CN109598675B - 多重复纹理图像的拼接方法 - Google Patents
多重复纹理图像的拼接方法 Download PDFInfo
- Publication number
- CN109598675B CN109598675B CN201811346100.4A CN201811346100A CN109598675B CN 109598675 B CN109598675 B CN 109598675B CN 201811346100 A CN201811346100 A CN 201811346100A CN 109598675 B CN109598675 B CN 109598675B
- Authority
- CN
- China
- Prior art keywords
- matching point
- matching
- point
- images
- pair
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- 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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种多重复纹理图像的拼接方法。该方法包括：输入待拼接的两幅图像，检测出所述两幅图像的SIFT特征，根据所述SIFT特征点的特征描述子计算出所述两幅图像的初始匹配点对，计算出所述两幅图像中的一幅图像的自匹配点对；从所有的初始匹配点对中筛选出种子点对；根据所述种子点对和所述自匹配点对对所述初始匹配点对进行修正处理，得到正确匹配点对；利用所述正确匹配点完成所述两幅图像的拼接操作。本发明方法通过采用了自匹配与图像间匹配相结合的双匹配方法，有效地将部分错误的初始匹配点对修改为正确匹配点对，从而保留了更准确，分布更均匀的匹配点对，有效的提高了多重复纹理图像的拼接质量。
Description
技术领域
本发明涉及图像拼接技术领域，尤其涉及一种多重复纹理图像的拼接方法。
背景技术
图像拼接就是将数张有重叠部分的图像，拼成一幅大型的无缝高分辨率图像。图像拼接已经广泛应用于全景图像拼接、虚拟现实、无人机遥感图像拼接、多图像视频拼接等。图像拼接过程包括提取特征、特征匹配、筛选特征、单应矩阵、优化缝隙。
为了实现更好的图像拼接，很多学者都在努力提取更快、更突出的特征。从最早期的Moravec，到Harris，再到SIFT、SUSAN、GLOH、SURF、ORB算法。Bonny等将SURF、FAST、Harris等融合到一起的特征提取方法来进行拼接。效果都有所提升。为了解决整体映射扭曲失真提高对齐的质量，一些学者也提出了一些局部映射模型,如SVA(smoothly varyingaffine)和APAP(as-projective-as-possible)。在拼接的过程中，连接缝也会影响整个拼接效果，Li等人提出基于感知的缝切方法，Wan、Murodjon等提出检测移动物体的拼接方法，都有效的消除鬼影，优化了图像的接缝处。
上述现有技术中的图像拼接算法的缺点为：这些图像拼接算法对于现实场景中多重复纹理的图像拼接，依然存在很大问题。最大的问题不是在于提取的特征点不对，而是在于对于相同且重复的物体提取了同样的特征点，但是匹配位置不对。若是匹配点对是错误的匹配，则变换的单应矩阵会形变很大，影响拼接结果。
发明内容
本发明的实施例提供了一种多重复纹理图像的拼接方法，以克服现有技术的问题。
为了实现上述目的，本发明采取了如下技术方案。
一种多重复纹理图像的拼接方法，包括：
输入待拼接的两幅图像，检测出所述两幅图像的SIFT特征，根据所述SIFT特征点的特征描述子计算出所述两幅图像的初始匹配点对，计算出所述两幅图像中的一幅图像的自匹配点对；
从所有的初始匹配点对中筛选出种子点对；
根据所述种子点对和所述自匹配点对对所述初始匹配点对进行修正处理，得到正确匹配点对；
利用所述正确匹配点完成所述两幅图像的拼接操作。
进一步地，所述的输入待拼接的两幅图像，检测出所述两幅图像的SIFT特征，根据所述SIFT特征点的特征描述子计算出所述两幅图像的初始匹配点对，包括：
输入待拼接的两幅图像：左图和右图，检测出所述两幅图像的SIFT特征点，保存每个SIFT特征点的坐标和128维的特征描述子，根据所述SIFT特征点的特征描述子利用KNN算法计算出所述两幅图像的初始匹配点对，每个初始匹配点对包括两个SIFT特征点，分别来自所述两幅图像。
进一步地，所述的计算出所述两幅图像中的一幅图像的自匹配点对，包括：
选取所述两幅图像中的左图，将该左图的所有SIFT特征点的特征描述子输入到KNN算法中，通过KNN算法进行该左图与自己的匹配，得到该左图的自匹配点对。
进一步地，所述的从所有的初始匹配点对中筛选出种子点对，包括：
选取所述两幅图像的一个初始匹配点对(m1i,m2j)，其中m1i是第一幅图像的SIFT特征点，m2j是第二幅的SIFT特征点，获取以m1i,m2j为中心，R为半径的领域内的所有初始匹配点对(n1k,n2l)，初始匹配点对(m1i,m2j)对应的匹配强度计算公式如下：
其中cij,ckl为相关匹配值，dist()为两对匹配点对距离的均值，δ(·)为指数函数；
当所述匹配强度S(m1i,m2j)大于1，则将所述初始匹配点对(m1i,m2j)作为种子点对S，依次遍历所有的初始匹配点对，将所有匹配强度S(m1i,m2j)大于1的初始匹配点对(m1i,m2j)都作为种子点对S。
进一步地，所述的根据所述种子点对和所述自匹配点对对所述初始匹配点对进行修正处理，得到正确匹配点对，包括：
设左图中的点n1和右图中的点m2为一对初始匹配点对，左图中的点s1和右图中的点s2为一对种子点对，左图中的点n1和点m1为一对自匹配点对(n1,m1)；
当种子点s1的x轴位置
在自匹配点对(n1,m1)的x轴位置
的左边或右边，计算出右图中种子点s2的x轴位置
与匹配点m2的x轴位置
之间的距离
计算出左图中
与
之间的距离
计算出左图中
与
之间的距离
当
则选择的正确匹配点为m1；当
则选择的正确匹配点为n1。
当种子点s1在自匹配点对(n1,m1)的中间，根据
在
的左边或者右边来选取左图中的正确匹配点，当
而左图中
则选取的正确匹配点为m1；当
而左图中
则选取的正确匹配点为n1。
利用左图中选取的正确匹配点再与右图中的点m2构成正确匹配点对。
进一步地，所述的利用所述正确的匹配点对完成所述两幅图像的拼接操作，包括：
根据两幅图像中的正确匹配点对，选取两对正确匹配点对来构建单应矩阵，将右图根据单应矩阵进行仿射变换，然后贴到左图对应位置。两图相贴的重叠区域，利用加权平均法进行优化，即左图重叠区域的所有像素值乘以α，α∈(0，1)，右图的重叠区域的像素值乘以(1-α)，完成两幅图像的拼接操作。
由上述本发明的实施例提供的技术方案可以看出，本发明的方法通过采用了自匹配与图像间匹配相结合的双匹配方法，有效地将部分错误的初始匹配点对修改为正确匹配点对，从而保留了更准确，分布更均匀的匹配点对，有效的提高了多重复纹理图像的拼接质量。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种多重复纹理图像的拼接方法的实现原理示意图；
图2为本发明实施例提供的一种多重复纹理图像的拼接方法的处理流程图；
图3为本发明实施例提供的两个待匹配图像的示意图；
图4为本发明实施例提供的一种种子点与匹配点对的位置图；
图5为本发明实施例提供的一种实验结果对比图。
图3中，待匹配图像(a)左图，(b)、(c)为右图。对于重复的纹理，检测到了相同的特征点，结果匹配的位置有偏差图2(a->c)，正确的匹配应该是(a->b)。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
针对目前图像配准算法对于重复纹理配准位置偏差的问题，本发明实施例提出了双匹配配准算法，在建立初始的匹配后，设计适合多重复纹理图像的特征匹配策略，消除误匹配。使得待匹配图像获得匹配点对分布更均匀，更准确，实现的拼接图像更好。
本发明实施例提供了一种多重复纹理图像的拼接方法，该方法的实现原理示意图如图1所示，具体处理流程如图2所示，包括如下的处理步骤：
步骤S210：输入待拼接图像，检测出待拼接图像的SIFT(Scale-invariantfeature transform，尺度不变特征变换)特征。
图3为本发明实施例提供的两个待匹配图像的示意图。输入待拼接的两幅图像(左图和右图)，检测出上述两幅图像的SIFT特征点，保存每个SIFT特征点的坐标和128维的特征描述子。
步骤S220：根据上述SIFT特征点的特征描述子利用KNN(k-NearestNeighbor，K最近邻)算法计算出上述两幅图像的初始匹配点对，以及其中一幅图像的自匹配点对。
将上述两幅图像的所有SIFT特征点的特征描述子输入到KNN算法中，利用KNN算法计算出上述两幅图像的初始匹配点对，每个初始匹配点对包括两个SIFT特征点，分别来自上述两幅图像。
选取上述两幅图像中的左图，将该左图的所有SIFT特征点的特征描述子输入到KNN算法中，通过KNN算法进行该左图与自己的匹配，得到该左图的自匹配点对。
步骤S230：从初始匹配点对中筛选出种子点对。
选取上述两幅图像的所有初始匹配点对(m1i,m2j)，其中m1i是第一幅图像的SIFT特征点，m2j是第二幅的SIFT特征点。获取以m1i,m2j为中心，R为半径的领域内的所有初始匹配点对(n1k,n2l)。如果(m1i,m2j)是正确的匹配点对，那么其领域内存在更多的匹配点对(n1k,n2l)，初始匹配点对(m1i,m2j)对应的匹配强度计算公式如下：
其中cij，ckl为相关匹配值，为了简便，都设为1，δ(·)为指数函数，其中
ε是一般取0.3。R根据图像大小设定，取图像的长(或宽)值的八分之一。
当上述匹配强度S(m1i,m2j)大于1，则将上述初始匹配点对(m1i,m2j)作为种子点对S。依次遍历所有的初始匹配点对，将所有匹配强度S(m1i,m2j)大于1的初始匹配点对(m1i,m2j)都作为种子点对S。
步骤S240：根据种子点对和自匹配点对对上述初始匹配点对进行修正处理，得到正确的匹配点对。
图4为本发明实施例提供的一种种子点与匹配点对的位置图。设左图中的点n1和右图中的点m2为一对初始匹配点对，左图中的点s1和右图中的点s2为一对种子点对，左图中的点n1和点m1为一对自匹配点对(n1,m1)。
在上述左图中，种子点s1与自匹配点对(n1,m1)有三种位置关系：种子点s1在自匹配点对(n1,m1)的左边，种子点s1在自匹配点对(n1,m1)的中间，种子点s1在自匹配点对(n1,m1)的右边。根据种子点s1与自匹配点对(n1,m1)的位置信息选取正确匹配点n1或者m1。
当种子点s1的x轴位置
在自匹配点对(n1,m1)的x轴位置
的左边或右边，计算出右图中种子点s2的x轴位置
与匹配点m2的x轴位置
之间的距离
计算出左图中
与
之间的距离
计算出左图中
与
之间的距离
当
则选择的正确匹配点为m1；当
则选择的正确匹配点为n1。
当种子点s1在自匹配点对(n1,m1)的中间，则可直接根据点所在的x轴坐标位置大小判定，即根据右图中种子点s2的x轴位置
在匹配点m2的x轴位置
的左边或者右边，来选取左图中的正确匹配点。当
而左图中
则选取的正确匹配点为m1；当
而左图中
则选取的正确匹配点为n1。
上述正确匹配点的选取过程如上述公式2所示。
然后，利用左图中选取的正确匹配点再与右图中的点m2构成正确匹配点对，比如，图4中将初始匹配点对(n1,m2)修正为正确匹配点对(m1,m2)。
步骤S250：根据两幅图像中的争取匹配点对，计算单应矩阵，贴图，利用加权平均法优化缝隙，完成拼接。
根据两幅图像中的正确匹配点对，选取两对匹配点对来构建单应矩阵，将右图根据单应矩阵进行仿射变换，然后贴到左图对应位置。两图相贴的重叠区域，利用加权平均法进行优化，即左图重叠区域的所有像素值乘以α，α∈(0，1)，右图的重叠区域的像素值乘以(1-α)，完成两幅图像的拼接操作。
图5为本发明实施例提供的一种实验结果对比图，图3中，待匹配图像(a)左图，(b)、(c)为右图。对于重复的纹理，检测到了相同的特征点，结果匹配的位置有偏差图2(a->c)，正确的匹配应该是(a->b)。
综上所述，本发明的方法通过采用了自匹配与图像间匹配相结合的双匹配方法，有效地将错误的初始匹配点对修改为正确匹配点对，从而保留了更准确，分布更均匀的匹配点对，有效的提高了多重复纹理图像的拼接质量。
本发明可以更加准确的确定图像配准位置，运行效率高，可实现多种情况的图像匹配，提高了对于多重复纹理图像的拼接质量，有助于无人超市拍摄图片的拼接，对于现实中有重复物体的场景有很大的应用前景。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种多重复纹理图像的拼接方法，其特征在于，包括：
输入待拼接的两幅图像，检测出所述两幅图像的SIFT特征点，根据所述SIFT特征点的特征描述子计算出所述两幅图像的初始匹配点对，计算出所述两幅图像中的一幅图像的自匹配点对；
从所有的初始匹配点对中筛选出种子点对；
根据所述种子点对和所述自匹配点对对所述初始匹配点对进行修正处理，得到正确匹配点对；
利用所述正确匹配点完成所述两幅图像的拼接操作；
所述的从所有的初始匹配点对中筛选出种子点对，包括：
选取所述两幅图像的所有初始匹配点对(m1i,m2j)，其中m1i是第一幅图像的SIFT特征点，m2j是第二幅的SIFT特征点，获取以m1i,m2j为中心，R为半径的领域内的所有初始匹配点对(n1k,n2l)，初始匹配点对(m1i,m2j)对应的匹配强度计算公式如下：
其中cij,ckl为相关匹配值，dist()为两对匹配点对距离的均值，δ(·)为指数函数；
当所述匹配强度S(m1i,m2j)大于1，则将所述初始匹配点对(m1i,m2j)作为种子点对S，依次遍历所有的初始匹配点对，将所有匹配强度S(m1i,m2j)大于1的初始匹配点对(m1i,m2j)都作为种子点对S；
所述的根据所述种子点对和所述自匹配点对对所述初始匹配点对进行修正处理，得到正确匹配点对，包括：
设左图中的点n1和右图中的点m2为一对初始匹配点对，左图中的点s1和右图中的点s2为一对种子点对，左图中的点n1和点m1为一对自匹配点对(n1,m1)；
当种子点s1的x轴位置
在自匹配点对(n1,m1)的x轴位置
的左边或右边，计算出右图中种子点s2的x轴位置
与匹配点m2的x轴位置
之间的距离
计算出左图中
与
之间的距离
计算出左图中
与
之间的距离
当
则选择的正确匹配点为m1；当
则选择的正确匹配点为n1；
当种子点s1在自匹配点对(n1,m1)的中间，根据
在
的左边或者右边来选取左图中的正确匹配点，当
而左图中
则选取的正确匹配点为m1；当
而左图中
则选取的正确匹配点为n1；
利用左图中选取的正确匹配点再与右图中的点m2构成正确匹配点对。
2.根据权利要求1所述的方法，其特征在于，所述的输入待拼接的两幅图像，检测出所述两幅图像的SIFT特征点，根据所述SIFT特征点的特征描述子计算出所述两幅图像的初始匹配点对，包括：
输入待拼接的两幅图像：左图和右图，检测出所述两幅图像的SIFT特征点，保存每个SIFT特征点的坐标和128维的特征描述子，根据所述SIFT特征点的特征描述子利用KNN算法计算出所述两幅图像的初始匹配点对，每个初始匹配点对包括两个SIFT特征点，分别来自所述两幅图像。
3.根据权利要求2所述的方法，其特征在于，所述的计算出所述两幅图像中的一幅图像的自匹配点对，包括：
选取所述两幅图像中的左图，将该左图的所有SIFT特征点的特征描述子输入到KNN算法中，通过KNN算法进行该左图与自己的匹配，得到该左图的自匹配点对。
4.根据权利要求1所述的方法，其特征在于，所述的利用所述正确的匹配点对完成所述两幅图像的拼接操作，包括：
根据两幅图像中的正确匹配点对，选取两对正确匹配点对来构建单应矩阵，将右图根据单应矩阵进行仿射变换，然后贴到左图对应位置，两图相贴的重叠区域，利用加权平均法进行优化，即左图重叠区域的所有像素值乘以α，α∈(0，1)，右图的重叠区域的像素值乘以(1-α)，完成两幅图像的拼接操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811346100.4A CN109598675B (zh) | 2018-11-13 | 2018-11-13 | 多重复纹理图像的拼接方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811346100.4A CN109598675B (zh) | 2018-11-13 | 2018-11-13 | 多重复纹理图像的拼接方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109598675A CN109598675A (zh) | 2019-04-09 |
| CN109598675B true CN109598675B (zh) | 2023-03-10 |
Family
ID=65958470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811346100.4A Active CN109598675B (zh) | 2018-11-13 | 2018-11-13 | 多重复纹理图像的拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109598675B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110617800A (zh) * | 2019-08-21 | 2019-12-27 | 深圳大学 | 基于民航客机的应急遥感监测方法、系统及存储介质 |
| CN114125178A (zh) * | 2021-11-16 | 2022-03-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 视频拼接方法、设备和可读介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799939A (zh) * | 2010-04-02 | 2010-08-11 | 天津大学 | 基于左右视点图像的中间视点快速、自适应生成算法 |
| CN104637041A (zh) * | 2014-12-31 | 2015-05-20 | 浙江理工大学 | 一种基于参照特征的宽幅织物图像获取与拼接方法 |
| WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
| CN107945113A (zh) * | 2017-11-17 | 2018-04-20 | 北京天睿空间科技股份有限公司 | 局部图像拼接错位的矫正方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101984463A (zh) * | 2010-11-02 | 2011-03-09 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
| US9400939B2 (en) * | 2014-04-13 | 2016-07-26 | International Business Machines Corporation | System and method for relating corresponding points in images with different viewing angles |
-
2018
- 2018-11-13 CN CN201811346100.4A patent/CN109598675B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799939A (zh) * | 2010-04-02 | 2010-08-11 | 天津大学 | 基于左右视点图像的中间视点快速、自适应生成算法 |
| WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
| CN104637041A (zh) * | 2014-12-31 | 2015-05-20 | 浙江理工大学 | 一种基于参照特征的宽幅织物图像获取与拼接方法 |
| CN107945113A (zh) * | 2017-11-17 | 2018-04-20 | 北京天睿空间科技股份有限公司 | 局部图像拼接错位的矫正方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于SIFT特征和误匹配逐次去除的图像拼接;张静等;《半导体光电》;20160215(第01期);全文 * |
| 基于SIFT的遥感图像配准方法;邓传斌等;《传感技术学报》;20091220(第12期);全文 * |
| 基于区域互信息的特征级多光谱图像配准;田伟刚等;《光电子.激光》;20080615(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109598675A (zh) | 2019-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Melekhov et al. | Dgc-net: Dense geometric correspondence network | |
| CN111553939B (zh) | 一种多目摄像机的图像配准算法 | |
| CN110992263B (zh) | 一种图像拼接方法及系统 | |
| CN111080529A (zh) | 一种加强鲁棒性的无人机航拍图像拼接方法 | |
| CN110490271B (zh) | 图像匹配及拼接方法、装置、系统、可读介质 | |
| CN108345821B (zh) | 面部追踪方法及设备 | |
| CN107767339B (zh) | 一种双目立体图像拼接方法 | |
| Mistry et al. | Image stitching using Harris feature detection | |
| CN111709980A (zh) | 基于深度学习的多尺度图像配准方法和装置 | |
| CN110288511B (zh) | 基于双相机图像的最小化误差拼接方法、装置、电子设备 | |
| CN110175011B (zh) | 一种全景影像无缝拼接方法 | |
| CN105894443A (zh) | 一种基于改进的surf算法的实时视频拼接方法 | |
| CN109598675B (zh) | 多重复纹理图像的拼接方法 | |
| CN110544202A (zh) | 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 | |
| CN109697696A (zh) | 用于全景视频的补盲方法 | |
| Bellavia et al. | Challenges in image matching for cultural heritage: an overview and perspective | |
| Xue et al. | Fisheye distortion rectification from deep straight lines | |
| Wan et al. | Drone image stitching using local mesh-based bundle adjustment and shape-preserving transform | |
| US11875490B2 (en) | Method and apparatus for stitching images | |
| CN111127353A (zh) | 一种基于块配准和匹配的高动态图像去鬼影方法 | |
| Zhang et al. | Natural image stitching with layered warping constraint | |
| Jin | A three-point minimal solution for panoramic stitching with lens distortion | |
| CN111047513A (zh) | 一种用于柱面全景拼接的鲁棒性图像对齐方法及装置 | |
| Zhou et al. | Lrfnet: an occlusion robust fusion network for semantic segmentation with light field | |
| CN114608558A (zh) | 基于特征匹配网络的slam方法、系统、设备及存储介质 |
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 |