CN110189254A - 一种图像数据集的形变参数集束平差方法及图像拼接方法 - Google Patents

一种图像数据集的形变参数集束平差方法及图像拼接方法 Download PDF

Info

Publication number
CN110189254A
CN110189254A CN201910363563.XA CN201910363563A CN110189254A CN 110189254 A CN110189254 A CN 110189254A CN 201910363563 A CN201910363563 A CN 201910363563A CN 110189254 A CN110189254 A CN 110189254A
Authority
CN
China
Prior art keywords
image
sub
matching relationship
data set
image data
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
CN201910363563.XA
Other languages
English (en)
Other versions
CN110189254B (zh
Inventor
颜露新
吴锐夫
钟胜
陈立群
王广雅
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910363563.XA priority Critical patent/CN110189254B/zh
Publication of CN110189254A publication Critical patent/CN110189254A/zh
Application granted granted Critical
Publication of CN110189254B publication Critical patent/CN110189254B/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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像数据集的形变参数集束平差方法及图像拼接方法，形变参数集束平差方法包括：基于待拼接的图像数据集，建立图像匹配关系图；分割图像匹配关系图，得到多个子匹配关系图，其中，每相邻两个子匹配关系图之间具有部分相同节点，每个节点代表一张图像；采用交替方向乘子法，基于约束条件，对各个子匹配关系图对应的图像子数据集的形变参数并行进行迭代优化，完成图像数据集的形变参数集束平差，其中，约束条件使得同一张图像在不同子匹配关系图中对应的形变参数相等。本发明将全局集束平差问题分解，对图像进行分组，通过交替方向乘子法，分组优化、捆绑调整，实现全局最优解，计算复杂度小、效率高，收敛性强。

Description

一种图像数据集的形变参数集束平差方法及图像拼接方法
技术领域
本发明属于图像处理技术领域，特别是涉及一种图像数据集的形变参数集束平差方法及图像拼接方法。
背景技术
全景图像拼接技术里一个核心问题是求解每张图像的形变参数，形变参数求解的好坏直接决定了拼接图像的质量。通过特征点匹配等方式可以获取两张图像之间的单应性矩阵，单应性矩阵描述了两张图像之间的投影映射关系。通过单应性矩阵可以估计每张图像的形变参数。然而单应性矩阵仅仅考虑了两张图像之间的投影映射关系，而且计算单应性矩阵的过程中不可避免会引入误差，导致直接通过单应性矩阵计算的形变参数并不是全局最优的解。因此，需要对所有的图像的相机进行集束平差，以求得全局最优的图像形变参数，使得所有图像之间的匹配特征点对的投影误差的平方和最小。
现在常用的集束平差方法是列文伯格-马夸尔特(Levenberg-Marquardt)方法(参考文献：Matthew Brown and David G Lowe.Automatic Panoramic Image Stitchingusing Invariant Features[J]//International Journal of Computer Vision,2007)。该方法是将所有的形变参数连接为列向量，作为算法的输入参数，而目标函数是所有相邻图像之间的匹配特征点对的投影误差的平方和。然而，当进行大规模图像拼接时，需要调整的形变参数数量也随之增加，则列文伯格-马夸尔特(Levenberg-Marquardt)方法的输入参数的维度很高，计算量随之增加，收敛性变差。该方法的并行性较差，问题规模很大时，求解效率低。
发明内容
本发明提供一种图像数据集的形变参数集束平差方法及图像拼接方法，用以解决现有大规模图像拼接时的形变参数集束平差方法因对所有图像的形变参数同时进行联合调整而存在的计算收敛性差且计算效率低的技术问题。
本发明解决上述技术问题的技术方案如下：一种图像数据集的形变参数集束平差方法，包括：
步骤1、基于待拼接的图像数据集，建立图像匹配关系图；
步骤2、分割所述图像匹配关系图，得到多个子匹配关系图，其中，每相邻两个子匹配关系图之间具有部分相同节点，每个节点代表一张图像；
步骤3、采用交替方向乘子法，基于约束条件，对各个子匹配关系图对应的图像子数据集的形变参数并行进行迭代优化，完成所述图像数据集的形变参数集束平差，其中，所述约束条件使得同一张图像在不同子匹配关系图中对应的形变参数相等。
本发明的有益效果是：本发明将全局集束平差问题分解，对图像进行分组，通过交替方向乘子法(Alternating Direction Method of Multipliers，ADMM)，对每个小组内的图像的形变参数联合求解，在小组求解的过程中，加入约束条件，以进行各小组间的捆绑调整，保证能够获得全局最优解。最后将全部小组最优解整合起来，最终得到全局最优解。通过问题分解的方式，进行形变参数的捆绑调整，一方面可以缩减问题规模，减小了计算复杂度，增强了收敛性；另一方面，增强了算法的并行计算能力，每个小组的最优解可以并行计算。本发明大幅提升了大规模图像拼接中形变参数集束平差计算效率与收敛性。
上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤2包括：
采用归一化图割的方法，分隔所述图像匹配关系图，得到多个子匹配关系图。
本发明的进一步有益效果是：采用归一化图割的方法，保证了所有分组的子问题规模相当，充分降低子问题的规模，有利于子问题的求解。另外，切割的边可尽可能的少，以保证约束条件中的项数尽可能地少，提高计算速度。
进一步，所述步骤2中，在所述分割图像匹配关系图时，每切断一条边，把该边所连接的一个节点复制到另一个节点所在的子匹配关系图中。
本发明的进一步有益效果是：每切断一条边，需要把边所连接的一个节点复制到另一个节点所在的子匹配关系图中，实现每相邻两个子匹配关系图之间具有部分相同节点，以适应ADMM算法，保证两边有相同的节点，在全局优化时，得到全局最优值，另外，可使得分组与分组之间的耦合性降低。
进一步，所述步骤1包括：
生成每张图像对应的节点；
对每两张图像之间进行特征点匹配，若匹配置信度大于阈值，将该两张图像对应的节点之间连接无向有权边，形成图像匹配关系图。
进一步，所述步骤3包括：
基于每张图像的形变参数的种类，建立任一所述子匹配关系图中任意相邻两张图像之间的各匹配特征点对的残差表达式；
基于所述残差表达式，以各个子匹配关系图对应的残差平方和之间的加和最小为目标，建立优化目标函数，所述约束条件为经所述复制的节点所对应的图像在各个子匹配关系图中对应的形变参数相等；
采用交替方向乘子法，基于所述约束条件，并行迭代优化各个子匹配关系图对应的所有图像的所述形变参数，以求解所述优化目标函数，完成所述图像数据集的形变参数集束平差。
本发明的进一步有益效果是：通过优化目标函数及其约束条件，可通过图像数据集的分组优化、组间捆绑调整，得到全局最优解，计算速度快，收敛性高。
进一步，所述形变参数包括：焦距f，以及旋转矩阵R。
进一步，所述求解所述优化目标函数，包括：
建立所述交替方向乘子法对应的迭代求解公式；
基于所述迭代求解公式和各个图像的初始的所述形变参数，并行迭代优化各个子匹配关系图对应的所有图像的所述形变参数，其中，每次迭代优化后，基于所述约束条件，对经所述复制的每个节点所对应的图像在各个子匹配关系图中对应的形变参数取平均值，使得同一张图像在各个子匹配关系图中的形变参数相等；
当迭代优化的形变参数符合迭代终止条件后，停止迭代计算，完成所述图像数据集中所有图像的所述形变参数的优化。
进一步，所述迭代终止条件为：所述图像数据集中所有图像的所述形变参数的基本残差和对偶残差均小于预设值。
本发明还提供一种图像拼接方法，包括：
步骤1、采用如上述任一种图像数据集的形变参数集束平差方法，实现各张图像的形变参数的优化调整；
步骤2、基于各张图像的经优化调整后的形变参数，将各张图像投影到参考坐标系；
步骤3、对所述参考坐标系中的所有图像进行融合，完成图像拼接。
本发明还提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一种图像数据集的形变参数集束平差方法和/或上述的任一种图像拼接方法。
附图说明
图1为本发明提供的一种图像拼接中的形变参数集束平差方法的流程框图；
图2为本发明提供的图像匹配关系图的分割示意图；
图3为本发明提供的一种图像拼接方法。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种图像拼接中的形变参数集束平差方法100，如图1所示，包括：
步骤110、基于待拼接的图像数据集，建立图像匹配关系图；
步骤120、分割图像匹配关系图，得到多个子匹配关系图，其中，每相邻两个子匹配关系图之间具有部分相同节点，每个节点代表一张图像；
步骤130、采用交替方向乘子法，基于约束条件，对各个子匹配关系图对应的图像子数据集的形变参数并行进行迭代优化，完成图像数据集的形变参数集束平差，其中，约束条件使得同一张图像在不同子匹配关系图中对应的形变参数相等。
本实施例的方法主要应用于大规模图像拼接领域。全景图像拼接技术里一个核心问题是求解每幅图像的形变参数，而形变参数求解的好坏直接决定了拼接图像的质量。通过特征点匹配等方式可以获取两幅图像之间的单应性矩阵，单应性矩阵描述了两幅图像之间的投影映射关系。通过单应性矩阵可以估计每幅图像的形变参数。然而单应性矩阵仅仅考虑了两幅图像之间的投影映射关系，而且计算单应性矩阵的过程中不可避免会引入误差，导致直接通过单应性矩阵计算的形变参数并不是全局最优的解。因此，需要对所有的图像的相机进行集束平差，以求得全局最优的图像形变参数，使得所有图像之间的匹配特征点对的投影误差的平方和最小。
由于集束平差需要将所有图像的形变参数同时进行联合调整，当图像数量规模非常大时，传统的集束平差方法计算复杂度高，只能串行计算，收敛性差。随着图像规模的增加，问题越发严重。
为解决大规模图像拼接中的集束平差问题，本实施例将全局集束平差问题分解，对图像进行分组，在每个小组内的图像的形变参数求最优解，然后将全部小组最优解基于约束条件整合起来，最终得到全局最优解。其中，基于交替方向乘子法的集束平差方法，能够将全部的图像的集束平差问题分解为若干个分组的约束条件下的集束平差问题，以获得全局的最优解，实现大规模数据集的形变参数集束平差。
通过问题分解的方式，一方面可以缩减问题规模，减小了计算复杂度，增强了收敛性；另一方面，增强了算法的并行计算能力，每个小组的最优解可以并行计算，进一步减少运行时间。本实施例大幅提升了大规模图像拼接中形变参数集束平差计算效率与收敛性。
优选的，步骤120包括：
采用归一化图割的方法，分隔图像匹配关系图，得到多个子匹配关系图。
分组方式对本方法至关重要，分组方式要保证所有分组的子问题规模相当，充分降低子问题的规模，有利于子问题的求解。另外，为了保证约束项尽可能地少，就需要切割的边尽可能的少，避免出现部分分组图像数量过少而另外的分组数量过多的情况发生导致无法实现减小问题规模的初衷的问题。综合考虑节点的平均分配与切割边最少原则，采用归一化图割的方式实现图像分组。
优选的，步骤120中，在分割图像匹配关系图时，每切断一条边，把该边所连接的一个节点复制到另一个节点所在的子匹配关系图中。
每切断一条边，需要把边所连接的一个节点复制到另一个节点所在的组中，实现每相邻两个子匹配关系图之间具有部分相同节点，以适应ADMM方法，保证两边有相同的节点，在全局优化时，得到全局最优值，另外，可使得分组与分组之间的耦合性降低。
优选的，步骤110包括：
生成每张图像对应的节点；
对每两张图像之间进行特征点匹配，若匹配置信度大于阈值，将该两张图像对应的节点之间连接无向有权边，形成图像匹配关系图。
对于包含N幅图像的大规模图像集合，生成N个节点，每个节点对应图像集合中的一幅图像。对任意不同的两幅图像之间进行特征点匹配，匹配置信度大于阈值的，给这两幅图像对应节点之间连接一条无向有权边，对所有的边赋予权值为1。
例如，构建图像重叠关系图。具体根据特征点匹配的结果，构建图像重叠关系图，图的节点代表待拼接的图像，图的边代表图像之间的重叠关系。若两幅图像之间有重叠区域，则在其代表节点之间连接一条边，反之，则没有边。对所有的边赋予权值为1。
利用归一化图割的方法对图像重叠关系图进行分割，使每个子图包含的节点数大致相同。图割时，每切断一条边，需要把边所连接的节点加入到另一个节点所在的组中。图2展示了该图割方法，圆圈表示节点，圆圈中的数字表示图像序号。上图中的虚线表示切割线，将图像2与图像3、图像7与图像8的边切断，然后将图像3与图像8加入右边的子图中。注意，图2仅仅是为了说明切割方式而简化的匹配关系图，实际图像数量远不止10幅图像，图像之间匹配关系也更加复杂。
优选的，步骤130包括：
基于每张图像的形变参数的种类，建立任一子匹配关系图中任意相邻两张图像之间的各匹配特征点对的残差表达式；
基于残差表达式，以各个子匹配关系图对应的残差平方和之间的加和最小为目标，建立优化目标函数，约束条件为经复制的节点所对应的图像在各个子匹配关系图中对应的形变参数相等；
采用交替方向乘子法，基于约束条件，并行迭代优化各个子匹配关系图对应的所有图像的形变参数，以求解优化目标函数，完成图像数据集的形变参数集束平差。
在组内的集束平差子问题中，需要加入被复制节点的一致性约束，以实现全局优化。其中，残差平方和为该子匹配关系图对应的各个残差的平方和。
优选的，形变参数包括：焦距f，以及旋转矩阵R。
优选的，上述求解优化目标函数，包括：
建立所述交替方向乘子法对应的迭代求解公式；
基于所述迭代求解公式和各个图像的初始的所述形变参数，并行迭代优化各个子匹配关系图对应的所有图像的所述形变参数，其中，每次迭代优化后，基于所述约束条件，对经所述复制的每个节点所对应的图像在各个子匹配关系图中对应的形变参数取平均值，使得同一张图像在各个子匹配关系图中的形变参数相等；
当迭代优化的形变参数符合迭代终止条件后，停止迭代计算，完成所述图像数据集中所有图像的所述形变参数的优化。
优选的，迭代终止条件为：图像数据集中所有图像的所述形变参数的基本残差和对偶残差均小于预设值。
当经过迭代优化的全局形变参数对应的基本残差和对偶残差均小于预设值时，停止迭代，收敛性高。
具体的，例如，(1)根据得到的单应性矩阵，为每一幅图像分配图像形变参数，包括焦距f和旋转矩阵R。Hij表示图像i与图像j的单应性矩阵，fi与Ri分别表示图像i的焦距和旋转矩阵，其中ppx和ppy分别代表图像中心点坐标，Ki的物理意义为对图像的尺寸进行缩放。
(2)考虑一个匹配特征点对与(表示图像i的第p个特征点)，通过图像的形变参数，求解特征点在参考坐标系中的坐标。则特征点对的残差为
(3)为了便于计算，将R进行罗德里格变换，得到三个旋转参数r1,r2,r3。图像i的形变参数写成向量形式为wi＝(fi,r1i,r2i,r3i)。将所有的形变参数连接为一个列向量，集束平差的整体待优化的参数模型为x＝[w1,…,wn]T，其中n表示每组参与拼接的图像数量。
(4)根据分组结果，将所有图像划分为K组，表示第k组中图像i的形变参数，r1i,r2i,r3i是Ri经过罗德里格变换后得到的参数。则该分组的待优化参数模型为其中m表示该分组的图像数量。表示局部变量xk的第i项分量与整体变量x第g项分量xg相对应。则捆绑调整的目标函数为：
其中，
上述公式中nk表示第k组中的图像数量，代表与图像i匹配的图像集合，表示图像i与图像j中匹配的特征点集合，e代表上述残差。
(5)根据函数，将所有的分组中局部变量的xk和zk初始化为全局变量x中对应的分量值。将所有分组的参数以及相关数据部署到分布式计算系统的计算节点中去。
(6)所有计算节点并行计算每一个分组的子问题。第k组所要求解的问题为使用牛顿法求解上述问题，更新局部变量xk。
(7)基于约束条件，所有节点的局部变量xk更新完成后，将所有的局部变量xk汇集到中央节点。并且更新全局变量x，更新规则如下：
式子，(xg)t表示xg的第t次迭代值，ng表示包含xg分量的子节点数目，为辅助变量，无特殊物理含义。
(8)基于迭代终止条件，计算全局变量的基本残差rt与对偶残差st。
当基本残差rt与对偶残差st同时小于阈值时，终止迭代，跳转步骤10；反之，进入步骤9。
(9)根据函数将所有的分组中局部变量的(xk)t+1和(zk)t+1更新为全局变量x中对应的分量值。并且分配到不同的计算节点中去，在计算节点中并行更新，然后跳转步骤5。
(10)计算得到的全局变量x即为集束平差的最终结果。根据集束平差后的形变参数即可实现图像配准，最后通过图像融合得到最终的拼接图像。
实施例二
一种图像拼接方法200，如图3所示，包括：
步骤210、采用如实施例一中的任一种图像数据集的形变参数集束平差方法，实现各张图像的形变参数的优化调整；
步骤220、基于各张图像的经优化调整后的形变参数，将各张图像投影到参考坐标系；
步骤230、对参考坐标系中的所有图像进行融合，完成图像拼接。
实施例三
一种存储介质，存储介质中存储有指令，当计算机读取指令时，使计算机执行上述实施例一任一项所述的一种图像数据集的形变参数集束平差方法和/或实施例二所述的一种图像拼接方法。
相关技术方案同实施例一，在此不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像数据集的形变参数集束平差方法，其特征在于，包括：
步骤1、基于待拼接的图像数据集，建立图像匹配关系图；
步骤2、分割所述图像匹配关系图，得到多个子匹配关系图，其中，每相邻两个子匹配关系图之间具有部分相同节点，每个节点代表一张图像；
步骤3、采用交替方向乘子法，基于约束条件，对各个子匹配关系图对应的图像子数据集的形变参数并行进行迭代优化，完成所述图像数据集的形变参数集束平差，其中，所述约束条件使得同一张图像在不同子匹配关系图中对应的形变参数相等。
2.根据权利要求1所述的一种图像数据集的形变参数集束平差方法，其特征在于，所述步骤1包括：
生成每张图像对应的节点；
对每两张图像之间进行特征点匹配，若匹配置信度大于阈值，将该两张图像对应的节点之间连接无向有权边，形成图像匹配关系图。
3.根据权利要求1所述的一种图像数据集的形变参数集束平差方法，其特征在于，所述步骤2包括：
采用归一化图割的方法，分隔所述图像匹配关系图，得到多个子匹配关系图。
4.根据权利要求3所述的一种图像数据集的形变参数集束平差方法，其特征在于，所述步骤2中，在所述分割图像匹配关系图时，每切断一条边，把该边所连接的一个节点复制到另一个节点所在的子匹配关系图中。
5.根据权利要求4所述的一种图像数据集的形变参数集束平差方法，其特征在于，所述步骤3包括：
基于每张图像的形变参数的种类，建立任一所述子匹配关系图中任意相邻两张图像之间的各匹配特征点对的残差表达式；
基于所述残差表达式，以各个子匹配关系图对应的残差平方和之间的加和最小为目标，建立优化目标函数，所述约束条件为经所述复制的节点所对应的图像在各个子匹配关系图中对应的形变参数相等；
采用交替方向乘子法，基于所述约束条件，并行迭代优化各个子匹配关系图对应的所有图像的所述形变参数，以求解所述优化目标函数，完成所述图像数据集的形变参数集束平差。
6.根据权利要求5所述的一种图像数据集的形变参数集束平差方法，其特征在于，所述形变参数包括：焦距f，以及旋转矩阵R。
7.根据权利要求5所述的一种图像数据集的形变参数集束平差方法，其特征在于，所述求解所述优化目标函数，包括：
建立所述交替方向乘子法对应的迭代求解公式；
基于所述迭代求解公式和各个图像的初始的所述形变参数，并行迭代优化各个子匹配关系图对应的所有图像的所述形变参数，其中，每次迭代优化后，基于所述约束条件，对经所述复制的每个节点所对应的图像在各个子匹配关系图中对应的形变参数取平均值，使得同一张图像在各个子匹配关系图中的形变参数相等；
当迭代优化的形变参数符合迭代终止条件后，停止迭代计算，完成所述图像数据集中所有图像的所述形变参数的优化。
8.根据权利要求7所述的一种图像数据集的形变参数集束平差方法，其特征在于，所述迭代终止条件为：基本残差和对偶残差均小于预设值。
9.一种图像拼接方法，其特征在于，包括：
步骤1、采用如权利要求1至8任一项所述的一种图像数据集的形变参数集束平差方法，实现各张图像的形变参数的优化调整；
步骤2、基于各张图像的经优化调整后的形变参数，将各张图像投影到参考坐标系；
步骤3、对所述参考坐标系中的所有图像进行融合，完成图像拼接。
10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述权利要求1至8任一项所述的一种图像数据集的形变参数集束平差方法和/或如权利要求9所述的一种图像拼接方法。
CN201910363563.XA 2019-04-30 2019-04-30 一种图像数据集的形变参数集束平差方法及图像拼接方法 Active CN110189254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910363563.XA CN110189254B (zh) 2019-04-30 2019-04-30 一种图像数据集的形变参数集束平差方法及图像拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910363563.XA CN110189254B (zh) 2019-04-30 2019-04-30 一种图像数据集的形变参数集束平差方法及图像拼接方法

Publications (2)

Publication Number Publication Date
CN110189254A true CN110189254A (zh) 2019-08-30
CN110189254B CN110189254B (zh) 2020-12-08

Family

ID=67715554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910363563.XA Active CN110189254B (zh) 2019-04-30 2019-04-30 一种图像数据集的形变参数集束平差方法及图像拼接方法

Country Status (1)

Country Link
CN (1) CN110189254B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837861A (zh) * 2019-11-06 2020-02-25 亮风台（上海）信息科技有限公司 一种图像匹配方法、装置、设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9292739B1 (en) * 2013-12-12 2016-03-22 A9.Com, Inc. Automated recognition of text utilizing multiple images
CN106530341A (zh) * 2016-11-01 2017-03-22 成都理工大学 一种保持局部拓扑不变性的点配准算法
CN107146201A (zh) * 2017-05-08 2017-09-08 重庆邮电大学 一种基于改进图像融合的图像拼接方法
CN107240067A (zh) * 2017-05-11 2017-10-10 同济大学 一种基于三维重建的序列图像自动拼接方法
CN107274337A (zh) * 2017-06-20 2017-10-20 长沙全度影像科技有限公司 一种基于改进光流的图像拼接方法
CN108416750A (zh) * 2018-03-08 2018-08-17 闽南师范大学 一种图像恢复方法
CN108805258A (zh) * 2018-05-23 2018-11-13 北京图森未来科技有限公司 一种神经网络训练方法及其装置、计算机服务器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9292739B1 (en) * 2013-12-12 2016-03-22 A9.Com, Inc. Automated recognition of text utilizing multiple images
CN106530341A (zh) * 2016-11-01 2017-03-22 成都理工大学 一种保持局部拓扑不变性的点配准算法
CN107146201A (zh) * 2017-05-08 2017-09-08 重庆邮电大学 一种基于改进图像融合的图像拼接方法
CN107240067A (zh) * 2017-05-11 2017-10-10 同济大学 一种基于三维重建的序列图像自动拼接方法
CN107274337A (zh) * 2017-06-20 2017-10-20 长沙全度影像科技有限公司 一种基于改进光流的图像拼接方法
CN108416750A (zh) * 2018-03-08 2018-08-17 闽南师范大学 一种图像恢复方法
CN108805258A (zh) * 2018-05-23 2018-11-13 北京图森未来科技有限公司 一种神经网络训练方法及其装置、计算机服务器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严骏驰: "图匹配问题的研究和算法设计", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837861A (zh) * 2019-11-06 2020-02-25 亮风台（上海）信息科技有限公司 一种图像匹配方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN110189254B (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
Brachmann et al. Learning less is more-6d camera localization via 3d surface regression
Wang et al. Learning depth from monocular videos using direct methods
CN108345890B (zh) 图像处理方法、装置和相关设备
CN110335319B (zh) 一种语义驱动的相机定位与地图重建方法和系统
WO2022100379A1 (zh) 基于图像和三维模型的物体姿态估计方法、系统及介质
WO2019178702A1 (en) Systems and methods for polygon object annotation and a method of training an object annotation system
CN107578376B (zh) 基于特征点聚类四叉划分和局部变换矩阵的图像拼接方法
CN104463843B (zh) 安卓系统的交互式图像分割方法
CN111868786B (zh) 跨设备监控计算机视觉系统
CN111709984A (zh) 位姿深度预测方法、视觉里程计方法、装置、设备及介质
CN111242285A (zh) 一种深度学习模型的训练方法、系统、装置及存储介质
CN111627119A (zh) 纹理贴图方法及装置、设备、存储介质
CN110189254B (zh) 一种图像数据集的形变参数集束平差方法及图像拼接方法
CN117576453B (zh) 一种跨域装甲目标检测方法、系统、电子设备及存储介质
CN113902856A (zh) 一种语义标注的方法、装置、电子设备及存储介质
CN116740488B (zh) 一种用于视觉定位的特征提取模型的训练方法及装置
CN117726747A (zh) 补全弱纹理场景的三维重建方法、装置、存储介质和设备
CN117115343A (zh) 动态场景自主定位与线上高精度三维重建方法
CN108307200B (zh) 一种在线视频拼接方法系统
CN111833395A (zh) 一种基于神经网络模型的测向体制单目标定位方法和装置
CN115239899B (zh) 位姿图生成方法、高精地图生成方法和装置
CN111046958A (zh) 基于数据依赖的核学习和字典学习的图像分类及识别方法
CN115937452A (zh) 一种基于分布式计算的地图重建方法与系统
CN115933652A (zh) 基于序列图像拼接融合的月球车直驱遥操作驾驶方法
CN112927304B (zh) 一种基于卷积神经网络的鱼眼镜头标定方法

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