CN110232673A - 一种基于医疗显微成像的快速稳健的图像拼接方法 - Google Patents

一种基于医疗显微成像的快速稳健的图像拼接方法 Download PDF

Info

Publication number
CN110232673A
CN110232673A CN201910460150.3A CN201910460150A CN110232673A CN 110232673 A CN110232673 A CN 110232673A CN 201910460150 A CN201910460150 A CN 201910460150A CN 110232673 A CN110232673 A CN 110232673A
Authority
CN
China
Prior art keywords
image
characteristic point
overlapping region
point
matched
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
CN201910460150.3A
Other languages
English (en)
Other versions
CN110232673B (zh
Inventor
张静
霍一博
李晔彬
于腾
秦驰
王天鹤
许浩
杜晓辉
王祥舟
郝如茜
倪光明
刘娟秀
刘霖
刘永
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910460150.3A priority Critical patent/CN110232673B/zh
Publication of CN110232673A publication Critical patent/CN110232673A/zh
Application granted granted Critical
Publication of CN110232673B publication Critical patent/CN110232673B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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

本发明的公开了一种基于医疗显微成像的快速稳健的图像拼接方法，属于图像处理领域。为了实现高速，高精度的显微图像拼接，本发明选择ORB算法提取图像特征，证明本发明通过处理可以用此方法可以和用SIFT、SURF等算法达到同一精确度，并可以在特征提取上减少计算量，另外，为了消除混合缝隙来产生无缝图像，本发明采用渐入渐出加权平均策略，在最后的融合阶段，本发明采用图像索引操作，最大化避免对像素的多次复制移动，进一步缩短了时间。另外，本发明整个算法流程使用GPU加速，将算法处理时间降至最低。通过计算，本发明在使用分辨率为1360×1024的3×3图像可以在1秒左右完成准确无缝隙拼接。

Description

一种基于医疗显微成像的快速稳健的图像拼接方法
技术领域
本发明是一种基于医疗显微成像的快速稳健的图像拼接技术，具体的说是一种可以快速自动实现对3×3、5×5或10×10等大量高分辨率显微图片的准确无缝拼接的方法。
背景技术
专利申请号为201710879986.8的专利公开了一种用于大范围显微成像区域的图像获取及拼接方法，该方法中采用：“首先从两幅图像的重叠区域中选出特征点，再采用最邻近方法进行特征点的匹配，匹配结果经RANSAC算法计算出各匹配点的仿射变换矩阵；得到变换矩阵之后利用该矩阵将图像将两幅图变换到同一坐标系下；利用两幅图像的灰度关系进行亮度调整；根据重合的区域的匹配点，对两幅图像进行重合区域覆盖，完成拼接。”方法对相邻图像进行拼接，该图像拼接方法虽然具有提高了图像拼接效率和准确度的优点，但是由于放射变换矩阵和亮度调整的使用增加了计算负担，使该算法在计算速度上没有足够的优势。
发明内容
本发明为克服在需要观察多个视野显微图像做出诊断时，医生或研究者手动观测样本速度慢，效率低的问题，并对于此提出了解决方案，自动将多个视野下的高分辨图片进行自动拼接，并消除混合缝以产生无缝图像，实现快速高效的目的，同时快速的拼接也为提高显微图像识别率打下坚实基础。
为了实现上述目的，本发明采用的技术方案如下：一种基于医疗显微成像的快速稳健的图像拼接方法，该方法包括：
步骤1：通过显微镜按照一定的顺序获取多张不同视野下的灰度图像序列，获取的相邻视野图像需保持有一部分的重叠区域；
步骤2：以某一幅图像为基础图像选取一幅与基础图像相邻视野的待匹配图像；
步骤3：对选取的两幅图像的疑似重叠区域进行提取，依次为基础重叠区域和待匹配重叠区域；
步骤4：分别提取两幅疑似重叠区域的特征点；
步骤5：选中一个基础重叠区域中的特征点，再从待匹配重叠区域的特征点中找出与选中特征点欧几里德距离最近的特征点，形成匹配特征点；然后选中下一个基础重叠区域中的特征点，再从待匹配重叠区域的特征点中找出与选中特征点欧几里德距离最近的特征点，形成匹配特征点；直到基础重叠区域中所有特征点都在待匹配重叠区域有匹配点；
步骤6：将基础重叠区域中的特征点和待匹配重叠区域中对应出的特征点分别构成两个特征向量，根据这两个特征向量计算出待匹配图像相对于基础图像的偏移量；
步骤7：再以另外一幅图像作为基础图像，重复步骤2到步骤6的方法；直到所有图像都计算出了至少一个与相邻图像的偏移量；
步骤8：根据已计算出的偏移量对所有图像进行拼接。
进一步的，所述步骤1中需要的保持的重叠区域为图像尺寸的15％到20％；步骤3中选取的疑似重叠区域不小于图像尺寸的20％。
进一步的，所述步骤4中特征点提取方法为：
步骤4-1：利用高斯滤波图像金字塔建立多尺度图像；
步骤4-2：建立初步特征点：在图像中a点的31×31邻域内随机取5×5的子窗口，若a 点灰度值和窗口中连续的12个像素点的灰度值之差都大于事先设定阈值的话，认为这个像素点为一个特征点；
步骤4-3：利如下函数对初步特征点进行筛选得到最终的特征点向量：
其中，I(x)是某一初始特征点邻域内的灰度值，I(p)是初始特征点的灰度值，circle(p)为p 的邻域，所有邻域圆周点与这个初始特征点的评价函数值为N，当N大于9时认为这个初始特征点为特征点。
进一步的，所述步骤5中匹配特征点的具体方法还可以为：
在基础重叠区域中选取一个特征点m1，在待匹配重叠区域中找到与这个特征点的欧几里德距离最近距离的特征点n1和次近距离的特征点n2，如果最近距离和次近距离的比值小于0.8，就认为最近距离的特征点n1和特征点m1匹配。
进一步的，所述步骤8中的图像拼接方法为：
带拼接重叠区域的两幅图像的原始像素值为I1(i,j)和I2(i,j)，(i,j)表示坐标，在计算拼接后的像素值时，给与权重分配系数β，计算公式为：I(i,j)＝βI1(i,j)+(1-β)I2(i,j) 0≤β≤1， I(i,j)表示拼接后的像素值，权重β计算方法为：两幅图像重叠区域的内边缘记为ε1、ε2，ε1表示靠近图像I1的内边缘位置，ε2表示靠近图像I2的内边缘位置，当β从 0到1增加的过程中，重叠区域的像素值从I2变化到I1。
本发明由于固定了拼接顺序，并只在重叠区域进行ORB算法特征提取，减少了计算量，提高了拼接效率，再加上GPU的使用，拼接过程中权重的重新分配，使得本发明在速度上，准确率上都有很大的优势，能够使3×3，每张分辨率为1920×1200的图像在1s左右完成准确的无缝拼接(见说明书附图3)。
附图说明
图1为本发明的原理框图。
图2是本发明的待处理图样。
图3是本发明拼接完成后的图样。
具体实施方式
下面结合附图和实例对本发明做进一步的详细说明，但是本发明的实施方式并不局限于此。
在生物医学和临床研究中，非常希望以高分辨率观察整个组织切片的图像。但是，很难获得具有高分辨率的单个图像来查看整个样本。该问题的通常解决方案是将具有重叠区域的若干图像缝合以形成复合图像，其中用于提取特征的主要算法是尺度不变特征变换(SIFT)。SIFT 对旋转，缩放和照明变化很稳健，但耗时且计算负担沉重。
本发明的目的是开发一种快速自动拼接算法。为了实现高速，高精度的显微图像拼接，本发明选择ORB算法提取图像特征，证明用此方法可以和用SIFT、SURF等算法达到同一精确度，并可以在特征提取上减少计算量，另外，为了消除混合缝隙来产生无缝图像，本发明采用渐入渐出加权平均策略，在最后的融合阶段，本发明采用图像索引操作，最大化避免对像素的多次复制移动，进一步缩短了时间。另外，本发明整个算法流程使用GPU加速，将算法处理时间降至最低。
本发明算法流程图如图1所示，一种基于医疗显微成像的快速稳健的图像拼接技术，具体的来说，包括以下步骤：
一种基于机器视觉的显微成像快速稳健的图像拼接方法，该方法包括：
步骤1：通过显微镜按照一定的顺序自动拍摄多张不同视野下的灰度图像序列，每次移动的时候要求有20％左右的重叠区域；
步骤2：启动GPU加速环境，在之后的步骤6和步骤7中都进行GPU加速处理。
步骤3：在图像序列中依次选取相邻的两幅图像；
步骤4：对于依次选取的两幅相邻图像，将每幅图像的重叠区域提取出来；
步骤5：利用ORB算法对每张图片的重叠区域进行特征提取，得到图像的特征点并利用所得特征点构建特征向量；
步骤6：在两幅图像的特征向量构建完毕后，利用特征向量的欧几里德距离采用最近邻算法策略进行这一张和上一张图像的特征匹配；
步骤7：通过两幅图像匹配成功的特征向量的位置计算此张图片相对于上一张图像的偏移位置；
步骤8：重复执行步骤3到步骤8，直至从第二幅图像开始，都计算得出此副图像相对于上一副图像的偏移位置；
步骤9：当所有偏移位置计算完毕，用所有计算得出的偏移位置进行图像拼接，在图像拼接的过程中，使用像素索引对每张图像和他们的重叠区域重新分配权重，通过权值平均渐入渐出策略来获得无缝隙的拼接大图。
具体实施方案中步骤5的ORB算法选取特征具体过程为：
过程5-1：利用高斯滤波图像金字塔建立多尺度图像；
过程5-2：建立初步特征点：在图像中a点的31×31邻域内随机取5×5的子窗口，若a 点灰度值和窗口中连续的12个像素点的灰度值之差都大于阈值的话，认为这个像素点为一个特征点，并用12位二进制数将其表述出来。
过程5-3：利用Harris角点评价函数对初步特征点进行筛选得到最终的特征点向量：
其中，I(x)是某一初始特征点邻域内的灰度值，I(p)是初始特征点的灰度值，所有邻域圆周点与这个初始特征点的评价函数值为N，当N大于9时认为这个初始特征点为特征点。
具体实施方案中步骤6的特征匹配算法过程为：
步骤6-1：在上一张图像中选取一个特征点m1，在这副图像中找到与这个特征点的欧几里德距离最近的前两个特征点n1，n2，如果最近距离和次近距离的比例在80％之内的话，就认为最近的那个特征点n1和上一张图像的这一特征点m1匹配。
具体实施方案中步骤7的图像拼接过程为：
步骤7-1：在进行权重的相关计算中，不仅考虑连续图像中可能存在的重叠区域的权重计算，也就是考虑步骤一中我们人为创建的重叠区域，另外也会考虑不连续图像所引发的重叠区域；
步骤7-2：在每一个重叠区域中，设重叠区域的两幅图像的原始像素值为I1和I2，在进行权重的相关计算时，给与权重分配系数Bata，像素值计算公式为：
I(i,j)＝βI1(i,j)+(1-β)I2(i,j) 0≤β≤1，当Bata从0到1增加的过程中，重叠区域的像素值从I2变化到I1。

Claims (5)

1.一种基于医疗显微成像的快速稳健的图像拼接方法，该方法包括：
步骤1：通过显微镜按照一定的顺序获取多张不同视野下的灰度图像序列，获取的相邻视野图像需保持有一部分的重叠区域；
步骤2：以某一幅图像为基础图像选取一幅与基础图像相邻视野的待匹配图像；
步骤3：对选取的两幅图像的疑似重叠区域进行提取，依次为基础重叠区域和待匹配重叠区域；
步骤4：分别提取两幅疑似重叠区域的特征点；
步骤5：选中一个基础重叠区域中的特征点，再从待匹配重叠区域的特征点中找出与选中特征点欧几里德距离最近的特征点，形成匹配特征点；然后选中下一个基础重叠区域中的特征点，再从待匹配重叠区域的特征点中找出与选中特征点欧几里德距离最近的特征点，形成匹配特征点；直到基础重叠区域中所有特征点都在待匹配重叠区域有匹配点；
步骤6：将基础重叠区域中的特征点和待匹配重叠区域中对应出的特征点分别构成两个特征向量，根据这两个特征向量计算出待匹配图像相对于基础图像的偏移量；
步骤7：再以另外一幅图像作为基础图像，重复步骤2到步骤6的方法；直到所有图像都计算出了至少一个与相邻图像的偏移量；
步骤8：根据已计算出的偏移量对所有图像进行拼接。
2.如权利要求1所述的一种基于医疗显微成像的快速稳健的图像拼接方法，其特征在于所述步骤1中需要的保持的重叠区域为图像尺寸的15％到20％；步骤3中选取的疑似重叠区域不小于图像尺寸的20％。
3.如权利要求1所述的一种基于医疗显微成像的快速稳健的图像拼接方法，其特征在于所述步骤4中特征点提取方法为：
步骤4-1：利用高斯滤波图像金字塔建立多尺度图像；
步骤4-2：建立初步特征点：在图像中a点的31×31邻域内随机取5×5的子窗口，若a点灰度值和窗口中连续的12个像素点的灰度值之差都大于事先设定阈值的话，认为这个像素点为一个特征点；
步骤4-3：利如下函数对初步特征点进行筛选得到最终的特征点向量：
其中，I(x)是某一初始特征点邻域内的灰度值，I(p)是初始特征点的灰度值，circle(p)为p的邻域，所有邻域圆周点与这个初始特征点的评价函数值为N，当N大于9时认为这个初始特征点为特征点。
4.如权利要求1所述的一种基于医疗显微成像的快速稳健的图像拼接方法，其特征在于所述步骤5中匹配特征点的具体方法还可以为：
在基础重叠区域中选取一个特征点m1，在待匹配重叠区域中找到与这个特征点的欧几里德距离最近距离的特征点n1和次近距离的特征点n2，如果最近距离和次近距离的比值小于0.8，就认为最近距离的特征点n1和特征点m1匹配。
5.如权利要求1所述的一种基于医疗显微成像的快速稳健的图像拼接方法，其特征在于所述步骤8中的图像拼接方法为：
带拼接重叠区域的两幅图像的原始像素值为I1(i,j)和I2(i,j)，(i,j)表示坐标，在计算拼接后的像素值时，给与权重分配系数β，计算公式为：I(i,j)＝βI1(i,j)+(1-β)I2(i,j)0≤β≤1，I(i,j)表示拼接后的像素值，权重β计算方法为：两幅图像重叠区域的内边缘记为ε1、ε2，ε1表示靠近图像I1的内边缘位置，ε2表示靠近图像I2的内边缘位置，当β从0到1增加的过程中，重叠区域的像素值从I2变化到I1。
CN201910460150.3A 2019-05-30 2019-05-30 一种基于医疗显微成像的快速稳健的图像拼接方法 Active CN110232673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910460150.3A CN110232673B (zh) 2019-05-30 2019-05-30 一种基于医疗显微成像的快速稳健的图像拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910460150.3A CN110232673B (zh) 2019-05-30 2019-05-30 一种基于医疗显微成像的快速稳健的图像拼接方法

Publications (2)

Publication Number Publication Date
CN110232673A true CN110232673A (zh) 2019-09-13
CN110232673B CN110232673B (zh) 2023-06-23

Family

ID=67858797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910460150.3A Active CN110232673B (zh) 2019-05-30 2019-05-30 一种基于医疗显微成像的快速稳健的图像拼接方法

Country Status (1)

Country Link
CN (1) CN110232673B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599404A (zh) * 2019-09-24 2019-12-20 陕西晟思智能测控有限公司 一种电路板显微图像拼接方法、装置、信息数据处理终端
CN110689511A (zh) * 2019-09-19 2020-01-14 华东师范大学 一种大视野图像拼接路径的优化方法
CN110824691A (zh) * 2019-11-14 2020-02-21 武汉兰丁医学高科技有限公司 基于手机的细胞微型显微图像采集装置及图像识别方法
CN111080525A (zh) * 2019-12-19 2020-04-28 成都海擎科技有限公司 一种基于sift特征的分布式图像和图元拼接方法
CN111080564A (zh) * 2019-11-11 2020-04-28 合肥美石生物科技有限公司 一种图像处理方法及系统
CN111105346A (zh) * 2019-11-08 2020-05-05 同济大学 基于峰值搜索和灰度模版配准的全扫描显微图像拼接方法
CN111815690A (zh) * 2020-09-11 2020-10-23 湖南国科智瞳科技有限公司 一种用于显微图像实时拼接的方法、系统和计算机设备
CN112164001A (zh) * 2020-09-29 2021-01-01 南京理工大学智能计算成像研究院有限公司 一种数字显微镜图像快速拼接融合方法
CN116542857A (zh) * 2023-06-28 2023-08-04 南京凯视迈科技有限公司 基于相似度大的多图像自适应拼接方法
CN116630164A (zh) * 2023-07-21 2023-08-22 中国人民解放军国防科技大学 海量显微图像的实时拼接方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413282A (zh) * 2013-07-05 2013-11-27 同济大学 一种基于斜拉桥缆索的图像拼接方法
CN103615980A (zh) * 2013-12-13 2014-03-05 北京理工大学 一种板件上圆孔参数的测量方法及系统
US20150310601A1 (en) * 2014-03-07 2015-10-29 Digimarc Corporation Methods and arrangements for identifying objects
CN106657816A (zh) * 2016-11-07 2017-05-10 湖南源信光电科技有限公司 一种基于orb算法的图像配准和图像融合并行的多路视频快速拼接算法
CN107301620A (zh) * 2017-06-02 2017-10-27 西安电子科技大学 基于相机阵列的全景成像方法
CN107316275A (zh) * 2017-06-08 2017-11-03 宁波永新光学股份有限公司 一种光流辅助的大尺度显微图像拼接算法
CN107705252A (zh) * 2017-10-13 2018-02-16 华东理工大学 适用于双目鱼眼图像拼接展开校正的方法及系统
CN108734657A (zh) * 2018-04-26 2018-11-02 重庆邮电大学 一种具有视差处理能力的图像拼接方法
CN108805812A (zh) * 2018-06-04 2018-11-13 东北林业大学 用于图像拼接的多尺度不变orb算法
CN109559273A (zh) * 2018-11-23 2019-04-02 河北工业大学 一种面向车底图像的快速拼接方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413282A (zh) * 2013-07-05 2013-11-27 同济大学 一种基于斜拉桥缆索的图像拼接方法
CN103615980A (zh) * 2013-12-13 2014-03-05 北京理工大学 一种板件上圆孔参数的测量方法及系统
US20150310601A1 (en) * 2014-03-07 2015-10-29 Digimarc Corporation Methods and arrangements for identifying objects
CN106657816A (zh) * 2016-11-07 2017-05-10 湖南源信光电科技有限公司 一种基于orb算法的图像配准和图像融合并行的多路视频快速拼接算法
CN107301620A (zh) * 2017-06-02 2017-10-27 西安电子科技大学 基于相机阵列的全景成像方法
CN107316275A (zh) * 2017-06-08 2017-11-03 宁波永新光学股份有限公司 一种光流辅助的大尺度显微图像拼接算法
CN107705252A (zh) * 2017-10-13 2018-02-16 华东理工大学 适用于双目鱼眼图像拼接展开校正的方法及系统
CN108734657A (zh) * 2018-04-26 2018-11-02 重庆邮电大学 一种具有视差处理能力的图像拼接方法
CN108805812A (zh) * 2018-06-04 2018-11-13 东北林业大学 用于图像拼接的多尺度不变orb算法
CN109559273A (zh) * 2018-11-23 2019-04-02 河北工业大学 一种面向车底图像的快速拼接方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张莹等: "基于ORB算法和OECF模型的快速图像拼接研究", 《计算机工程与应用》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689511A (zh) * 2019-09-19 2020-01-14 华东师范大学 一种大视野图像拼接路径的优化方法
CN110689511B (zh) * 2019-09-19 2023-02-03 华东师范大学 一种大视野图像拼接路径的优化方法
CN110599404A (zh) * 2019-09-24 2019-12-20 陕西晟思智能测控有限公司 一种电路板显微图像拼接方法、装置、信息数据处理终端
CN111105346A (zh) * 2019-11-08 2020-05-05 同济大学 基于峰值搜索和灰度模版配准的全扫描显微图像拼接方法
CN111080564A (zh) * 2019-11-11 2020-04-28 合肥美石生物科技有限公司 一种图像处理方法及系统
CN110824691B (zh) * 2019-11-14 2022-04-05 武汉兰丁智能医学股份有限公司 基于手机的细胞微型显微图像采集装置的图像拼接方法
CN110824691A (zh) * 2019-11-14 2020-02-21 武汉兰丁医学高科技有限公司 基于手机的细胞微型显微图像采集装置及图像识别方法
CN111080525A (zh) * 2019-12-19 2020-04-28 成都海擎科技有限公司 一种基于sift特征的分布式图像和图元拼接方法
CN111080525B (zh) * 2019-12-19 2023-04-28 成都海擎科技有限公司 一种基于sift特征的分布式图像和图元拼接方法
CN111815690A (zh) * 2020-09-11 2020-10-23 湖南国科智瞳科技有限公司 一种用于显微图像实时拼接的方法、系统和计算机设备
CN112164001A (zh) * 2020-09-29 2021-01-01 南京理工大学智能计算成像研究院有限公司 一种数字显微镜图像快速拼接融合方法
CN116542857A (zh) * 2023-06-28 2023-08-04 南京凯视迈科技有限公司 基于相似度大的多图像自适应拼接方法
CN116542857B (zh) * 2023-06-28 2023-10-20 南京凯视迈科技有限公司 一种多图像自适应拼接方法
CN116630164A (zh) * 2023-07-21 2023-08-22 中国人民解放军国防科技大学 海量显微图像的实时拼接方法
CN116630164B (zh) * 2023-07-21 2023-09-26 中国人民解放军国防科技大学 海量显微图像的实时拼接方法

Also Published As

Publication number Publication date
CN110232673B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN110232673A (zh) 一种基于医疗显微成像的快速稳健的图像拼接方法
CN107301620B (zh) 基于相机阵列的全景成像方法
CN105245841B (zh) 一种基于cuda的全景视频监控系统
CN110570353B (zh) 密集连接生成对抗网络单幅图像超分辨率重建方法
Engin et al. Cycle-dehaze: Enhanced cyclegan for single image dehazing
Gao et al. Image super-resolution with sparse neighbor embedding
CN111127318B (zh) 一种机场环境下的全景图像拼接方法
CN111080724A (zh) 一种红外和可见光的融合方法
CN102129704A (zh) 一种基于surf操作数的显微镜图像拼接方法
CN107301402A (zh) 一种现实场景关键帧的确定方法、装置、介质及设备
CN111709901B (zh) 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法
CN109961399A (zh) 基于图像距离变换的最佳缝合线搜寻方法
CN103034982A (zh) 一种基于变焦视频序列的图像超分辨率重建方法
CN105046701B (zh) 一种基于构图线的多尺度显著目标检测方法
CN111179170B (zh) 一种显微血细胞图像快速全景拼接方法
CN109886878A (zh) 一种基于由粗到精配准的红外图像拼接方法
CN111626927B (zh) 采用视差约束的双目图像超分辨率方法、系统及装置
CN107945221A (zh) 一种基于rgb‑d图像的三维场景特征表达与高精度匹配方法
CN112991176A (zh) 一种基于最佳缝合线的全景图像拼接方法
CN108093188B (zh) 一种基于混合投影变换模型的大视场视频全景图拼接的方法
CN108335265B (zh) 一种基于样本学习的快速图像超分辨率重建方法及装置
CN107067368B (zh) 基于影像变形的街景影像拼接方法及系统
CN105844589A (zh) 一种基于混合成像系统的实现光场图像超分辨的方法
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
CN105740869B (zh) 一种基于多尺度多分辨率的方形算子边缘提取方法及系统

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