CN109685838A - 基于超像素分割的图像弹性配准方法 - Google Patents

基于超像素分割的图像弹性配准方法 Download PDF

Info

Publication number
CN109685838A
CN109685838A CN201811506198.5A CN201811506198A CN109685838A CN 109685838 A CN109685838 A CN 109685838A CN 201811506198 A CN201811506198 A CN 201811506198A CN 109685838 A CN109685838 A CN 109685838A
Authority
CN
China
Prior art keywords
image
registration
subject
super
pixel
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
Application number
CN201811506198.5A
Other languages
English (en)
Other versions
CN109685838B (zh
Inventor
陈文�
孙俊
彭杨
王兆龙
谭龙玉
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.)
Shanghai Aerospace Control Technology Institute
Original Assignee
Shanghai Aerospace Control Technology Institute
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 Shanghai Aerospace Control Technology Institute filed Critical Shanghai Aerospace Control Technology Institute
Priority to CN201811506198.5A priority Critical patent/CN109685838B/zh
Publication of CN109685838A publication Critical patent/CN109685838A/zh
Application granted granted Critical
Publication of CN109685838B publication Critical patent/CN109685838B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

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

Abstract

本发明提供了一种基于超像素分割的图像弹性配准方法，针对微纳卫星平台上利用数字域TDI推扫成像模式下分时成像获取的颤振视差图像对，根据颤振图像中待配准图和参考图之间同时存在刚性和弹性形变的特点，设计了一种视差图像对的弹性配准方法。这种方法不仅考虑到视差图像间的刚性形变，还考虑到平台颤振等因素所引起的图像局部区域发生扭曲所导致的弹性形变。利用超像素分割的结果进行弹性配准，保证隶属于同一物体的像素均被划分为同一区域，享有同样的形变参数，提高了局部配准的准确性。

Description

基于超像素分割的图像弹性配准方法
技术领域
本发明涉及一种基于超像素分割的图像弹性配准方法。
背景技术
当探测器以推扫方式成像时，由于数字域时间延迟积分(TDI)技术的特殊工作方式，要求探测器沿TDI方向上的行周期与目标相对位置应严格同步，即探测器对目标的采样应该满足位置匹配条件，否则无法保证累积在一起的数据是像元对同一目标所成的像，导致图像模糊。由于分时成像，在这个时间间隔内，探测器处于一个非常复杂的运行状态，而前后产生的相邻行图像之间也存在着各式各样的几何形变。主要分为遥感器位置和姿态变化引起的刚性形变以及平台颤振引起的弹性形变。这些运动因素使得奇数行列阵和偶数行列阵在获取同一地物信息时处于不同的位置和姿态，从而造成交错TDI影像奇偶行之间的错动，影响成像的质量。相较于一般卫星，微纳遥感卫星体积小、质量轻，在轨运行稳定性不足，尚不能像大卫星一样配备执行机构的隔振平台。因此，微纳卫星在轨摄像期间的卫星颤振信息的探测与补偿成为提高数字域TDI成像图像质量的关键。
利用图像信息实现颤振探测与补偿的核心是基于图像配准技术的颤振信息反演，即通过检测视差图像(包括相互间具有观测视差的参考图像和待匹配图像)的像移，实现颤振信息的反演。因此图像配准的精度直接影响后续颤振估计的精度。
目前大多遥感图像配准方法都致力于研究刚性配准算法，然而颤振图像中不仅包含遥感器轨道位置和姿态变化等引起的刚性形变，还包含平台颤振等所引起的图像局部区域发生扭曲所导致的弹性形变。仅依刚性或者仿射变换模型不足以校正颤振图像存在的弹性形变，还需要研究合适的弹性配准算法来校正这类形变。
发明内容
本发明的目的在于提供一种基于超像素分割的图像弹性配准方法。
为解决上述问题，本发明提供一种基于超像素分割的图像弹性配准方法，包括：
读取推扫成像模式下不同时刻成像所获得的视差图像对：待配准图像T和参考图像R；
对待配准图像T和参考图像R进行同名点匹配,以获取同名点对；
以获取到的同名点对为输入，计算全局刚性配准中的变换矩阵M；
利用所述变换矩阵M对待配准图像T进行全局几何校正，得到初步校正后的待配准图像Tl’；
对初步校正后的待配准图像Tl’和参考图像R分别进行超像素分割，得到对应的超像素块，其中初步校正后的待配准图像Tl’和参考图像R两幅图像分别得到同等数量的超像素块；
以得到的所述超像素块为单位，分别将待配准图Tl’和参考图像R划分为若干子块，并将待配准图Tl’和参考图像R两幅图像中具有相同空间位置关系的子块作为对应子块；
计算各个对应子块的局部弹性形变参数，从而实现待配准图Tl’和参考图R两者相对应的图像子块的局部弹性配准；
当全部相对应的图像子块的局部弹性配准计算完成以后,待配准图Tl’和参考图R的全局匹配由各个对应的图像子块的局部弹性配准直接组合而成。
进一步的，在上述方法中，对待配准图像T和参考图像R进行同名点匹配,以获取同名点对，包括：
利用特征提取算子，对待配准图像T和参考图像R进行同名点匹配,以获取同名点对。
进一步的，在上述方法中，以获取到的同名点对为输入，计算全局刚性配准中的变换矩阵M，包括：
以获取到的同名点对为输入，利用最小二乘法计算全局刚性配准中的变换矩阵M。
进一步的，在上述方法中，对初步校正后的待配准图像Tl’和参考图像R分别进行超像素分割之前，还包括：
利用简单线性迭代聚类算法对初步校正待配准图像Tl’。
进一步的，在上述方法中，计算各个对应子块的局部弹性形变参数，从而实现待配准图Tl’和参考图R两者相对应的图像子块的局部弹性配准，包括：
利用基于B样条函数的自由形变方法，计算各个对应子块的局部弹性形变参数，从而实现待配准图Tl’和参考图R两者相对应的图像子块的局部弹性配准。
与现有技术相比，本发明针对微纳卫星平台上利用数字域TDI推扫成像模式下分时成像获取的颤振视差图像对，根据颤振图像中待配准图和参考图之间同时存在刚性和弹性形变的特点，设计了一种视差图像对的弹性配准方法。这种方法不仅考虑到视差图像间的刚性形变，还考虑到平台颤振等因素所引起的图像局部区域发生扭曲所导致的弹性形变，提高了图像配准的精度。
附图说明
图1是本发明一实施例的基于超像素分割的图像弹性配准方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于超像素分割的图像弹性配准方法，包括：
步骤S1，读取推扫成像模式下不同时刻成像所获得的视差图像对：待配准图像T和参考图像R；
步骤S2，利用特征提取算子，对待配准图像T和参考图像R进行同名点匹配,以获取同名点对；
步骤S3，以获取到的同名点对为输入，利用最小二乘法计算全局刚性配准中的变换矩阵M；
步骤S4，利用所述变换矩阵M对待配准图像T进行全局几何校正，得到初步校正后的待配准图像Tl’；
步骤S5，利用简单线性迭代聚类算法对初步校正待配准图像Tl’后，对初步校正后的待配准图像Tl’和参考图像R分别进行超像素分割，得到对应的超像素块，其中初步校正后的待配准图像Tl’和参考图像R两幅图像分别得到同等数量的超像素块；
步骤S6，以得到的所述超像素块为单位，分别将待配准图Tl’和参考图像R划分为若干子块，并将待配准图Tl’和参考图像R两幅图像中具有相同空间位置关系的子块作为对应子块；
步骤S7，利用基于B样条函数的自由形变方法(FFD)计算各个对应子块的局部弹性形变参数，从而实现待配准图Tl’和参考图R两者相对应的图像子块的局部弹性配准；
步骤S8，当全部相对应的图像子块的局部弹性配准计算完成以后,待配准图Tl’和参考图R的全局匹配由各个对应的图像子块的局部弹性配准直接组合而成。
在此，本发明以全局刚性形变参数为初始值，结合超像素分割的结果进行弹性配准，保证隶属于同一物体的像素均被划分为同一区域，享有同样的形变参数，最终实现图像的分步骤匹配。
针对微纳卫星平台上利用数字域TDI推扫成像模式下分时成像获取的颤振视差图像对，根据颤振图像中待配准图和参考图之间同时存在刚性和弹性形变的特点，设计了一种视差图像对的弹性配准方法。
该方法通过对推扫成像模式下分时成像所获得的视差图像对进行分步骤配准，首先利用基于特征的方法实现图像的全局刚性配准，为下一步弹性配准做准备。其次，利用超像素分割算法分割出不同子区域。最后，全局形变参数作为局部配准的初始参数，使用B样条自由形变算法.以各个子区域为单位实现局部弹性配准。
这种方法不仅考虑到视差图像间的刚性形变，还考虑到平台颤振等因素所引起的图像局部区域发生扭曲所导致的弹性形变。利用超像素分割的结果进行弹性配准，保证隶属于同一物体的像素均被划分为同一区域，享有同样的形变参数，提高了局部配准的准确性。
所述步骤S5中的超像素分割是针对全局刚性配准后的初步校正图像Tl’进行的。
所述步骤S6-7中的参与FFD方法计算局部弹性形变参数的子块是步骤5的超像素分割的结果。
本发明针对微纳卫星平台上利用数字域TDI推扫成像模式下分时成像获取的颤振视差图像对，根据颤振图像中待配准图和参考图之间同时存在刚性和弹性形变的特点，设计了一种视差图像对的弹性配准方法。这种方法不仅考虑到视差图像间的刚性形变，还考虑到平台颤振等因素所引起的图像局部区域发生扭曲所导致的弹性形变，提高了图像配准的精度。
具体的，如图1所示，基于SIFT算子和NCC实现视差图像对的特征点匹配；通过同名特征点对计算刚性变换矩阵，并根据变换矩阵对待配准图像进行初步几何校正；对初步校正的待配准图像和参考图像利用超像素分割算法进行子区域划分，并利用全局刚性配准步骤中获取的平移参数为局部弹性配准算法的位移初始输入，通过迭代优化得到最优弹性变换参数；由所有的局部配准区域组合得到全局配准结果。
本发明目的是对两幅在不同时刻成像所获得的视差图像对进行配准，设待配准图T和参考图R。本专利通过两个部分描述算法：全局刚性预配准和基于超像素的局部弹性配准，详细介绍如下：
S1、全局刚性预配准
步骤1、利用SIFT算子(SIFT：尺度不变特征变换算子，LOWE D G.Distinctiveimage features from scale invariant keypoints[J].International Journal ofComputer Vision,2004,60(2):91-110)提取特征点，并以归一化互相关系数NCC为相似度测度，对图像T和R进行同名特征点匹配，得到相应的同名点对T(x2,y2)和R(x1,y1)。NCC计算公式具体如下：
其中，IR(i,j)为参考图像R中的特征点(x1,y1)所在的M×N邻域图，IT(i,j)为待配准图像T中的特征点(x2,y2)所在的M×N邻域图，本专利中取3×3；uR和uT分别是IR(i,j)和IT(i,j)的均值。NR(T,R)值越大则意味着两个特征点所在的邻域图越相似，也就是两个特征点越相似。
步骤2、以步骤1获取的同名点对T(x2,y2)和R(x1,y1)为输入，计算全局刚性配准中的仿射变换矩阵M。
其中：
产生比例、对称、错切和旋转；
[p q]产生平移，p表示水平方向位移，q表示垂直方向位移；
M中有6个未知数，因此至少需要找到6组匹配点对才能求解出M。
步骤3、利用步骤2计算出的变换矩阵M对待配准图像T进行全局几何校正，得到初步校正后的待配准图像T’；
步骤4、针对初步校正的图像T’和参考图像R重复步骤1-3，直至M中的a＝d＝1，b＝c＝0，即两幅图只存在平移关系时停止。设停止时是第l次重复迭代，则经过l次校正的待配准图像为Tl’，记录并存储第l次迭代计算出的平移参数p和q；
S2、基于超像素的局部弹性配准
由于颤振图像包含平台颤振等所引起的图像局部区域发生扭曲所导致的弹性形变，无法用一个仿射变换矩阵M来描述整幅图像的变换，因此需要对图像的形变进行局部描述。而现有的方法只是对图像进行简单的几何平均网格化划分，没有考虑到图像内容。这种区域划分方式将导致本属于同一个物体的像素被划分为不同的区域，不同的区域进行不同的形变描述。而本方法是利用超像素分割算法对图像进行子区域划分，隶属于同一物体的像素均被划分为同一区域，享有同样的形变参数。这将有助于提高局部配准的准确性。
步骤5、利用简单线性迭代聚类算法(SLIC：Levinshtein A,Stere A,Kutulakos KN,et al.TurboPixels:Fast superpixels using geometric flows[J].IEEE Transac-tions on Pattern Analysis&Machine Intelligence,2009,31(12):2290-2297)对初步校正后待配准图Tn’和参考图R分别进行超像素分割，得到两幅图像各自的超像素区域。由于SLIC算法可以灵活调节超像素数量，因此能够保证图像Tl’和图像R的超像素数量是一致的，以K表示超像素个数。
步骤6、以步骤5分割得到的超像素为单位，分别将待配准图Tl’和参考图R划分为K个子块，并将两幅图像中具有相同空间位置关系的子块作为对应子块。
步骤7、利用基于B样条函数的自由形变方法(FFD：Huang X L,Paragios N,Metaxas D N.Shape registration in implicit spaces using information theoryand free form deformations[J].IEEE Trans Pattern Anal Mach Intell,2006,28(8):1303-1318)模拟各个子块的局部弹性形变，从而实现待配准图Tl’和参考图R两者相对应的图像子块的局部弹性配准。包含以下步骤：
步骤8、针对步骤6中划分的各个图像子块，假设TSUB(s)为Tl’的第s个子块，0<s<K，与之相对应的RSUB(t)为R的第t个子块，0<t<K。将TSUB(s)均匀划分为nx×ny区域，取每个区域的顶点为控制点，网格大小为δx×δy像素，用Φ表示由nx×ny个控制点所组成的网格，控制点之间的间距在x方向和y方向分别为δx×δy。选取二变量的三次B样条张量积作为FFD的变形函数，
其中表示取整数运算，Bm(m＝0…3)，Bn(n＝0…3)分别表示B样条的第m(n)个基函数，
同一超像素区域的位移方向可能不同，但大小应该相近，因此选取步骤4计算的第n次迭代后矩阵M中的平移参数p和q为网格控制点的位移初值，将其代入如公式(3)所示的基于B样条的自由形变模型中，得到新的位移量Ts local(x,y)＝(Δx,Δy)。B样条只受局部控制点控制，在计算过程中(Δx,Δy)只受该点周围nx×ny个控制点的影响，这使得对于存在大量控制点的图像采用B样条的计算效率更高。
步骤9、根据步骤8中计算出的新的位移量(Δx,Δy)，得到一块新的变换后的图像区域。根据公式(4)计算该新的图像区域和参考图像R中相应区域的归一化互信息SNMI。寻找归一化互信息最大时该控制点移动的位移以及图像局部区域各坐标点的位移，从而得到变换后新的图像区域。
H(A)、H(B)分别是两幅图像的信息熵，H(A,B)是两幅图像的联合信息熵。
步骤10、遍历待配准图像中的所有控制点，利用贪婪算法的局部更新策略，逐步更新控制点移动后新的位置信息以及待配准图像局部区域配准后的灰度信息，便可完成整幅图像的局部弹性配准。
步骤11、当全部K个子块计算完成以后,待配准图Tl’和参考图R的全局匹配Tglobal(x,y)由各个子块的局部匹配直接组合而成。
本发明的优点主要体现在：1)不仅考虑到颤振视差图像间的刚性形变，还考虑到平台颤振等因素所引起的图像局部区域发生扭曲所导致的弹性形变，提高了图像配准的精度。2)利用超像素分割得到超像素子块取代传统的几何均分网格子块作为弹性配准所需的输入，保证原本隶属于同一物体的像素均被划分为同一区域，享有同样的形变参数，在提高优化效率的前提下，配准结果精度和鲁棒性高。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
显然，本领域的技术人员可以对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，则本发明也意图包括这些改动和变型在内。

Claims (5)

1.一种基于超像素分割的图像弹性配准方法，其特征在于，包括：
读取推扫成像模式下不同时刻成像所获得的视差图像对：待配准图像T和参考图像R；
对待配准图像T和参考图像R进行同名点匹配,以获取同名点对；
以获取到的同名点对为输入，计算全局刚性配准中的变换矩阵M；
利用所述变换矩阵M对待配准图像T进行全局几何校正，得到初步校正后的待配准图像Tl’；
对初步校正后的待配准图像Tl’和参考图像R分别进行超像素分割，得到对应的超像素块，其中初步校正后的待配准图像Tl’和参考图像R两幅图像分别得到同等数量的超像素块；
以得到的所述超像素块为单位，分别将待配准图Tl’和参考图像R划分为若干子块，并将待配准图Tl’和参考图像R两幅图像中具有相同空间位置关系的子块作为对应子块；
计算各个对应子块的局部弹性形变参数，从而实现待配准图Tl’和参考图R两者相对应的图像子块的局部弹性配准；
当全部相对应的图像子块的局部弹性配准计算完成以后,待配准图Tl’和参考图R的全局匹配由各个对应的图像子块的局部弹性配准直接组合而成。
2.如权利要求1所述的基于超像素分割的图像弹性配准方法，其特征在于，对待配准图像T和参考图像R进行同名点匹配,以获取同名点对，包括：
利用特征提取算子，对待配准图像T和参考图像R进行同名点匹配,以获取同名点对。
3.如权利要求1所述的基于超像素分割的图像弹性配准方法，其特征在于，以获取到的同名点对为输入，计算全局刚性配准中的变换矩阵M，包括：
以获取到的同名点对为输入，利用最小二乘法计算全局刚性配准中的变换矩阵M。
4.如权利要求1所述的基于超像素分割的图像弹性配准方法，其特征在于，对初步校正后的待配准图像Tl’和参考图像R分别进行超像素分割之前，还包括：
利用简单线性迭代聚类算法对初步校正待配准图像Tl’。
5.如权利要求1所述的基于超像素分割的图像弹性配准方法，其特征在于，计算各个对应子块的局部弹性形变参数，从而实现待配准图Tl’和参考图R两者相对应的图像子块的局部弹性配准，包括：
利用基于B样条函数的自由形变方法，计算各个对应子块的局部弹性形变参数，从而实现待配准图Tl’和参考图R两者相对应的图像子块的局部弹性配准。
CN201811506198.5A 2018-12-10 2018-12-10 基于超像素分割的图像弹性配准方法 Active CN109685838B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811506198.5A CN109685838B (zh) 2018-12-10 2018-12-10 基于超像素分割的图像弹性配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811506198.5A CN109685838B (zh) 2018-12-10 2018-12-10 基于超像素分割的图像弹性配准方法

Publications (2)

Publication Number Publication Date
CN109685838A true CN109685838A (zh) 2019-04-26
CN109685838B CN109685838B (zh) 2023-06-09

Family

ID=66187270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811506198.5A Active CN109685838B (zh) 2018-12-10 2018-12-10 基于超像素分割的图像弹性配准方法

Country Status (1)

Country Link
CN (1) CN109685838B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339924A (zh) * 2020-02-25 2020-06-26 中国电子科技集团公司第五十四研究所 一种基于超像素和全卷积网络的极化sar图像分类方法
CN111724421A (zh) * 2020-06-29 2020-09-29 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备及存储介质
CN111986086A (zh) * 2020-08-27 2020-11-24 贝壳技术有限公司 三维图像优化生成方法及系统
CN112568994A (zh) * 2019-09-27 2021-03-30 首都医科大学附属北京安贞医院 一种胸主动脉腔内修复术中cta与x线图像配准方法和装置
CN112819095A (zh) * 2021-02-26 2021-05-18 吉林大学 特征点匹配方法、装置、智能终端及计算机可读存储介质
CN115705640A (zh) * 2021-08-13 2023-02-17 杭州健培科技有限公司 用于图像局部刚性部位的自动配准方法、装置和应用

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310458A (zh) * 2013-06-19 2013-09-18 北京理工大学 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法
CN106934821A (zh) * 2017-03-13 2017-07-07 中国科学院合肥物质科学研究院 一种基于icp算法和b样条的锥形束ct和ct图像配准方法
CN106960442A (zh) * 2017-03-01 2017-07-18 东华大学 基于单目红外的夜间机器人视觉大视场三维构建方法
CN108428245A (zh) * 2018-02-11 2018-08-21 中国科学院苏州生物医学工程技术研究所 基于自适应正则项的滑移图像配准方法
CN108765476A (zh) * 2018-06-05 2018-11-06 安徽大学 一种偏振图像配准方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310458A (zh) * 2013-06-19 2013-09-18 北京理工大学 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法
CN106960442A (zh) * 2017-03-01 2017-07-18 东华大学 基于单目红外的夜间机器人视觉大视场三维构建方法
CN106934821A (zh) * 2017-03-13 2017-07-07 中国科学院合肥物质科学研究院 一种基于icp算法和b样条的锥形束ct和ct图像配准方法
CN108428245A (zh) * 2018-02-11 2018-08-21 中国科学院苏州生物医学工程技术研究所 基于自适应正则项的滑移图像配准方法
CN108765476A (zh) * 2018-06-05 2018-11-06 安徽大学 一种偏振图像配准方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112568994A (zh) * 2019-09-27 2021-03-30 首都医科大学附属北京安贞医院 一种胸主动脉腔内修复术中cta与x线图像配准方法和装置
CN111339924A (zh) * 2020-02-25 2020-06-26 中国电子科技集团公司第五十四研究所 一种基于超像素和全卷积网络的极化sar图像分类方法
CN111339924B (zh) * 2020-02-25 2022-09-02 中国电子科技集团公司第五十四研究所 一种基于超像素和全卷积网络的极化sar图像分类方法
CN111724421A (zh) * 2020-06-29 2020-09-29 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备及存储介质
CN111724421B (zh) * 2020-06-29 2024-01-09 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备及存储介质
CN111986086A (zh) * 2020-08-27 2020-11-24 贝壳技术有限公司 三维图像优化生成方法及系统
CN112819095A (zh) * 2021-02-26 2021-05-18 吉林大学 特征点匹配方法、装置、智能终端及计算机可读存储介质
CN115705640A (zh) * 2021-08-13 2023-02-17 杭州健培科技有限公司 用于图像局部刚性部位的自动配准方法、装置和应用

Also Published As

Publication number Publication date
CN109685838B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN109685838A (zh) 基于超像素分割的图像弹性配准方法
Wang et al. Deformable non-local network for video super-resolution
Steinbrücker et al. Large displacement optical flow computation withoutwarping
CN109377520B (zh) 基于半监督循环gan的心脏图像配准系统及方法
CN104240289B (zh) 一种基于单个相机的三维数字化重建方法及系统
CN106548462B (zh) 基于薄板样条插值的非线性sar图像几何校正方法
CN105844630B (zh) 一种双目视觉的图像超分辨率融合去噪方法
CN110969668A (zh) 一种长焦双目相机的立体标定算法
CN109493417A (zh) 三维物体重建方法、装置、设备和存储介质
CN103106688A (zh) 基于双层配准方法的室内三维场景重建方法
CN110400278A (zh) 一种图像颜色和几何畸变的全自动校正方法、装置及设备
CN102156986A (zh) 近红外摄像机的标定方法
CN112802186B (zh) 基于二值化特征编码匹配的动态场景实时三维重建方法
Wang et al. Nonrigid registration of brain MRI using NURBS
CN110136177A (zh) 一种图像配准方法、设备和存储介质
CN106485741A (zh) 一种保留局部结构的非刚点集配准的方法
Tektonidis et al. Non-rigid multi-frame registration of cell nuclei in live cell fluorescence microscopy image data
CN112950684B (zh) 基于表面配准的目标特征提取方法、装置、设备和介质
CN106920213B (zh) 一种高分辨率图像的获取方法及系统
CN115719320B (zh) 基于遥感影像的倾斜校正稠密匹配方法
CN110147809B (zh) 图像处理方法及装置、存储介质及图像设备
CN100550056C (zh) 在图像序列中进行运动校正的方法及系统
US20100111420A1 (en) Registration and visualization of image structures based on confiners
CN112837217B (zh) 一种基于特征筛选的室外场景图像拼接方法
Xia et al. A coarse-to-fine ghost removal scheme for HDR imaging

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