CN109584282B - 一种基于sift特征与光流模型的非刚性图像配准方法 - Google Patents
一种基于sift特征与光流模型的非刚性图像配准方法 Download PDFInfo
- Publication number
- CN109584282B CN109584282B CN201811411543.7A CN201811411543A CN109584282B CN 109584282 B CN109584282 B CN 109584282B CN 201811411543 A CN201811411543 A CN 201811411543A CN 109584282 B CN109584282 B CN 109584282B
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- displacement field
- registration
- optical flow
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Abstract
本发明涉及一种基于SIFT特征与光流模型的非刚性图像配准方法,包括以下步骤:1)图像分割;2)尺度不变特征变换SIFT特征提取与匹配;3)区域匹配;4)局部粗配准;5)构建光流能量函数;6)利用光流法进行精配准:以粗配准获得的变换位移场为初始值,结合由粗到精的金字塔分层迭代策略求解位移场,在每一层通过最小化能量函数求解位移场,并对获得的位移场进行加权中值滤波,将滤波后的位移场作为下一层图像的光流估计的初始值,根据获得的最终位移场,对待配准图像进行变化插值,获得最终的配准图像,实现配准。
Description
技术领域
本发明属于计算机视觉领域,涉及一种结合SIFT特征匹配与光流模型的图像配准算法。
图像配准是针对含同一对象在不同条件下获得的两幅和多幅图像,求取其空间变换,使得图像的对应点达到空间上的一致,在计算机视觉,遥感图像分析,医学图像处理等领域中有着广泛的应用。
图像配准方法大致可以分为基于灰度的方法和基于特征的方法。基于特征的配准方法利用图像包含重要信息的特征,通过对这些特征进行匹配,选取适当的模型,求解配准参数完成配准,其中SIFT(尺度不变特征变换)特征点由于其良好的特性,经常被用于图像配准。基于灰度的配准方法是利用图像灰度来计算图像的空间变化。基于光流的方法便是假设图像像素的灰度值在很短时间的间隔内保持不变。
光流场指的是图像灰度模式的表观运动,它包含了各像素的瞬时运动信息。
Horn和Schunck提出光流约束方程,并附加全局平滑假设,给出了光流的基本计算方法。通过构建一个能量函数并对其进行最小化求解,获得图像间的光流场。该光流场其实便是图像各像素的位移场,利用该位移场即可对待配准图像进行矫正,完成配准。
发明内容
本发明的目的是提供一种基于SIFT特征与光流模型的非刚性图像配准算法,以解决传统光流模型无法对大位移的运动进行精确估计的问题,提高非刚性图像配准的精度与鲁棒性。本发明的目的是通过以下技术方案实现的。
一种基于SIFT特征与光流模型的非刚性图像配准方法,包括以下步骤:
1)图像分割
对参考图像I1与浮动图像I2进行分割,得到对应的分割图像R1(i),R2(j),其中i代表图像I1中的分割区域编号,j代表图像I2中的分割区域编号;
2)尺度不变特征变换SIFT特征提取与匹配
提取参考图像I1与浮动图像I2的SIFT特征,并对特征进行匹配;
3)区域匹配,方法如下
第一步:以步骤1)得到的分割结果与步骤2)得到的SIFT特征匹配对为基础,利用计算I1中的分割区域i与I2中的分割区域间的匹配程度,其中,#matches_in为区域i与区域j相互匹配的特征匹配对数,#matches_total表示包括区域i与I2的匹配对,以及区域j与I1的匹配对总数;
第二步:根据设定的阈值ε,当d(i,j)>ε且匹配对数大于等于4时代表区域i与区域j初步匹配成功,若d(i,j)>ε但匹配对数小于4则需根据层次分割结果分别将区域i,区域j与各自相似邻域聚合,对于d(i,j)≤ε的两区域,认为匹配失败;
第三步:对初步匹配成功的区域,通过求解d(i,j)的最大值得到区域i在I2中的最佳匹配区域;逆向搜索图像I2中的区域j在图像I1中的最佳匹配区域,当正向匹配与逆向匹配结果一致时,认为两区域最终相互匹配;
4)局部粗配准,方法如下:
第一步:以匹配区域为基础,建立仿射变换模型,根据匹配区域中的SIFT特征匹配对建立方程,求解匹配区域的仿射变换参数;
第二步:根据仿射变换参数,计算匹配区域的运动位移场;
第三步:以获得的匹配区域的运动位移场为基础,通过插值得到稠密的完整的运动位移场,称之为变换位移场,完成粗配准;
5)构建光流能量函数
6)利用光流法进行精配准
以粗配准获得的变换位移场为初始值,结合由粗到精的金字塔分层迭代策略求解位移场,在每一层通过最小化能量函数求解位移场,并对获得的位移场进行加权中值滤波,将滤波后的位移场作为下一层图像的光流估计的初始值,根据获得的最终位移场,对待配准图像进行变化插值,获得最终的配准图像,实现配准。
优选地,1)中,利用gPb-OWT-UCM图像分割技术对参考图像与浮动图像进行图像分割。
3)中,所设定的阈值ε=0.8。
构建光流能量函数E(W)=ED(W)+ES(W),其中,为数据项,数据项中的第一项为灰度守恒项,第二项为梯度守恒项,式中β为梯度守恒项的权重系数;X=(x,y)T代表图像空间域Ω中的某点;W=(u,v)T,u和v分别为光流水平位移与垂直位移,代表图像I1和I2之间的变换位移场,是空间梯度算子,ξ=0.001,为惩罚函数;为正则项,其中式中,αg代表全局平滑因子,αl代表局部平滑因子;分别为u、v的梯度,是关于图像梯度的单调递减函数;γ为正常数;
与现有技术相比,本发明的技术方案所带来的有益效果是:
(1)本发明利用SIFT特征匹配稳定且不受距离限制的特点,通过分割技术与SIFT匹配获取一个初始位移场,为后续光流估计提供一个可靠的初值,提高了光流估计精度,有效解决大位移形变的配准问题。
(2)本发明采用自适应正则项代替原始光流模型中的采用一致平滑策略的正则项,保护图像的边缘特征与细节特征。
附图说明
图1为本发明的一种基于SIFT特征与光流模型的非刚性图像配准算法流程图。
图2为本发明与经典光流法的配准结果对比,其中,(a)为参考图像,(b)为待配准图像,(c)为H-S算法的配准结果图,(d)为H-S算法配准结果与参考图像的差值图像,(e)为Brox算法配准结果图,(f)为Brox算法配准结果与参考图像的差值图像,(g)为SIFT Flow算法配准结果图,(h)为SIFT Flow算法配准结果与参考图像的差值图像,(i)为本发明的配准结果图,(j)为本发明的配准结果与参考图像的差值图像。
图3、图4为采用本发明对存在大位移形变的非刚性图像的配准效果图。其中(a)为参考图像,(b)为浮动图像。(c)为采用本发明实现的配准结果图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
本发明利用图像分割与SIFT匹配获的一个初始位移场作为后续光流估计的初始值,解决了大位移形变图像的配准问题,通过最终的位移场对待配准图像进行矫正,实现图像配准,具体过程如下:
(1)利用图像分割和SIFT特征匹配获得初始位移场
首先利用gPb-OWT-UCM[1,2]图像分割技术对参考图像与浮动图像进行图像分割,gPb-OWT-UCM分割算法包括3个步骤:1)利用全局概率边界检测器(gPb)提取图像的轮廓;2)对提取的轮廓进行有向分水岭变换(OWT)得到图像的细分割;3)通过合并区域构建超度量轮廓图(UCM),完成层次分割。
然后,对参考图像和浮动图像进行SIFT特征提取与匹配。
以上述的分割结果与SIFT特征匹配为基础进行区域匹配。区域匹配是以SIFT匹配对为依据,利用数学统计的手段计算区域间的匹配度。设I1,I2分别为参考图像与浮动图像,根据步骤一的分割方法得到分割图像R1(i),R2(j),其中i,j分别代表图像I1与图像I2中的分割区域编号。可通过下式计算2个分割区域的相似度:
其中,#matches_in为I1的分割区域i与I2的分割区域j相互匹配的特征匹配对数,#matches_total表示包括区域i与I2的匹配对和区域j与I1的匹配对的匹配总数。2个区域的匹配程度随着d(i,j)的增大而提高,设定一阈值ε=0.8,若d(i,j)>ε,则表示两个区域i与区域j匹配成功。区域i的最佳匹配区域m(i)可通过求解d(i,j)的最大值得到:
为了提高区域匹配的稳定性,逆向搜索图像I2中的区域j在图像I1中的最佳匹配区域,当正向匹配与逆向匹配结果一致才认为两区域最终相互匹配。为了保证匹配对数,忽略匹配对数过少的匹配区域或根据层次分割结果将其与相似邻域聚合。
区域匹配完成后,利用匹配区域的SIFT匹配对,以匹配区域为基础,分别求取各区域的仿射变换参数,利用放射变换参数得到匹配区域间的变换位移场,在此基础上进行插值从而获得稠密的变换位移场,完成粗配准。
(二)构建光流模型的能量函数
传统的光流场模型仅采用灰度守恒项,无法较好的处理灰度不均的区域,本发明在数据项中增加梯度守恒项。并且为了增强数据的抗噪性,采用一个非平方形式的惩罚函数以增加对溢出点的惩罚力度
式中,I1和I2为待配准的2幅图像;β为梯度守恒项的权重系数;X=(x,y)T代表图像空间域Ω中的某点;W=(u,v)T(u和v分别为光流水平位移与垂直位移)代表图像I1和I2之间的运动位移场。是空间梯度算子,代表图像梯度,为了提高数据项对奇异值的鲁棒性,采用了非平方形式的惩罚函数
传统的光流场模型正则项采用一致平滑策略,光流估计过程中容易造成过平滑现象导致配准过程中出现图像边缘模糊,为了保护边缘,本发明为正则项添加一个权函数,正则项ES定义如下:
最终的能量函数定义如下:
E(W)=ED(W)+ES(W)
(三)利用光流法进行精配准
以粗配准获得的变换位移场为初始值,结合由粗到精的金字塔分层迭代策略[3]求解位移场,在每一层通过最小化能量函数求解位移场,并对获得的位移场进行加权中值滤波,将滤波后的位移场作为下一层图像的光流估计的初始值。根据获得的最终位移场,对待配准图像进行变化插值,获得最终的配准图像,实现配准。
下面结合具体的实例对本发明的技术方案做进一步详细描述。
图2是本发明本发明与传统H-S算法,Brox算法,SIFT Flow算法的配准结果对比。其中,(a)为参考图像,(b)为待配准图像,(c)为H-S配准结果图,(d)为H-S算法配准结果与参考图像的差值图像,(e)为Brox算法配准结果图,(f)为Brox算法配准结果与参考图像的差值图像,(g)为SIFT Flow算法配准结果图,(h)为SIFT Flow算法配准结果与参考图像的差值图像,(i)为本发明的配准结果图,(j)为本发明的配准结果与参考图像的差值结果。从图2可以看出,传统H-S算法对图像有一定的纠正作用,但图像整体边界模糊,配准效果不理想;Brox算法配准结果优于H-S算法,结构保持较完整,但图像上半部分存在边缘模糊现象;SIFT Flow算法配准结果局部配准精度不高;而本发明由于引入初始光流场且采用自适应正则项,在图像细节保持及配准精度方面明显优于传统算法,配准效果较为理想。配准差值图像同样显示出本发明的配准精度高于比较算法。
图3、图4是采用本发明对存在大位移形变的非刚性图像的配准效果图。其中(a)为参考图像,(b)为浮动图像。(c)为采用本发明实现的配准结果图像。从图中可以看出,浮动图像相对于参考图像存在明显的大位移形变,而利用本发明进行配准较好地纠正了浮动图像,在图像结构与纹理细节上均实现了较好的配准效果。
Claims (2)
1.一种基于SIFT特征与光流模型的非刚性图像配准方法,包括以下步骤:
1)图像分割
对参考图像I1与浮动图像I2进行分割,得到对应的分割图像R1(i),R2(j),其中i代表图像I1中的分割区域编号,j代表图像I2中的分割区域编号;
2)尺度不变特征变换SIFT特征提取与匹配
提取参考图像I1与浮动图像I2的SIFT特征,并对特征进行匹配;
3)区域匹配,方法如下
第一步:以步骤1)得到的分割结果与步骤2)得到的SIFT特征匹配对为基础,利用计算I1中的分割区域i与I2中的分割区域间的匹配程度,其中,#matches_in为区域i与区域j相互匹配的特征匹配对数,#matches_total表示包括区域i与I2的匹配对,以及区域j与I1的匹配对总数;
第二步:根据设定的阈值ε,ε=0.8,区域i与区域j的匹配程度随着d(i,j)的增大而提高,若d(i,j)>ε,则表示两个区域i与区域j初步匹配成功;
第三步:对初步匹配成功的区域,通过求解d(i,j)的最大值得到区域i在I2中的最佳匹配区域;逆向搜索图像I2中的区域j在图像I1中的最佳匹配区域,当正向匹配与逆向匹配结果一致时,认为两区域最终相互匹配;
4)局部粗配准,方法如下:
第一步:以匹配区域为基础,建立仿射变换模型,根据匹配区域中的SIFT特征匹配对建立方程,求解匹配区域的仿射变换参数;
第二步:根据仿射变换参数,计算匹配区域的运动位移场;
第三步:以获得的匹配区域的运动位移场为基础,通过插值得到稠密的完整的运动位移场,称之为变换位移场,完成粗配准;
5)构建光流能量函数E(W)=ED(W)+ES(W),其中,为数据项,数据项中的第一项为灰度守恒项,第二项为梯度守恒项,式中β为梯度守恒项的权重系数;X=(x,y)T代表图像空间域Ω中的某点;W=(u,v)T,u和v分别为光流水平位移与垂直位移,代表图像I1和I2之间的变换位移场,是空间梯度算子,ξ=0.001,为惩罚函数;为正则项,其中式中,αg代表全局平滑因子,αl代表局部平滑因子;分别为u、v的梯度,是关于图像梯度的单调递减函数;γ为正常数;
6)利用光流法进行精配准
以粗配准获得的变换位移场为初始值,结合由粗到精的金字塔分层迭代策略求解位移场,在每一层通过最小化能量函数求解位移场,并对获得的位移场进行加权中值滤波,将滤波后的位移场作为下一层图像的光流估计的初始值,根据获得的最终位移场,对待配准图像进行变化插值,获得最终的配准图像,实现配准。
2.根据权利要求1所述的非刚性图像配准方法,其特征在于,1)中,利用gPb-OWT-UCM图像分割技术对参考图像与浮动图像进行图像分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811411543.7A CN109584282B (zh) | 2018-11-24 | 2018-11-24 | 一种基于sift特征与光流模型的非刚性图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811411543.7A CN109584282B (zh) | 2018-11-24 | 2018-11-24 | 一种基于sift特征与光流模型的非刚性图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584282A CN109584282A (zh) | 2019-04-05 |
CN109584282B true CN109584282B (zh) | 2022-08-12 |
Family
ID=65923888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811411543.7A Active CN109584282B (zh) | 2018-11-24 | 2018-11-24 | 一种基于sift特征与光流模型的非刚性图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584282B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197503B (zh) * | 2019-05-14 | 2021-07-30 | 北方夜视技术股份有限公司 | 基于增强型仿射变换的非刚性点集配准方法 |
CN112150404B (zh) * | 2019-06-27 | 2023-10-27 | 上海交通大学 | 基于联合显著图的全局到局部非刚性图像配准方法及装置 |
CN110689527B (zh) * | 2019-09-18 | 2021-08-24 | 北京航空航天大学 | 飞机线缆支架的安装状态检测方法、装置及设备 |
CN110738693B (zh) * | 2019-09-27 | 2022-05-20 | 北京理工大学 | 一种地基成像雷达多角度图像配准方法 |
CN111091043B (zh) * | 2019-10-23 | 2022-07-19 | 武汉大学 | 基于多尺度残余图正则化的sar全图变形场估计方法 |
CN112465883B (zh) * | 2020-11-23 | 2022-03-29 | 山东科技大学 | 一种高精度曲面非均匀图像配准方法 |
CN112788252B (zh) * | 2020-12-29 | 2021-10-22 | 中国科学院长春光学精密机械与物理研究所 | 一种消除底部图像遮挡的720°全景相机 |
CN112734817A (zh) * | 2021-01-15 | 2021-04-30 | 北京眸星科技有限公司 | 一种图像配准方法 |
CN113793272B (zh) * | 2021-08-11 | 2024-01-26 | 东软医疗系统股份有限公司 | 图像降噪方法及装置、存储介质、终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101800890A (zh) * | 2010-04-08 | 2010-08-11 | 北京航空航天大学 | 一种高速公路监控场景下多车辆视频跟踪方法 |
CN101916445A (zh) * | 2010-08-25 | 2010-12-15 | 天津大学 | 一种基于仿射参数估计的图像配准方法 |
CN102722890A (zh) * | 2012-06-07 | 2012-10-10 | 内蒙古科技大学 | 基于光流场模型的非刚性心脏图像分级配准方法 |
US9076201B1 (en) * | 2012-03-30 | 2015-07-07 | University Of Louisville Research Foundation, Inc. | Volumetric deformable registration method for thoracic 4-D computed tomography images and method of determining regional lung function |
CN104966290A (zh) * | 2015-06-12 | 2015-10-07 | 天津大学 | 一种基于sift描述子的自适应权重立体匹配方法 |
CN108022261A (zh) * | 2017-11-01 | 2018-05-11 | 天津大学 | 一种改进的光流场模型算法 |
CN108776971A (zh) * | 2018-06-04 | 2018-11-09 | 南昌航空大学 | 一种基于分层最近邻域的变分光流确定方法及系统 |
-
2018
- 2018-11-24 CN CN201811411543.7A patent/CN109584282B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101800890A (zh) * | 2010-04-08 | 2010-08-11 | 北京航空航天大学 | 一种高速公路监控场景下多车辆视频跟踪方法 |
CN101916445A (zh) * | 2010-08-25 | 2010-12-15 | 天津大学 | 一种基于仿射参数估计的图像配准方法 |
US9076201B1 (en) * | 2012-03-30 | 2015-07-07 | University Of Louisville Research Foundation, Inc. | Volumetric deformable registration method for thoracic 4-D computed tomography images and method of determining regional lung function |
CN102722890A (zh) * | 2012-06-07 | 2012-10-10 | 内蒙古科技大学 | 基于光流场模型的非刚性心脏图像分级配准方法 |
CN104966290A (zh) * | 2015-06-12 | 2015-10-07 | 天津大学 | 一种基于sift描述子的自适应权重立体匹配方法 |
CN108022261A (zh) * | 2017-11-01 | 2018-05-11 | 天津大学 | 一种改进的光流场模型算法 |
CN108776971A (zh) * | 2018-06-04 | 2018-11-09 | 南昌航空大学 | 一种基于分层最近邻域的变分光流确定方法及系统 |
Non-Patent Citations (7)
Title |
---|
Improving conformal metrics for 3D geometric deformable models in medical images;Wyatt,CL等;《Medical imaging 2001conference》;20010222;第4322卷;摘要 * |
Local abnormal behavior detection based on optical flow and spatio-temporal gradient;songhao zhu等;《Multimed tools appl》;20151216;摘要 * |
偏微分方程在图像处理中的应用;周晓等;《安徽教育学院学报》;20070520(第03期);摘要 * |
基于光流场分析的图像目标检测及其labVIEW仿真方法研究;徐成波等;《通讯世界》;20171212(第23期);摘要 * |
基于区域分块与尺度不变特征变换的图像拼接算法;李玉峰等;《光学精密工程》;20160515;第24卷(第5期);摘要、第4.1节、第4.2节、第4.3节、图5 * |
基于改进光流场模型的非刚性图像配准;何凯等;《天津大学学报(自然科学与工程技术版)》;20180531;第51卷(第05期);摘要 * |
非刚性医学图像配准算法研究;王婕妤;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20131215(第S2期);摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN109584282A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584282B (zh) | 一种基于sift特征与光流模型的非刚性图像配准方法 | |
CN108765325B (zh) | 一种小型无人机模糊图像复原方法 | |
CN108010081B (zh) | 一种基于Census变换和局部图优化的RGB-D视觉里程计方法 | |
CN101794439B (zh) | 基于边缘分类信息的图像拼接方法 | |
Tang et al. | Single image dehazing via lightweight multi-scale networks | |
CN106709472A (zh) | 一种基于光流特征的视频目标检测与跟踪方法 | |
CN110782477A (zh) | 基于序列图像的运动目标快速检测方法、计算机视觉系统 | |
CN107862706B (zh) | 一种基于特征向量的改进光流场模型方法 | |
CN105976330A (zh) | 一种嵌入式雾天实时视频稳像方法 | |
CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
CN108022261B (zh) | 一种基于改进光流场模型的非刚性图像配准方法 | |
CN106952292B (zh) | 基于6自由度场景流聚类的3d运动目标检测方法 | |
CN111709893B (zh) | 一种基于信息熵和锐化调整的orb-slam2改进算法 | |
CN102034115A (zh) | 基于马尔可夫随机场模型与非局部先验的图像配准方法 | |
CN110909778B (zh) | 一种基于几何一致性的图像语义特征匹配方法 | |
CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
Wang et al. | Depth map recovery based on a unified depth boundary distortion model | |
CN110751680A (zh) | 一种具有快速对齐算法的图像处理方法 | |
Luo et al. | Shadow removal based on clustering correction of illumination field for urban aerial remote sensing images | |
CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
CN111340741B (zh) | 基于四元数与l1范数的粒子群优化灰度图像增强方法 | |
CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN108765384B (zh) | 一种联合流形排序和改进凸包的显著性检测方法 | |
CN107993193B (zh) | 基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法 |
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 |