CN109064410A - 一种基于超像素的光场图像拼接方法 - Google Patents
一种基于超像素的光场图像拼接方法 Download PDFInfo
- Publication number
- CN109064410A CN109064410A CN201811241579.5A CN201811241579A CN109064410A CN 109064410 A CN109064410 A CN 109064410A CN 201811241579 A CN201811241579 A CN 201811241579A CN 109064410 A CN109064410 A CN 109064410A
- Authority
- CN
- China
- Prior art keywords
- light field
- super
- pixel
- matrix
- superpixel
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 99
- 230000009466 transformation Effects 0.000 claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 4
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于超像素的光场图像拼接方法，包括：输入待拼接的光场数据以得到光场子孔径图像，进行特征点提取、匹配和筛选，并根据特征点对预测全局单应性变换矩阵；对光场子孔径图像进行超像素分割，依据当前深度假设下的特征点对预测每个超像素对应的单应性变换矩阵，根据单应性变换矩阵映射光场，并评价筛选出最优的深度假设作为超像素分层图；建立局部映射的权值矩阵，再根据全局单应性变换矩阵和局部映射的权值矩阵预测每个超像素的最优单应性变换矩阵，根据每个超像素的最优单应性变换矩阵映射光场；对光场进行融合得到光场拼接结果。本发明解决了较大视差变化造成结果错位和重影的问题，实现了精确的视差容忍的光场拼接方法。
Description
技术领域
本发明涉及计算机视觉与数字图像处理领域，尤其涉及一种基于超像素的光场图像拼接方法。
背景技术
目前，光场成像技术是计算机视觉与数字图像处理领域中的一项关键技术，其通过在主透镜和传感器中间加入一个微透镜阵列，记录了来自各个方向的光线信息，从而得到完整信息的光辐射场。随着光学传感器的分辨率持续上升和光场相机逐步市场化，光场成像技术的实用价值变得越来越高。相比于传统的数码相机，基于微透镜阵列的光场相机优势在于在记录场景空间位置信息的同时，也保存了光线的方向信息，因此可以被广泛应用于虚拟视觉、3D可视化、工业成像等领域。然而由于光学结构的限制，手持式全光相机的视场角较小；因此不依赖于光场结构设置的光场拼接方法可以提高光场相机的视场角。
现有的光场拼接方法通过特征匹配和单应性矩阵映射的方法进行光场配准，通过构造配准后光场重叠区域的能量损失函数来寻找光场的最优缝合线，实现光场融合；其可以实现视差较小的光场拼接，但是针对视差较大的光场数据，其拼接效果较差。
另外一种方法是利用结合视差容忍的图像拼接方法来减小视差对拼接结果带来的影响，这种方式能在一定程度上解决视差所带来的错位和重影效果，但是针对景深变化剧烈的场景，其拼接效果并不理想；且单独对光场相应子孔径图像进行图像拼接会引入整个光场在空间域和角度域不一致的问题。
以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
为了解决上述技术问题，本发明提出一种基于超像素的光场拼接方法，解决了较大视差变化造成结果错位和重影的问题，实现了精确的视差容忍的光场拼接方法。
为了达到上述目的，本发明采用以下技术方案：
本发明公开了一种基于超像素的光场图像拼接方法，包括以下步骤：
A1：输入待拼接的光场数据，进行解码和预处理得到光场子孔径图像，对所述光场子孔径图像进行特征点提取、匹配和筛选，得到所述光场子孔径图像中的特征点和特征点对，并根据特征点对预测全局单应性变换矩阵；
A2：对所述光场子孔径图像进行超像素分割得到所述光场子孔径图像中的超像素，依据当前深度假设下的特征点对预测每个超像素对应的单应性变换矩阵，根据所述单应性变换矩阵映射光场，并评价筛选出最优的深度假设作为超像素分层图；
A3：根据特征点与超像素中心点的位置以及各自和超像素层的关系建立局部映射的权值矩阵，再根据全局单应性变换矩阵和局部映射的权值矩阵来预测每个超像素的最优单应性变换矩阵，并根据所述光场子孔径图像中每个超像素的最优单应性变换矩阵映射光场；
A4：对步骤A3得到的光场进行融合，得到光场拼接结果。
优选地，步骤A2中对所述光场子孔径图像进行超像素分割得到所述光场子孔径图像中的超像素具体采用线性迭代聚类方法的光场超像素分割方法对所述光场子孔径图像进行分割：
其中，Sr(u0,v0)是参考光场在视角(u0,v0)处的子孔径图像，Sw1(u0,v0)、Sw2(u0,v0)、……、Swn(u0,v0)分别是n个待拼接光场在视角(u0,v0)处的子孔径图像，ΩS为得到光场的超像素组成的集合。
优选地，步骤A2中依据当前深度假设下的特征点对预测每个超像素对应的单应性变换矩阵具体采用下式来进行预测：
其中，是当前深度假设下的权值矩阵，Η是全局单应性变换矩阵，矩阵A∈R4N×25由矩阵变换04×1＝A×Η得到。
优选地，其中当前深度假设下的权值矩阵具体为：
其中，αK是比例系数，ηK∈[0,1]是当前深度假设下的权值矩阵的最小阈值，(x*,y*)是超像素中心点的位置坐标，(xi,yi)是特征点所在的位置坐标，Dl是光场的深度分层图，K是当前深度假设。
优选地，步骤A2中评价筛选出最优的深度假设作为超像素分层图具体为：根据不同深度假设下映射之后的超像素与参考光场之间的相似度，选取最优的深度假设作为超像素分层图的值。
优选地，步骤A2中评价筛选出最优的深度假设作为超像素分层图具体为：首先根据超像素与参考光场之间配准正确的像素数目所占比例作为相似度度量准则，如果未达到设定阈值，则采取超像素与参考光场之间的残差平方和作为相似度度量准则：
其中，N是该超像素所包含的像素数目，θ是判定配准数目所占比例的最小阈值，K是当前深度假设，RPK为超像素与参考光场之间配准正确的像素数目所占比例，RSSK为超像素与参考光场之间的残差平方和。
优选地，其中超像素与参考光场之间配准正确的像素数目所占比例RPK为：
超像素与参考光场之间的残差平方和RSSK为：
其中，pi和p′i分别对应于超像素与参考光场中的像素。
优选地，步骤A3中根据特征点与超像素的中心点的位置以及各自和超像素层的关系建立局部映射的权值矩阵具体为：
其中α、β是比例系数，η∈[0,1]是局部映射的权值矩阵wi的最小阈值，(x*,y*)是超像素中心点的位置坐标，(xi,yi)是特征点所在的位置坐标，Sl是步骤A2中的超像素分层图。
优选地，步骤A3中根据全局单应性变换矩阵和局部映射的权值矩阵来预测每个超像素的最优单应性变换矩阵具体为：
其中，为预测的最优单应性变换矩阵，wi是局部映射的权值矩阵，Η是全局单应性变换矩阵，矩阵A∈R4N×25由矩阵变换04×1＝A×Η得到。
优选地，步骤A3还包括：针对视差造成的像素覆盖区域，根据步骤A2中的超像素分层图挑选深度最小的像素作为像素覆盖位置的最终像素值。
与现有技术相比，本发明的有益效果在于：本发明的基于超像素的光场拼接方法利用了超像素其保持图像边界的特性，采用每个超像素的最优单应性变换矩阵替代全局单应性变换矩阵来对光场进行映射，显著提升了光场配准过程中的灵活度和精确度；其中依据当前深度假设下的特征点对预测每个超像素对应的单应性变换矩阵，根据所述单应性变换矩阵映射光场，采用了相邻光场之间的预映射的方法，得到了光场的超像素分层图，从而利用了相邻光场之间的较大的视差来指导光场拼接的全过程，解决了受限于窄基线的光场视差容忍拼接不精确的问题，从而进一步实现更精准的大视差光场拼接，且保证了拼接光场空间域和角度域一致性，从而扩大光场的视角。
附图说明
图1是本发明优选实施例的基于超像素的视差容忍光场图像拼接方法的流程示意图。
具体实施方式
下面对照附图并结合优选的实施方式对本发明作进一步说明。在具体的实施方案中，可按下面方式操作。需注意的是，在下面的实施过程中光场图像类型和特征提取、匹配、融合都仅为列举说明，本发明所涵盖的范围不局限于所列举的这些方法。
如图1所示，本发明优选实施例公开了一种基于超像素的视差容忍光场图像拼接方法，包括以下步骤：
A1：输入待拼接的光场数据，进行解码和预处理得到光场子孔径图像；并对光场子孔径图像进行特征点提取、匹配和筛选，得到光场子孔径图像中的特征点和特征点对，并根据特征点对预测全局单应性变换矩阵；
在本实施例中，以两个光场的拼接为例，Lr(x,y,u,v)为参考光场，Lw(x,y,u,v)为待拼接光场，多个光场的拼接可以使用相同的方法扩展。对输入的光场数据进行解码和预处理，得到光场的子孔径图像方法如下：
Sr(u0,v0)＝{Lr(x,y,u,v)|u＝u0,v＝v0}
Sw(u0,v0)＝{Lw(x,y,u,v)|u＝u0,v＝v0}
其中，Sr(u0,v0)和Sw(u0,v0)分别是参考光场Lr(x,y,u,v)和待拼接光场Lw(x,y,u,v)在视角(u0,v0)处的子孔径图像。
在本实施例中，采用SIFT特征提取方法提取对应子孔径图像中的特征点对，即：
其中，Sr(u0,v0)和Sw(u0,v0)分别是参考光场Lr(x,y,u,v)和待拼接光场Lw(x,y,u,v)在视角(u0,v0)处的子孔径图像，ΩF为采用SIFT特征提取方法提取的特征点对组成的集合。
在本实施例中，使用连续一致抽样检测(RANSAC)方法筛选对应子孔径图像中的特征点对。
在本实施例中，预测的5维光场全局单应性变换矩阵Η的计算公式为：
P'＝HP
其中P(u,v,x,y,1)和P'(u',v',x',y',1)是通过步骤A1所得到的匹配特征点对，也即P∈ΩF；
也即Η的计算公式为：
A2：对光场子孔径图像进行超像素分割得到光场子孔径图像中的超像素，依据当前深度假设下的特征点对预测每个超像素对应的单应性变换矩阵，根据该单应性变换矩阵映射光场，并评价筛选最优的深度假设作为超像素分层图。
具体地，步骤A2包括以下步骤：
A21：对光场子孔径图像进行超像素分割得到光场子孔径图像中的超像素；
使用简单的线性迭代聚类(SLIC)的光场超像素分割方法对光场子孔径图像进行分割，得到光场子孔径图像的超像素，即：
其中，Sr(u0,v0)和Sw(u0,v0)分别是参考光场Lr(x,y,u,v)和待拼接光场Lw(x,y,u,v)在视角(u0,v0)处的子孔径图像，ΩS为得到光场子孔径图像的超像素组成的集合；
A22：依据当前深度假设下的特征点对预测每个超像素对应的单应性变换矩阵，并根据该单应性变换矩阵映射光场；
本实施例中，依据当前深度假设下的特征点对预测每个超像素对应的单应性变换矩阵，即：
其中，是当前深度假设下的权值矩阵，和超像素所在的位置及当前深度假设K有关；Η是全局单应性变换矩阵；矩阵A∈R4N×25由矩阵变换04×1＝A×Η得到。
本实施例中，建立的当前深度假设下的权值矩阵具体为：
其中，αK是比例系数，ηK∈[0,1]是当前深度假设下的权值矩阵的最小阈值，(x*,y*)是超像素中心点的位置坐标，(xi,yi)是特征点所在的位置坐标，Dl是光场的深度分层图(其中光场的深度分层图是根据对光场的子孔径图像进行光场深度估计得到光场的深度图，再对所述深度图进行特征聚类得到的)，K是当前深度假设。
A23：评价筛选最优的深度假设作为超像素分层图。
本实施例中，评价筛选最优的深度假设作为超像素分层图具体为：根据不同深度假设下映射之后的超像素与参考光场之间的相似度，选取最优的深度假设作为超像素分层图的值。
本实施例中，步骤A23具体为：首先根据超像素与参考光场之间配准正确的像素数目所占比例作为相似度度量准则，如果未达到设定阈值，则采取超像素与参考光场之间的残差平方和作为相似度度量准则：
其中，N是该超像素所包含的像素数目，θ是判定配准数目所占比例的最小阈值，K是当前深度假设，RPK(Registered Pixel)为超像素与参考光场之间配准正确的像素数目所占比例，RSSK(Residual Sum of Squares)为超像素与参考光场之间的残差平方和。
本实施例中，超像素与参考光场之间配准正确的像素数目所占比例RPK具体为：
本实施例中，超像素与参考光场之间的残差平方和RSSK具体为：
其中，pi和pi′分别对应于超像素与参考光场中的像素。
A3：根据特征点与超像素中心点的位置以及各自和超像素层的关系建立局部映射的权值矩阵；再根据全局单应性变换矩阵和局部映射的权值矩阵来预测每个超像素的最优单应性变换矩阵，并根据光场子孔径图像中每个超像素的最优单应性变换矩阵映射光场；
具体地，步骤A3包括以下步骤：
A31：根据特征点与超像素中心点的位置以及各自和超像素层的关系建立局部映射的权值矩阵；
在本实施例中，根据特征点与超像素中心点的位置和超像素层关系建立局部映射的权值矩阵wi为：
其中α、β是比例系数，η∈[0,1]是局部映射的权值矩阵wi的最小阈值，(x*,y*)是超像素中心点的位置坐标，(xi,yi)是特征点所在的位置坐标，Sl是步骤A2中的超像素分层图。
A32：根据全局单应性变换矩阵和局部映射的权值矩阵来预测每个超像素的最优单应性变换矩阵；
在本实施例中，根据全局单应性变换矩阵和局部映射的权值矩阵来预测每个超像素的最优单应性变换矩阵为：
其中，wi是局部映射的权值矩阵，Η是全局单应性变换矩阵，矩阵A∈R4N×25可以通过矩阵变换得到；
在本实施例中，矩阵A∈R4N×25由矩阵变换得到：
04×1＝A×Η
即：
其中A∈R4N×25有四个线性独立的行向量，因此最少需要六对匹配的特征点，为了增强鲁棒性，可以使用更多对的匹配特征点。
A33：根据光场中每个超像素的最优单应性变换矩阵映射光场。
在本实施例中，对每一个超像素进行映射：
其中S是将输入的光场子孔径图像分割后的超像素，S'映射后的超像素，是每个超像素对应的光场最优单应性变换矩阵。
A34：针对视差造成的像素覆盖区域，根据步骤A2中的超像素分层图挑选深度最小的像素作为像素覆盖位置的最终像素值。
A4：对步骤A3得到的光场图像融合，得到光场拼接结果。
具体地，采用4D图割方法对光场进行融合，得到光场拼接结果。
其中，4D图割是四维多分辨率图割。四维图割具体为：将整个4D光场映射到一个带权无向图，寻找最优的分割线使其保证整个光场的空间和角度的连续性，因此能量优化函数中p'是像素p空间维度和角度维度均相邻的像素；多分辨率图割具体为：首先对光场数据进行空间分辨率上的降采样，然后进行图割，得到低分辨率下的分割线，根据低分辨率下的分割线限制高分辨率的图割区域，最终在高分辨率下进行图割得到最优缝合线。
在本实施例中4Dgraph-cut(4D图割)具体为：首先将4D光场映射到一个带权无向图中，其次计算能量优化函数：
其中p、p'是光场重叠区域中相邻的像素，R(p)是区域项，B(p,p')是边界项。最后通过最小化能量优化函数找到光场拼接的最优缝合线，实现光场融合。
在本实施例中，为了加快4D图割(4Dgraph-cut)处理4D光场，采用多分辨率的4D图割，具体步骤为：首先对光场进行空间分辨率上的降采样，然后进行图割，得到低分辨率下的分割线，根据低分辨率下的分割线限制高分辨率的图割区域，最终在高分辨率下进行图割得到最优缝合线。
本发明的光场拼接方法利用了超像素其保持图像边界的特性，采用每个超像素的最优单应性变换矩阵替代全局单应性变换矩阵来对光场进行映射，显著提升了光场配准过程中的灵活度和精确度；采用相邻光场之间的预映射的方法，利用了相邻光场之间的较大的视差，解决了受限于窄基线的光场视差容忍拼接不精确的问题，从而进一步实现更精准的大视差光场拼接，且保证了拼接光场空间域和角度域一致性，从而扩大光场的视角。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于超像素的光场图像拼接方法，其特征在于，包括以下步骤：
A1：输入待拼接的光场数据，进行解码和预处理得到光场子孔径图像，对所述光场子孔径图像进行特征点提取、匹配和筛选，得到所述光场子孔径图像中的特征点和特征点对，并根据特征点对预测全局单应性变换矩阵；
A2：对所述光场子孔径图像进行超像素分割得到所述光场子孔径图像中的超像素，依据当前深度假设下的特征点对预测每个超像素对应的单应性变换矩阵，根据所述单应性变换矩阵映射光场，并评价筛选出最优的深度假设作为超像素分层图；
A3：根据特征点与超像素中心点的位置以及各自和超像素层的关系建立局部映射的权值矩阵，再根据全局单应性变换矩阵和局部映射的权值矩阵来预测每个超像素的最优单应性变换矩阵，并根据所述光场子孔径图像中每个超像素的最优单应性变换矩阵映射光场；
A4：对步骤A3得到的光场进行融合，得到光场拼接结果。
2.根据权利要求1所述的光场图像拼接方法，其特征在于，步骤A2中对所述光场子孔径图像进行超像素分割得到所述光场子孔径图像中的超像素具体采用线性迭代聚类方法的光场超像素分割方法对所述光场子孔径图像进行分割：
其中，Sr(u0,v0)是参考光场在视角(u0,v0)处的子孔径图像，Sw1(u0,v0)、Sw2(u0,v0)、……、Swn(u0,v0)分别是n个待拼接光场在视角(u0,v0)处的子孔径图像，ΩS为得到光场的超像素组成的集合。
3.根据权利要求1所述的光场图像拼接方法，其特征在于，步骤A2中依据当前深度假设下的特征点对预测每个超像素对应的单应性变换矩阵具体采用下式来进行预测：
其中，是当前深度假设下的权值矩阵，Η是全局单应性变换矩阵，矩阵A∈R4N×25由矩阵变换04×1＝A×Η得到。
4.根据权利要求3所述的光场图像拼接方法，其特征在于，其中当前深度假设下的权值矩阵具体为：
其中，αK是比例系数，ηK∈[0,1]是当前深度假设下的权值矩阵的最小阈值，(x*,y*)是超像素中心点的位置坐标，(xi,yi)是特征点所在的位置坐标，Dl是光场的深度分层图，K是当前深度假设。
5.根据权利要求1所述的光场图像拼接方法，其特征在于，步骤A2中评价筛选出最优的深度假设作为超像素分层图具体为：根据不同深度假设下映射之后的超像素与参考光场之间的相似度，选取最优的深度假设作为超像素分层图的值。
6.根据权利要求5所述的光场图像拼接方法，其特征在于，步骤A2中评价筛选出最优的深度假设作为超像素分层图具体为：首先根据超像素与参考光场之间配准正确的像素数目所占比例作为相似度度量准则，如果未达到设定阈值，则采取超像素与参考光场之间的残差平方和作为相似度度量准则：
其中，N是该超像素所包含的像素数目，θ是判定配准数目所占比例的最小阈值，K是当前深度假设，RPK为超像素与参考光场之间配准正确的像素数目所占比例，RSSK为超像素与参考光场之间的残差平方和。
7.根据权利要求6所述的光场图像拼接方法，其特征在于，其中超像素与参考光场之间配准正确的像素数目所占比例RPK为：
超像素与参考光场之间的残差平方和RSSK为：
其中，pi和pi′分别对应于超像素与参考光场中的像素。
8.根据权利要求1所述的光场图像拼接方法，其特征在于，步骤A3中根据特征点与超像素的中心点的位置以及各自和超像素层的关系建立局部映射的权值矩阵具体为：
其中α、β是比例系数，η∈[0,1]是局部映射的权值矩阵wi的最小阈值，(x*,y*)是超像素中心点的位置坐标，(xi,yi)是特征点所在的位置坐标，Sl是步骤A2中的超像素分层图。
9.根据权利要求1所述的光场图像拼接方法，其特征在于，步骤A3中根据全局单应性变换矩阵和局部映射的权值矩阵来预测每个超像素的最优单应性变换矩阵具体为：
其中，为预测的最优单应性变换矩阵，wi是局部映射的权值矩阵，Η是全局单应性变换矩阵，矩阵A∈R4N×25由矩阵变换04×1＝A×Η得到。
10.根据权利要求1至9任一项所述的光场图像拼接方法，其特征在于，步骤A3还包括：针对视差造成的像素覆盖区域，根据步骤A2中的超像素分层图挑选深度最小的像素作为像素覆盖位置的最终像素值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811241579.5A CN109064410B (zh) | 2018-10-24 | 2018-10-24 | 一种基于超像素的光场图像拼接方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811241579.5A CN109064410B (zh) | 2018-10-24 | 2018-10-24 | 一种基于超像素的光场图像拼接方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109064410A true CN109064410A (zh) | 2018-12-21 |
| CN109064410B CN109064410B (zh) | 2023-03-14 |
Family
ID=64764463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811241579.5A Active CN109064410B (zh) | 2018-10-24 | 2018-10-24 | 一种基于超像素的光场图像拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109064410B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767388A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 基于超像素提升图像拼接质量的方法、移动终端、相机 |
| CN110084749A (zh) * | 2019-04-17 | 2019-08-02 | 清华大学深圳研究生院 | 一种焦距非一致的光场图像的拼接方法 |
| CN110312055A (zh) * | 2019-07-03 | 2019-10-08 | 上海理工大学 | 一种基于光场子孔径图像的多图像加密方法和解密方法 |
| CN110544202A (zh) * | 2019-05-13 | 2019-12-06 | 燕山大学 | 一种基于模板匹配与特征聚类的视差图像拼接方法及系统 |
| CN112669355A (zh) * | 2021-01-05 | 2021-04-16 | 北京信息科技大学 | 基于rgb-d超像素分割的聚焦堆栈数据拼接融合的方法及系统 |
| WO2021120405A1 (zh) * | 2019-12-17 | 2021-06-24 | 大连理工大学 | 一种基于标定的大视场角图像实时拼接方法 |
| CN113034365A (zh) * | 2021-03-19 | 2021-06-25 | 西安电子科技大学 | 一种基于超像素的多图拼接方法及系统 |
| CN114266721A (zh) * | 2021-11-12 | 2022-04-01 | 行家信息技术(深圳)有限公司 | 一种基于超像素的栅栏检测方法、装置、存储介质及设备 |
| CN118279142A (zh) * | 2024-06-03 | 2024-07-02 | 四川新视创伟超高清科技有限公司 | 一种大场景图像拼接方法及其拼接系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150304558A1 (en) * | 2012-11-21 | 2015-10-22 | Thales | Method of 3d reconstruction and 3d panoramic mosaicing of a scene |
| CN106780303A (zh) * | 2016-12-02 | 2017-05-31 | 上海大学 | 一种基于局部配准的图像拼接方法 |
| CN107295264A (zh) * | 2017-08-01 | 2017-10-24 | 清华大学深圳研究生院 | 一种基于单应性变换光场数据压缩方法 |
| CN107578376A (zh) * | 2017-08-29 | 2018-01-12 | 北京邮电大学 | 基于特征点聚类四叉划分和局部变换矩阵的图像拼接方法 |
-
2018
- 2018-10-24 CN CN201811241579.5A patent/CN109064410B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150304558A1 (en) * | 2012-11-21 | 2015-10-22 | Thales | Method of 3d reconstruction and 3d panoramic mosaicing of a scene |
| CN106780303A (zh) * | 2016-12-02 | 2017-05-31 | 上海大学 | 一种基于局部配准的图像拼接方法 |
| CN107295264A (zh) * | 2017-08-01 | 2017-10-24 | 清华大学深圳研究生院 | 一种基于单应性变换光场数据压缩方法 |
| CN107578376A (zh) * | 2017-08-29 | 2018-01-12 | 北京邮电大学 | 基于特征点聚类四叉划分和局部变换矩阵的图像拼接方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张春雨等: "视频拼接中最优自适应单应性矩阵求解算法", 《吉林大学学报(工学版)》 * |
| 杨韬等: "基于光场成像的双目深度图像获取", 《西北工业大学学报》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767388B (zh) * | 2018-12-28 | 2023-03-24 | 西安电子科技大学 | 基于超像素提升图像拼接质量的方法、移动终端、相机 |
| CN109767388A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 基于超像素提升图像拼接质量的方法、移动终端、相机 |
| CN110084749A (zh) * | 2019-04-17 | 2019-08-02 | 清华大学深圳研究生院 | 一种焦距非一致的光场图像的拼接方法 |
| CN110084749B (zh) * | 2019-04-17 | 2023-03-31 | 清华大学深圳研究生院 | 一种焦距非一致的光场图像的拼接方法 |
| CN110544202A (zh) * | 2019-05-13 | 2019-12-06 | 燕山大学 | 一种基于模板匹配与特征聚类的视差图像拼接方法及系统 |
| CN110544202B (zh) * | 2019-05-13 | 2022-06-07 | 燕山大学 | 一种基于模板匹配与特征聚类的视差图像拼接方法及系统 |
| CN110312055A (zh) * | 2019-07-03 | 2019-10-08 | 上海理工大学 | 一种基于光场子孔径图像的多图像加密方法和解密方法 |
| CN110312055B (zh) * | 2019-07-03 | 2021-07-13 | 上海理工大学 | 一种基于光场子孔径图像的多图像加密方法和解密方法 |
| US11783446B2 (en) | 2019-12-17 | 2023-10-10 | Dalian University Of Technology | Large-field-angle image real-time stitching method based on calibration |
| WO2021120405A1 (zh) * | 2019-12-17 | 2021-06-24 | 大连理工大学 | 一种基于标定的大视场角图像实时拼接方法 |
| CN112669355B (zh) * | 2021-01-05 | 2023-07-25 | 北京信息科技大学 | 基于rgb-d超像素分割的聚焦堆栈数据拼接融合的方法及系统 |
| CN112669355A (zh) * | 2021-01-05 | 2021-04-16 | 北京信息科技大学 | 基于rgb-d超像素分割的聚焦堆栈数据拼接融合的方法及系统 |
| CN113034365A (zh) * | 2021-03-19 | 2021-06-25 | 西安电子科技大学 | 一种基于超像素的多图拼接方法及系统 |
| CN113034365B (zh) * | 2021-03-19 | 2023-09-22 | 西安电子科技大学 | 一种基于超像素的多图拼接方法及系统 |
| CN114266721A (zh) * | 2021-11-12 | 2022-04-01 | 行家信息技术(深圳)有限公司 | 一种基于超像素的栅栏检测方法、装置、存储介质及设备 |
| CN118279142A (zh) * | 2024-06-03 | 2024-07-02 | 四川新视创伟超高清科技有限公司 | 一种大场景图像拼接方法及其拼接系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109064410B (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109064410B (zh) | 一种基于超像素的光场图像拼接方法 | |
| CN108921781B (zh) | 一种基于深度的光场拼接方法 | |
| Wei et al. | A survey on image and video stitching | |
| CN112435325B (zh) | 基于vi-slam和深度估计网络的无人机场景稠密重建方法 | |
| Zhao et al. | Alignment of continuous video onto 3D point clouds | |
| Petrovai et al. | Exploiting pseudo labels in a self-supervised learning framework for improved monocular depth estimation | |
| CN104685513B (zh) | 根据使用阵列源捕捉的低分辨率图像的基于特征的高分辨率运动估计 | |
| CN105374019A (zh) | 一种多深度图融合方法及装置 | |
| Shi et al. | Geometry-guided street-view panorama synthesis from satellite imagery | |
| CN107909643B (zh) | 基于模型分割的混合场景重建方法及装置 | |
| Fácil et al. | Single-view and multi-view depth fusion | |
| CN109949354B (zh) | 一种基于全卷积神经网络的光场深度信息估计方法 | |
| CN105894443A (zh) | 一种基于改进的surf算法的实时视频拼接方法 | |
| Jain et al. | A review paper on various approaches for image mosaicing | |
| WO2021035627A1 (zh) | 获取深度图的方法、装置及计算机存储介质 | |
| CN115035235A (zh) | 三维重建方法及装置 | |
| CN112465704A (zh) | 一种全局-局部自适应优化的全景光场拼接方法 | |
| CN116132610A (zh) | 一种综采面视频拼接方法及系统 | |
| Fu et al. | Image stitching techniques applied to plane or 3-D models: a review | |
| Nie et al. | Context and detail interaction network for stereo rain streak and raindrop removal | |
| Guiqin et al. | A fast aerial images mosaic method based on ORB feature and homography matrix | |
| CN116843754A (zh) | 一种基于多特征融合的视觉定位方法及系统 | |
| Nie et al. | Homography propagation and optimization for wide-baseline street image interpolation | |
| CN116188268A (zh) | 一种基于四维单应矩阵的光场拼接方法 | |
| Knorr et al. | A modular scheme for 2D/3D conversion of TV broadcast |
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 |