CN108537732B - 基于pca-sift的快速图像拼接方法 - Google Patents
基于pca-sift的快速图像拼接方法 Download PDFInfo
- Publication number
- CN108537732B CN108537732B CN201810316664.7A CN201810316664A CN108537732B CN 108537732 B CN108537732 B CN 108537732B CN 201810316664 A CN201810316664 A CN 201810316664A CN 108537732 B CN108537732 B CN 108537732B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- sift
- pca
- extreme
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 230000005764 inhibitory process Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000000746 purification Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000009827 uniform distribution Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 13
- 239000006185 dispersion Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 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
- G06T3/40—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于PCA‑SIFT的快速图像拼接方法，包括：在空间极值点检测阶段引入改进的非极大值抑制法对初始特征点进行优选，得到分布更加均匀的特征点集；在构建描述符阶段基于圆形领域提取64维SIFT描述符，并使用主成分分析(PCA)法对描述符进一步降维，减少描述符的数据复杂度；在特征匹配阶段引入基于K‑D树的BBF搜索策略，采用随机抽样一致性(RANSAC)算法剔除误匹配点，从而提高了匹配速度与匹配精度。在图像拼接实验中表明，本发明的正确匹配率优于SIFT算法，拼接速度是传统SIFT算法的1.6~2.2倍。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于PCA-SIFT的快速图像拼接方法。
背景技术
图像拼接是指将几幅有重叠的图像，拼接成一幅宽视野、无缝的高分辨率图像。目前图像拼接技术广泛应用在医疗图像诊断、军事、遥感影像处理等领域。图像拼接中最重要的一个步骤就是图像配准，图像配准算法的好坏直接决定图像拼接的质量以及效率。Mikolajczyk对几种有代表性的图像配准算法就尺度缩放、图像压缩、视角变换等方面进行了性能评估，结果表明SIFT是目前图像处理领域中最为有效的图片配准算法，具有较强的鲁棒性。但是该算法没有考虑特征点的分布情况，在细节复杂的区域会提取过多的特征点，这样的缺点是容易产生误匹配，并且SIFT算法计算复杂、时间开销大，难以满足实时性。
发明内容
针对上述现有技术的不足，本发明提出一种基于PCA-SIFT的快速图像拼接方法，先对特征点进行优选，得到数量更少，分布更加均匀的特征点集，再对描述符进行改进，加快构建描述符的速度和匹配速度，降低描述符的维度，最后采用随机抽样一致性算法剔除误匹配点。
为实现上述目的，本发明采用以下技术方案：、一种基于PCA-SIFT的快速图像拼接方法，其、包括以下步骤：步骤S1：使用改进的非极大值抑制法对SIFT检测到的初始特征点进行优选；步骤S2：利用一圆形窗口提取64维梯度向量作为梯度描述子；步骤S3：利用步骤S2获得的64维梯度描述子，使用主成分分析法PCA进一步降维，使描述符维数减为32维；步骤S4：利用步骤S3获得的32维描述符采用基于K-D树的BBF搜索策略进行特征配准，找出候选匹配点集；步骤S5：对候选匹配点集采用随机抽样一致性算法剔除误匹配点。
在本发明一实施例中，所述步骤S1中改进的非极大值抑制法的具体方法为：步骤S11：把SIFT算法在每个高斯金字塔层检测到的局部极大值点和局部极小值点分别存放进两个有序队列中；步骤S12：对于两个有序队列的每个极值点进行遍历；步骤S13：将两个序列进行合并，得到空间离散分布的极值点。
进一步的，步骤S12对对于两个有序队列的每个极值点进行遍历的具体步骤：以极大值点序列为例：对于每个极大值点以其本身为中心建立圆形窗口，在窗口内搜索其他极大值点，如果窗口内不存在其他极大值点，则此点为极值点，予以保留；如果窗口内存在其他极大值点，则与其进行比较，若此点的值小于其他极值点则认为其不是极值点，予以剔除，若此点的值大于其他极值点则认为其是圆形窗口内的极值点，予以保留，同时把圆形窗口内的其他极值点剔除；对于极小值点序列同样执行此操作，通过这种方式，每个极值点窗口内仅存在自身一个极值点。
在本发明一实施例中，所述步骤S2中构建64维梯度描述子的具体方法为：步骤S21：以特征点为中心，提取半径为8s的圆形区域，并对该区域以s为采样间隔进行等间隔采样，其中s为特征点所在图层的尺度；步骤S22：为了实现旋转不变性，将圆形区域根据特征点的方向进行旋转，将该圆形区域划分为两个同心圆，半径分别为5s和8s，再根据X轴与Y轴围成的4个象限，将该圆形区域分为八个小区域；计算小区域内每个像素点的幅值与幅角，根据幅角以45度为一柱，划分8柱，形成2×4×8维的特征向量；其中柱所代表的方向为像素点梯度方向，柱的长短代表了梯度幅值；步骤S23：最后对特征向量进行亮度归一化处理。
在本发明一实施例中，所述步骤S3中主成分分析法降低描述符维数的具体方法为：步骤S31：将图像中n个特征点的64维梯度描述符x1,x2,…,xn作为样本构成一个n×64的矩阵X，并对这n个向量计算64×64的协方差矩阵R；步骤S32：计算协方差矩阵R的64个特征值λ与特征向量α，并把特征值与特征向量根据特征值从大到小进行排序，即λ1≥λ2≥…≥λ64，对应的特征向量(α1,α2,…,α64)；步骤S43：选择前32个特征值对应的特征向量组成一个64×32的投影矩阵W；步骤S44：将n×64的梯度描述符矩阵X与64×32的投影矩阵W相乘，得到n×32的矩阵Z，即降维描述符向量组成的矩阵；此时n个特征点的描述符向量均为32维。
在本发明一实施例中，所述步骤S4中BBF匹配的具体方法为：利用数据集中的特征点建立K-D树，使用BBF搜索策略来寻找最近邻Dfirst和次近邻点Dsecond，如果其比值小于或等于某个阈值T，则认为是判定为候选匹配点。
较佳的，T＝0.6。
在本发明一实施例中，所述步骤S5中RANSAC提纯的具体方法为：对于候选匹配点集，随机抽取4个不共线样本，计算其变换矩阵，记模型M；把匹配点集中所有点与模型M计算投影误差，若误差小于阈值，记为内点；若误差大于阈值，记为外点；通过不断迭代的方式，寻找最优参数模型，即内点最多；根据寻找到的最优参数模型，把所有外点剔除。
与现有技术相比，本发明具有有益效果：正确匹配率优于SIFT算法，且拼接速度是SIFT算法的1.6～2.2倍。
附图说明
图1是本发明一种基于PCA-SIFT的快速图像拼接方法流程图；
图2(a)是本发明实施例1的测试图像；
图2(b)是本发明实施例1的测试图像的SIFT算法特征点检测结果图；
图2(c)是本发明实施例1的测试图像对的改进方法特征点检测结果图；
图3(a)是本发明实施例2的测试图像对；
图3(b)是本发明实施例2的测试图像对的SIFT算法匹配结果图；
图3(c)是本发明实施例2的测试图像对的改进方法匹配结果图；
图4(a)是本发明实施例3的测试图像对；
图4(b)是本发明实施例3的测试图像对的SIFT算法匹配结果图；
图4(c)是本发明实施例3的测试图像对的改进方法匹配结果图；
图5(a)是本发明实施例3的测试图像对；
图5(b)是本发明实施例3的测试图像对的SIFT算法匹配结果图；
图5(c)是本发明实施例3的测试图像对的改进方法匹配结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，本发明提供一种基于PCA-SIFT的快速图像拼接方法，其特包括以下步骤：
步骤S1：使用改进的非极大值抑制法对SIFT检测到的初始特征点进行优选，得到分布更加均匀的特征点集；
步骤S2：基于半径为8的圆形窗口提取64维梯度向量作为梯度描述子；
步骤S3：利用步骤S2获得的64维梯度描述子，使用主成分分析法(PCA)进一步降维，使描述符维数减为32维；
步骤S4：利用步骤S3获得的32维描述符使用基于K-D数的BBF搜索策略进行特征配准，找出候选匹配点集；
步骤S5：对候选匹配点集采用随机抽样一致性算法(RANSAC)剔除误匹配点。
进一步地，所述步骤S1中改进的非极大值抑制法的具体方法为：把SIFT算法在每个高斯金字塔层检测到的局部极大值点和局部极小值点分别存放进两个有序队列中。然后对于两个有序队列的每个极值点进行遍历，以极大值点序列为例：对于每个极大值点以其本身为中心建立圆形窗口，在窗口内搜索其他极大值点，如果窗口内不存在其他极大值点，则此点为极值点，予以保留；如果窗口内存在其他极大值点，则与其进行比较，若此点的值小于其他极值点则认为其不是极值点，予以剔除，若此点的值大于其他极值点则认为其是圆形窗口内的极值点，予以保留，同时把圆形窗口内的其他极值点剔除。对于极小值点序列同样执行此操作，通过这种方式，每个极值点窗口内仅存在自身一个极值点。最后对于两个序列进行合并，得到空间离散分布的极值点。
进一步地，所述步骤S2中构建64维梯度描述子的具体方法为：以特征点为中心，提取半径为8s的圆形区域，并对该区域以s为采样间隔进行等间隔采样，其中s为特征点所在图层的尺度。为了实现旋转不变性，将圆形区域根据特征点的方向进行旋转。把圆形区域划分为两环，半径分别为5和8，并根据X轴与Y轴围成的4个象限，再依次分为四个部分，得到八个小区域。计算小区域内每个像素点的幅值与幅角，根据幅角以45度为一柱，划分8柱(柱所代表的方向为像素点梯度方向，柱的长短代表了梯度幅值)，形成2×4×8(即64)维的特征向量。最后对特征向量进行亮度归一化处理。
进一步地，所述步骤S3中主成分分析法降低描述符维数的具体方法为：
步骤S41：将图像中n个特征点的64维梯度描述符x1,x2,…,xn作为样本构成一个n×64的矩阵X，并对这n个向量计算64×64的协方差矩阵R。
步骤S42：计算协方差矩阵R的64个特征值λ与特征向量α，并把特征值与特征向量根据特征值从大到小进行排序，即λ1≥λ2≥…≥λ64，对应的特征向量(α1,α2,…,α64)。
步骤S43：选择前32个特征值对应的特征向量组成一个64×32的投影矩阵W。
步骤S44：将n×64的梯度描述符矩阵X与64×32的投影矩阵W相乘，得到n×32的矩阵Z，即降维描述符向量组成的矩阵。此时n个特征点的描述符向量均为32维。
进一步地，所述步骤S4中BBF匹配的具体方法为：利用数据集中的特征点建立K-D树，使用BBF(Best Bin First)搜索策略来寻找最近邻Dfirst和次近邻点Dsecond，如果其比值小于或等于某个阈值T(本发明中T＝0.6)，则认为是判定为候选匹配点。
进一步地，所述步骤S5中RANSAC提纯的具体方法为：对于候选匹配点集，随机抽取4个不共线样本，计算其变换矩阵(记模型M)。把匹配点集中所有点与模型M计算投影误差，若误差小于阈值，记为内点；若误差大于阈值，记为外点。通过不断迭代的方式，寻找最优参数模型，即内点最多。根据寻找到的最优参数模型，把所有外点剔除。
实施例1，如图2(a)所示，采用lena图片作为离散度分析的实验图像，如图2(b)图2(c)所示，SIFT算法可以提取在图像中提取到1127个特征点，特征点的离散度为126.628，本发明的改进方法可以提取到701个特征点，离散度为133.706。对于一副图像中特征点分布。离散度S越大，表明特征点的分布越离散越均匀；S越小，表明特征点的分布越密集越不均匀。通过图2可以很发现，用本发明的改进方法处理过的图片特征点分布比用SIFT算法处理过的更加均匀。在特征点分布稀疏的区域，SIFT算法和本文方法提取的特征点位置基本一样，但在特征点分布密集的区域，本文方法提取的特征点比SIFT算法更加稀疏均匀，这种特征点分布方式更加有利于图像之间的配准。
实施例2，如图3(a)所示，分别利用SIFT算法和本发明的改进方法进行匹配，如图3(b)和图3(c)所示，SIFT算法的匹配点对数为305，误匹配点对数为18，正确匹配率为94.10％；本发明改进算法的匹配点对数为95，误匹配点对数为1，正确匹配率为98.95％。可以看出本发明改进方法的正确匹配率提升了4.85％。
实施例3，如图4(a)所示，分别利用SIFT算法和本发明的改进方法进行匹配，如图4(b)和图4(c)所示，SIFT算法的匹配点对数为174，误匹配点对数为17，正确匹配率为90.23％；本发明改进方法的匹配点对数为72，误匹配点对数为2，正确匹配率为97.22％。可以看出本发明改进方法的正确匹配率提升了6.99％。
实施例4，如图5(a)所示，分别利用SIFT算法和本发明的改进方法进行匹配，如图5(b)和图5(c)所示，SIFT算法的匹配点对数为168，误匹配点对数为25，正确匹配率为85.12％；本发明改进方法的匹配点对数为61，误匹配点对数为2，正确匹配率为96.72％。可以看出本发明改进方法的正确匹配率提升了11.6％。
对上述测试图像对的匹配结果，SIFT算法和本发明改进方法的时间复杂度比较表如表1所示。
表1
从表1可以看出，本文方法检测到的特征点数量相对于SIFT算法大为减少，这加速了本文方法构建描述符和匹配用时，所以在总体拼接速度上，本文方法提高较为明显。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (6)
1.一种基于PCA-SIFT的快速图像拼接方法，其特征在于，包括以下步骤：
步骤S1：使用改进的非极大值抑制法对SIFT检测到的初始特征点进行优选；
步骤S2：利用一圆形窗口提取64维梯度向量作为梯度描述子；
步骤S3：利用步骤S2获得的64维梯度描述子，使用主成分分析法PCA进一步降维，使描述符维数减为32维；
步骤S4：利用步骤S3获得的32维描述符采用基于K-D树的BBF搜索策略进行特征配准，找出候选匹配点集；
步骤S5：对候选匹配点集采用随机抽样一致性算法剔除误匹配点；
所述步骤S1中改进的非极大值抑制法的具体方法为：
步骤S11：把SIFT算法在每个高斯金字塔层检测到的局部极大值点和周部极小值点分别存放进两个有序队列中；
步骤S12：对于两个有序队列的每个极值点进行遍历；
步骤S13：将两个序列进行合并，得到空间离散分布的极值点；
步骤S12对于两个有序队列的每个极值点进行遍历的具体步骤：
以极大值点序列为例：对于每个极大值点以其
本身为中心建立圆形窗口，在窗口内搜索其他极大值点，如果窗口内不存在其他极大值点，则此点为极值点，予以保留；如果窗口内存在其他极大值点，则与其进行比较，若此点的值小于其他极值点则认为其不是极值点，予以剔除，若此点的值大于其他极值点则认为其是圆形窗口内的极值点，予以保留，同时把圆形窗口内的其他极值点剔除；对于极小值点序列同样执行此操作，通过这种方式，每个极值点窗口内仅存在自身一个极值点。
2.根据权利要求1所述的基于PCA-SIFT的快速图像拼接方法，其特征在于：所述步骤S2中构建64维梯度描述子的具体方法为：
步骤S21：以特征点为中心，提取半径为8s的圆形区域，并对该区域以s为采样间隔进行等间隔采样，其中s为特征点所在图层的尺度；
步骤S22：为了实现旋转不变性，将圆形区域根据特征点的方向进行旋转，将该圆形区域划分为两个同心圆，半径分别为5s和8s，再根据X轴与Y轴围成的4个象限，将该圆形区域分为八个小区域；计算小区域内每个像素点的幅值与幅角，根据幅角以45度为一柱，划分8柱，形成2×4×8维的特征向量；其中柱所代表的方向为像素点梯度方向，柱的长短代表了梯度幅值；
步骤S23：最后对特征向量进行亮度归一化处理。
3.根据权利要求1所述的基于PCA-SIFT的快速图像拼接方法，其特征在于：所述步骤S3中主成分分析法降低描述符维数的具体方法为：
步骤S31：将图像中n个特征点的64维梯度描述符x1，x2，…，xn作为样本构成一个n×64的矩阵X，并对这n个向量计算64×64的协方差矩阵R；
步骤S32：计算协方差矩阵R的64个特征值λ与特征向量α，并把特征值与特征向量根据特征值从大到小进行排序，即λ1≥λ2≥…≥λ64，对应的特征向量(α1，α2，…，α64)；
步骤S43：选择前32个特征值对应的特征向量组成一个64×32的投影矩阵W；
步骤S44：将n×64的梯度描述符矩阵X与64×32的投影矩阵W相乘，得到n×32的矩阵Z，即降维描述符向量组成的矩阵；此时n个特征点的描述符向量均为32维。
4.根据权利要求1所述的基于PCA-SIFT的快速图像拼接方法，其特征在于：所述步骤S4中BBF匹配的具体方法为：利用数据集中的特征点建立K-D树，使用BBF搜索策略来寻找最近邻Dfirst和次近邻点Dsecond，如果其比值小于或等于某个阈值T，则认为是判定为候选匹配点。
5.根据权利要求4所述的基于PCA-SIFT的快速图像拼接方法，其特征在于：T＝0.6。
6.根据权利要求1所述的基于PCA-SIFT的快速图像拼接方法，其特征在于：所述步骤S5中RANSAC提纯的具体方法为：对于候选匹配点集，随机抽取4个不共线样本，计算其变换矩阵，记模型M；把匹配点集中所有点与模型M计算投影误差，若误差小于阈值，记为内点；若误差大于阈值，记为外点；通过不断迭代的方式，寻找最优参数模型，即内点最多；根据寻找到的最优参数模型，把所有外点剔除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810316664.7A CN108537732B (zh) | 2018-04-10 | 2018-04-10 | 基于pca-sift的快速图像拼接方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810316664.7A CN108537732B (zh) | 2018-04-10 | 2018-04-10 | 基于pca-sift的快速图像拼接方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537732A CN108537732A (zh) | 2018-09-14 |
| CN108537732B true CN108537732B (zh) | 2021-11-02 |
Family
ID=63479745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810316664.7A Expired - Fee Related CN108537732B (zh) | 2018-04-10 | 2018-04-10 | 基于pca-sift的快速图像拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537732B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109801316B (zh) * | 2018-12-19 | 2021-02-23 | 中国农业大学 | 一种果树树冠三维点云自动化配准方法及重构方法 |
| CN110210511A (zh) * | 2019-04-19 | 2019-09-06 | 哈尔滨工业大学 | 一种基于余弦测度的改进pca-sift图像配准方法 |
| CN110133741A (zh) * | 2019-05-08 | 2019-08-16 | 常州大学 | 一种多视角匹配和跟踪的自动安检方法 |
| CN110246168A (zh) * | 2019-06-19 | 2019-09-17 | 中国矿业大学 | 一种移动巡检机器人双目图像拼接的特征匹配方法 |
| CN110689485B (zh) * | 2019-10-14 | 2022-11-04 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
| CN113222880A (zh) * | 2020-01-20 | 2021-08-06 | 东华大学 | 分析检测方法 |
| CN112150359B (zh) * | 2020-09-15 | 2022-04-12 | 中国水利水电科学研究院 | 基于机器学习和特征点识别的无人机图像快速拼接方法 |
| CN113139626B (zh) * | 2021-06-21 | 2021-10-15 | 浙江华睿科技股份有限公司 | 模板匹配方法、装置、电子设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100950776B1 (ko) * | 2009-10-16 | 2010-04-02 | 주식회사 쓰리디누리 | 얼굴 인식 방법 |
| CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
| CN103942778A (zh) * | 2014-03-20 | 2014-07-23 | 杭州禧颂科技有限公司 | 一种主成分特征曲线分析的快速视频关键帧提取方法 |
| CN105608671A (zh) * | 2015-12-30 | 2016-05-25 | 哈尔滨工业大学 | 一种基于surf算法的图像拼接方法 |
| CN106373088A (zh) * | 2016-08-25 | 2017-02-01 | 中国电子科技集团公司第十研究所 | 大倾斜低重叠率航空图像的快速拼接方法 |
| CN107784122A (zh) * | 2017-11-22 | 2018-03-09 | 殷周平 | 一种基于多层特征表示的实例级图像搜索方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9269012B2 (en) * | 2013-08-22 | 2016-02-23 | Amazon Technologies, Inc. | Multi-tracker object tracking |
| CN106250812B (zh) * | 2016-07-15 | 2019-08-20 | 汤一平 | 一种基于快速r-cnn深度神经网络的车型识别方法 |
| CN106250898B (zh) * | 2016-07-28 | 2019-04-26 | 哈尔滨工业大学 | 一种基于尺度预测的图像局部区域特征提取方法 |
-
2018
- 2018-04-10 CN CN201810316664.7A patent/CN108537732B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100950776B1 (ko) * | 2009-10-16 | 2010-04-02 | 주식회사 쓰리디누리 | 얼굴 인식 방법 |
| CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
| CN103942778A (zh) * | 2014-03-20 | 2014-07-23 | 杭州禧颂科技有限公司 | 一种主成分特征曲线分析的快速视频关键帧提取方法 |
| CN105608671A (zh) * | 2015-12-30 | 2016-05-25 | 哈尔滨工业大学 | 一种基于surf算法的图像拼接方法 |
| CN106373088A (zh) * | 2016-08-25 | 2017-02-01 | 中国电子科技集团公司第十研究所 | 大倾斜低重叠率航空图像的快速拼接方法 |
| CN107784122A (zh) * | 2017-11-22 | 2018-03-09 | 殷周平 | 一种基于多层特征表示的实例级图像搜索方法 |
Non-Patent Citations (3)
| Title |
|---|
| "一种新的局部不变特征检测和描述算法";杨恒等;《计算机学报》;20100531;第33卷(第5期);第935-944页 * |
| "基于PCA-SIFT特征匹配的图像拼接算法";蒋波等;《计算机应用》;20161215;第36卷(第S2期);第143-145，159页 * |
| "基于自适应非极大值抑制的 SIFT 改进算法";许晓帆等;《电子设计工程》;20140930;第22卷(第18期);第180-182页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537732A (zh) | 2018-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537732B (zh) | 基于pca-sift的快速图像拼接方法 | |
| CN111080529A (zh) | 一种加强鲁棒性的无人机航拍图像拼接方法 | |
| US9141871B2 (en) | Systems, methods, and software implementing affine-invariant feature detection implementing iterative searching of an affine space | |
| US9619733B2 (en) | Method for generating a hierarchical structured pattern based descriptor and method and device for recognizing object using the same | |
| JP5714599B2 (ja) | イメージ認識のための記述子パッチの高速部分空間射影 | |
| US8406535B2 (en) | Invariant visual scene and object recognition | |
| JP5431362B2 (ja) | 画像識別のための特徴ベースの識別特性（ｓｉｇｎａｔｕｒｅ） | |
| JP5703312B2 (ja) | 特徴点の効率的なスケールスペース抽出及び記述 | |
| CN111079803B (zh) | 基于梯度信息的模板匹配方法 | |
| US7970226B2 (en) | Local image descriptors | |
| CN107967477B (zh) | 一种改进的sift特征联合匹配方法 | |
| CN111709426B (zh) | 一种基于轮廓和纹理的硅藻识别方法 | |
| US8712159B2 (en) | Image descriptor quantization | |
| CN111079802B (zh) | 一种基于梯度信息的匹配方法 | |
| CN114359591A (zh) | 一种融合边缘特征的自适应图像匹配算法 | |
| CN113095385B (zh) | 一种基于全局和局部特征描述的多模图像匹配方法 | |
| Peri et al. | ReF--Rotation Equivariant Features for Local Feature Matching | |
| CN106780294B (zh) | 一种基于特征描述符的圆弧匹配方法 | |
| Mani et al. | Design of a novel shape signature by farthest point angle for object recognition | |
| EP3137895A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
| CN111860654B (zh) | 一种基于循环神经网络的高光谱图像分类方法 | |
| CN113793372A (zh) | 异源图像的优化配准方法及系统 | |
| CN109815791B (zh) | 基于血管的身份识别方法和装置 | |
| Guerrini et al. | Innerspec: Technical report | |
| CN113077410A (zh) | 图像检测方法、装置方法、芯片及计算机可读存储介质 |
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 |
Granted publication date: 20211102 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |