CN109657717A - 一种基于多尺度密集结构特征提取的异源图像匹配方法 - Google Patents
一种基于多尺度密集结构特征提取的异源图像匹配方法 Download PDFInfo
- Publication number
- CN109657717A CN109657717A CN201811541523.1A CN201811541523A CN109657717A CN 109657717 A CN109657717 A CN 109657717A CN 201811541523 A CN201811541523 A CN 201811541523A CN 109657717 A CN109657717 A CN 109657717A
- Authority
- CN
- China
- Prior art keywords
- tensor
- image
- pixel
- multiple dimensioned
- heterologous
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 239000000155 melt Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010010904 Convulsion Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- SEIGJEJVIMIXIU-UHFFFAOYSA-J aluminum;sodium;carbonate;dihydroxide Chemical compound [Na+].O[Al+]O.[O-]C([O-])=O SEIGJEJVIMIXIU-UHFFFAOYSA-J 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G06T5/70—
-
- G06T5/92—
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于卫星遥感领域,公开了一种基于多尺度密集结构特征提取的异源图像匹配方法,包括如下步骤:(1)对异源图像的每个像素计算结构张量,得到第一张量图;(2)对第一张量图进行多尺度张量投票,得到多个尺度投票产生的第二张量图;(3)根据张量一致性融合多个尺度的第二张量图得到融合后的第三张量图;(4)对第三张量图进行归一化得到归一化张量图;(5)计算归一化张量图之间的相似性;(6)根据步骤(5)计算得到的相似性,输出相似性最大的窗口位置作为异源图像匹配结果。本发明基于结构张量和多尺度原理,从灰度图像中提取出密集结构特征描述,然后利用密集结构特征描述匹配异源图像,能有效适应非线性灰度畸变和严重的图像噪声问题,可以获取更高的匹配正确率。
Description
技术领域
本发明涉及一种基于多尺度密集结构特征提取的异源图像匹配方法。
背景技术
异源图像匹配技术是遥感图像处理中的一项基础而且关键的技术,是遥感图像融合、拼接和变化检测等应用中不可或缺的技术。另一方面,视觉制导与导航应用中,基准图像往往使用预先拍摄好的可见光卫星图像制作,而实时图像可能使用SAR或红外相机拍摄来让视觉系统实现全天时全天候的工作能力。因此,异源图像匹配技术一直是视觉制导与导航领域研究人员关注的关键技术。
异源图像匹配是指需要匹配的两张图像由不同类型的图像传感器获取。在视觉导航定位系统中,基准图像往往使用预先拍摄好的可见光卫星图像制作,而实时图像可能使用机载合成孔径雷达(SAR)或红外相机拍摄,因此,这些系统常常面临异源图像匹配问题。
尽管图像匹配技术经过了长期广泛的研究,但是异时异源图像匹配仍然存在难以克服的困难,因为与通常的图像匹配不同,异时异源图像匹配面临如图1所示的严重图像噪声和图2所示的非线性灰度畸变问题。
严重图像噪声:红外和SAR图像是异源图像匹配中常常需要匹配的图像类型,但是这两种图像往往包含严重的传感器或传输噪声,这些噪声往往从两个方面降低图像匹配的可靠性。一方面,由于噪声具有随机性,它会降低相同对象图像灰度之间的相关性,这会给差别/相似测量造成不利影响。另一方面,因为梯度和相位这两种特征对噪声都非常敏感,这使得基于梯度或相位的本征图像很难在噪声严重的情况下有效提取图像结构信息。
非线性灰度畸变:同源图像之间可能存在由于光照和传感器参数变化引起的灰度畸变,但是这两种因素通常会尽可能地保持灰度以连续、线性的方式变化。而异源图像之间存在由于传感器类型不同导致的灰度畸变,这种灰度畸变通常是非线性的,甚至改变图像灰度映射的单调性和函数性。换言之,传感器类型差异会严重降低图像之间灰度的关联性,即便两张图像是对相同位置拍摄。显然,非线性灰度畸变也会对匹配过程中的相似性测量造成不利影响,并严重降低匹配的正确率。
现有异时异源图像匹配算法在适应非线性灰度畸变和图像噪声的问题上存在诸多不足,导致匹配正确率不高无法满足应用需要,这正是本申请要解决的问题。
现有的异时异源图像匹配算法通常可以分为两类,一类通过改进差别/相似性测量准则来提高算法对非线性灰度畸变的适应能力。另一类通过提取图像结构信息来避免灰度畸变对匹配的不利影响。
改进测量准则的算法通常是假设成像条件造成的灰度畸变满足某种变换模型,若使测量准则忽略符合变换模型的灰度畸变,可以获得不受成像条件影响的相似性或差别测量方法,代表算法包括基于归一化互相关(Normalized Cross Correlation,NCC)、互信息(Mutual Information,MI)和非线性调色原理(Matching by Tone Mapping,MTM)的图像匹配算法。其中,NCC是一种能够适应线性灰度畸变的测量准则。对属于单调非线性函数的灰度畸变,NCC也具有一定的适应性,因为非线性的灰度畸变往往可以看作局部线性的,并且可以采用Log-NCC提升适应能力。MTM是一种能适应非单调非线性灰度畸变的图像匹配算法,但是仍然要求灰度畸变满足函数映射关系,不同灰度级不能映射到相同灰度级。MI算法则基于信息熵的原理,它可以适应不满足函数映射关系的非线性灰度畸变,但是一些研究指出MI算法计算速度太慢,并且不适用于样本量较小的情况,即图像较小。
虽然改进测量准则能够增强适应灰度畸变的能力,但同时削弱了测量准则区分差别的性能,例如,互信息无法区别满足函数映射的两个关系有什么差别,因为它们的MI都达到最大;NCC也无法区别满足线性变换映射的两个关系有什么不同,因为它们的相关值都会达到最大,这会降低匹配算法对近似对象的区分能力,从而可能导致匹配结果错误。另一方面成像条件造成的复杂灰度畸变不一定符合给定的变换模型,因此这类方法往往还存在适用范围有限的问题。
仅仅改进匹配的测量准则并直接对灰度图像进行匹配,效果往往不太理想,因为这忽略了图像的纹理结构信息。鉴于此,一些匹配算法先使用密集特征描述(DenseFeature Descriptor,DFD)提取图像中的纹理结构信息得到本征图像(Intrinsic Image),然后再对本征图像进行匹配。由于图像中的结构特征通常能够相对成像条件变化保持稳定并且密集特征描述一般不需要对灰度畸变的模型进行假设,基于本征图像提取的异源图像匹配算法往往在适应灰度畸变的能力上具有优势。现有的本征图像提取算法可以分为基于梯度的和基于相位的两类算法。基于梯度的提取算法能够适应图像对比度和照度的变化,并能有效提取适应图像的结构方向信息,但是灰度反映射(常常发生在异源图像间)会导致方向反转,影响相似评价。基于相位的提取算法,能适应各种灰度畸变,但是无法准确提取图像的结构方向信息,并且可能导致混淆效应。除此之外,两类提取算法都对噪声比较敏感,面对异源图像匹配中的严重噪声干扰,这两类算法往往都无法取得较高的匹配正确率。
发明内容
本发明的目的是提供一种基于多尺度密集结构特征提取的异源图像匹配方法,以便适应非线性灰度畸变和图像噪声问题,提高匹配正确率。
为了实现上述目的,本发明提供一种基于多尺度密集结构特征提取的异源图像匹配方法,包括如下步骤:
(1)对异源图像的每个像素计算结构张量,得到第一张量图;
(2)对第一张量图进行多尺度张量投票,得到多个尺度投票产生的第二张量图;
(3)根据张量一致性融合多个尺度的第二张量图得到融合后的第三张量图;
(4)对第三张量图进行归一化得到归一化张量图;
(5)计算归一化张量图之间的相似性;
(6)根据步骤(5)计算得到的相似性,输出相似性最大的窗口位置作为异源图像匹配结果。
进一步地,步骤(1)中所述计算结构张量的算法如下:
首先对基准图和实时图的灰度图像的每个像素计算张量特征,张量的计算公式如下:
Ix,Iy代表图像在x和y方向上的偏导,可以使用sobel算子计算;因此,对一张大小为N×N的图,得到的张量图的维度是N×N×3,即对(i,j)处的像素可以得到一个张量Tij。
进一步地,步骤(2)中所述多尺度张量投票的算法如下:
得到初步的张量图后,按照以下公式计算张量投票,
其中H代表以像素(i,j)为中心的邻域,例如可以取一个10×10像素大小的邻域,ai+m,j+n是领域内像素(m,n)和像素(i,j)投票的强度,按如下公式计算,
其中r是像素(m,n)和像素(i,j)之间的几何距离,α,β分别表示像素(m,n)和像素(i,j)在张量图上对应的张量方向,张量方向按照公式(4)计算,
公式(3)中σ′决定了投票尺度,可以取值1.2,1.6,2.0,2.4,2.8五个尺度(也可以根据具体需要选择多个尺度),因此根据公式(3),领域中与像素(i,j)几何距离越近、张量方向越一致的投票强度越大。
进一步地,步骤(3)中所述多尺度张量融合的算法如下:
完成多尺度张量投票之后,每个像素(i,j)对应N个尺度的投票结果多尺度张量融合按照公式(5)计算,
其中代表在尺度σk上的投票结果的一致性,按如下公式计算:
进一步地,步骤(4)中所述张量图归一化的算法如下:
匹配搜索前将模板图像融合后的张量图与基准图像融合后的张量图按照公式(7)和公式(8)进行归一化,
对一张尺寸为N×N的图像,其归一化后的张量图大小为N×N×2,[sx,sy]即是结构张量的二维方向量。
进一步地,步骤(5)中所述张量图相似性计算的算法如下:
假设模板图像每个像素对应的归一化张量为基准图每像素的归一化结构张量为在匹配搜索过程中,模板图像归一化张量图与基准图像对应窗口归一化张量图按公式(9)计算相似性,
通过公式(9)比较结构张量方向量之间的相似性,若比较的所有结构张量方向量都互相平行,则相似性最大;反之如果比较的所有结构张量方向量都互相垂直,则相似性最小。
通过上述技术方案,可以实现以下有益的技术效果:
(1)本发明利用结构张量提取图像的结构方向信息,并利用方向图代替灰度图进行匹配,可以有效克服复杂的非线性灰度畸变对匹配的不利影响。因为在异源图像间灰度发生畸变时,结构方向仍然保持不变,如图7,这使得本发明相对于直接基于灰度图像匹配方法有明显优势。
(2)本发明利用多尺度投票并融合的策略对结构张量进行了局部增强,可以获得更加稳定的结构方向信息,从而有效克服噪声对结构信息提取的影响,如图8。
本发明提出的异源图像匹配方法采用了基于结构信息的密集特征描述,该描述可以有效提取出图像中结构的方向,当图像发生灰度畸变时,结构方向仍然保持不变,例如,两个平行的线性结构仍然保持平行,因此本发明可以有效适应非线性灰度畸变。并且本发明利用了张量提取的基本思想:利用张量的局部一致性提取或增强数据中的结构特征,可以在信噪比极低的情况下仍然能有效提取出数据中的结构,所以本发明还可以有效适应图像噪声。因此,比较同类基于模板的异源图像匹配算法,本发明算法的匹配结果正确率更高。
本发明基于结构张量和多尺度原理,从灰度图像中提取出密集结构特征描述,然后利用密集结构特征描述匹配异源图像,能有效适应非线性灰度畸变和严重的图像噪声问题,可以获取更高的匹配正确率。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是现有技术中异源图像匹配面临的严重图像噪声示意图,其中(a)是可见光图像,(b)是SAR图像;
图2是现有技术中异源图像匹配面临的非线性灰度畸变示意图,其中(a)是可见光图像,(b)是红外图像,(c)是图像(a)和(b)间的灰度映射;
图3是平移搜索约束下的模板图像匹配过程示意图,其中(a)是基于SAR实时图像的模板图像,(b)是基于可见光卫星图像的基准图像;
图4是本发明一个实施例的流程图;
图5是本发明一个实施例中测试图像示意图,其中(a)是基准图,(b)是模板母图,每个模板母图里可以选择多个不同大小(比如96*96,128*128,160*160)的模板与(a)中对应的基准图进行匹配;
图6是图像匹配正确率比较示意图,其中(a)示出了本发明算法在使用不同大小模板匹配的条件下,正确率都优于其它匹配算法;图(b)、(c)和(d)示出了本发明算法在相同大小(160×160)模板,不同噪声测试中平均正确率都优于其它算法;
图7是灰度畸变与结构不变示意图,其中(a)是可见光图,(b)是红外图;
图8是结构张量方向图比较示意图,其中(a)是测试图像,(b)是直接计算张量方向图,(c)是多尺度张量投票融合后计算张量图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明提出的基于多尺度密集结构特征提取的异源图像匹配方法属于平移搜索约束下的模板图像匹配算法。平移搜索约束下的模板图像匹配过程示意图如图3所示,给定基准图和模板图像,模板图像在基准图像内进行平移搜索,与多个候选窗口(图3中以虚线框表示)比较,选择相似性最大的作为目标窗口并输出其位置作为匹配结果(图3中以实线框表示)。
在本发明的一个实施例中,如图4所示,本发明基于多尺度密集结构特征提取的异源图像匹配方法分为以下6个主要步骤:
(1)对图像的每个像素计算结构张量,得到张量图;
(2)进行多尺度张量投票,得到多个尺度投票产生的张量图;
(3)根据张量一致性融合多个尺度的张量图得到融合后的张量图;
(4)对融合后的张量图进行归一化得到归一化张量图;
(5)计算归一化张量图像之间的相似性;
(6)根据步骤(5)计算的相似性,输出相似性最大的窗口位置作为匹配结果。
上述步骤详细说明如下:
(1)结构张量计算
首先对基准图和实时图的灰度图像的每个像素计算张量特征,张量的计算公式如下:
Ix,Iy代表图像在x和y方向上的偏导,可以使用sobel算子计算[20]。因此,对一张大小为N×N的图,得到的张量图的维度是N×N×3,即对(i,j)处的像素可以得到一个张量Tij。
(2)多尺度张量投票
得到初步的张量图后,可以按照以下公式计算张量投票。
其中H代表以像素(i,j)为中心的邻域,例如可以取一个10×10像素大小的邻域。ai+m,j+n是领域内像素(m,n)和像素(i,j)投票的强度,可以按如下公式计算
其中r是像素(m,n)和像素(i,j)之间的几何距离,α,β分别表示像素(m,n)和像素(i,j)在张量图上对应的张量方向,张量方向可以按照公式(4)计算。σ′决定了投票尺度,可以取值1.2,1.6,2.0,2.4,2.8五个尺度(也可以根据具体需要选择多个尺度)。因此根据公式(3),领域中与像素(i,j)几何距离越近、张量方向越一致的投票强度越大。
(3)多尺度张量融合
完成多尺度张量投票之后,每个像素(i,j)对应N个尺度的投票结果多尺度张量融合按照公式(5)计算。
其中代表在尺度σk上的投票结果的一致性,可以按如下公式计算:
(4)张量图归一化
匹配搜索前需要将模板图像融合后的张量图与基准图像融合后的张量图按照公式(7)和公式(8)进行归一化。
显然对一张尺寸为N×N的图像,其归一化后的张量图大小为N×N×2。事实上,[sx,sy]即是结构张量的二维方向量。
(5)张量图相似性计算
假设模板图像每个像素对应的归一化张量为基准图每像素的归一化结构张量为在匹配搜索过程中,模板图像归一化张量图与基准图像对应窗口归一化张量图按公式(9)计算相似性。
本质上公式(9)实质上是在比较结构张量方向量之间的相似性。假设比较的所有结构张量方向量都互相平行,则相似性最大;反之如果比较的所有结构张量方向量都互相垂直,则相似性最小。
图像匹配算法比较
我们使用测试图像(图5给出了部分测试图像样例)比较了本发明匹配算法(PG)和常用的异源图像匹配算法:DASC、PQ-HOG、HOPC、MI、MTM、和NCC,比较结果如图6。图6(a)显示本发明算法在使用不同大小模板匹配的条件下,正确率都优于其它匹配算法。图6(b)、6(c)和6(d)显示本发明算法在相同模板大小(160×160),不同噪声测试中平均正确率都优于其它算法,具备有效适应非线性灰度畸变和严重图像噪声的优点,能够在基于模板的异源图像匹配应用中取得更好的结果。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (6)
1.一种基于多尺度密集结构特征提取的异源图像匹配方法,其特征在于,包括如下步骤:
(1)对异源图像的每个像素计算结构张量,得到第一张量图;
(2)对第一张量图进行多尺度张量投票,得到多个尺度投票产生的第二张量图;
(3)根据张量一致性融合多个尺度的第二张量图得到融合后的第三张量图;
(4)对第三张量图进行归一化得到归一化张量图;
(5)计算归一化张量图之间的相似性;
(6)根据步骤(5)计算得到的相似性,输出相似性最大的窗口位置作为异源图像匹配结果。
2.根据权利要求1所述的基于多尺度密集结构特征提取的异源图像匹配方法,其特征在于,步骤(1)中所述计算结构张量的算法如下:
首先对基准图和实时图的灰度图像的每个像素计算张量特征,张量的计算公式如下:
Ix,Iy代表图像在x和y方向上的偏导;因此,对一张大小为N×N的图,得到的张量图的维度是N×N×3,即对(i,j)处的像素可以得到一个张量Tij。
3.根据权利要求2所述的基于多尺度密集结构特征提取的异源图像匹配方法,其特征在于,步骤(2)中所述多尺度张量投票的算法如下:
得到初步的张量图后,按照以下公式计算张量投票,
其中H代表以像素(i,j)为中心的邻域,ai+m,j+n是领域内像素(m,n)和像素(i,j)投票的强度,按如下公式计算,
其中r是像素(m,n)和像素(i,j)之间的几何距离,α,β分别表示像素(m,n)和像素(i,j)在张量图上对应的张量方向,张量方向按照公式(4)计算,
公式(3)中σ′决定了投票尺度,因此根据公式(3),领域中与像素(i,j)几何距离越近、张量方向越一致的投票强度越大。
4.根据权利要求3所述的基于多尺度密集结构特征提取的异源图像匹配方法,其特征在于,步骤(3)中所述多尺度张量融合的算法如下:
完成多尺度张量投票之后,每个像素(i,j)对应N个尺度的投票结果多尺度张量融合按照公式(5)计算,
其中代表在尺度σk上的投票结果的一致性,按如下公式计算:
5.根据权利要求4所述的基于多尺度密集结构特征提取的异源图像匹配方法,其特征在于,步骤(4)中所述张量图归一化的算法如下:
匹配搜索前将模板图像融合后的张量图与基准图像融合后的张量图按照公式(7)和公式(8)进行归一化,
对一张尺寸为N×N的图像,其归一化后的张量图大小为N×N×2,[sx,sy]即是结构张量的二维方向量。
6.根据权利要求5所述的基于多尺度密集结构特征提取的异源图像匹配方法,其特征在于,步骤(5)中所述张量图相似性计算的算法如下:
假设模板图像每个像素对应的归一化张量为基准图每像素的归一化结构张量为在匹配搜索过程中,模板图像归一化张量图与基准图像对应窗口归一化张量图按公式(9)计算相似性,
通过公式(9)比较结构张量方向量之间的相似性,若比较的所有结构张量方向量都互相平行,则相似性最大;反之如果比较的所有结构张量方向量都互相垂直,则相似性最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811541523.1A CN109657717A (zh) | 2018-12-17 | 2018-12-17 | 一种基于多尺度密集结构特征提取的异源图像匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811541523.1A CN109657717A (zh) | 2018-12-17 | 2018-12-17 | 一种基于多尺度密集结构特征提取的异源图像匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657717A true CN109657717A (zh) | 2019-04-19 |
Family
ID=66113236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811541523.1A Pending CN109657717A (zh) | 2018-12-17 | 2018-12-17 | 一种基于多尺度密集结构特征提取的异源图像匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657717A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569738A (zh) * | 2019-08-15 | 2019-12-13 | 杨春立 | 基于密集连接网络的自然场景文本检测方法、设备和介质 |
CN110598573A (zh) * | 2019-08-21 | 2019-12-20 | 中山大学 | 一种基于多域异质图引导的视觉问题常识推理模型及方法 |
CN111046960A (zh) * | 2019-12-17 | 2020-04-21 | 湖北航天技术研究院总体设计所 | 一种异源图像分区匹配的方法 |
CN111426320A (zh) * | 2020-05-18 | 2020-07-17 | 中南大学 | 一种基于图像匹配/惯导/里程计的车辆自主导航方法 |
CN112184785A (zh) * | 2020-09-30 | 2021-01-05 | 西安电子科技大学 | 基于mcd度量和vtm的多模态遥感图像配准方法 |
CN115932823A (zh) * | 2023-01-09 | 2023-04-07 | 中国人民解放军国防科技大学 | 基于异源区域特征匹配的飞行器对地面目标定位方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090060307A1 (en) * | 2007-08-27 | 2009-03-05 | Siemens Medical Solutions Usa, Inc. | Tensor Voting System and Method |
CN103413050A (zh) * | 2013-08-20 | 2013-11-27 | 北京工业大学 | 基于极速学习机的运动想象脑电信号投票策略分类方法 |
CN104021556A (zh) * | 2014-06-13 | 2014-09-03 | 西南交通大学 | 一种基于几何结构相似性的异源遥感影像配准方法 |
CN104463098A (zh) * | 2014-11-04 | 2015-03-25 | 中国矿业大学(北京) | 用图像的结构张量方向直方图特征识别煤岩 |
CN104599280A (zh) * | 2015-02-02 | 2015-05-06 | 武汉大学 | 一种道路裂缝交叉点提取方法及系统 |
US20150324998A1 (en) * | 2014-05-06 | 2015-11-12 | Nant Holdings Ip, Llc | Image-based feature detection using edge vectors |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN105894483A (zh) * | 2016-03-30 | 2016-08-24 | 昆明理工大学 | 一种基于多尺度图像分析和块一致性验证的多聚焦图像融合方法 |
US20170098310A1 (en) * | 2014-06-30 | 2017-04-06 | Ventana Medical Systems, Inc. | Edge-based local adaptive thresholding system and methods for foreground detection |
CN107862698A (zh) * | 2017-11-29 | 2018-03-30 | 首都师范大学 | 基于k均值聚类的光场前景分割方法及装置 |
CN108492260A (zh) * | 2018-02-07 | 2018-09-04 | 长安大学 | 基于张量投票耦合霍夫变换的地质线性体提取方法 |
CN108921800A (zh) * | 2018-06-26 | 2018-11-30 | 成都信息工程大学 | 基于形状自适应搜索窗口的非局部均值去噪方法 |
-
2018
- 2018-12-17 CN CN201811541523.1A patent/CN109657717A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090060307A1 (en) * | 2007-08-27 | 2009-03-05 | Siemens Medical Solutions Usa, Inc. | Tensor Voting System and Method |
CN103413050A (zh) * | 2013-08-20 | 2013-11-27 | 北京工业大学 | 基于极速学习机的运动想象脑电信号投票策略分类方法 |
US20150324998A1 (en) * | 2014-05-06 | 2015-11-12 | Nant Holdings Ip, Llc | Image-based feature detection using edge vectors |
CN104021556A (zh) * | 2014-06-13 | 2014-09-03 | 西南交通大学 | 一种基于几何结构相似性的异源遥感影像配准方法 |
US20170098310A1 (en) * | 2014-06-30 | 2017-04-06 | Ventana Medical Systems, Inc. | Edge-based local adaptive thresholding system and methods for foreground detection |
CN104463098A (zh) * | 2014-11-04 | 2015-03-25 | 中国矿业大学(北京) | 用图像的结构张量方向直方图特征识别煤岩 |
CN104599280A (zh) * | 2015-02-02 | 2015-05-06 | 武汉大学 | 一种道路裂缝交叉点提取方法及系统 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN105894483A (zh) * | 2016-03-30 | 2016-08-24 | 昆明理工大学 | 一种基于多尺度图像分析和块一致性验证的多聚焦图像融合方法 |
CN107862698A (zh) * | 2017-11-29 | 2018-03-30 | 首都师范大学 | 基于k均值聚类的光场前景分割方法及装置 |
CN108492260A (zh) * | 2018-02-07 | 2018-09-04 | 长安大学 | 基于张量投票耦合霍夫变换的地质线性体提取方法 |
CN108921800A (zh) * | 2018-06-26 | 2018-11-30 | 成都信息工程大学 | 基于形状自适应搜索窗口的非局部均值去噪方法 |
Non-Patent Citations (2)
Title |
---|
ULLRICH K¨OTHE: "Edge and Junction Detection with an Improved Structure Tensor", 《SPRINGLINK》 * |
李壮 等: "基于多通道梯度的异源图像匹配", 《飞行器测控学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569738A (zh) * | 2019-08-15 | 2019-12-13 | 杨春立 | 基于密集连接网络的自然场景文本检测方法、设备和介质 |
CN110569738B (zh) * | 2019-08-15 | 2023-06-06 | 杨春立 | 基于密集连接网络的自然场景文本检测方法、设备和介质 |
CN110598573A (zh) * | 2019-08-21 | 2019-12-20 | 中山大学 | 一种基于多域异质图引导的视觉问题常识推理模型及方法 |
CN110598573B (zh) * | 2019-08-21 | 2022-11-25 | 中山大学 | 一种基于多域异质图引导的视觉问题常识推理模型及方法 |
CN111046960A (zh) * | 2019-12-17 | 2020-04-21 | 湖北航天技术研究院总体设计所 | 一种异源图像分区匹配的方法 |
CN111046960B (zh) * | 2019-12-17 | 2023-04-07 | 湖北航天技术研究院总体设计所 | 一种异源图像分区匹配的方法 |
CN111426320A (zh) * | 2020-05-18 | 2020-07-17 | 中南大学 | 一种基于图像匹配/惯导/里程计的车辆自主导航方法 |
CN112184785A (zh) * | 2020-09-30 | 2021-01-05 | 西安电子科技大学 | 基于mcd度量和vtm的多模态遥感图像配准方法 |
CN112184785B (zh) * | 2020-09-30 | 2023-03-24 | 西安电子科技大学 | 基于mcd度量和vtm的多模态遥感图像配准方法 |
CN115932823A (zh) * | 2023-01-09 | 2023-04-07 | 中国人民解放军国防科技大学 | 基于异源区域特征匹配的飞行器对地面目标定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657717A (zh) | 一种基于多尺度密集结构特征提取的异源图像匹配方法 | |
Othman et al. | An embedded real-time object detection and measurement of its size | |
US8103055B2 (en) | Detection of blobs in images | |
CN105957054B (zh) | 一种图像变化检测方法 | |
US20180005021A1 (en) | System and method for face recognition with two-dimensional sensing modality | |
CN102737370B (zh) | 检测图像前景的方法及设备 | |
KR20200100806A (ko) | 테스트 결과를 결정하기 위한 캡처된 이미지의 분석 | |
CN107203743B (zh) | 一种人脸深度跟踪装置及实现方法 | |
Lipschutz et al. | New methods for horizon line detection in infrared and visible sea images | |
US20160335523A1 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
CN104268880A (zh) | 基于特征和区域匹配相结合的深度信息获取方法 | |
CN111239684A (zh) | 一种基于YoloV3深度学习的双目快速距离测量方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN110120013A (zh) | 一种点云拼接方法及装置 | |
Schramm et al. | Data fusion for 3D thermal imaging using depth and stereo camera for robust self-localization | |
Chang et al. | New metrics for clutter affecting human target acquisition | |
CN112257538A (zh) | 基于双目深度信息的活体检测方法、设备及存储介质 | |
CN111856445B (zh) | 一种目标检测方法、装置、设备及系统 | |
CN108376409A (zh) | 一种光场图像配准方法及系统 | |
CN105787870A (zh) | 一种图形图像拼接融合系统 | |
Guo et al. | Visibility detection approach to road scene foggy images | |
Shang et al. | Multi-point vibration measurement for mode identification of bridge structures using video-based motion magnification | |
CN107145820B (zh) | 基于hog特征和fast算法的双眼定位方法 | |
CN108710841A (zh) | 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法 | |
CN112016558A (zh) | 一种基于图像质量的介质能见度识别方法 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230825 |
|
AD01 | Patent right deemed abandoned |