CN109584156B - 显微序列图像拼接方法及装置 - Google Patents

显微序列图像拼接方法及装置 Download PDF

Info

Publication number
CN109584156B
CN109584156B CN201811213303.6A CN201811213303A CN109584156B CN 109584156 B CN109584156 B CN 109584156B CN 201811213303 A CN201811213303 A CN 201811213303A CN 109584156 B CN109584156 B CN 109584156B
Authority
CN
China
Prior art keywords
image
images
adjacent
global
template matching
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
Application number
CN201811213303.6A
Other languages
English (en)
Other versions
CN109584156A (zh
Inventor
陈曦
韩华
沈丽君
谢启伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201811213303.6A priority Critical patent/CN109584156B/zh
Publication of CN109584156A publication Critical patent/CN109584156A/zh
Application granted granted Critical
Publication of CN109584156B publication Critical patent/CN109584156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06T2207/10056—Microscopic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种显微序列图像拼接方法及装置，所述方法包括：采用模板匹配算法匹配相邻图像的重叠区域，计算所述相邻图像的位置差异；根据图像间的邻接关系建立数学模型，结合BP算法计算图像的全局位置坐标，生成全局图像。本发明能够有效处理局部拼接过程中由于图像存在空白或重复区域等原因带来的误匹配，降低了局部拼接的错误匹配，具有较高的鲁棒性；而且计算速度快，自动化程度高，拼接效果好。

Description

显微序列图像拼接方法及装置
技术领域
本发明涉及图像处理领域，具体涉及一种显微序列图像拼接方法及装置。
背景技术
图像拼接是将成像设备采集的多幅部分重叠的图像合成为一幅大幅面的高分辨率图像的过程。它能够有效克服普通成像设备在视场上的局限性，获得比单幅图像更高的分辨率和更大的视场范围。因此，图像拼接一直是图像处理和计算机视觉领域中的一个重要研究课题，在摄影测量、遥感图像分析、医学影像和视频监控等领域取得了广泛的应用。
显微镜(包括电子显微镜、光学显微镜)作为一种观察样品表面微观物貌的仪器设备，具有放大范围广、分辨率高等特点。随着电子技术的发展，特别是计算机科学的发展，显微镜的性能日臻完善，并且设备成本大为降低。使用显微镜，通过序列图像拼接的方式，对一些大目标场景进行微观重建成为可能，特别是在生物组织显微成像和集成电路物理设计分析这两个应用领域，都取得了有益的结果。
在显微图像采集中，显微镜固定在载物台的上方，显微镜的光轴与拍摄物体表面垂直，载物台在二维平面内移动。在扫描路径中，每幅图像在空间上仅和其直接相邻的上下左右四幅图像重叠，如图1所示。显微镜下采集的图像基本上没有畸变，忽略采集过程中微小的尺度变化和旋转，则相邻显微图像之间只存在二维平移变换，对于通过二维扫描方式获得的多幅序列显微图像，目前主要通过求解线性方程组方法和构造最小生成树方法来实现图像拼接。其中，求解线性方程组方法是利用局部拼接所获得所有的相邻图像的位置差异，建立多幅图像总的拼接误差函数，对误差函数求导得到线性方程组，最后求解线性方程组得到每幅图像的位置坐标，形成全局一致的全景图像，其不足之处在于，当局部图像拼接错误时，该方法会造成明显的全局图像拼接错误；最小生成树方法基于图理论，该方法将每幅图像作为图中的一个节点，图像之间的相邻关系作为图中节点间的边，通过生成图的最短路径树来确定每幅图像的全局位置，但该方法的不足为相邻图像之间仅在生成树上存在邻接关系，其他相邻图像之间的局部拼接结果都不考虑，使拼接后的图像之间的接缝较大。
而且，对于大目标场景的大规模显微图像拼接，由于图像数量巨大，相邻图像重叠比例较低，当目标场景中存在空白，左右两幅相邻图像在重叠区域处没有可以用来进行匹配的特征，如图2所示。或重复性结构，左右两幅相邻图像在重叠区域处用来匹配的特征具有高度相似性，则很容易生成误匹配的区域，如图3所示。因此，开发一种自动化程度高，拼接效果好，且具有较高鲁棒性的大规模显微序列图像拼接方法及装置是行业内亟待解决的问题。
发明内容
为了解决现有技术中的上述问题，即为了解决显微序列图像拼接过程产生中的误匹配、接缝大及鲁棒性差等问题，提供了一种拼接效果较好，且具有较高鲁棒性的显微序列图像拼接方法及装置。
本发明一方面提供一种显微序列图像拼接方法，所述方法包括：
采用模板匹配算法匹配相邻图像的重叠区域，计算所述相邻图像的位置差异；
根据图像间的邻接关系建立数学模型，结合BP算法计算图像的全局位置坐标，生成全局图像。
进一步优选的，所述采用模板匹配算法匹配相邻图像的重叠区域，计算所述相邻图像的位置差异的方法包括：
构建相邻图像的高斯金字塔模型，根据分辨率设置所述高斯金字塔层级；将低分辨率的模板匹配结果作为高分辨率模板匹配搜索的初值，获得所述相邻图像预设区域的位置差异。
进一步优选的，所述将低分辨率的模板匹配结果作为高分辨率模板匹配搜索的初值，获得所述相邻图像预设区域的位置差异的方法包括：
对相邻图像在低分辨率层级的图像通过模板匹配确定所述图像预设区域之间的位置差异；
放大所述位置差异，获得对应分辨率层级的图像中所述相邻图像预设区域之间的初始位置差异；
以所述初始位置差异为中心，设定搜索范围，通过模板匹配计算所述相邻图像预设区域的位置差异。
进一步优选的，所述模板匹配的方法包括：
确定相邻图像同一分辨率尺度上图像的重叠区域；
计算所述重叠区域上各个像素之间差异的平方和；
提取所述差异平方和最小时所述相邻图像对应的位置，确定所述相邻图像预设区域之间的位置差异。
进一步优选的，所述根据图像间的邻接关系建立误差模型的方法包括：
将图像设置为节点，所述图像的相邻关系设置为节点的边，构建马尔科夫随机场。
进一步优选的，所述根据图像间的邻接关系建立数学模型，结合BP算法计算图像的全局位置坐标的方法包括：
通过BP算法最小化下式，计算图像设定位置的全局位置坐标，
Figure BDA0001832936180000041
其中，
Figure BDA0001832936180000042
为图像Ii,j和其水平方向相邻图像Ii,j+1的位置差异；
Figure BDA0001832936180000043
为图像Ii,j和其竖直方向相邻图像Ii+1,j的位置差异；
pi,j是为图像Ii,j设定区域的全局坐标；
c是截断阈值，为预先设定的常数。
进一步优选的，所述结合BP算法计算图像的全局位置坐标的方法进一步包括：
通过公式
Figure BDA0001832936180000044
计算相邻节点之间的消息向量；
Figure BDA0001832936180000045
表示t时刻从节点Ii,j发送到Ii,j+1节点的消息向量；
所述N(Ii,j)\Ii,j+1表示节点Ii,j除Ii,j+1外所有的相邻节点；
所述
Figure BDA0001832936180000046
在T次迭代后，通过
Figure BDA0001832936180000047
计算节点Ii,j的置信向量，在每个节点上选取使得bi,j(pi,j)最小的
Figure BDA0001832936180000048
作为该图像左上角的全局坐标值。
作为本发明的又一方面，本发明实施例还提供一种显微序列图像拼接装置，所述装置包括：
局部拼接模块：用于采用模板匹配算法匹配相邻图像的重叠区域，计算所述相邻图像的位置差异；
全局拼接模块，用于根据图像间的邻接关系建立数学模型，结合BP算法计算图像的全局位置坐标，生成全局图像。
本发明的另一方面提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一显微序列图像拼接的方法。
本发明的第三方面提供一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一显微序列图像拼接方法。
本发明实施例至少实现了如下技术效果：本发明能够将显微成像设备采集的多幅部分重叠的图像合成为一幅大幅面的高分辨率图像。
通过图像灰度相关性的模板匹配方法实现重叠图像之间的局部拼接，降低了局部拼接的错误匹配；通过构建图像金字塔模型，分层计算，减少了通过在原始图像上采用全搜索的方式进行模板匹配所带来的巨大的计算量，有效提高相邻图像之间匹配的速度和准确性。
本发明实施例所述的全局拼接是指利用前一步得到的相邻图像的位置差异，建立多幅图像拼接的数学模型，使得整体的拼接误差最小，有效消除误差累计。此外，该方法不需要人工干预，自动化程度高，拼接效果好，能够有效处理局部拼接过程中由于图像存在空白或重复区域等原因带来的误匹配，具有较高的鲁棒性。
附图说明
图1为显微序列图像拼接的示意图；
图2为现有技术中目标场景存在空白区域的示意图；
图3为现有技术中目标场景存在重复性结构的示意图；
图4为本发明实施例显微序列图像拼接方法的流程图；
图5为本发明实施例局部拼接方法的流程图；
图6为本发明实施例中马尔科夫随机场模型示意图；
图7为本发明实施例显微序列图像拼接装置的示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明方法及装置可以针对大规模显微序列图像拼接，主要包括在相邻图像上进行局部拼接，计算相邻图像之间的位置差异；再根据局部拼接结果，对所有图像进行全局拼接，消除拼接过程中的误差累积。
本发明实施例提供一种显微序列图像拼接方法，如图4，所述方法包括：
S1采用模板匹配算法匹配相邻图像的重叠区域，计算所述相邻图像的位置差异；
S2根据图像间的邻接关系建立数学模型，结合BP算法计算图像的全局位置坐标，生成全局图像。
在上述实施例中，通过S1实现相邻重叠图像之间的局部拼接，在S1中，所述模板匹配为基于图像灰度的图像匹配算法，可以包括平均绝对差算法(MAD)、绝对误差和算法(SAD)、误差平方和算法(SSD)、平均误差平方和算法(MSD)、归一化积相关算法(NCC)、序贯相似性算法(SSDA)。
灰度图像是指只含亮度信息，不含色彩信息的图像，每个像素的亮度用一个数值表示。基于灰度匹配的方法主要用空间的内的滑动模板进行图像匹配，不同的算法区别主要在模板及相关准则的选择方面。
通过S2实现所有图像的全局拼接，本实施例利用前一步得到的相邻图像的位置差异，建立多幅图像拼接的数学模型，再结合BP算法获得全局位置坐标，该拼接模型使得整体的拼接误差最小，有效消除误差累计；具有一定的鲁棒性，当局部拼接存在错误时，仍然能够保持拼接结果的正确性；其中，BP算法为置信传播算法(Belief Propagation)。
在一个实施例中，设采集的图像数量为m×n幅，其中竖直方向为m行，水平方向为n列，记Ii,j为第i行第j列图像。
相邻重叠图像之间的局部拼接是指对每一个图像Ii,j，计算其与水平相邻的图像Ii,j+1之间的位置差异，其中i＝1…m，j＝1…n-1；对每一个图像Ii,j，计算其与竖直相邻的图像Ii+1,j之间的位置差异，其中i＝1…m-1，j＝1…n，采用基于图像灰度相关性的模板匹配方法，通过比较两张图像重叠区域各个像素的匹配程度，进行所有可能的平移之后选择最匹配的一种情况。
本实施例能够满足图像中存在大量纹理信息相似的情况，可以适用于基本上都是水平或竖直的金属线的集成电路显微图像，该方法算法简单，匹配率高，可以有效提高匹配准确率。
在一个实施例中，在S1中，所述采用模板匹配算法匹配相邻图像的重叠区域，计算所述相邻图像的位置差异的方法包括：
构建相邻图像的高斯金字塔模型，根据分辨率设置所述高斯金字塔层级；将低分辨率的模板匹配结果作为高分辨率模板匹配搜索的初值，获得所述相邻图像预设区域的位置差异。
本实施例采用的图像金字塔模型，由粗到细，将低分辨率的图像匹配结果作为高分辨率匹配搜索的初值，逐步细化匹配结果，直到在原始图像上得到精确的匹配结果，能够有效提高相邻图像之间匹配的计算速度。
在一个实施例中，所述将低分辨率的模板匹配结果作为高分辨率模板匹配搜索的初值，获得所述相邻图像预设区域的位置差异的方法包括：
对相邻图像在低分辨率层级的图像通过模板匹配确定所述图像预设区域之间的位置差异；
放大所述位置差异，获得对应分辨率层级的图像中所述相邻图像预设区域之间的初始位置差异；
以所述初始位置差异为中心，设定搜索范围，通过模板匹配计算所述相邻图像预设区域的位置差异。
具体地，对每一个图像Ii,j，计算其与水平相邻的图像Ii,j+1之间的位置差异的步骤如图5，具体如下：
S11构建图像Ii,j和图像Ii,j+1的高斯金字塔模型，设定高斯金字塔的层数，相邻尺度上低分辨率图像为高分辨率图像高斯模糊后降采样预设倍数得到；
S12对图像Ii,j和图像Ii,j+1在最低分辨率尺度上的图像，通过模板匹配的方式，找出两幅图像设定区域之间的位置差异；其中设定区域可以是图像的左上角，也可以是其他区域；
S13将两幅图像设定区域之间的位置差异乘以预设倍数，得到分辨率高一倍的尺度上，两幅图像设定区域之间的初始位置差异；
S14设定搜索范围为当前尺度上两幅图像设定区域初始位置差异为中心的一个邻域，进行模板匹配，得到当前尺度上两幅图像设定范围之间的位置差异；
S15判断当前尺度是否为图像的原始尺寸，若是，则转至S16，计算过程停止，获取所述位置差异；否则，返回S13。
其中i＝1…m，j＝1…n-1，在所述S11中，层数一般取3、4层，也可以根据需要设定其他层数；预设倍数可以为2倍或其他倍数；在所述S12中的设定区域可以是图像中设定的任意重叠位置，可以为图像的左上角、右上角等，在S13中预设倍数与S11中一致；在所述S15中，所述邻域可以根据需要设定，可以设定为正方形，或其他形状，其邻域的宽度也是根据需要设定，可以设定为5、6、7等。
对每一个图像Ii,j，计算其与竖直相邻的图像Ii+1,j之间的位置差异，其中i＝1…m-1，j＝1…n，具体步骤与上述步骤相同，不再赘述。
在一个实施例中，所述模板匹配的方法包括：
确定相邻图像同一分辨率尺度上图像的重叠区域；
计算所述重叠区域上各个像素之间差异的平方和；
提取所述差异平方和最小时所述相邻图像对应的位置，确定所述相邻图像预设区域之间的位置差异。
即在两幅图像的每一个可能的重叠位置上，计算两幅图像重叠区域上各个像素之间差异的平方和，选出两幅图像差异最小时所对应的位置，作为两幅图像左上角之间的位置差异。
在一个实施例中，所述根据图像间的邻接关系建立数学模型的方法包括：
将图像设置为节点，所述图像的相邻关系设置为节点的边，构建马尔科夫随机场。
可以用图G(V,E)表示图像间的邻接关系，顶点集合V表示图像的集合，边集合E表示图像之间的邻接关系。
图G(V,E)是一个马尔科夫随机场(MRF)，如图6，求解过程可以看成是MRF能量函数和的最小化问题。BP算法利用节点与节点之间相互传递信息而更新当前整个MRF的标记状态，是基于MRF的一种近似计算。该算法是一种迭代的方法。
在一个实施例中，所述根据图像间的邻接关系建立数学模型，结合BP算法计算图像的全局位置坐标的方法包括：
通过BP算法最小化公式(1)，计算图像设定位置的全局位置坐标，
Figure BDA0001832936180000101
其中，
Figure BDA0001832936180000102
为图像Ii,j和其水平方向相邻图像Ii,j+1的位置差异，其图像Ii,j和其水平方向相邻图像Ii,j+1之间的局部拼接结果；
Figure BDA0001832936180000103
为图像Ii,j和其竖直方向相邻图像Ii+1,j的位置差异，其为图像Ii,j和其竖直方向相邻图像Ii+1,j之间的局部拼接结果；
pi,j是为图像Ii,j设定区域的全局坐标；
c是截断阈值，为预先设定的常数。
为了处理局部拼接中可能存在的错误匹配，对于相邻图像间的匹配误差
Figure BDA0001832936180000104
引入阈值截断函数，在全局拼接的误差模型中，当
Figure BDA0001832936180000105
的值比较大的时候，有可能是局部拼接中di,j计算不正确所致，因此，阈值截断函数
Figure BDA0001832936180000106
将该项置为常数c，不参与到优化过程中，避免了可能存在的错误对全局拼接结果造成影响。
在一个实施例中，所述结合BP算法计算图像的全局位置坐标的方法进一步包括：
通过公式(2)计算相邻节点之间的消息向量；
Figure BDA0001832936180000107
Figure BDA0001832936180000108
表示t时刻从节点Ii,j发送到Ii,j+1节点的消息向量；
所述N(Ii,j)\Ii,j+1表示节点Ii,j除Ii,j+1外所有的相邻节点；
其中公式(2)中V(pi,j,pi,j+1)由公式(3)获得；
Figure BDA0001832936180000109
Figure BDA00018329361800001010
对消息向量进行迭代计算，在T次迭代后，T为某一用户预先设定的迭代次数，通过公式(4)计算节点Ii,j的置信向量，在每个节点上选取使得bi,j(pi,j)最小的
Figure BDA0001832936180000111
作为该图像左上角的全局坐标值。
BP算法的核心就是在相邻节点之间连续的传递局部消息。对于节点Ii,j和其相邻节点Ii,j+1，将全局求和的优化过程转化为局部的消息传递，通过迭代进行消息传递，使得目标函数近似最优。
基于同一发明构思，本发明实施例还提供了一种显微序列图像拼接装置、计算机可读存储介质及服务器，由于该装置、计算机可读存储介质及服务器所解决问题的原理与前述实施例的拼接方法相似，因此具体的实施可以参见前述实施例的方法的实施，重复之处不再赘述。
本发明实施例还提供一种显微序列图像拼接装置，如图7所示，所述装置包括：
局部拼接模块1：用于采用模板匹配算法匹配相邻图像的重叠区域，计算所述相邻图像的位置差异；
全局拼接模块2，用于根据图像间的邻接关系建立数学模型，结合BP算法计算图像的全局位置坐标，生成全局图像。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一显微序列图像拼接的方法。
本发明实施例还提供一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一显微序列图像拼接方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编
程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (8)

1.一种显微序列图像拼接方法，其特征在于，所述方法包括：
采用模板匹配算法匹配相邻图像的重叠区域，计算所述相邻图像的位置差异；包括：
构建相邻图像的高斯金字塔模型，根据分辨率设置所述高斯金字塔层级；
将低分辨率的模板匹配结果作为高分辨率模板匹配搜索的初值，获得所述相邻图像预设区域的位置差异；
根据图像间的邻接关系建立数学模型，结合BP算法计算图像的全局位置坐标，生成全局图像；
结合BP算法计算图像的全局位置坐标，其方法为：
Figure FDA0003165886570000011
其中，
Figure FDA0003165886570000012
为图像Ii,j和其水平方向相邻图像Ii,j+1的位置差异；
Figure FDA0003165886570000013
为图像Ii,j和其竖直方向相邻图像Ii+1,j的位置差异；
pi,j是为图像Ii,j设定区域的全局坐标；
c是截断阈值，为预先设定的常数。
2.根据权利要求1所述的方法，其特征在于，将低分辨率的模板匹配结果作为高分辨率模板匹配搜索的初值，获得所述相邻图像预设区域的位置差异，其方法包括：
对相邻图像在低分辨率层级的图像通过模板匹配确定所述图像预设区域之间的位置差异；
放大所述位置差异，获得对应分辨率层级的图像中所述相邻图像预设区域之间的初始位置差异；
以所述初始位置差异为中心，设定搜索范围，通过模板匹配计算所述相邻图像预设区域的位置差异。
3.根据权利要求1所述的方法，其特征在于，所述模板匹配的方法包括：
确定相邻图像同一分辨率尺度上图像的重叠区域；
计算所述重叠区域上各个像素之间差异的平方和；
提取所述差异的平方和最小时所述相邻图像对应的位置，确定所述相邻图像预设区域之间的位置差异。
4.根据权利要求1所述的方法，其特征在于，所述根据图像间的邻接关系建立数学模型的方法包括：
将图像设置为节点，所述图像的相邻关系设置为节点的边，构建马尔科夫随机场。
5.根据权利要求1所述的方法，其特征在于，所述结合BP算法计算图像的全局位置坐标的方法进一步包括：
通过公式
Figure FDA0003165886570000021
计算相邻节点之间的消息向量；
Figure FDA0003165886570000022
表示t时刻从节点Ii,j发送到Ii,j+1节点的消息向量；
所述N(Ii，j)\Ii，j+1表示节点Ii,j除Ii,j+1外所有的相邻节点；
所述
Figure FDA0003165886570000023
在T次迭代后，通过
Figure FDA0003165886570000024
计算节点Ii,j的置信向量，在每个节点上选取使得bi,j(pi,j)最小的
Figure FDA0003165886570000031
作为该图像左上角的全局坐标值。
6.一种显微序列图像拼接装置，其特征在于，所述装置包括：
局部拼接模块：用于采用模板匹配算法匹配相邻图像的重叠区域，计算所述相邻图像的位置差异；包括：
构建相邻图像的高斯金字塔模型，根据分辨率设置所述高斯金字塔层级；
将低分辨率的模板匹配结果作为高分辨率模板匹配搜索的初值，获得所述相邻图像预设区域的位置差异；
全局拼接模块，用于根据图像间的邻接关系建立数学模型，结合BP算法计算图像的全局位置坐标，生成全局图像；
结合BP算法计算图像的全局位置坐标，其方法为：
Figure FDA0003165886570000032
其中，
Figure FDA0003165886570000033
为图像Ii,j和其水平方向相邻图像Ii,j+1的位置差异；
Figure FDA0003165886570000034
为图像Ii,j和其竖直方向相邻图像Ii+1,j的位置差异；
pi,j是为图像Ii,j设定区域的全局坐标；
c是截断阈值，为预先设定的常数。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
8.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
CN201811213303.6A 2018-10-18 2018-10-18 显微序列图像拼接方法及装置 Active CN109584156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811213303.6A CN109584156B (zh) 2018-10-18 2018-10-18 显微序列图像拼接方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811213303.6A CN109584156B (zh) 2018-10-18 2018-10-18 显微序列图像拼接方法及装置

Publications (2)

Publication Number Publication Date
CN109584156A CN109584156A (zh) 2019-04-05
CN109584156B true CN109584156B (zh) 2022-01-28

Family

ID=65920637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811213303.6A Active CN109584156B (zh) 2018-10-18 2018-10-18 显微序列图像拼接方法及装置

Country Status (1)

Country Link
CN (1) CN109584156B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529028B (zh) * 2019-09-19 2022-12-02 北京声迅电子股份有限公司 一种用于安检机图像的联网接入方法及装置
CN110807732B (zh) * 2019-10-11 2023-08-29 武汉兰丁智能医学股份有限公司 用于显微图像全景拼接系统及方法
CN110824691B (zh) * 2019-11-14 2022-04-05 武汉兰丁智能医学股份有限公司 基于手机的细胞微型显微图像采集装置的图像拼接方法
CN111626933B (zh) * 2020-05-14 2023-10-31 湖南国科智瞳科技有限公司 一种精准、快速的显微图像拼接方法及系统
CN112102215A (zh) * 2020-09-03 2020-12-18 广州南沙联合集装箱码头有限公司 一种基于误差统计的图像快速拼接方法
CN112381718B (zh) * 2020-11-24 2021-07-30 中国科学院自动化研究所 基于仿射变换的显微序列图像自动拼接方法、系统及装置
CN114584662B (zh) * 2020-11-30 2024-10-11 深圳市瑞图生物技术有限公司 图像采集方法、装置、计算机设备和存储介质
CN112819735B (zh) * 2020-12-31 2022-02-01 四川大学 一种显微系统的实时大尺度图像合成算法
CN112990228B (zh) * 2021-03-05 2024-03-29 浙江商汤科技开发有限公司 图像特征匹配方法和相关装置、设备及存储介质
CN117501303A (zh) * 2021-10-27 2024-02-02 华为技术有限公司 一种图像拼接方法及装置
CN115731165B (zh) * 2022-09-28 2023-10-20 广州市易鸿智能装备有限公司 一种锂电池在线尺寸点检的检测系统及方法
CN116071244B (zh) * 2023-04-03 2023-07-14 苏州秉理科技有限公司 大量图像拼接校正方法、系统、装置、介质
CN116630157A (zh) * 2023-05-12 2023-08-22 湖南智星仁医疗科技有限公司 一种基于bayer图像的快速拼接方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971375A (zh) * 2014-05-22 2014-08-06 中国人民解放军国防科学技术大学 一种基于图像拼接的全景凝视相机空间标定方法
CN106886977A (zh) * 2017-02-08 2017-06-23 徐州工程学院 一种多图自动配准及融合拼接方法
CN108416732A (zh) * 2018-02-02 2018-08-17 重庆邮电大学 一种基于图像配准与多分辨率融合的全景图像拼接方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10123365A1 (de) * 2001-05-14 2002-11-28 Infineon Technologies Ag Verfahren und Vorrichtung zum Ermitteln von Bewegung in mindestens zwei zeitlich aufeinander folgenden digitalen Bildern, Computerlesbares Speichermedium und Computerprogramm-Element
US20080240588A1 (en) * 2007-03-29 2008-10-02 Mikhail Tsoupko-Sitnikov Image processing method and image processing apparatus

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971375A (zh) * 2014-05-22 2014-08-06 中国人民解放军国防科学技术大学 一种基于图像拼接的全景凝视相机空间标定方法
CN106886977A (zh) * 2017-02-08 2017-06-23 徐州工程学院 一种多图自动配准及融合拼接方法
CN108416732A (zh) * 2018-02-02 2018-08-17 重庆邮电大学 一种基于图像配准与多分辨率融合的全景图像拼接方法

Also Published As

Publication number Publication date
CN109584156A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109584156B (zh) 显微序列图像拼接方法及装置
CN109508681B (zh) 生成人体关键点检测模型的方法和装置
EP3182371B1 (en) Threshold determination in for example a type ransac algorithm
CN112184824B (zh) 一种相机外参标定方法、装置
CN112489193B (zh) 一种基于结构光的三维重建方法
CN116758136B (zh) 一种货物体积实时在线识别方法、系统、设备以及介质
CN114792345B (zh) 一种基于单目结构光系统的标定方法
CN113313047A (zh) 一种基于车道结构先验的车道线检测方法及系统
CN117333548A (zh) 一种基于类环面的相机位姿估计方法、系统和存储介质
CN113052166A (zh) 病理图像的显示方法及装置
CN116402904A (zh) 一种基于激光雷达间和单目相机的联合标定方法
Cui et al. Scanning electron microscope calibration using a multi-image non-linear minimization process
Li et al. Automatic reconstruction and modeling of dormant jujube trees using three-view image constraints for intelligent pruning applications
CN109886988A (zh) 一种微波成像仪定位误差的度量方法、系统、装置及介质
CN114998630A (zh) 一种从粗到精的地对空图像配准方法
CN114757849A (zh) 一种具有高动态范围的成像方法
Ruf et al. Towards real-time change detection in videos based on existing 3D models
Banno et al. Estimation of F-Matrix and image rectification by double quaternion
Yu et al. Multi-view 2D–3D alignment with hybrid bundle adjustment for visual metrology
CN112991372A (zh) 一种基于多边形匹配的2d-3d相机外参标定方法
Kumar et al. Estimation of planar angles from non-orthogonal imaging
CN117830439B (zh) 一种多相机系统位姿标定方法及装置
CN115880338B (zh) 标注方法、标注装置及计算机可读存储介质
Peng et al. Deep-Learning-Based Precision Visual Tracking
Thisse et al. 3D Dense & Scaled Reconstruction Pipeline with Smartphone Acquisition

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