CN108876826B - 一种图像匹配方法及系统 - Google Patents
一种图像匹配方法及系统 Download PDFInfo
- Publication number
- CN108876826B CN108876826B CN201710327716.6A CN201710327716A CN108876826B CN 108876826 B CN108876826 B CN 108876826B CN 201710327716 A CN201710327716 A CN 201710327716A CN 108876826 B CN108876826 B CN 108876826B
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- template image
- module
- template
- 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
Images
Classifications
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像匹配技术领域,特别涉及一种图像匹配方法及系统。所述图像匹配方法包括:步骤a:读取模板图像和待匹配图像,对模板图像和待匹配图像进行稀疏傅里叶变换;步骤b:分别计算所述稀疏傅里叶变换后的模板图像和待匹配图像的幅度谱;步骤c:根据所述幅度谱对模板图像和待匹配图像进行对数极坐标变换;步骤d:将所述模板图像和待匹配图像的对数极坐标变换结果进行相位相关,获得旋转角度、缩放系数和平移量,根据所获得的旋转角度、缩放系数和平移量对所述模板图像和待匹配图像进行匹配。本申请省去传统傅里叶-梅林变换的高通滤波步骤,避免了传统图像匹配算法中高通滤波带来的误差,后期做相位相关更精确,算法智能化明显提升。
Description
技术领域
本申请涉及图像匹配技术领域,特别涉及一种图像匹配方法及系统。
背景技术
根据已知模板图像,在另外一幅图中寻找子图像的过程称为图像匹配。图像匹配是计算机视觉中的一个重要组成部分,在图像拼接、目标检测与跟踪、视频稳定、视频稳定、视频监控等领域具有广泛的应用。
相位相关算法是一种常用的图像匹配方法,通过计算模板图像和待匹配图像在频域的相位差,从而得到模板图像在待匹配图像中的相对位置。当模板图像和待匹配图像之间存在旋转和缩放时,只用相位相关算法会出现偏差和错误,需要使用傅里叶-梅林变换进行图像匹配,傅里叶-梅林变换不仅能够计算出模板图像在待匹配图像中的位置,还能计算二者之间的旋转角度和缩放系数。
傅里叶-梅林变换算法步骤如下:
1)分别对模板图像t(x,y)和待匹配图像i(x,y)进行傅里叶变换,得到T(u,v)和I(u,v);
2)分别计算T(u,v)和I(u,v)的幅度谱MT(u,v)和MI(u,v);
3)对幅度谱进行高通滤波,然后将幅度谱转换到对数-极坐标,得到MT(lgρ,θ)和MI(lgρ,θ);
4)运行相位相关算法计算MT(lgρ,θ)和MT(lgρ,θ)之间的相对平移,进而得到旋转角度Δθ和缩放系数λ;
5)根据Δθ和λ对待匹配图像进行变换,得到仅存在平移量的图像I'(x,y);
6)对t(x,y)和I'(x,y)运用相位相关算法,得到平移量(Δx,Δy)。
西安电子科技大学的那彦的专利《基于傅里叶梅林变换的图像几何匹配方法》公开了一种基于傅里叶梅林变换的图像几何匹配方法,解决了待匹配图像和参考图像间旋转角度较大的匹配精度差、时间长的问题。匹配过程包括:
1、用傅里叶梅林变换求待匹配图像和参考图像间的旋转角;
2、对旋转角矫正,得到初步匹配图像;提取上述两幅图像显著图的特征点;
3、对特征点关联;
4、求解仿射变换模型;
5、用该模型变换初步匹配图像,用双线性差值法对变换后图像差值,得到最终匹配图像。
该图像匹配方法能有效处理待匹配图像与参考图像间旋转角度较小的情况,且可处理两图像间旋转角较大的情况,匹配时间远小于SIFT算法的匹配时间。
2012年,麻省理工学院(MIT)的4位研究员提出了一种新的信号处理算法—稀疏傅里叶变换(Sparse Fast Fourier Transform,SFFT)算法。该算法通过利用信号频域的稀疏特性,以与信号长度成亚线性关系的时间复杂度及高概率重构出信号完整频谱,其效率是传统快速傅里叶变换(Fast Fourier Transform,FFT)算法的10-100倍。
离散傅里叶变换(Discrete Fourier Transform,DFT)算法作为一种重要的变换手段被广泛应用于信号处理、通信、音频/图片/视频的压缩等领域。FFT作为实现DFT最快速的方法而被广泛使用,对n维信号的FFT时间复杂度为O(nlogn)。但在实际应用中,大部分的傅里叶系数很小或者等于0,只有少部分的系数是不可忽略的,而这少部分系数正是信号恢复中必不可少的频率值。如果对信号不假思索地使用FFT处理,那么就会花费大量的运算时间在并不关心的零频点上。
对n维离散信号,
1)若信号为精确k稀疏信号,则SFFT的时间复杂度为O(klogn);
2)若信号为一般信号,则SFFT的时间复杂度为O(klognlog(n/k))。
对于任意k∈Rn,两种情况都比FFT要快。
那美丽等的《基于稀疏傅里叶变换的低采样率宽带频谱感知》得出结论稀疏度小于10%时,误判率不超过0.5%,当稀疏度高达25%时,误判率也不超过5%。
综上所述,现有基于傅里叶变换的图像匹配算法都是针对图像信号进行全频段的FFT变换然后进行高通滤波,非常耗时,且滤波器会引入误差,导致后期的相位相关不够精确。
发明内容
本申请提供了一种图像匹配方法及系统,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种图像匹配方法,包括以下步骤:
步骤a:读取模板图像和待匹配图像,分别对所述模板图像和待匹配图像进行稀疏傅里叶变换;
步骤b:分别计算所述稀疏傅里叶变换后的模板图像和待匹配图像的幅度谱;
步骤c:根据所述幅度谱对模板图像和待匹配图像进行对数极坐标变换;
步骤d:将所述模板图像和待匹配图像的对数极坐标变换结果进行相位相关,获得旋转角度、缩放系数和平移量,根据所获得的旋转角度、缩放系数和平移量对所述模板图像和待匹配图像进行匹配。
本申请实施例采取的技术方案还包括:所述步骤a还包括:确定所述模板图像和待匹配图像的稀疏度。
本申请实施例采取的技术方案还包括:在所述步骤b中,所述分别计算稀疏傅里叶变换后的模板图像和待匹配图像的幅度谱还包括:分别对所述稀疏傅里叶变换后的模板图像和待匹配图像进行频域有效值系数的定位,并进行频域有效值系数的估值。
本申请实施例采取的技术方案还包括:在所述步骤d中,所述将模板图像和待匹配图像的对数极坐标变换结果进行相位相关还包括:记录相位相关度,根据所述相位相关度调整所述模板图像和待匹配图像的稀疏度,通过调整后的稀疏度迭代执行步骤a至步骤d,并在所述相位相关度最大时停止迭代。
本申请实施例采取的技术方案还包括:在所述步骤d中,所述将模板图像和待匹配图像的对数极坐标变换结果进行相位相关还包括:根据所述最大相位相关度计算旋转角度和缩放系数。
一种图像匹配系统,包括:
图像读取模块:用于读取模板图像和待匹配图像;
傅里叶变换模块:用于分别对所述模板图像和待匹配图像进行稀疏傅里叶变换;
幅度谱计算模块:用于分别计算所述稀疏傅里叶变换后的模板图像和待匹配图像的幅度谱;
极坐标变换模块:用于根据所述幅度谱对模板图像和待匹配图像进行对数极坐标变换;
第一匹配计算模块:用于将所述模板图像和待匹配图像的对数极坐标变换结果进行相位相关,获得旋转角度和缩放系数;
平移量计算模块:用于通过相位相关算法计算平移量,根据所获得的旋转角度、缩放系数和平移量对所述模板图像和待匹配图像进行匹配。
本申请实施例采取的技术方案还包括:所述傅里叶变换模块还用于确定所述模板图像和待匹配图像的稀疏度。
本申请实施例采取的技术方案还包括频域估计模块,所述频域估计模块用于分别对所述稀疏傅里叶变换后的模板图像和待匹配图像进行频域有效值系数的定位,并进行频域有效值系数的估值。
本申请实施例采取的技术方案还包括稀疏度调整模块,所述稀疏度调整模块用于记录相位相关度,根据所述相位相关度调整所述模板图像和待匹配图像的稀疏度,所述傅里叶变换模块、频域估计模块、幅度谱计算模块、极坐标变换模块和第一匹配计算模块根据调整后的稀疏度进行迭代,并在所述相位相关度最大时停止迭代。
本申请实施例采取的技术方案还包括第二匹配计算模块,所述第二匹配计算模块用于根据所述最大相位相关度计算旋转角度和缩放系数。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的图像匹配方法及系统取部分有效值的频段做二维稀疏傅里叶变换,并且省去传统傅里叶-梅林变换的高通滤波步骤,避免了传统图像匹配算法中高通滤波带来的误差,后期做相位相关更精确,比传统的傅里叶-梅林算法有明显加速处理速度,算法智能化明显提升。并在待匹配图像噪声严重时,将相位相关度作为目标函数,通过调整稀疏度并迭代寻找多个相位相关度,当相关度最大时停止,并确定该稀疏度及有效频段系数和位置,该通过迭代调整稀疏度的算法可以有效增强算法鲁棒性。
附图说明
图1是本申请第一实施例的基于固定稀疏度的图像匹配方法的流程图;
图2是本申请第二实施例的使用动态调整稀疏度的图像匹配方法的流程图;
图3为本申请实施例的图像匹配效果图;其中,图3(a)为参考图像,图3(b)为待匹配图像,图3(c)为匹配后的图像;
图4是本申请实施例的图像匹配系统的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请第一实施例的基于固定稀疏度的图像匹配方法的流程图。本申请第一实施例的基于固定稀疏度的图像匹配方法包括以下步骤:
步骤100:分别读取模板图像t(x,y)和待匹配图像i(x,y);
步骤110:分别使用第一稀疏度K1和第二稀疏度K2对模板图像t(x,y)和待匹配图像i(x,y)进行二维稀疏傅里叶变换;
步骤120:分别对二维稀疏傅里叶变换后的模板图像t(x,y)和待匹配图像i(x,y)进行频域有效值系数的定位后,再分别对模板图像t(x,y)和待匹配图像i(x,y)进行频域有效值系数的估值;
步骤130:根据频域有效值系数估值分别计算二维稀疏傅里叶变换后的模板图像t(x,y)的第一幅度谱T(u,v)和待匹配图像i(x,y)的第二幅度谱I(u,v);
步骤140:根据第一幅度谱T(u,v)和第二幅度谱I(u,v)分别对模板图像t(x,y)和待匹配图像i(x,y)进行对数极坐标(LOG-POLAR)变换;
步骤150:将模板图像t(x,y)和待匹配图像i(x,y)的变换结果进行相位相关,获得旋转角度和缩放系数;
步骤160:通过相位相关算法计算平移量,根据旋转角度、缩放系数和平移量对模板图像t(x,y)和待匹配图像i(x,y)进行匹配。
根据已知情况,图像有效信息基本都集中在少数低频部分,符合SFFT计算要求。本申请第一实施例的基于固定稀疏度的图像匹配方法在待匹配图像噪声很少时,以静态固定稀疏度(例如K=50)进行计算,取部分有效值的频段做傅里叶变换,并且省去传统傅里叶-梅林变换的高通滤波步骤,避免了传统图像匹配算法中高通滤波带来的误差,后期做相位相关更精确,比传统的傅里叶-梅林算法有明显加速处理速度,算法智能化明显提升。
请参阅图2,是本申请第二实施例的使用动态调整稀疏度的图像匹配方法的流程图。本申请第二实施例的使用动态调整稀疏度的图像匹配方法包括以下步骤:
步骤200:分别读取模板图像t(x,y)和待匹配图像i(x,y);
步骤210:分别使用第一稀疏度K1和第二稀疏度K2对模板图像t(x,y)和待匹配图像i(x,y)进行二维稀疏傅里叶变换;
步骤220:分别对二维稀疏傅里叶变换后的模板图像t(x,y)和待匹配图像i(x,y)进行频域有效值系数的定位后,再分别对模板图像t(x,y)和待匹配图像i(x,y)进行频域有效值系数的估值;
步骤230:根据频域有效值系数估值分别计算二维稀疏傅里叶变换后的模板图像t(x,y)的第一幅度谱T(u,v)和待匹配图像i(x,y)的第二幅度谱I(u,v);
步骤240:根据第一幅度谱T(u,v)和第二幅度谱I(u,v)分别对模板图像t(x,y)和待匹配图像i(x,y)进行对数极坐标(LOG-POLAR)变换;
步骤250:将模板图像t(x,y)和待匹配图像i(x,y)的变换结果进行相位相关,并记录本次相位相关度;
步骤260:根据本次相位相关度调整第一稀疏度K1和第二稀疏度K2,通过调整后的第一稀疏度K1和第二稀疏度K2迭代执行步骤210至步骤250,获得多个相位相关度;
步骤270:判断当前相位相关度是否最大,如果当前相位相关度最大,执行步骤280;否则,继续执行步骤260;
步骤280:根据最大相位相关度计算旋转角度和缩放系数;
步骤290:通过相位相关算法计算平移量,根据旋转角度、缩放系数和平移量对模板图像t(x,y)和待匹配图像i(x,y)进行匹配。
本申请第二实施例的使用动态调整稀疏度的图像匹配方法在待匹配图像噪声较严重时,将相位相关度作为目标函数,通过调整稀疏度并迭代寻找多个相位相关度,当相关度最大时停止,并确定该稀疏度及有效频段系数和位置,该通过迭代调整稀疏度的算法可以有效增强算法鲁棒性。具体如图3所示,为本申请实施例的图像匹配效果图。其中,图3(a)为参考图像,图3(b)为待匹配图像,图3(c)为匹配后的图像。
请参阅图4,是本申请实施例的图像匹配系统的结构示意图。本申请实施例的图像匹配系统包括图像读取模块、傅里叶变换模块、频域估计模块、幅度谱计算模块、极坐标变换模块、第一匹配计算模块、稀疏度调整模块、第二匹配计算模块和平移量计算模块。
图像读取模块:用于分别读取模板图像t(x,y)和待匹配图像i(x,y);
傅里叶变换模块:用于分别使用第一稀疏度K1和第二稀疏度K2对模板图像t(x,y)和待匹配图像i(x,y)进行二维稀疏傅里叶变换;
频域估计模块:用于分别对二维稀疏傅里叶变换后的模板图像t(x,y)和待匹配图像i(x,y)进行频域有效值系数的定位后,再分别对模板图像t(x,y)和待匹配图像i(x,y)进行频域有效值系数的估值;
幅度谱计算模块:用于根据频域有效值系数估值分别计算二维稀疏傅里叶变换后的模板图像t(x,y)的第一幅度谱T(u,v)和待匹配图像i(x,y)的第二幅度谱I(u,v);
极坐标变换模块:用于根据第一幅度谱T(u,v)和第二幅度谱I(u,v)分别对模板图像t(x,y)和待匹配图像i(x,y)进行对数极坐标(LOG-POLAR)变换;
第一匹配计算模块:用于将模板图像t(x,y)和待匹配图像i(x,y)的变换结果进行相位相关,获得旋转角度和缩放系数;
稀疏度调整模块:用于记录本次相位相关度,根据本次相位相关度调整第一稀疏度K1和第二稀疏度K2,傅里叶变换模块、频域估计模块、幅度谱计算模块、极坐标变换模块和第一匹配计算模块根据调整后的第一稀疏度K1和第二稀疏度K2进行迭代,获得多个相位相关度,并在相位相关度最大时停止迭代;
第二匹配计算模块:用于根据最大相位相关度计算旋转角度和缩放系数;
平移量计算模块:用于通过相位相关算法计算平移量,对模板图像t(x,y)和待匹配图像i(x,y)进行匹配。
视频文件是由多帧图像构成的,故对于视频文件的处理,最终是要转换成对单帧图像的处理。在对视频序列进行预处理、去掉噪音后,把所要处理的视频文件转换成一组按时序排列的图像序列,按照先后顺序将对应的图像进行拼接处理。在完成拼接后,需要把处理完成的图像依旧按照先后顺序转换成视频文件。因此,本申请同样适用于视频拼接技术。同理,本申请还适用于其他与傅里叶变换相关的匹配算法中。
本申请实施例的图像匹配方法及系统取部分有效值的频段做二维稀疏傅里叶变换,并且省去传统傅里叶-梅林变换的高通滤波步骤,避免了传统图像匹配算法中高通滤波带来的误差,后期做相位相关更精确,比传统的傅里叶-梅林算法有明显加速处理速度,算法智能化明显提升。并在待匹配图像噪声严重时,将相位相关度作为目标函数,通过调整稀疏度并迭代寻找多个相位相关度,当相关度最大时停止,并确定该稀疏度及有效频段系数和位置,该通过迭代调整稀疏度的算法可以有效增强算法鲁棒性。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种图像匹配方法,其特征在于,包括以下步骤:
步骤a:读取模板图像和待匹配图像,分别对所述模板图像和待匹配图像进行稀疏傅里叶变换;
步骤b:分别计算所述稀疏傅里叶变换后的模板图像和待匹配图像的幅度谱;
步骤c:根据所述幅度谱对模板图像和待匹配图像进行对数极坐标变换;
步骤d:将所述模板图像和待匹配图像的对数极坐标变换结果进行相位相关,获得旋转角度、缩放系数和平移量,根据所获得的旋转角度、缩放系数和平移量对所述模板图像和待匹配图像进行匹配;
在步骤d中,将所述模板图像和待匹配图像的对数极坐标变换结果进行相位相关还包括:记录相位相关度,根据所述相位相关度调整所述模板图像和待匹配图像的稀疏度,通过调整后的稀疏度迭代执行步骤a至步骤d,并在所述相位相关度最大时停止迭代。
2.根据权利要求1所述的图像匹配方法,其特征在于,所述步骤a还包括:确定所述模板图像和待匹配图像的稀疏度。
3.根据权利要求1或2所述的图像匹配方法,其特征在于,在所述步骤b中,所述分别计算所述 稀疏傅里叶变换后的模板图像和待匹配图像的幅度谱还包括:分别对所述稀疏傅里叶变换后的模板图像和待匹配图像进行频域有效值系数的定位,并进行频域有效值系数的估值。
4.根据权利要求3所述的图像匹配方法,其特征在于,在所述步骤d中,所述将所述 模板图像和待匹配图像的对数极坐标变换结果进行相位相关还包括:根据最大相位相关度计算旋转角度和缩放系数。
5.一种图像匹配系统,其特征在于,包括:
图像读取模块:用于读取模板图像和待匹配图像;
傅里叶变换模块:用于分别对所述模板图像和待匹配图像进行稀疏傅里叶变换;
幅度谱计算模块:用于分别计算所述稀疏傅里叶变换后的模板图像和待匹配图像的幅度谱;
极坐标变换模块:用于根据所述幅度谱对模板图像和待匹配图像进行对数极坐标变换;
第一匹配计算模块:用于将所述模板图像和待匹配图像的对数极坐标变换结果进行相位相关,获得旋转角度和缩放系数;
平移量计算模块:用于通过相位相关算法计算平移量,根据所获得的旋转角度、缩放系数和平移量对所述模板图像和待匹配图像进行匹配;
还包括稀疏度调整模块,所述稀疏度调整模块用于记录相位相关度,根据所述相位相关度调整所述模板图像和待匹配图像的稀疏度,所述傅里叶变换模块、频域估计模块、幅度谱计算模块、极坐标变换模块和第一匹配计算模块根据调整后的稀疏度进行迭代,并在所述相位相关度最大时停止迭代。
6.根据权利要求5所述的图像匹配系统,其特征在于,所述傅里叶变换模块还用于确定所述模板图像和待匹配图像的稀疏度。
7.根据权利要求5或6所述的图像匹配系统,其特征在于,还包括频域估计模块,所述频域估计模块用于分别对所述稀疏傅里叶变换后的模板图像和待匹配图像进行频域有效值系数的定位,并进行频域有效值系数的估值。
8.根据权利要求7所述的图像匹配系统,其特征在于,还包括第二匹配计算模块,所述第二匹配计算模块用于根据最大相位相关度计算旋转角度和缩放系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710327716.6A CN108876826B (zh) | 2017-05-10 | 2017-05-10 | 一种图像匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710327716.6A CN108876826B (zh) | 2017-05-10 | 2017-05-10 | 一种图像匹配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876826A CN108876826A (zh) | 2018-11-23 |
CN108876826B true CN108876826B (zh) | 2021-09-21 |
Family
ID=64319448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710327716.6A Active CN108876826B (zh) | 2017-05-10 | 2017-05-10 | 一种图像匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876826B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711486B (zh) * | 2019-01-21 | 2020-09-01 | 湖北省国土资源研究院 | 基于相位相关的高重叠度遥感影像满度连接点匹配方法 |
CN110146869B (zh) * | 2019-05-21 | 2021-08-10 | 北京百度网讯科技有限公司 | 确定坐标系转换参数的方法、装置、电子设备和存储介质 |
CN111612760B (zh) * | 2020-05-20 | 2023-11-17 | 阿波罗智联(北京)科技有限公司 | 用于检测障碍物的方法和装置 |
CN111721300A (zh) * | 2020-06-30 | 2020-09-29 | 清华大学 | 一种基于人工智能算法的重力灯塔导航方法及系统 |
CN112507956B (zh) * | 2020-12-21 | 2024-06-28 | 阿波罗智联(北京)科技有限公司 | 信号灯识别方法、装置、电子设备、路侧设备和云控平台 |
CN112686933B (zh) * | 2020-12-29 | 2024-03-08 | 中国科学院长春光学精密机械与物理研究所 | 基于改进互功率谱的星上图像配准叠加增强方法及系统 |
CN114529590A (zh) * | 2022-01-26 | 2022-05-24 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 动车组车底故障检测的图像配准方法及系统 |
WO2023245383A1 (zh) * | 2022-06-20 | 2023-12-28 | 北京小米移动软件有限公司 | 多帧图像对齐方法、多帧图像对齐装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079147A (zh) * | 2007-06-25 | 2007-11-28 | 中山大学 | 一种可抗打印扫描和几何变换的多比特数字水印方法 |
CN101110103A (zh) * | 2006-07-20 | 2008-01-23 | 中国科学院自动化研究所 | 一种基于学习的图像配准自动检验方法 |
US20120076435A1 (en) * | 2010-09-03 | 2012-03-29 | Sharma Ravi K | Signal Processors and Methods for Estimating Transformations Between Signals with Phase Deviation |
CN102521834A (zh) * | 2011-12-12 | 2012-06-27 | 上海海事大学 | 采用极对数坐标表示的分数阶傅里叶变换的图像配准方法 |
CN103700110A (zh) * | 2013-12-27 | 2014-04-02 | 重庆交通大学 | 全自动影像匹配方法 |
CN104574458A (zh) * | 2014-12-31 | 2015-04-29 | 中国人民解放军信息工程大学 | 基于非标准快速Fourier变换和交替方向法的平行束CT稀疏角度重建方法 |
-
2017
- 2017-05-10 CN CN201710327716.6A patent/CN108876826B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110103A (zh) * | 2006-07-20 | 2008-01-23 | 中国科学院自动化研究所 | 一种基于学习的图像配准自动检验方法 |
CN101079147A (zh) * | 2007-06-25 | 2007-11-28 | 中山大学 | 一种可抗打印扫描和几何变换的多比特数字水印方法 |
US20120076435A1 (en) * | 2010-09-03 | 2012-03-29 | Sharma Ravi K | Signal Processors and Methods for Estimating Transformations Between Signals with Phase Deviation |
CN102521834A (zh) * | 2011-12-12 | 2012-06-27 | 上海海事大学 | 采用极对数坐标表示的分数阶傅里叶变换的图像配准方法 |
CN103700110A (zh) * | 2013-12-27 | 2014-04-02 | 重庆交通大学 | 全自动影像匹配方法 |
CN104574458A (zh) * | 2014-12-31 | 2015-04-29 | 中国人民解放军信息工程大学 | 基于非标准快速Fourier变换和交替方向法的平行束CT稀疏角度重建方法 |
Non-Patent Citations (1)
Title |
---|
稀疏傅里叶变换理论及研究进展;仲顺安等;《北京理工大学学报》;20170228;第37卷(第2期);第111-118页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108876826A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876826B (zh) | 一种图像匹配方法及系统 | |
US8818024B2 (en) | Method, apparatus, and computer program product for object tracking | |
CN107516322B (zh) | 一种基于对数极空间的图像物体大小和旋转估计计算方法 | |
CN110348393B (zh) | 车辆特征提取模型训练方法、车辆识别方法及设备 | |
Shuo et al. | Object tracking method based on SURF | |
CN108647597B (zh) | 一种手腕识别方法、手势识别方法、装置和电子设备 | |
TW201335854A (zh) | 圖像相似度計算系統及方法 | |
CN103761768A (zh) | 一种三维重建的立体匹配方法 | |
US20180089839A1 (en) | Moving object detection based on motion blur | |
CN103559697A (zh) | 基于fft的碎纸片纵切拼接复原算法 | |
CN108335327B (zh) | 摄像机姿态估计方法和摄像机姿态估计装置 | |
CN102750691B (zh) | 基于角点对cs距离匹配的图像配准方法 | |
CN111079701B (zh) | 一种基于图像质量的人脸防伪方法 | |
Zhang et al. | Robust corner finding based on multi-scale k-cosine angle detection | |
CN111445480B (zh) | 一种基于新型模板的图像旋转角度和缩放系数测量方法 | |
US8982958B2 (en) | Video representation using a sparsity-based model | |
CN116659646A (zh) | 一种基于机器视觉的风机叶片振动检测方法及装置 | |
CN104091315B (zh) | 一种车牌图像去模糊的方法及系统 | |
CN113111849B (zh) | 人体关键点检测方法、装置、系统与计算机可读介质 | |
US8976299B2 (en) | Scene boundary determination using sparsity-based model | |
KR20150120805A (ko) | 거리 영상에서 사람을 검출하는 방법 및 시스템 | |
Li et al. | Unmanned aerial vehicle image matching based on improved RANSAC algorithm and SURF algorithm | |
US8867865B2 (en) | Point set matching with outlier detection | |
WO2016019715A1 (zh) | 一种人眼定位的方法和设备、存储介质 | |
CN113205544B (zh) | 基于交并比估计的空间注意力强化学习跟踪方法 |
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 |