CN110264503B - 一种基于cs搜索的图像配准方法 - Google Patents

一种基于cs搜索的图像配准方法 Download PDF

Info

Publication number
CN110264503B
CN110264503B CN201910526060.XA CN201910526060A CN110264503B CN 110264503 B CN110264503 B CN 110264503B CN 201910526060 A CN201910526060 A CN 201910526060A CN 110264503 B CN110264503 B CN 110264503B
Authority
CN
China
Prior art keywords
image
search
sub
images
layer
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
Application number
CN201910526060.XA
Other languages
English (en)
Other versions
CN110264503A (zh
Inventor
唐家福
穆平安
戴曙光
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 Shanghai for Science and Technology
Original Assignee
University of Shanghai for 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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910526060.XA priority Critical patent/CN110264503B/zh
Publication of CN110264503A publication Critical patent/CN110264503A/zh
Application granted granted Critical
Publication of CN110264503B publication Critical patent/CN110264503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于CS搜索的图像配准方法，包括：采集两幅图像，建立下采样图像金字塔，逐层离散获取子图集，构建出的每一层的两张图像为一堆图像匹配对，而后采用高精度的皮尔森相关系数为代价函数，进行CS搜索，再利用爬山算法细搜索以提高精度，最终输出两幅图像中的子图及其配准子图，其中，CS搜索以蒙特卡罗模拟产生随机步长，通过该随机步长生成鸟窝群体，以一定概率优胜劣汰部分个体，通过上一代个体重新生成个体以保证群体数量和种群多样性，迭代计算，当达到全局最优解收敛阈值或者最大迭代次数时进行爬山细搜索到极值点。该方法能够自适应图像分辨率的不同而改变搜索参数，同时能够跳出搜索局部最优提高搜索精度而准确配准图像。

Description

一种基于CS搜索的图像配准方法
技术领域
本发明涉及一种图像配准方法，具体涉及一种基于CS搜索的图像配准方法。
背景技术
在本技术领域的图像配准过程中，由于极值多峰分布特性，大多采用遍历形式，虽然目前已有的图像配准搜索方法已经能够比较快速的实现图像配准，但是多使用计算复杂度比较低的相关系数作为代价函数而导致亚像素精度不够高，对大分辨率图像的配准搜索速度偏慢，或者容易陷入局部最优而导致无法准确配准图像，影响检测精度。
在该领域，由于相关系数多极值且离散分布，导致大多采用遍历或者一些经典寻优方法。若使用计算复杂度比较低的相关系数作为代价函数而导致亚像素精度不够高，经典寻优对大分辨率图像的配准搜索速度偏慢，或者容易陷入局部最优而导致无法准确配准图像，影响检测精度。
在目前的生活和工业图像检测中，图像配准广泛应用，如在刚体位移测量，双目视觉三维重建和模式识别等中，图像配准的精度直接影响到位移测量结果，点云坐标计算结果和模式识别结果等，同时由于根据环境和运用场合的不同，图像的分辨率应是自适应变化的，虽然目前已有的图像配准搜索方法已经能够比较快速的实现图像配准，但是多使用计算复杂度比较低的相关系数作为代价函数而导致亚像素精度不够高。对大分辨率图像的配准搜索速度偏慢，或者容易陷入局部最优而导致无法准确配准图像，影响检测精度。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种能够解决图像图像快速配准问题的基于CS搜索的图像配准方法。
本发明提供了一种基于CS搜索的图像配准方法，具有这样的特征，包括如下步骤：步骤1，获取两张待配准图像，并确定待配准图像的分辨率的大小；步骤2，通过卷积方式对两张待配准图像进行降采样来构建图像金字塔，图像金字塔的层数P根据待配准图像的分辨率的大小确定并且图像金字塔的每一层的两张图像为一对匹配图像对；步骤3，依次将匹配图像对的两张图像均分割为大小相同的M个子图，采用子图的中心点的平面坐标代替该子图的坐标，对于一层图像对中第一图像中的第一子图，在与第一图像匹配的第二图像中进行CS粗搜索即布谷鸟搜索，搜索与第一子图匹配的第一匹配子图，得到第一匹配子图的坐标(x，y)；步骤4，以第一匹配子图的坐标(x，y)为中心，将其作为下一层图像对中界定搜索范围，在搜索范围内进行CS粗搜索，并逐层向图像金字塔的下层搜索，直至搜索到图像金字塔的最低层，得到最低层的匹配子图的坐标替换上一层的匹配子图的坐标，也记为(x，y)；步骤5，确定亚像素曲面线性插值精度，在匹配图像对的界定范围内进行曲面线性插值，沿着代价函数下降的方向搜索极值，即计算每个子图四个方向上的代价函数值，沿着代价函数值减小的方向进行搜索，所得极值的子图的中心坐标仍记为(x，y)，该子图即为最终配准子图，而后返回步骤3，针对第一图像中的第二子图，在第二图像中搜索与第二子图匹配的第二匹配子图，当第一图像中的第M个子图全部配准完后进入下一步；步骤6，输出两张图像中的M对子图及其配准子图。
在本发明提供的基于CS搜索的图像配准方法中，还可以具有这样的特征：其中，步骤1中的两张图像由同一相机采集，当两张图像为RGB彩色三通道图片时，需要将其转换为灰度单通道图片。
在本发明提供的基于CS搜索的图像配准方法中，还可以具有这样的特征：其中，步骤2中的卷积方式中的卷积核为3×3的单位矩阵，并且搜索时从高层的最小分辨率图像对开始对每一次层的图像金字塔逐层向下搜索。
在本发明提供的基于CS搜索的图像配准方法中，还可以具有这样的特征：其中，步骤3中的图像金字塔的上层搜索结果为步骤4中的下层界定搜索范围。
在本发明提供的基于CS搜索的图像配准方法中，还可以具有这样的特征：其中，步骤3和步骤4中的CS粗搜索包括如下子步骤：
步骤a，设定最大迭代次数L和全局最优解收敛阈值，并在匹配图像中均匀初始化若干个群体位置X0，Y0，并计算这些位置与第一子图的皮尔斯相关系数，初始化全局最优解r以及匹配子图坐标(x，y)；
步骤b，根据式(1)更新子代布谷鸟群体位置Xt，Yt，计算皮尔森相关系数以及计算局部最优解R，并比较全局最优解r和局部最优解R的大小，而后更新全局最优解r，
Figure BDA0002098254730000041
步骤c，确定鸟窝数量BirdNum为定值，鸟窝宿主发现布谷鸟子代的概率Pa∈[0,1]，当第K代个体的迭代次数小于等于最大迭代次数L时，则随机生成一个概率ε与设置的丢弃概率阈值Pa进行比较，当概率ε大于Pa则丢弃该个体并由式(2)补充一个子代个体Xt′，且仍然记为Xt，
Figure BDA0002098254730000042
步骤d，判断是否满足两条迭代准则中的一条，若满足则停止迭代并记录匹配子图的坐标(x，y)进入步骤4，否则跳转至步骤b继续进行迭代，
式(1)中，
Figure BDA0002098254730000043
为点对点乘法，α为步长控制量，Levy(s)为列维飞行随机步长且由蒙特卡罗模拟得到，
式(2)中，r和ε均为服从均匀分布的随机数，Heaviside(x)为跳跃函数，Xi，Xj为其它任意的两个鸟窝位置。
在本发明提供的基于CS搜索的图像配准方法中，还可以具有这样的特征：其中，步骤b中的式(1)中Levy(s)的计算公式为：
Figure BDA0002098254730000044
式(3)中，s为随机步长，u～N(0,σ2),v～N(0,1),，N表示正太分布，σ表示方差，
Figure BDA0002098254730000051
一般β＝1。
在本发明提供的基于CS搜索的图像配准方法中，还可以具有这样的特征：其中，步骤d中的两条迭代准分别为判断是否达到最大迭代次数L和判断当前全局最优解r是否达到全局最优解收敛阈值。
在本发明提供的基于CS搜索的图像配准方法中，还可以具有这样的特征：其中，步骤5中的代价函数为皮尔森相关系数的变种形式，其具体表达式为：
Figure BDA0002098254730000052
式(4)中，Ii(x，y)为图像中的第i个子图，Ii′(x，y)为匹配图像中的第i个子图，
Figure BDA0002098254730000053
为图像中的第i个子图的像素均值，
Figure BDA0002098254730000054
为匹配图像中的第i个子图的像素均值。
发明的作用与效果
根据本发明所涉及的基于CS搜索的图像配准方法，既利用了布谷鸟全局搜索能力和爬山算法的快速收敛能力，通过建立图像金字塔能够自适应图像分辨率的不同而改变搜索参数，同时能够跳出搜索局部最优提高搜索精度而准确配准图像，主要用于提高高精度图像配准的速度。另外，该方法还能够自适应图像分辨率的不同而改变搜索参数，同时能够跳出搜索局部最优提高搜索精度而准确快速的配准图像。
附图说明
图1是本发明的实施例中基于CS搜索的图像配准方法的流程图；
图2是本发明的实施例中CS粗搜索的流程图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
实施例：
图1是本发明的实施例中基于CS搜索的图像配准方法的流程图。
如图1所示，本实施例的一种基于CS搜索的图像配准方法，包括如下步骤：
步骤1，获取两张待配准图像，并确定所述待配准图像的分辨率的大小。
两张图像由同一相机采集，当两张图像为RGB彩色三通道图片时，需要将其转换为灰度单通道图片。
步骤2，通过卷积方式对所述两张待配准图像进行降采样来构建图像金字塔，所述图像金字塔的层数P根据所述待配准图像的分辨率的大小确定并且所述图像金字塔的每一层的两张图像为一对匹配图像对。
卷积方式中的卷积核为3×3的单位矩阵，并且搜索时从高层的最小分辨率图像对开始对每一次层的图像金字塔逐层向下搜索。
步骤3，将图像对分割为大小相同的多个子图，该子图的网格尺寸大小根据具体情况设定，采用子图的中心点的平面坐标代替该子图的坐标，对于一层图像对中第一图像中的第一子图，在与第一图像匹配的第二图像中进行CS粗搜索，搜索与第一子图匹配的第一匹配子图，得到第一匹配子图的坐标(x，y)。
图像金字塔的上层搜索结果为步骤4中的下层界定搜索范围。CS粗搜索的子代更新规则采用列维随机游动方式产生，依据适应度随机丢弃部分个体，并通过当前个体位置补充个体以保证每一代群体总数不变。CS粗搜索的迭代准应有两条，即达到最大迭代次数或者满足全局最优解收敛阈值条件。
图2是本发明的实施例中CS粗搜索的流程图。
如图2所示，CS粗搜索包括如下子步骤：
步骤a，设定最大迭代次数L和全局最优解收敛阈值，并在匹配图像中均匀初始化若干个群体位置X0，Y0，并计算这些位置与第一子图的皮尔斯相关系数，初始化全局最优解r以及匹配子图坐标(x，y)。
步骤b，根据式(1)更新子代布谷鸟群体位置Xt，Yt，随机步长Levy(s)由公式(2)产生，计算皮尔森相关系数，计算局部最优解R；比较r，R的大小，更新全局最优解r，
Figure BDA0002098254730000071
式(1)中，
Figure BDA0002098254730000072
为点对点乘法，α表示步长控制量，Levy(s)为列维飞行随机步长，由蒙特卡罗模拟得到，相关公式见式(2)：
Figure BDA0002098254730000081
式(2)中，s为随机步长，u～N(0,σ2),v～N(0,1),
Figure BDA0002098254730000082
一般β＝1。
步骤c，确定鸟窝数量BirdNum为定值，鸟窝宿主发现布谷鸟子代的概率Pa∈[0,1]，当第K代个体的迭代次数小于等于所述最大迭代次数L时，则随机生成一个概率ε与设置的丢弃概率阈值Pa进行比较，当所述概率ε大于Pa则丢弃该个体并由式(3)补充一个子代个体Xt′，且仍然记为Xt，
Figure BDA0002098254730000083
式(3)中，r，ε为服从均匀分布的随机数，Heaviside(x)是跳跃函数，Xi，Xj是其他任意的两个鸟窝位置。
步骤d，判断是否达到迭代准则，迭代准则有两条分别为：判断是否达到最大迭代次数L和判断当前最优解r是否达到全局最优解收敛阈值，弱满足其中一条迭代准则，即停止迭代并记录匹配子图坐标(x，y)进入步骤4，否则跳转至步骤b继续迭代。
步骤4，以所述第一匹配子图的坐标(x，y)为中心，将其作为所述下一层图像对中界定搜索范围，在所述搜索范围内进行CS粗搜索，并逐层向所述图像金字塔的下层搜索，直至搜索到所述图像金字塔的最低层，得到最低层的匹配子图的坐标替换上一层的匹配子图的坐标，也记为(x，y)。
步骤3中的图像金字塔的上层搜索结果为步骤4中的下层界定搜索范围。CS搜索子代更新规则采用列维随机游动方式产生，依据适应度随机丢弃部分个体，并通过当前个体位置补充个体以保证每一代群体总数不变。
步骤4中的CS粗搜索与步骤3中CS粗搜索方法相同。
步骤5，确定亚像素曲面线性插值精度，在图像与匹配图像的图像对的界定范围内进行曲面线性插值，沿着代价函数下降的方向搜索极值，即计算每个子图四个方向上的代价函数值，沿着代价函数值减小的方向进行搜索，所得极值的子图的中心坐标仍记为(x，y)，该子图即为最终配准子图，而后返回步骤3，针对第一图像中的第二子图，在第二图像中搜索与第二子图匹配的第二匹配子图，当第一图像中的每一个子图全部配准完后进入下一步。
根据需要判断是否需要进行曲面双线性插值，当需要更高精度的时候进行插值，当当前精度已经满足公差精度要求时不需要进行插值。
代价函数为皮尔森相关系数的变种形式，其具体表达式为：
Figure BDA0002098254730000091
式(4)中，Ii(x，y)为图像中的第i个子图，Ii′(x，y)为匹配图像中的第i个子图，
Figure BDA0002098254730000092
为图像中的第i个子图的像素均值，
Figure BDA0002098254730000093
为匹配图像中的第i个子图的像素均值。
步骤6，输出所述两张图像中的M对所述子图及其配准子图。
实施例的作用与效果
根据本实施例所涉及的基于CS搜索的图像配准方法，既利用了布谷鸟全局搜索能力和爬山算法的快速收敛能力，通过建立图像金字塔能够自适应图像分辨率的不同而改变搜索参数，同时能够跳出搜索局部最优提高搜索精度而准确配准图像，主要用于提高高精度图像配准的速度。另外，该方法还能够自适应图像分辨率的不同而改变搜索参数，同时能够跳出搜索局部最优提高搜索精度而准确快速的配准图像。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (7)

1.一种基于CS搜索的图像配准方法，其特征在于，包括如下步骤：
步骤1，获取两张待配准图像，并确定所述待配准图像的分辨率的大小；
步骤2，通过卷积方式对所述两张待配准图像进行降采样来构建图像金字塔，所述图像金字塔的层数P根据所述待配准图像的分辨率的大小确定并且所述图像金字塔的每一层的两张图像为一对匹配图像对；
步骤3，依次将所述匹配图像对的所述两张图像均分割为大小相同的M个子图，采用所述子图的中心点的平面坐标代替该子图的坐标，对于一层图像对中第一图像中的第一子图，在与所述第一图像匹配的第二图像中进行CS粗搜索即布谷鸟搜索，搜索与所述第一子图匹配的第一匹配子图，得到所述第一匹配子图的坐标(x，y)；
步骤4，以所述第一匹配子图的坐标(x，y)为中心，将其作为下一层图像对中界定搜索范围，在所述搜索范围内进行CS粗搜索，并逐层向所述图像金字塔的下层搜索，直至搜索到所述图像金字塔的最低层，得到最低层的匹配子图的坐标替换上一层的匹配子图的坐标，也记为(x，y)；
步骤5，确定亚像素曲面线性插值精度，在所述匹配图像对的界定范围内进行曲面线性插值，沿着代价函数下降的方向搜索极值，即计算每个所述子图四个方向上的代价函数值，沿着所述代价函数值减小的方向进行搜索，所得极值的子图的中心坐标仍记为(x，y)，该子图即为最终配准子图，而后返回步骤3，针对所述第一图像中的第二子图，在所述第二图像中搜索与所述第二子图匹配的第二匹配子图，当所述第一图像中的第M个子图全部配准完后进入下一步；
步骤6，输出所述两张图像中的M对所述子图及其配准子图，
其中，所述步骤5中的代价函数为皮尔森相关系数的变种形式，其具体表达式为：
Figure FDA0004144435590000021
式(4)中，Ii(x，y)为图像中的第i个子图，Ii’(x，y)为匹配图像中的第i个子图，
Figure FDA0004144435590000022
为图像中的第i个子图的像素均值，
Figure FDA0004144435590000023
为匹配图像中的第i个子图的像素均值。
2.根据权利要求1所述的基于CS搜索的图像配准方法，其特征在于：
其中，所述步骤1中的两张图像由同一相机采集，当所述两张图像为RGB彩色三通道图片时，将其转换为灰度单通道图片。
3.根据权利要求1所述的基于CS搜索的图像配准方法，其特征在于：
其中，所述步骤2中的卷积方式中的卷积核为3×3的单位矩阵。
4.根据权利要求1所述的基于CS搜索的图像配准方法，其特征在于：
其中，所述步骤3中的图像金字塔的上层搜索结果为所述步骤4中的下层界定搜索范围。
5.根据权利要求1所述的基于CS搜索的图像配准方法，其特征在于：
其中，所述步骤3和所述步骤4中的CS粗搜索包括如下子步骤：
步骤a，设定最大迭代次数L和全局最优解收敛阈值，并在所述匹配图像中均匀初始化若干个群体位置X0，Y0，并计算这些位置与第一子图的皮尔斯相关系数，初始化全局最优解r以及匹配子图坐标(x，y)；
步骤b，根据式(1)更新子代布谷鸟群体位置Xt，Yt，计算皮尔森相关系数以及计算局部最优解R，并比较所述全局最优解r和所述局部最优解R的大小，而后更新所述全局最优解r，
Figure FDA0004144435590000031
步骤c，确定鸟窝数量BirdNum为定值，鸟窝宿主发现布谷鸟子代的概率Pa∈[0,1]，当第K代个体的迭代次数小于等于所述最大迭代次数L时，则随机生成一个概率ε与设置的丢弃概率阈值Pa进行比较，当所述概率ε大于Pa则丢弃该个体并由式(2)补充一个子代个体Xt’，且仍然记为Xt，
Figure FDA0004144435590000032
步骤d，判断是否满足两条迭代准则中的一条，若满足则停止迭代并记录匹配子图的坐标(x，y)进入步骤4，否则跳转至步骤b继续进行迭代，
式(1)中，
Figure FDA0004144435590000041
为点对点乘法，α为步长控制量，Levy(s)为列维飞行随机步长且由蒙特卡罗模拟得到，
式(2)中，r和ε均为服从均匀分布的随机数，Heaviside(x)为跳跃函数，Xi，Xj为其它任意的两个鸟窝位置。
6.根据权利要求5所述的基于CS搜索的图像配准方法，其特征在于：
其中，所述步骤b中的式(1)中Levy(s)的计算公式为：
Figure FDA0004144435590000042
式(3)中，s为随机步长，u～N(0,σ2),v～N(0,1),N表示正太分布，σ表示方差，
Figure FDA0004144435590000043
一般β＝1。
7.根据权利要求5所述的基于CS搜索的图像配准方法，其特征在于：
其中，所述步骤d中的两条迭代准则分别为判断是否达到最大迭代次数L和判断当前全局最优解r是否达到所述全局最优解收敛阈值。
CN201910526060.XA 2019-06-18 2019-06-18 一种基于cs搜索的图像配准方法 Active CN110264503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910526060.XA CN110264503B (zh) 2019-06-18 2019-06-18 一种基于cs搜索的图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910526060.XA CN110264503B (zh) 2019-06-18 2019-06-18 一种基于cs搜索的图像配准方法

Publications (2)

Publication Number Publication Date
CN110264503A CN110264503A (zh) 2019-09-20
CN110264503B true CN110264503B (zh) 2023-04-28

Family

ID=67918895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910526060.XA Active CN110264503B (zh) 2019-06-18 2019-06-18 一种基于cs搜索的图像配准方法

Country Status (1)

Country Link
CN (1) CN110264503B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364881B (zh) * 2020-04-01 2022-06-28 武汉理工大学 一种进阶采样一致性图像匹配方法
CN111813144B (zh) * 2020-06-11 2022-02-18 南京航空航天大学 一种基于改进羊群算法的多无人机协同航路规划方法
CN113538539B (zh) * 2021-08-20 2023-09-22 浙江大学 基于布谷鸟搜索算法的肝脏ct图像配准方法及计算机可读存储介质
CN114120011B (zh) * 2021-11-25 2024-04-09 杭州电子科技大学 一种利用群体智能算法提高图像匹配精度和速度的方法
CN114595779A (zh) * 2022-03-15 2022-06-07 中铁十四局集团大盾构工程有限公司 一种盾构机刀具故障分析与诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108245194A (zh) * 2017-12-21 2018-07-06 四川省人民医院 基于布谷鸟优化策略的超声图像心脏流场运动估计方法
CN109242878A (zh) * 2018-10-29 2019-01-18 安徽理工大学 一种基于自适应布谷鸟优化法的图像多阈值分割方法
CN109377447A (zh) * 2018-09-18 2019-02-22 湖北工业大学 一种基于杜鹃搜索算法的Contourlet变换图像融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9600524B2 (en) * 2014-12-22 2017-03-21 Blackberry Limited Method and system for efficient feature matching

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108245194A (zh) * 2017-12-21 2018-07-06 四川省人民医院 基于布谷鸟优化策略的超声图像心脏流场运动估计方法
CN109377447A (zh) * 2018-09-18 2019-02-22 湖北工业大学 一种基于杜鹃搜索算法的Contourlet变换图像融合方法
CN109242878A (zh) * 2018-10-29 2019-01-18 安徽理工大学 一种基于自适应布谷鸟优化法的图像多阈值分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Optimization of Non-rigid Demons Registration Using Cuckoo Search Algorithm;Sayan Chakraborty et al.;《Cognitive Computation》;20170922;全文 *
关于多路传感器传输图像自动配准仿真;程钢等;《计算机仿真》;20190131;全文 *
基于改进布谷鸟算法的图像配准和融合中的参数优化;陈娜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315;全文 *

Also Published As

Publication number Publication date
CN110264503A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110264503B (zh) 一种基于cs搜索的图像配准方法
CN111199564B (zh) 智能移动终端的室内定位方法、装置与电子设备
CN111862201B (zh) 一种基于深度学习的空间非合作目标相对位姿估计方法
CN106991388B (zh) 关键点定位方法
CN111368769B (zh) 基于改进锚点框生成模型的船舶多目标检测方法
CN104599286B (zh) 一种基于光流的特征跟踪方法及装置
CN107067415A (zh) 一种基于图像匹配的目标快速精确定位方法
Yu et al. Robust robot pose estimation for challenging scenes with an RGB-D camera
CN110889399B (zh) 基于深度学习的高分辨率遥感影像弱小目标检测方法
CN113393522A (zh) 一种基于单目rgb相机回归深度信息的6d位姿估计方法
CN112328715A (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
JP6381368B2 (ja) 画像処理装置、画像処理方法、およびプログラム
CN111507184B (zh) 基于并联空洞卷积和身体结构约束的人体姿态检测方法
CN112651345A (zh) 一种人体姿态识别模型优化方法、装置和终端设备
CN108320310B (zh) 基于图像序列的空间目标三维姿态估计方法
CN112907557A (zh) 道路检测方法、装置、计算设备及存储介质
CN109978957B (zh) 基于量子行为粒子群的双目系统标定方法
CN112393721B (zh) 相机位姿估计方法
CN117372460A (zh) 一种基于自适应阈值边缘配准视觉里程计的月球车自主定位方法
CN113989612A (zh) 基于注意力及生成对抗网络的遥感影像目标检测方法
CN117516517A (zh) 一种室内环境下无源融合定位方法、系统及电子设备
CN112396167A (zh) 一种外观相似度与空间位置信息融合的回环检测方法
JP2006234678A (ja) 目標識別装置
CN117115252A (zh) 一种基于视觉的仿生扑翼无人机空间位姿估计方法
CN110084203B (zh) 基于上下文关联的全卷积网络飞机层级检测方法

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