CN109285183A - 一种基于运动区域图像清晰度的多模视频图像配准方法 - Google Patents
一种基于运动区域图像清晰度的多模视频图像配准方法 Download PDFInfo
- Publication number
- CN109285183A CN109285183A CN201810976613.7A CN201810976613A CN109285183A CN 109285183 A CN109285183 A CN 109285183A CN 201810976613 A CN201810976613 A CN 201810976613A CN 109285183 A CN109285183 A CN 109285183A
- Authority
- CN
- China
- Prior art keywords
- video sequence
- target area
- image
- point
- motion target
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于运动区域图像清晰度的多模视频图像配准方法,包括以下步骤:首先分别获取可见光、红外视频序列中的运动目标区域模板分别为CCD'、IR;之后分别构建可见光、红外视频序列的匹配特征点集M、N;然后根据特征点集M、N,求取可见光、红外视频序列中的运动目标区域粗配准的最佳矩阵Hcp;接着通过运动目标区域粗配准的最佳矩阵Hcp对CCD'、IR进行配准,获得运动目标区域粗配准后的IR即IR';然后通过求取IR'的全局清晰度,获取可见光视频序列、红外视频序列中的运动目标区域精配准的最佳矩阵Hjp;最后将IR经过Hjp变换后映射到CCD'上,获得最终的配准融合图像。本发明的方法可以获得最大的目标重合率,具有较高的配准精度,对于复杂背景和多目标的图像也具有很好的鲁棒性。
Description
技术领域
本发明属于图像配准领域,特别涉及一种基于运动区域图像清晰度的多模视频图像配准方法。
背景技术
图像配准技术作为一项成熟的图像处理技术,广泛的运用于遥感图像、SAR图像及医学图像等领域的前期处理。而多模图像的配准作为图像配准的新方向,还处于起步阶段,有大量的技术难题亟需解决。在远距离视频监控领域,不同探测器获取的多源图像的目标配准问题成为阻碍图像融合技术发展的关键。
目前常用的图像配准方法主要有两类:基于灰度的图像配准方法以及基于特征的图像配准方法,前者利用图像的灰度信息,计算配准图像间的相似性度量,然后在选定的几何变换模型参数空间内,按照一定的搜索算法进行搜索,从而找到相似度最大的几何变换参数。后者不直接对图像灰度信息进行操作,而是从基准图像和浮动图像中提取一些共同特征作为配准基元,然后通过建立配准基元之间的对应关系估算出基准图像与浮动图像之间几何变换模型及其参变量值,两种方法各有优缺点,仍需进一步进行深入研究。
2012年,柏连发等人在《Registration algorithm of infrared and visibleimages based on improved gradient normalized mutual information and particleswarm optimization》一文中,提出了一种基于改进梯度互信息和粒子群优化算法的红外与可见光图像配准算法。2017年,杨欢等人发表了一篇《红外与低照度图像配准研究》,在原SURF的基础上从主方向的确定和特征点的描述两个方面进行了改进,提高了主方向的精度并降低了描述子的维数。这些方法在简单场景的配准时取得了较好的效果,但对于复杂背景下的多目标图像配准效果不佳。因此,针对复杂背景下,多目标以及运动目标场景的多模视频图像配准的问题,优化配准算法,提高配准精度具有重要的意义。
发明内容
本发明的目的在于提供一种基于运动区域图像清晰度的多模视频图像配准方法。
实现本发明目的的技术解决方案为:一种基于运动区域图像清晰度的多模视频图像配准方法,包括以下步骤:
步骤1、分别获取可见光视频序列、红外视频序列中的运动目标区域模板,并分别记为CCD'、IR;
步骤2、分别构建可见光视频序列、红外视频序列的匹配特征点集M、N;
步骤3、根据特征点集M、N,求取可见光视频序列、红外视频序列中的运动目标区域粗配准的最佳矩阵Hcp;
步骤4、通过运动目标区域粗配准的最佳矩阵Hcp对CCD'、IR进行配准,获得运动目标区域粗配准后的IR,记为IR';
步骤5、通过求取IR'的全局清晰度,获取可见光视频序列、红外视频序列中的运动目标区域精配准的最佳矩阵Hjp;
步骤6、将步骤1中获取的IR经过Hjp变换后映射到CCD'上,获得最终的配准融合图像。
本发明与现有技术相比,其显著优点为:1)本发明的方法采用运动重合区域作为配准的基础,降低了复杂背景对于配准的干扰,实现多模视频图像配准,具有较好的鲁棒性;2)本发明的方法针对复杂背景下的多模视频序列配准的问题,仍能保持较高的配准精度;3)本发明的方法采用图像清晰度指标作为评价标准,显著提升了配准精度。
下面结合附图对本发明作进一步详细的描述。
附图说明
图1为本发明基于运动区域图像清晰度的多模视频图像配准方法的流程图。
图2为本发明实施例中通过RGB通道的亮度变化来寻找运动区域的实验图,其中图(2a)为选取的一块非运动区域,图(2b)为图(2a)中选取区域的RGB亮度变化曲线,图(2c)为选取的一块运动区域,图(2d)为图(2c)中选取区域的RGB亮度变化曲线。
图3为本发明实施例中获得的可见光视频序列、红外视频序列中的运动区域模板图,其中图(a)为红外运动区域,图(b)为CCD运动区域,图(c)为运动重合区域。
图4为针对对象1的本发明的配准方法与其他方法的效果比较图,其中图(a)为CCD原图,图(b)为CCD目标,图(c)为手动配准,图(d)为NMI,图(e)为NGNMI,图(f)为Bilodeau,图(g)为本文的配准方法。
图5为针对对象2的本发明的配准方法与其他方法的效果比较图,其中图(a)为CCD原图,图(b)为CCD目标,图(c)为手动配准,图(d)为NMI,图(e)为NGNMI,图(f)为Bilodeau,图(g)为本文的配准方法。
图6为针对对象3的本发明的配准方法与其他方法的效果比较图,其中图(a)为CCD原图,图(b)为CCD目标,图(c)为手动配准,图(d)为NMI,图(e)为NGNMI,图(f)为Bilodeau,图(g)为本文的配准方法。
具体实施方式
结合图1,本发明的基于运动区域图像清晰度的多模视频图像配准方法,包括以下步骤:
步骤1、分别获取可见光视频序列、红外视频序列中的运动目标区域模板,并分别记为CCD'、IR,具体为:
步骤1-1、分别从可见光视频序列、红外视频序列中随机采集M'帧连续图像;
步骤1-2、遍历步骤1-1采集到的所有图像,提取运动种子点并构建运动种子点集N';其中,提取运动种子点并构建运动种子点集N'具体为:
步骤1-2-1、计算每个像素点在M'帧图像中R、G、B三个通道的亮度变化值;
步骤1-2-2、判断每个像素点对应的R、G、B三个通道的亮度变化值与设定的阈值T'的关系,若像素点对应的R、G、B三个通道中任意一个通道的亮度变化值大于阈值T',则该像素点为运动种子点;反之,该像素点为背景点;
步骤1-2-3、将步骤1-2-2获得的所有运动种子点构建为运动种子点集N';
步骤1-3、将运动种子点集N'中所有运动种子点的像素值置为1,获得运动区域二值图像;
步骤1-4、通过n2×n2的滤波器对步骤1-3获得的运动区域二值图像进行滤波,获得最终的运动区域二值图像,即为运动目标区域模板;其中n2大于1且为奇数。
步骤2、分别构建可见光视频序列、红外视频序列的匹配特征点集M、N,具体为:
步骤2-1、取j为1,采集图像帧数的阈值为T,随机选取起始采集帧k;
步骤2-2、采集第k帧可见光图像、第k帧红外图像,并分别获取第k帧可见光图像、第k帧红外图像中各个目标的顶点数pj、qj;
步骤2-3、比较pj与qj,若pj≠qj,则令k=k+a,并返回步骤2-2;若pj=qj,则执行步骤2-4;
步骤2-4、将第k帧可见光图像中各个目标的顶点作为该k帧可见光图像的匹配特征点集,记为将第k帧红外图像中各个目标的顶点作为该k帧红外图像的匹配特征点集,记为之后令j=j+1;
步骤2-5、判断j与T的大小,若j≤T,则令k=k+a,重复执行步骤2-2至步骤2-4;若j>T,执行步骤2-6;
步骤2-6、由步骤2-1至步骤2-5构建可见光视频序列、红外视频序列的特征点集M、N分别为:
步骤3、根据特征点集M、N,求取可见光视频序列、红外视频序列中的运动目标区域粗配准的最佳矩阵Hcp,具体为:
步骤3-1、从特征点集M、N中随机选取n组匹配点作为运动目标区域粗配准最佳匹配点,n组匹配点分别记为(Mi,Ni);其中i=1,2,…,n;
步骤3-2、以Ni为基准,选取匹配点Mi的n1×n1邻域内的点,并根据选取的所有点求取该匹配点Mi对应的投影变换矩阵H';其中n1大于1且为奇数;其中求取该匹配点Mi对应的投影变换矩阵H',所用公式为:
式中,(x,y)为红外视频序列中的运动目标区域模板IR中的点坐标,(x',y')为可见光视频序列中的运动目标区域模板CCD'中的点坐标,k为比例系数;
步骤3-3、根据步骤1所述的CCD'、IR获取优化目标函数CRMA,所用公式为:
式中,IRon为红外视频序列中的运动目标区域模板IR中像素值为1的点,CCD'on为可见光视频序列中的运动目标区域模板CCD'中像素值为1的点;
步骤3-4、根据步骤3-2获得的每个匹配点Mi对应的投影变换矩阵H'和步骤3-3的优化目标函数CRMA,获取运动目标区域粗配准的最佳矩阵Hcp,具体为:
步骤3-4-1、根据每个匹配点Mi对应的投影变换矩阵H',分别对CCD'进行投影变换,获得每个H'对应的新的CCD';
步骤3-4-2、获取每个H'对应的新的CCD'与IR的优化目标函数CRMA;
步骤3-4-3、将步骤3-4-2中最大的优化目标函数CRMA对应的H'作为运动目标区域粗配准的最佳矩阵Hcp。
进一步地,步骤3-1中的n=4。
步骤4、通过运动目标区域粗配准的最佳矩阵Hcp对CCD'、IR进行配准,获得运动目标区域粗配准后的IR,记为IR'。
步骤5、通过求取IR'的全局清晰度,获取可见光视频序列、红外视频序列中的运动目标区域精配准的最佳矩阵Hjp,具体为:
步骤5-1、根据每个匹配点Mi对应的投影变换矩阵H',分别对IR'进行投影变换,获得每个H'对应的新的IR';
步骤5-2、获取获取每个H'对应的新的IR'的全局清晰度,记为GD,所用公式为:
式中,SCx”,y”为具有人眼强度感知的局部清晰度,ψ为边界像素点的有效集,Nψ为边界像素点的有效集的个数,(x”,y”)为红外视频序列中的运动目标区域模板中IR'的点坐标;
步骤5-3、将步骤5-2中最大的全局清晰度GD对应的H'作为运动目标区域精配准的最佳矩阵Hjp。
步骤6、将步骤1中获取的IR经过Hjp变换后映射到CCD'上,获得最终的配准融合图像。
下面结合实施例对本发明作进一步详细的描述。
实施例
结合图1,本发明一种基于运动区域图像清晰度的多模视频图像配准方法包括以下内容:
步骤1、分别获取可见光视频序列、红外视频序列中的运动目标区域模板,并分别记为CCD'、IR。具体为:
步骤1-1、分别从可见光视频序列、红外视频序列中随机采集200帧连续图像;
步骤1-2、遍历步骤1-1采集到的所有图像,提取运动种子点并构建运动种子点集N';结合图2,具体为:
步骤1-2-1、计算每个像素点在200帧图像中R、G、B三个通道的亮度变化值;
步骤1-2-2、判断每个像素点对应的R、G、B三个通道的亮度变化值与设定的阈值50的关系,若像素点对应的R、G、B三个通道中任意一个通道的亮度变化值大于阈值50,则该像素点为运动种子点;反之,该像素点为背景点;
步骤1-2-3、将步骤1-2-2获得的所有运动种子点构建为运动种子点集N'。
步骤1-3、将运动种子点集N'中所有运动种子点的像素值置为1,获得运动区域二值图像;
步骤1-4、通过3×3的滤波器对步骤1-3获得的运动区域二值图像进行滤波,获得最终的运动区域二值图像,即为运动目标区域模板。由此获得的可见光视频序列的运动目标区域模板CCD'如图3(a)所示,红外视频序列的运动目标区域模板IR如图3(b)所示,两者重合的运动目标区域模板如图3(c)所示。
步骤2、分别构建可见光视频序列、红外视频序列的匹配特征点集M、N;
步骤3、根据特征点集M、N,求取可见光视频序列、红外视频序列中的运动目标区域粗配准的最佳矩阵Hcp;
步骤4、通过运动目标区域粗配准的最佳矩阵Hcp对CCD'、IR进行配准,获得运动目标区域粗配准后的IR,记为IR';
步骤5、通过求取IR'的全局清晰度,获取可见光视频序列、红外视频序列中的运动目标区域精配准的最佳矩阵Hjp;
步骤6、将步骤1中获取的IR经过Hjp变换后映射到CCD'上,获得最终的配准融合图像。
结合图4、图5、图6,针对不同的对象,对比本发明的方法与手动配准方法、NMI配准方法、NGNMI配准方法和Bilodeau配准方法,可以看出,本发明的方法配准后的图像中重叠区域面积最大,说明配准图像具有最大的目标重合率,配准效果比其他配准方法更佳。
本发明的方法采用运动重合区域作为配准的基础,加入了图像清晰度的计算来进行进一步的配准,相比其他配准方法拥有更高的目标重合率,对于多模视频图像配准具有很好的鲁棒性,在多目标视频配准和复杂背景下的视频配准精度上有着显著的提高。
Claims (10)
1.一种基于运动区域图像清晰度的多模视频图像配准方法,其特征在于,包括以下步骤:
步骤1、分别获取可见光视频序列、红外视频序列中的运动目标区域模板,并分别记为CCD'、IR;
步骤2、分别构建可见光视频序列、红外视频序列的匹配特征点集M、N;
步骤3、根据特征点集M、N,求取可见光视频序列、红外视频序列中的运动目标区域粗配准的最佳矩阵Hcp;
步骤4、通过运动目标区域粗配准的最佳矩阵Hcp对CCD'、IR进行配准,获得运动目标区域粗配准后的IR,记为IR';
步骤5、通过求取IR'的全局清晰度,获取可见光视频序列、红外视频序列中的运动目标区域精配准的最佳矩阵Hjp;
步骤6、将步骤1中获取的IR经过Hjp变换后映射到CCD'上,获得最终的配准融合图像。
2.根据权利要求1所述的基于运动区域图像清晰度的多模视频图像配准方法,其特征在于,步骤1中所述分别获取可见光视频序列、红外视频序列中的运动目标区域模板,具体为:
步骤1-1、分别从可见光视频序列、红外视频序列中随机采集M'帧连续图像;
步骤1-2、遍历步骤1-1采集到的所有图像,提取运动种子点并构建运动种子点集N';
步骤1-3、将运动种子点集N'中所有运动种子点的像素值置为1,获得运动区域二值图像;
步骤1-4、通过n2×n2的滤波器对步骤1-3获得的运动区域二值图像进行滤波,获得最终的运动区域二值图像,即为运动目标区域模板;其中n2大于1且为奇数。
3.根据权利要求2所述的基于运动区域图像清晰度的多模视频图像配准方法,其特征在于,步骤1-2所述提取运动种子点并构建运动种子点集N',具体为:
步骤1-2-1、计算每个像素点在M'帧图像中R、G、B三个通道的亮度变化值;
步骤1-2-2、判断每个像素点对应的R、G、B三个通道的亮度变化值与设定的阈值T'的关系,若像素点对应的R、G、B三个通道中任意一个通道的亮度变化值大于阈值T',则该像素点为运动种子点;反之,该像素点为背景点;
步骤1-2-3、将步骤1-2-2获得的所有运动种子点构建为运动种子点集N'。
4.根据权利要求1所述的基于运动区域图像清晰度的多模视频图像配准方法,其特征在于,步骤2中所述分别构建可见光视频序列、红外视频序列的特征点集M、N,具体为:
步骤2-1、取j为1,采集图像帧数的阈值为T,随机选取起始采集帧k;
步骤2-2、采集第k帧可见光图像、第k帧红外图像,并分别获取第k帧可见光图像、第k帧红外图像中各个目标的顶点数pj、qj;
步骤2-3、比较pj与qj,若pj≠qj,则令k=k+a,并返回步骤2-2;若pj=qj,则执行步骤2-4;
步骤2-4、将第k帧可见光图像中各个目标的顶点作为该k帧可见光图像的匹配特征点集,记为将第k帧红外图像中各个目标的顶点作为该k帧红外图像的匹配特征点集,记为之后令j=j+1;
步骤2-5、判断j与T的大小,若j≤T,则令k=k+a,重复执行步骤2-2至步骤2-4;若j>T,执行步骤2-6;
步骤2-6、由步骤2-1至步骤2-5构建可见光视频序列、红外视频序列的特征点集M、N分别为:
5.根据权利要求1所述的基于运动区域图像清晰度的多模视频图像配准方法,其特征在于,步骤3所述根据特征点集M、N,求取可见光视频序列、红外视频序列中的运动目标区域模板粗配准的最佳矩阵Hcp,具体为:
步骤3-1、从特征点集M、N中随机选取n组匹配点作为运动目标区域粗配准最佳匹配点,n组匹配点分别记为(Mi,Ni);其中i=1,2,…,n;
步骤3-2、以Ni为基准,选取匹配点Mi的n1×n1邻域内的点,并根据选取的所有点求取该匹配点Mi对应的投影变换矩阵H';其中n1大于1且为奇数;
步骤3-3、根据步骤1所述的CCD'、IR获取优化目标函数CRMA;
步骤3-4、根据步骤3-2获得的每个匹配点Mi对应的投影变换矩阵H'和步骤3-3的优化目标函数CRMA,获取运动目标区域粗配准的最佳矩阵Hcp。
6.根据权利要求5所述的基于运动区域图像清晰度的多模视频图像配准方法,其特征在于,步骤3-2所述以Ni为基准,选取匹配点Mi的n1×n1邻域内的点,并根据选取的所有点求取该匹配点Mi对应的投影变换矩阵H',所用公式为:
式中,(x,y)为红外视频序列中的运动目标区域模板IR中的点坐标,(x',y')为可见光视频序列中的运动目标区域模板CCD'中的点坐标,k为比例系数。
7.根据权利要求5所述的基于运动区域图像清晰度的多模视频图像配准方法,步骤3-3所述根据步骤1所述的CCD'、IR获取优化目标函数CRMA,所用公式为:
式中,IRon为红外视频序列中的运动目标区域模板IR中像素值为1的点,CCD'on为可见光视频序列中的运动目标区域模板CCD'中像素值为1的点。
8.根据权利要求5或7所述的基于运动区域图像清晰度的多模视频图像配准方法,步骤3-4所述根据步骤3-2获得的每个匹配点Mi对应的投影变换矩阵H'和步骤3-3的优化目标函数CRMA,获取运动目标区域粗配准的最佳矩阵Hcp,具体为:
步骤3-4-1、根据每个匹配点Mi对应的投影变换矩阵H',分别对CCD'进行投影变换,获得每个H'对应的新的CCD';
步骤3-4-2、获取每个H'对应的新的CCD'与IR的优化目标函数CRMA;
步骤3-4-3、将步骤3-4-2中最大的优化目标函数CRMA对应的H'作为运动目标区域粗配准的最佳矩阵Hcp。
9.根据权利要求1或6所述的基于运动区域图像清晰度的多模视频图像配准方法,其特征在于,步骤5所述通过求取IR'的全局清晰度获取可见光视频序列、红外视频序列中的运动目标区域精配准的最佳矩阵Hjp,具体为:
步骤5-1、根据每个匹配点Mi对应的投影变换矩阵H',分别对IR'进行投影变换,获得每个H'对应的新的IR';
步骤5-2、获取获取每个H'对应的新的IR'的全局清晰度,记为GD,所用公式为:
式中,SCx”,y”为具有人眼强度感知的局部清晰度,ψ为边界像素点的有效集,Nψ为边界像素点的有效集的个数,(x”,y”)为红外视频序列中的运动目标区域模板中IR'的点坐标;
步骤5-3、将步骤5-2中最大的全局清晰度GD对应的H'作为运动目标区域精配准的最佳矩阵Hjp。
10.根据权利要求5所述的基于运动区域图像清晰度的多模视频图像配准方法,其特征在于,所述n=4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810976613.7A CN109285183B (zh) | 2018-08-25 | 2018-08-25 | 一种基于运动区域图像清晰度的多模视频图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810976613.7A CN109285183B (zh) | 2018-08-25 | 2018-08-25 | 一种基于运动区域图像清晰度的多模视频图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285183A true CN109285183A (zh) | 2019-01-29 |
CN109285183B CN109285183B (zh) | 2022-03-18 |
Family
ID=65183586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810976613.7A Active CN109285183B (zh) | 2018-08-25 | 2018-08-25 | 一种基于运动区域图像清晰度的多模视频图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285183B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886878A (zh) * | 2019-03-20 | 2019-06-14 | 中南大学 | 一种基于由粗到精配准的红外图像拼接方法 |
CN110070569A (zh) * | 2019-04-29 | 2019-07-30 | 努比亚技术有限公司 | 终端图像的配准方法、装置、移动终端及存储介质 |
CN113538558A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于ir图的体积测量优化方法、系统、设备及存储介质 |
CN115830087A (zh) * | 2022-12-09 | 2023-03-21 | 陕西航天技术应用研究院有限公司 | 一种针对平移运动连续帧影像集的批量化快速配准技术 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101873440A (zh) * | 2010-05-14 | 2010-10-27 | 西安电子科技大学 | 基于Surfacelet变换的红外与可见光视频图像融合方法 |
CN103714548A (zh) * | 2013-12-27 | 2014-04-09 | 西安电子科技大学 | 基于视觉注意的红外图像与可见光图像配准方法 |
US9418430B2 (en) * | 2013-10-03 | 2016-08-16 | Bae Systems Information And Electronic Systems Integration Inc. | Method and apparatus for establishing a north reference for inertial measurement units using scene correlation |
CN108230237A (zh) * | 2017-12-15 | 2018-06-29 | 同济大学 | 一种用于电气设备在线检测的多光谱图像重构方法 |
-
2018
- 2018-08-25 CN CN201810976613.7A patent/CN109285183B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101873440A (zh) * | 2010-05-14 | 2010-10-27 | 西安电子科技大学 | 基于Surfacelet变换的红外与可见光视频图像融合方法 |
US9418430B2 (en) * | 2013-10-03 | 2016-08-16 | Bae Systems Information And Electronic Systems Integration Inc. | Method and apparatus for establishing a north reference for inertial measurement units using scene correlation |
CN103714548A (zh) * | 2013-12-27 | 2014-04-09 | 西安电子科技大学 | 基于视觉注意的红外图像与可见光图像配准方法 |
CN108230237A (zh) * | 2017-12-15 | 2018-06-29 | 同济大学 | 一种用于电气设备在线检测的多光谱图像重构方法 |
Non-Patent Citations (1)
Title |
---|
李英杰: "基于多传感器图像融合系统的配准技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886878A (zh) * | 2019-03-20 | 2019-06-14 | 中南大学 | 一种基于由粗到精配准的红外图像拼接方法 |
CN110070569A (zh) * | 2019-04-29 | 2019-07-30 | 努比亚技术有限公司 | 终端图像的配准方法、装置、移动终端及存储介质 |
CN110070569B (zh) * | 2019-04-29 | 2023-11-10 | 西藏兆讯科技工程有限公司 | 终端图像的配准方法、装置、移动终端及存储介质 |
CN113538558A (zh) * | 2020-04-15 | 2021-10-22 | 深圳市光鉴科技有限公司 | 基于ir图的体积测量优化方法、系统、设备及存储介质 |
CN113538558B (zh) * | 2020-04-15 | 2023-10-20 | 深圳市光鉴科技有限公司 | 基于ir图的体积测量优化方法、系统、设备及存储介质 |
CN115830087A (zh) * | 2022-12-09 | 2023-03-21 | 陕西航天技术应用研究院有限公司 | 一种针对平移运动连续帧影像集的批量化快速配准技术 |
CN115830087B (zh) * | 2022-12-09 | 2024-02-20 | 陕西航天技术应用研究院有限公司 | 一种针对平移运动连续帧影像集的批量化快速配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109285183B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062905B (zh) | 一种基于显著图增强的红外和可见光融合方法 | |
CN109285183A (zh) | 一种基于运动区域图像清晰度的多模视频图像配准方法 | |
CN111080724A (zh) | 一种红外和可见光的融合方法 | |
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN106874884B (zh) | 基于部位分割的人体再识别方法 | |
CN106600632B (zh) | 一种改进匹配代价聚合的立体图像匹配方法 | |
CN104318569A (zh) | 基于深度变分模型的空间显著性区域提取方法 | |
CN106155299B (zh) | 一种对智能设备进行手势控制的方法及装置 | |
CN106530266B (zh) | 一种基于区域稀疏表示的红外与可见光图像融合方法 | |
CN109889799B (zh) | 基于rgbir摄像头的单目结构光深度感知方法及装置 | |
Dong et al. | Infrared image colorization using a s-shape network | |
CN102881160B (zh) | 一种低照度场景下的户外交通标志识别方法 | |
CN109242773A (zh) | 一种热红外图像的拼接方法及部位划分方法 | |
CN102704215A (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN111462128A (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 | |
CN104008543A (zh) | 一种图像融合质量评价方法 | |
CN104408772A (zh) | 一种基于网格投影的自由曲面三维重建方法 | |
CN109191416A (zh) | 基于稀疏字典学习和剪切波的图像融合方法 | |
CN106295491A (zh) | 车道直线检测方法及装置 | |
CN103955889B (zh) | 一种基于增强现实技术的制图类作业评阅方法 | |
CN110348344B (zh) | 一种基于二维和三维融合的特殊人脸表情识别的方法 | |
CN110060304A (zh) | 一种生物体三维信息采集方法 | |
Kekre et al. | Implementation and comparison of different transform techniques using Kekre's wavelet transform for image fusion | |
CN105654479A (zh) | 多光谱图像配准方法和装置 | |
CN104392209B (zh) | 一种目标与背景的图像复杂度评价方法 |
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 |