B (zh) 基于镀膜式多光谱相机的立体视觉系统及其标定测距方法
CN111126508A (zh) 一种基于hopc改进的异源图像匹配方法
WO2012065872A1 (en) Change detection in video data
CN111833384B (zh) 一种可见光和红外图像快速配准方法及装置
Songtao et al. Saliency detection of infrared image based on region covariance and global feature
CN114004895A (zh) 一种基于多目视觉的运动物体图像特征点识别与重建方法
Shahista et al. Detection of the traffic light in challenging environmental conditions
CN111862184A (zh) 一种基于极面图像颜色差异的光场相机深度估测系统及方法
Karaca et al. Ground-based panoramic stereo hyperspectral imaging system with multiband stereo matching

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180828