CN108596867A - 一种基于orb算法的图片校正方法及系统 - Google Patents
一种基于orb算法的图片校正方法及系统 Download PDFInfo
- Publication number
- CN108596867A CN108596867A CN201810440674.1A CN201810440674A CN108596867A CN 108596867 A CN108596867 A CN 108596867A CN 201810440674 A CN201810440674 A CN 201810440674A CN 108596867 A CN108596867 A CN 108596867A
- Authority
- CN
- China
- Prior art keywords
- point
- picture
- bearing calibration
- orb algorithms
- characteristic point
- 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
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 11
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000011017 operating method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- QIQXTHQIDYTFRH-UHFFFAOYSA-N octadecanoic acid Chemical compound CCCCCCCCCCCCCCCCCC(O)=O QIQXTHQIDYTFRH-UHFFFAOYSA-N 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/38—Registration of image sequences
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
本发明公开了一种基于ORB算法的图片校正方法及系统,将ORB算法与透视变换结合应用,具体操作步骤包括S1:特征点检测;S2:特征点描述;S3:特征点匹配;S4:初步筛选匹配点对;S5:获取前N个最优点对;S6:计算单应矩阵H;S7:图像配准校正。与现有的方法相比,本发明显著的优点在于:运行速度是SIFT算法的100倍,是SURF算法的10倍、校正精确度比SIFT算法高、略低于SURF算法,具有旋转不变性和解决噪声敏感问题等优点,使得最终的校正效果必然更加理想,在计算单应矩阵H时,采取了随机抽样一致性(RANSAC)算法,更加鲁棒地求解单应矩阵H,剔除误匹配点。
Description
技术领域
本发明涉及图片校正方法技术领域,特别涉及一种基于ORB算法的图片校正方法及系统。
背景技术
在日常拍摄过程中,不可避免地会出现抖动或偏转等情况,导致序列图像间产生小的平移或旋转,不能满足后续图片处理要求,比如读取图片信息出错或者无法读取图片信息,因此必须应该先进行图像配准校正。图像配准校正是近代信息处理中一项极为重要的技术,是所有需要合并多种数据源从而获取最终信息的图像分析任务,如图像融合、变化检测和多通道图像复原和读取隐藏在图片里面的一些防伪信息等的必要的前期工作,图像校正的精确与否将直接影响后续工作的质量,因此必须运用一种具有更高精确度和效率的算法对这些图片进行校正。
发明内容
为了解决现有技术中存在的问题,满足企业科研生产需要,解决企业生产中遇到的关键技术问题,以帮助本企业提升技术,改善产品,本发明提供了一种基于ORB算法的图片校正方法及系统。
本发明解决其问题所采用的技术方案是:
一种基于ORB算法的图片校正方法,将ORB算法与透视变换结合应用,具体操作步骤包括S1:特征点检测;S2:特征点描述;S3:特征点匹配;S4:初步筛选匹配点对;S5:获取前N个最优点对;S6:计算单应矩阵H;S7:图像配准校正。
进一步,所述步骤S1使用ORB算法进行特征点检测,ORB算法采用灰度质心法进行特征点主方向度量,从而计算特征点主方向分量;通过下式确定图像角点区域的灰度矩:
式中,I(x,y)为图像点(x,y)处的灰度值;p,q为灰度矩的阶数;灰度质心C可由下式3个不同灰度矩m00,m01,m02来表示:
构造角点中心A到灰度质心C的向量AC,可知该角点区域的主方向为:
进一步,所述步骤S2使用ORB算法进行特征点描述,ORB算法在获取特征点主方向的基础上,采用BRIEF描述子对特征点进行描述,设生成特征点描述符的n个测试点对为(xi,yi),并将上述特征点邻域中每个构成测试点对中的两个匹配点xi,yi均旋转一个角度θ;
具体地,定义一个2×n的矩阵:
利用角度θ形成的旋转矩阵为Rθ,旋转后匹配点的坐标为:
Sθ=RθS
最终,使用Sθ中的匹配点求取特征点描述符。
进一步,所述步骤S3中的特征点匹配是,通过测量模板图片与待校正图片间特征点的汉明距离,为模板图片中的单个特征点在待校正图片上找出与其汉明距离最小的两个匹配特征点,分别为最近邻特征点和次近邻特征点。
进一步,所述步骤S4中的初步筛选匹配点对是,对步骤S3中得到每个特征点的最近邻特征点和次近邻特征点,使用最近邻汉明距离与次近邻汉明距离的比值作为阈值Threshold来确定可能正确的匹配,选取阈值为0.6,即Threshold<0.6时,把最近邻汉明距离对应的特征点作为候选可信匹配点。
进一步,所述步骤S5中获取前N个最优点对的方法是,在步骤S4初步筛选匹配点对后,对匹配特征点进行排序,然后提取前N个最优点对。
进一步,所述步骤S6计算单应矩阵H的方法是,
对于两幅图像,假设模板图片上的点为(x'i,y'i),待校正图片上的点为(xi,yi),两幅影像的投影变换关系为下式:
或表示成向量形式:
A’=HA
式中:A'=(x'i,y'i,z'i)T,A=(xi,yi,zi)T分别为模板图片和待校正图片上对应点的齐次坐标;H即变换矩阵,H有8个自由度,所以至少需要4对匹配点估计矩阵H;求得变换矩阵后,能够将影像统一到同一坐标系中解算;最后采用随机抽样一致法求解单应矩阵H。
进一步,所述步骤S7中的图像配准校正方法是,运用步骤S6中求得的单应矩阵H对待校正图片进行透视变换,输出与模板图片大小尺寸、方向位置和图片格式都一致的图片。
本发明还公开了一种应用于上述基于ORB算法的图片校正方法的系统,包括依次连接的执行步骤S1的M1模块、执行步骤S2的M2模块、执行步骤S3的M3模块、执行步骤S4的M4模块、执行步骤S5的M5模块、执行步骤S6的M6模块和执行步骤S7的M7模块;输入系统的待校正图片和模板图片依次经过M1模块至M7模块实现待校正图片的校正。
与现有的方法相比,本发明显著的优点在于:
第一:以往使用的更多是SIFT算法和SURF算法。而本课题采取的ORB算法具有运行速度是SIFT算法的100倍,是SURF算法的10倍、校正精确度比SIFT算法高、略低于SURF算法,具有旋转不变性和解决噪声敏感问题等优点,使得最终的校正效果必然更加理想。
第二:在计算单应矩阵H时,采取了随机抽样一致性(RANSAC)算法,更加鲁棒地求解单应矩阵H,剔除误匹配点。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种基于ORB算法的图片校正系统的结构框图;
图2是本发明一种基于ORB算法的图片校正方法的流程图。
具体实施方式
下面结合实施例和附图对本发明作进一步说明。
一种基于ORB算法的图片校正方法,如图2所示,具体包含以下步骤:S1特征点检测;S2特征点描述;S3特征点匹配;S4初步筛选匹配点对;S5获取前N个最优点对;S6计算单应矩阵H;S7图像配准校正。
所述步骤S1特征点检测。
在一些具有独特的位置把兴趣点检测出来,这些具有独特性的位置通常为角点、斑状结构、T型结合处。对于一个兴趣点检测算子来说,最有价值的品质就是重复度。所谓的重复度就是检测算子在不同视角拍摄的图像中找到相同的兴趣点能力。
ORB算法采用了灰度质心法进行特征点主方向度量,从而简单有效地计算特征点主方向分量。通过下式确定图像角点区域的灰度矩:
式中,I(x,y)为图像点(x,y)处的灰度值;p,q为灰度矩的阶数灰度质心C就可由下式3个不同灰度矩m00,m01,m02来表示:
因此,可构造角点中心A到灰度质心C的向量AC。因此,可知该角点区域的主方向为:
所述步骤S2特征点描述。
用一个特征向量去描述每一个兴趣点邻域的信息。特征点描述算子还必须对噪声、光照变化、拍摄视角变化等因素保持一定的鲁棒性。
在特征描述方面,ORB算法在获取特征点主方向的基础上,采用Brief描述子对特征点进行描述,同时将特征点的主方向应用于Brief算法上,将其改进为旋转不变性的Rotated-Brief。
BRIEF算法具有旋转不变性,需要使特征点的邻域旋转一个角度,该角度就是步骤S1求得的特征点的方向角θ。但这样整体旋转一个邻域的开销就比较大,一个更加高效的做法就是旋转得到的那些邻域中的匹配点xi,yi。
设生成特征点描述符的n个测试点对为(xi,yi),定义一个2×n的矩阵:
利用角度θ形成的旋转矩阵为Rθ,旋转后匹配点的坐标为:
Sθ=RθS
使用Sθ中的像素点求取特征点描述符。
所述步骤S3特征点匹配。
对于256bit的2个二进制描述符,汉明距离取值在0到256之间的,难以使用一个合适的阈值去确定正确的匹配。因此本文通过测量模板图片与待校正图片每个特征点描述符间的汉明距离,得到每个特征点的最近邻特征点和次近邻特征点。使用OpenCV库中BruteForceMatcher匹配器进行特征点匹配。
所述步骤S4初步筛选匹配点对。
当步骤S3得到每个特征点的最近邻特征点和次近邻特征点时,使用最近邻距离与次近邻距离的比值作为阈值Threshold来确定可能正确的匹配,本文选取阈值为0.6,即Threshold<0.6时,把最近邻距离对应的特征点作为候选可信匹配点。
当阈值设置为0.4的时候,会剔除大量的正确匹配点对,设置为0.8时,又会存在比较多的误匹配,导致后续步骤的计算量增加,降低效率。
所述步骤S5获取前N个最优点对。
在步骤S4初步筛选匹配点对后,使用OpenCV库中的函数,进行匹配特征点sort排序,然后使用push_back提取前N个最优点对。
所述步骤S6计算单应矩阵H。
对于两幅图片,假设模板图片上的点为(x'i,y'i),待校正图片上的点为(xi,yi),两幅影像的投影变换关系为下式:
或表示成向量形式:
A’=HA
式中:A'=(x'i,y'i,z'i)T,A=(xi,yi,zi)T分别为模板图片和待校正图片上对应点的齐次坐标。变换矩阵为H,H有8个自由度,所以至少需要4对匹配点估计矩阵H。求得变换矩阵后,能够将影像统一到同一坐标系中解算。
考虑到经过ORB初步匹配以及一次近邻过滤后的匹配中依然存在少量错误匹配,因此,如果直接采用最小二乘法计算,会产生较大的偏差。为此,本课题采用随机抽样一致法(Random Sample Consensus,RANSAC)鲁棒地求解单应矩阵H。
所述步骤S7图像配准校正
运用步骤S6求得的单应矩阵H对待校正图片进行透视变换,输出与模板图片大小尺寸、方向位置和图片格式都一致的图片。
应用示例一
参照图2,具体包括以下步骤:
相机采集图片数据,准备上传;
输入待校正图片和模板图片;
对待校正图片和模板图片进行特征提取;
进行特征点匹配,获取特征匹配点对;
判断特征匹配点对是否大于4,如果是,继续向下执行;如果否,返回重新采集图片数据;
计算单应矩阵H。
具体的,通过下式计算单应矩阵H:
对于两幅图像,假设模板图像上的点为(x'i,y'i),目标图像上的点为(xi,yi),两幅影像的投影变换关系为下式:
或表示成向量形式:
A’=HA
式中:A'=(x'i,y'i,z'i)T,A=(xi,yi,zi)T分别为模板图像和目标图像上对应点的齐次坐标。变换矩阵为H,H有8个自由度,所以至少需要4对匹配点估计矩阵H;
进行透视变换校正;
输出校正后的图片。
如图1所示,本发明还公开了一种应用于上述基于ORB算法的图片校正方法的系统,包括依次连接的执行步骤S1的M1模块、执行步骤S2的M2模块、执行步骤S3的M3模块、执行步骤S4的M4模块、执行步骤S5的M5模块、执行步骤S6的M6模块和执行步骤S7的M7模块;输入系统的待校正图片和模板图片依次经过M1模块至M7模块实现待校正图片的校正。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (9)
1.一种基于ORB算法的图片校正方法,其特征在于:将ORB算法与透视变换结合应用,具体操作步骤包括S1:特征点检测;S2:特征点描述;S3:特征点匹配;S4:初步筛选匹配点对;S5:获取前N个最优点对;S6:计算单应矩阵H;S7:图像配准校正。
2.根据权利要求1所述的一种基于ORB算法的图片校正方法,其特征在于:所述步骤S1使用ORB算法进行特征点检测,ORB算法采用灰度质心法进行特征点主方向度量,从而计算特征点主方向分量;通过下式确定图像角点区域的灰度矩:
式中,I(x,y)为图像点(x,y)处的灰度值;p,q为灰度矩的阶数;灰度质心C可由下式3个不同灰度矩m00,m01,m02来表示:
构造角点中心A到灰度质心C的向量AC,可知该角点区域的主方向为:
3.根据权利要求2所述的一种基于ORB算法的图片校正方法,其特征在于:所述步骤S2使用ORB算法进行特征点描述,ORB算法在获取特征点主方向的基础上,采用BRIEF描述子对特征点进行描述,设生成特征点描述符的n个测试点对为(xi,yi),并将上述特征点邻域中每个构成测试点对中的两个匹配点xi,yi均旋转一个角度θ;
具体地,定义一个2×n的矩阵:
利用角度θ形成的旋转矩阵为Rθ,旋转后匹配点的坐标为:
Sθ=RθS
最终,使用Sθ中的匹配点求取特征点描述符。
4.根据权利要求3所述的一种基于ORB算法的图片校正方法,其特征在于:所述步骤S3中的特征点匹配是,通过测量模板图片与待校正图片间特征点的汉明距离,为模板图片中的单个特征点在待校正图片上找出与其汉明距离最小的两个匹配特征点,分别为最近邻特征点和次近邻特征点。
5.根据权利要求4所述的一种基于ORB算法的图片校正方法,其特征在于:所述步骤S4中的初步筛选匹配点对是,对步骤S3中得到每个特征点的最近邻特征点和次近邻特征点,使用最近邻汉明距离与次近邻汉明距离的比值作为阈值Threshold来确定可能正确的匹配,选取阈值为0.6,即Threshold<0.6时,把最近邻汉明距离对应的特征点作为候选可信匹配点。
6.根据权利要求5所述的一种基于ORB算法的图片校正方法,其特征在于:所述步骤S5中获取前N个最优点对的方法是,在步骤S4初步筛选匹配点对后,对匹配特征点进行排序,然后提取前N个最优点对。
7.根据权利要求6所述的一种基于ORB算法的图片校正方法,其特征在于:所述步骤S6计算单应矩阵H的方法是,
对于两幅图像,假设模板图片上的点为(xi',yi'),待校正图片上的点为(xi,yi),两幅影像的投影变换关系为下式:
或表示成向量形式:
A’=HA
式中:A'=(x'i,y'i,z'i)T,A=(xi,yi,zi)T分别为模板图片和待校正图片上对应点的齐次坐标;H即变换矩阵,H有8个自由度,所以至少需要4对匹配点估计矩阵H;求得变换矩阵后,能够将影像统一到同一坐标系中解算;最后采用随机抽样一致法求解单应矩阵H。
8.根据权利要求7所述的一种基于ORB算法的图片校正方法,其特征在于:所述步骤S7中的图像配准校正方法是,运用步骤S6中求得的单应矩阵H对待校正图片进行透视变换,输出与模板图片大小尺寸、方向位置和图片格式都一致的图片。
9.一种应用于上述权利要求1-8所述的基于ORB算法的图片校正方法的系统,其特征在于:包括依次连接的执行步骤S1的M1模块、执行步骤S2的M2模块、执行步骤S3的M3模块、执行步骤S4的M4模块、执行步骤S5的M5模块、执行步骤S6的M6模块和执行步骤S7的M7模块;输入系统的待校正图片和模板图片依次经过M1模块至M7模块实现待校正图片的校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810440674.1A CN108596867A (zh) | 2018-05-09 | 2018-05-09 | 一种基于orb算法的图片校正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810440674.1A CN108596867A (zh) | 2018-05-09 | 2018-05-09 | 一种基于orb算法的图片校正方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596867A true CN108596867A (zh) | 2018-09-28 |
Family
ID=63636340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810440674.1A Pending CN108596867A (zh) | 2018-05-09 | 2018-05-09 | 一种基于orb算法的图片校正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596867A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615645A (zh) * | 2018-12-07 | 2019-04-12 | 国网四川省电力公司电力科学研究院 | 基于视觉的特征点提取方法 |
CN109961103A (zh) * | 2019-04-02 | 2019-07-02 | 北京迈格威科技有限公司 | 特征提取模型的训练方法、图像特征的提取方法及装置 |
CN110070568A (zh) * | 2019-04-28 | 2019-07-30 | 重庆学析优科技有限公司 | 一种图片矫正方法及系统 |
CN110197096A (zh) * | 2019-06-10 | 2019-09-03 | 阿里巴巴集团控股有限公司 | 二维码校正方法、装置及设备 |
CN110674815A (zh) * | 2019-09-29 | 2020-01-10 | 四川长虹电器股份有限公司 | 基于深度学习关键点检测的发票图像畸变校正方法 |
CN111160466A (zh) * | 2019-12-30 | 2020-05-15 | 深圳纹通科技有限公司 | 一种基于直方图统计的特征匹配算法 |
CN111260574A (zh) * | 2020-01-13 | 2020-06-09 | 深圳市安印科技有限公司 | 一种印章照片矫正的方法、终端及计算机可读存储介质 |
CN111612966A (zh) * | 2020-05-21 | 2020-09-01 | 广东乐佳印刷有限公司 | 一种基于图像识别的票据凭证防伪检测方法及装置 |
CN111703656A (zh) * | 2020-05-19 | 2020-09-25 | 河南中烟工业有限责任公司 | 循环烟箱箱皮朝向修正方法 |
CN113033578A (zh) * | 2021-03-30 | 2021-06-25 | 上海星定方信息科技有限公司 | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 |
CN113421257A (zh) * | 2021-07-22 | 2021-09-21 | 凌云光技术股份有限公司 | 一种点阵字体文本行旋转校正方法及装置 |
CN113658080A (zh) * | 2021-08-23 | 2021-11-16 | 宁波棱镜空间智能科技有限公司 | 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 |
CN114240919A (zh) * | 2021-12-23 | 2022-03-25 | 恒为科技(上海)股份有限公司 | 一种板卡器件检测方法、装置、设备及存储介质 |
CN115115861A (zh) * | 2022-08-31 | 2022-09-27 | 中国民航大学 | 一种应用于旋转双目立体视觉系统的图像校正方法 |
CN115655758A (zh) * | 2022-12-08 | 2023-01-31 | 成都盛锴科技有限公司 | 一种转向架位姿检测、校正方法及其系统 |
CN117745563A (zh) * | 2024-02-21 | 2024-03-22 | 深圳市格瑞邦科技有限公司 | 一种双摄像头结合的平板电脑增强显示方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103516995A (zh) * | 2012-06-19 | 2014-01-15 | 中南大学 | 一种基于orb特征的实时全景视频拼接方法和装置 |
CN104167003A (zh) * | 2014-08-29 | 2014-11-26 | 福州大学 | 一种遥感影像的快速配准方法 |
CN104751465A (zh) * | 2015-03-31 | 2015-07-01 | 中国科学技术大学 | 一种基于lk光流约束的orb图像特征配准方法 |
CN104867137A (zh) * | 2015-05-08 | 2015-08-26 | 中国科学院苏州生物医学工程技术研究所 | 一种基于改进ransac算法的图像配准方法 |
CN105205781A (zh) * | 2015-08-24 | 2015-12-30 | 电子科技大学 | 输电线路航拍图像拼接方法 |
CN106529488A (zh) * | 2016-11-18 | 2017-03-22 | 北京联合大学 | 一种基于orb特征提取的车道线检测方法 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
CN107545049A (zh) * | 2017-08-18 | 2018-01-05 | 腾讯科技(深圳)有限公司 | 图片处理方法及相关产品 |
CN107944471A (zh) * | 2017-11-03 | 2018-04-20 | 安徽工程大学 | 一种基于非线性尺度空间的orb特征点匹配方法 |
CN107945113A (zh) * | 2017-11-17 | 2018-04-20 | 北京天睿空间科技股份有限公司 | 局部图像拼接错位的矫正方法 |
-
2018
- 2018-05-09 CN CN201810440674.1A patent/CN108596867A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103516995A (zh) * | 2012-06-19 | 2014-01-15 | 中南大学 | 一种基于orb特征的实时全景视频拼接方法和装置 |
CN104167003A (zh) * | 2014-08-29 | 2014-11-26 | 福州大学 | 一种遥感影像的快速配准方法 |
CN104751465A (zh) * | 2015-03-31 | 2015-07-01 | 中国科学技术大学 | 一种基于lk光流约束的orb图像特征配准方法 |
CN104867137A (zh) * | 2015-05-08 | 2015-08-26 | 中国科学院苏州生物医学工程技术研究所 | 一种基于改进ransac算法的图像配准方法 |
CN105205781A (zh) * | 2015-08-24 | 2015-12-30 | 电子科技大学 | 输电线路航拍图像拼接方法 |
CN106529488A (zh) * | 2016-11-18 | 2017-03-22 | 北京联合大学 | 一种基于orb特征提取的车道线检测方法 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
CN107545049A (zh) * | 2017-08-18 | 2018-01-05 | 腾讯科技(深圳)有限公司 | 图片处理方法及相关产品 |
CN107944471A (zh) * | 2017-11-03 | 2018-04-20 | 安徽工程大学 | 一种基于非线性尺度空间的orb特征点匹配方法 |
CN107945113A (zh) * | 2017-11-17 | 2018-04-20 | 北京天睿空间科技股份有限公司 | 局部图像拼接错位的矫正方法 |
Non-Patent Citations (2)
Title |
---|
ETHAN RUBLEE 等: "ORB: an efficient alternative to SIFT or SURF" * |
王国东 等: "一种利用 ORB 特征进行航拍图像拼接的方法" * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615645A (zh) * | 2018-12-07 | 2019-04-12 | 国网四川省电力公司电力科学研究院 | 基于视觉的特征点提取方法 |
CN109961103B (zh) * | 2019-04-02 | 2020-10-27 | 北京迈格威科技有限公司 | 特征提取模型的训练方法、图像特征的提取方法及装置 |
CN109961103A (zh) * | 2019-04-02 | 2019-07-02 | 北京迈格威科技有限公司 | 特征提取模型的训练方法、图像特征的提取方法及装置 |
CN110070568A (zh) * | 2019-04-28 | 2019-07-30 | 重庆学析优科技有限公司 | 一种图片矫正方法及系统 |
CN110197096A (zh) * | 2019-06-10 | 2019-09-03 | 阿里巴巴集团控股有限公司 | 二维码校正方法、装置及设备 |
CN110197096B (zh) * | 2019-06-10 | 2022-07-19 | 创新先进技术有限公司 | 二维码校正方法、装置及设备 |
CN110674815A (zh) * | 2019-09-29 | 2020-01-10 | 四川长虹电器股份有限公司 | 基于深度学习关键点检测的发票图像畸变校正方法 |
CN111160466A (zh) * | 2019-12-30 | 2020-05-15 | 深圳纹通科技有限公司 | 一种基于直方图统计的特征匹配算法 |
CN111160466B (zh) * | 2019-12-30 | 2022-02-22 | 深圳纹通科技有限公司 | 一种基于直方图统计的特征匹配算法 |
CN111260574A (zh) * | 2020-01-13 | 2020-06-09 | 深圳市安印科技有限公司 | 一种印章照片矫正的方法、终端及计算机可读存储介质 |
CN111260574B (zh) * | 2020-01-13 | 2023-09-22 | 深圳市安印科技有限公司 | 一种印章照片矫正的方法、终端及计算机可读存储介质 |
CN111703656A (zh) * | 2020-05-19 | 2020-09-25 | 河南中烟工业有限责任公司 | 循环烟箱箱皮朝向修正方法 |
CN111612966A (zh) * | 2020-05-21 | 2020-09-01 | 广东乐佳印刷有限公司 | 一种基于图像识别的票据凭证防伪检测方法及装置 |
CN111612966B (zh) * | 2020-05-21 | 2021-05-07 | 广东乐佳印刷有限公司 | 一种基于图像识别的票据凭证防伪检测方法及装置 |
CN113033578A (zh) * | 2021-03-30 | 2021-06-25 | 上海星定方信息科技有限公司 | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 |
CN113421257A (zh) * | 2021-07-22 | 2021-09-21 | 凌云光技术股份有限公司 | 一种点阵字体文本行旋转校正方法及装置 |
CN113421257B (zh) * | 2021-07-22 | 2024-05-31 | 凌云光技术股份有限公司 | 一种点阵字体文本行旋转校正方法及装置 |
CN113658080A (zh) * | 2021-08-23 | 2021-11-16 | 宁波棱镜空间智能科技有限公司 | 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 |
CN113658080B (zh) * | 2021-08-23 | 2023-12-22 | 宁波棱镜空间智能科技有限公司 | 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 |
CN114240919A (zh) * | 2021-12-23 | 2022-03-25 | 恒为科技(上海)股份有限公司 | 一种板卡器件检测方法、装置、设备及存储介质 |
CN115115861A (zh) * | 2022-08-31 | 2022-09-27 | 中国民航大学 | 一种应用于旋转双目立体视觉系统的图像校正方法 |
CN115655758A (zh) * | 2022-12-08 | 2023-01-31 | 成都盛锴科技有限公司 | 一种转向架位姿检测、校正方法及其系统 |
CN117745563A (zh) * | 2024-02-21 | 2024-03-22 | 深圳市格瑞邦科技有限公司 | 一种双摄像头结合的平板电脑增强显示方法 |
CN117745563B (zh) * | 2024-02-21 | 2024-05-14 | 深圳市格瑞邦科技有限公司 | 一种双摄像头结合的平板电脑增强显示方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596867A (zh) | 一种基于orb算法的图片校正方法及系统 | |
US11676301B2 (en) | System and method for efficiently scoring probes in an image with a vision system | |
CN105654421B (zh) | 基于变换不变低秩纹理的投影变换图像匹配方法 | |
Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
CN109947273B (zh) | 一种点读定位方法及装置 | |
Lou et al. | A cost-effective automatic 3D reconstruction pipeline for plants using multi-view images | |
KR101753360B1 (ko) | 시점 변화에 강인한 특징점 정합 방법 | |
Wu et al. | Visible and infrared image registration based on visual salient features | |
Urban et al. | mdBRIEF-a fast online-adaptable, distorted binary descriptor for real-time applications using calibrated wide-angle or fisheye cameras | |
CN104484647B (zh) | 一种高分辨率遥感图像云高度检测方法 | |
Schmid et al. | Building descriptors from local feature neighborhoods for applications in semi-dense 3D reconstruction | |
WO2008003985A2 (en) | Method of identifying linear features within an image | |
Xu et al. | Pointer gauge adaptive reading method based on a double match | |
Ren et al. | SAR image matching method based on improved SIFT for navigation system | |
Hao et al. | Study on Rotation and Scaling Invariance of Retina-Like Imaging | |
Li et al. | Reliable and fast mapping of keypoints on large-size remote sensing images by use of multiresolution and global information | |
Yang et al. | A real-time marking defect inspection method for IC chips | |
Dou et al. | Infrared and visible image registration based on SIFT and sparse representation | |
Zhu et al. | Pose estimation for non-cooperative targets using 3D feature correspondences grouped via local and global constraints | |
Jin et al. | A novel coarse-to-fine method for registration of multispectral images | |
Mo et al. | A Robust Infrared and Visible Image Registration Method for Dual Sensor UAV System | |
CN112926689B (zh) | 目标的定位方法、装置、电子设备及存储介质 | |
JP7405528B2 (ja) | 媒体判別装置、媒体判別システム及び媒体判別方法 | |
Hou et al. | Image registration for defects detection of high-speed train bogies | |
Kyatham et al. | Performance Assessment of Feature Detection Methods for 2-D FS Sonar Imagery |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |