CN110533590A - 一种基于特征点的图像拼接方法 - Google Patents

一种基于特征点的图像拼接方法 Download PDF

Info

Publication number
CN110533590A
CN110533590A CN201910698748.6A CN201910698748A CN110533590A CN 110533590 A CN110533590 A CN 110533590A CN 201910698748 A CN201910698748 A CN 201910698748A CN 110533590 A CN110533590 A CN 110533590A
Authority
CN
China
Prior art keywords
image
point
timing
characteristic point
match
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
Application number
CN201910698748.6A
Other languages
English (en)
Inventor
黄茜
王林尧
胡志辉
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910698748.6A priority Critical patent/CN110533590A/zh
Publication of CN110533590A publication Critical patent/CN110533590A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior

Abstract

本发明公开了一种基于特征点的汽车图像拼接方法，主要包括特征点的提取与匹配，有效匹配点选择，图像的配准与融合三个阶段。所述特征点的提取与匹配阶段包括：获取图像，提取特征点，匹配特征点；所述有效匹配点选择阶段包括：利用背景静止的特点剔除背景图像上的匹配点，使用随机抽样一致性算法剔除误匹配点；所述图像的配准与融合阶段包括：确定拼接线和重叠区域，利用多分辨率拼接算法拼接图像。本发明方法具有拼接速度快、图像还原度高、鲁棒性好的优点。

Description

一种基于特征点的图像拼接方法
技术领域
本发明涉及计算机视觉和数字图像处理领域，特别涉及一种基于特征点的图像拼接方法。
背景技术
在拍摄连续图像时，相机和拍摄目标的相对位置可能有以下四种情况：(1)相机水平移动拍摄静止或运动目标；(2)相机旋转拍摄静止或运动目标；(3)相机固定拍摄移动的目标，此时运动目标的背景不变；(4)相机和目标都不移动，例如拍摄植物生长。
传统图像拼接方法，例如基于SIFT选取特征点进行图像拼接技术，见王艳等的论文《结合几何代数改进的SIFT桥梁裂缝图像拼接算法》，和刘一鸣等的论文《基于全景拼接技术的药瓶标签图像采集方法研究》，主要适用于上述第一种和第二种情况，但对于第三、四种情况，相机拍摄的一系列图像背景基本不变，无法用上述方法拼接以达到呈现完整目标图像的目的。在第三种情况下，即在移动物体的每帧图像中，背景重复出现，而目标在前后帧图像中会出现部分重叠，如果直接用SIFT选取特征点，会选到大量出现在背景中的特征点，直接拼接会使目标图像产生畸变。
为此，如何在运动目标的背景不变，相机固定拍摄移动的目标后实现准确拼接，具有重要的研究意义和实用价值。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于特征点的图像拼接方法，该方法具有拼接速度快、图像还原度高，且鲁棒性好的优点。
本发明的目的通过以下的技术方案实现：一种基于特征点的图像拼接方法，包括步骤：
S1.固定相机，对其前方水平运动的物体进行拍摄，将拍摄的图像按照时序保存；
S2.根据时序提取待拼接的两幅图像，提取特征点，并对特征点进行匹配；
S3.利用背景静止的特点剔除背景图像上的匹配点，使用随机抽样一致性算法(Random Sample Consensus,RANSAC)剔除误匹配点，得到最优匹配集；
S4.根据最优匹配集在两幅图像上确定拼接线和重叠区域，进而进行拼接。
优选的，步骤S2中，利用SURF(Speed-up Robust Features)算法提取特征点。
优选的，步骤S2中，利用特征点的欧式距离对特征点进行匹配，步骤是：
S2-1.计算时序在后图像中任意一个特征点的特征向量与时序在前图像中所有特征点的特征向量之间的欧氏距离，若欧氏距离的最小值(即最近邻)与欧氏距离的次小值(即次近邻)的比值小于预设阈值，则判定该特征点与最近邻所对应的特征点为一对匹配点并保留，否则去掉该特征点；
S2-2.重复步骤S2-1直至时序在后图像中所有特征点处理完毕。
优选的，步骤S3中，利用背景静止的特点剔除背景图像上的匹配点，步骤是：
S3-1-1.设点Pi(xi,yi)和点Pj(xj,yj)是一对分别位于时序在后图像和时序在前图像上的匹配点，计算匹配集中每一对匹配点Pi(xi,yi)和Pj(xj,yj)的横坐标位移xj-xi与纵坐标位移绝对值|yj-yi|；
S3-1-2.选取大于0的阈值a和b，若xj-xi＞a且|yj-yi|＜b，则保留该对匹配点，否则将其从匹配集中删除；
S3-1-3.重复步骤S3-1-1至S3-1-2，直至所有的匹配点都检查完毕。
优选的，步骤S3中，使用随机抽样一致性算法剔除误匹配点，步骤是：
S3-2-1.初始化当前内点集I和最优内点集Io为空集。
S3-2-2.从已剔除背景图像匹配点的匹配集中随机挑选出4个不共线的匹配点，计算其变换矩阵Hi；
S3-2-3.利用变换矩阵Hi计算匹配集中每一对匹配点的投影误差，若误差小于阈值则将该对匹配点加入内点集I；
S3-2-4.如果当前内点集I元素个数大于最优内点集Io的个数，则将当前内点集I赋给最优内点集Io作为当前最优匹配集；
S3-2-5.从步骤S3-2-2至S3-2-4重复k次，所得当前最优内点集Io作为最终的最优匹配集。
优选的，步骤S4中，在两幅图像确定拼接线和重叠区域，方法是：
S4-1-1.在待拼接的两幅图像中，分别求出最优匹配集中所有匹配点的外接矩形；
S4-1-2.把时序在后图像中距离矩形区域的中心最近的匹配点记为P1，经过P1的竖线记为L1；
S4-1-3.把时序在前图像中与P1相对应的匹配点记为P2，经过P2的竖线记为L3；
S4-1-4.在时序在后图像中，把L1和外接矩形右边边框之间的中心线记为L2；
S4-1-5.把L2和L1之间的区域当成时序在后图像的重叠区域，删除L2右侧区域的图像；
S4-1-6.在时序在前图像中，在L3右侧选取直线L4，使L4和L3之间的间距与L2和L1之间的间距相同；
S4-1-7.把L3和L4之间的区域当成时序在前图像的重叠区域，删除L3左侧区域的图像。
更进一步的，步骤S4中，在两幅图像上确定了拼接线和重叠区域后，利用多分辨率拼接算法拼接图像，步骤是：
S4-2-1.创建一幅新图像，其大小为时序在后图像中L2左侧区域大小加上时序在前图像中L4右侧区域大小；
S4-2-2.将时序在后图像中L1左侧区域图像复制到新图像左侧，将时序在前图像中L4右侧区域图像复制到新图像右侧；
S4-2-3.将时序在后图像重叠区域G10和时序在前图像重叠区域G20进行N层拉普拉斯金字塔分解，得到分解图像L10L10,L11,…,L1N和L20,L21,…,L2N；
S4-2-4.以G10大小为尺寸，生成一幅区域图像D0，在区域图像中线的左边填充为白色，右边填为黑色，并进行N层高斯金字塔分解，得到图像D1,…,DN；
S4-2-5.按式LMl＝DlL2l+(1-Dl)L1l，对每一层拉斯金字塔分解图像进行融合；
S4-2-6.根据融合后的拉斯金字塔分解图像LMl,l∈1,2,…,N，重建融合图像GM，放入新图像剩余区域中，新图像即为最终的拼接图像。
优选的，在需要拼接多张图像时，方法如下：
将多张图像按照时序保存在一数组中；
从中提取两张前后时序图像，分别为第一图像和第二图像，将二者进行拼接得到拼接图；
从数组中删除第一图像和第二图像，同时将所述拼接图按照第一图像或者第二图像的采集时间插入到数组中；
对数组中的图像依次进行拼接，直到数组中没有图像为止。
本发明与现有技术相比，具有如下优点和有益效果：
本发明在采用现有技术提取图像中的特征点后，对特征点进行匹配，不同于现有技术直接通过匹配点进行拼接，本发明提出对匹配点进行筛选，主要包括两个方面，一方面是利用背景静止的特点剔除背景图像上的匹配点，从而克服现有技术中因为背景中的特征点导致误拼接的问题，另一方面是使用随机抽样一致性算法剔除误匹配点，使得到的最优匹配集中的匹配点更为准确，在后面拼接过程中大大提高拼接速度，拼接图像还原度高，且鲁棒性好。
附图说明
图1是本实施例图像拼接方法的总流程图。
图2是本实施例采集的运动汽车的系列图片。
图3是本实施例采用SURF算法提取的特征点图。
图4是对图3的特征点进行欧式距离筛选得到的匹配点图。
图5是本实施例剔除背景图像上的匹配点的流程图。
图6是本实施例剔除误匹配点的流程图。
图7是本实施例重合区域示意图。
图8是采用本实施例方法进行两张图的拼接效果图。
图9是采用本实施例方法进行多图拼接结果图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例提供一种基于特征点的汽车图像拼接方法，该方法针对的使用场景是相机固定，相机对其前方水平运动的物体进行拍摄，比如是对道路上运动汽车的拍摄。该方法可以克服背景的特征点的影响，实现准确的拼接。下面结合附图对其方法进行具体说明。
本实施例一种基于特征点的汽车图像拼接方法，主要包括特征点的提取与匹配，有效匹配点选择，图像的配准与融合三个阶段，总流程如图1所示，具体如下：
一、获取图像
针对本实施例的应用场景，以对公交车进行拼接为例，将相机固定在道路一侧，然后相机对其前方水平运动的物体进行拍摄，将拍摄的图像按照时序保存，可保存为一个数组。如图2所示，本实施例采集了4幅，用于后面拼接步骤的说明。
二、特征点的提取与匹配
在图像序列的前两幅图或后两幅图(本实施例选取后两幅图，下同)上使用SURF算法提取特征点。SURF算法为现有算法，这里不再详述。对图2所述实例图进行特征点提取后得到的特征点图如图3所示。
提取特征点后，需对两幅图像中每个特征点之间进行匹配，本实施例利用特征点的欧式距离来实现，方法是：
S2-1.计算最后一幅图像中任意一个特征点的特征向量与倒数第二幅图像中所有特征点的特征向量之间的欧氏距离，若欧氏距离的最小值(即最近邻)与欧氏距离的次小值(即次近邻)的比值<r(取值为0～1，本实施例取0.67)，则该特征点与最近邻所对应的特征点为一对匹配点并保留，否则去掉该特征点。
S2-2.重复S2-1直至最后一幅图像中所有特征点处理完毕。
通过上述步骤即可得到初始的匹配集，匹配集中包括多组特征点对组成的匹配点，匹配点图如图4所示。
三、有效匹配点选择
该步骤是本发明的主要创新点，针对上述得到的初始匹配集，对其匹配点进行筛选，筛选主要分为两个部分，第一，利用背景静止的特点剔除背景图像上的匹配点，第二，使用随机抽样一致性算法剔除误匹配点。
参见图5，利用背景静止的特点剔除背景图像上的匹配点，方法是：
S3-1-1.设点Pi(xi,yi)和点Pj(xj,yj)是一对分别位于最后一幅图像和倒数第二幅图像上的匹配点，计算匹配集中每一对匹配点Pi(xi,yi)和Pj(xj,yj)的横坐标位移xj-xi与纵坐标位移绝对值|yj-yi|。
S3-1-2.选取大于0的阈值a和b，若xj-xi＞a且|yj-yi|＜b，则保留该对匹配点，否则将其从匹配集中删除。本实施例中a取50，b取100。
S3-1-3.重复步骤S3-1-1至S3-1-2，直至所有的匹配点都检查完毕。得到剔除背景图像上的匹配点的匹配集。
使用随机抽样一致性算法剔除误匹配点，方法是：
S3-2-1.初始化当前内点集I和最优内点集Io为空集。
S3-2-2.从已剔除背景图像匹配点的匹配集中随机挑选出4个不共线的匹配点，计算其变换矩阵Hi；
S3-2-3.利用变换矩阵Hi计算匹配集中每一对匹配点的投影误差，若误差小于阈值则将该对匹配点加入内点集I，本实施例中取3；
S3-2-4.如果当前内点集I元素个数大于最优内点集Io的个数，则将当前内点集I赋给最优内点集Io作为当前最优匹配集；
S3-2-5.从步骤S3-2-2至S3-2-4重复k次，所得当前最优内点集Io作为最终的最优匹配集，本实施例中k取300。
四、图像的配准与融合
要进行图像拼接，首先要确定拼接的位置和区域，即进行图像的配准，配准方法如下：
S4-1.在最后两幅图中，分别求出所有匹配点的外接矩形,如图7中白色矩形框中所示；
S4-2.把最后一幅图中距离白色矩形区域的中心最近的匹配点记为P1，经过P1的竖线记为L1；
S4-3.把倒数第二幅图中与P1相对应的匹配点记为P2，经过P2的竖线记为L3；
S4-4.在最后一幅图像中，把L1和外接矩形右边边框之间的中心线记为L2；
S4-5.把L2和L1之间的区域当成后最一幅图像的重叠区域，删除L2右侧区域的图像；
S4-6.在倒数第二幅图像中，在L3右侧选取直线L4，使L4和L3之间的间距与L2和L1之间的间距相同；
S4-7.把L3和L4之间的区域当成倒数第二副图像的重叠区域，删除L3左侧区域的图像。
五、图像拼接
本实施例利用多分辨率拼接算法对上述两幅图像进行拼接，方法是：
S5-1.创建一幅新图像，其大小为最后一幅图像中L2左侧区域大小加上倒数第二幅图像中L4右侧区域大小。
S5-2.将最后一幅图像中L1左侧区域图像复制到新图像左侧，将倒数第二幅图像中L4右侧区域图像复制到新图像右侧。
S5-3.将最后一幅图像重叠区域G10和倒数第二幅图像重叠区域G20进行N层拉普拉斯金字塔分解，得到分解图像L10L10,L11,…,L1N和L20,L21,…,L2N。本例N取4；
S5-4.以G10大小为尺寸，生成一幅区域图像D0。在图像中线的左边填充为白色，右边填为黑色，并进行N层高斯金字塔分解，得到图像D1,…,DN；
S5-5.按式LMl＝DlL2l+(1-Dl)L1l，对每一层拉斯金字塔分解图像进行融合；
S5-6.根据融合后的拉斯金字塔分解图像LMl,l∈1,2,…,N，重建融合图像GM，放入新图像剩余区域中，新图像即为所需的拼接图像，拼接后图像如图8所示。
以上是对数组中单独两个图像进行拼接的过程，在两个图像进行拼接得到拼接图后，从数组中删除两个图像，同时将所述拼接图插入到原来两个图像在数组中的位置。然后对数组中的图像依次按照上述步骤继续进行拼接，直到数组中没有图像为止。本实施例多图拼接的结果如图9所示。
本领域普通技术人员可以意识到，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。
本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于特征点的图像拼接方法，其特征在于，包括步骤：
S1.固定相机，对其前方水平运动的物体进行拍摄，将拍摄的图像按照时序保存；
S2.根据时序提取待拼接的两幅图像，提取特征点，并对特征点进行匹配；
S3.利用背景静止的特点剔除背景图像上的匹配点，使用随机抽样一致性算法剔除误匹配点，得到最优匹配集；
S4.根据最优匹配集在两幅图像上确定拼接线和重叠区域，进而进行拼接。
2.根据权利要求1所述的基于特征点的图像拼接方法，其特征在于，步骤S2中，利用SURF算法提取特征点。
3.根据权利要求1所述的基于特征点的图像拼接方法，其特征在于，步骤S2中，利用特征点的欧式距离对特征点进行匹配，步骤是：
S2-1.计算时序在后图像中任意一个特征点的特征向量与时序在前图像中所有特征点的特征向量之间的欧氏距离，若欧氏距离的最小值与欧氏距离的次小值的比值小于预设阈值，则判定该特征点与最小值所对应的特征点为一对匹配点并保留，否则去掉该特征点；
S2-2.重复步骤S2-1直至时序在后图像中所有特征点处理完毕。
4.根据权利要求1或3所述的基于特征点的图像拼接方法，其特征在于，步骤S3中，利用背景静止的特点剔除背景图像上的匹配点，步骤是：
S3-1-1.设点Pi(xi,yi)和点Pj(xj,yj)是一对分别位于时序在后图像和时序在前图像上的匹配点，计算匹配集中每一对匹配点Pi(xi,yi)和Pj(xj,yj)的横坐标位移xj-xi与纵坐标位移绝对值|yj-yi|；
S3-1-2.选取大于0的阈值a和b，若xj-xi＞a且|yj-yi|＜b，则保留该对匹配点，否则将其从匹配集中删除；
S3-1-3.重复步骤S3-1-1至S3-1-2，直至所有的匹配点都检查完毕。
5.根据权利要求1所述的基于特征点的图像拼接方法，其特征在于，步骤S3中，使用随机抽样一致性算法剔除误匹配点，步骤是：
S3-2-1.初始化当前内点集I和最优内点集Io为空集；
S3-2-2.从已剔除背景图像匹配点的匹配集中随机挑选出4个不共线的匹配点，计算其变换矩阵Hi；
S3-2-3.利用变换矩阵Hi计算匹配集中每一对匹配点的投影误差，若误差小于阈值则将该对匹配点加入内点集I；
S3-2-4.如果当前内点集I元素个数大于最优内点集Io的个数，则将当前内点集I赋给最优内点集Io作为当前最优匹配集；
S3-2-5.从步骤S3-2-2至S3-2-4重复k次，所得当前最优内点集Io作为最终的最优匹配集。
6.根据权利要求1所述的基于特征点的图像拼接方法，其特征在于，步骤S4中，在两幅图像确定拼接线和重叠区域，方法是：
S4-1-1.在待拼接的两幅图像中，分别求出最优匹配集中所有匹配点的外接矩形；
S4-1-2.把时序在后图像中距离矩形区域的中心最近的匹配点记为P1，经过P1的竖线记为L1；
S4-1-3.把时序在前图像中与P1相对应的匹配点记为P2，经过P2的竖线记为L3；
S4-1-4.在时序在后图像中，把L1和外接矩形右边边框之间的中心线记为L2；
S4-1-5.把L2和L1之间的区域当成时序在后图像的重叠区域，删除L2右侧区域的图像；
S4-1-6.在时序在前图像中，在L3右侧选取直线L4，使L4和L3之间的间距与L2和L1之间的间距相同；
S4-1-7.把L3和L4之间的区域当成时序在前图像的重叠区域，删除L3左侧区域的图像。
7.根据权利要求6所述的基于特征点的图像拼接方法，其特征在于，步骤S4中，在两幅图像上确定了拼接线和重叠区域后，利用多分辨率拼接算法拼接图像，步骤是：
S4-2-1.创建一幅新图像，其大小为时序在后图像中L2左侧区域大小加上时序在前图像中L4右侧区域大小；
S4-2-2.将时序在后图像中L1左侧区域图像复制到新图像左侧，将时序在前图像中L4右侧区域图像复制到新图像右侧；
S4-2-3.将时序在后图像重叠区域G10和时序在前图像重叠区域G20进行N层拉普拉斯金字塔分解，得到分解图像L10 L10,L11,…,L1N和L20,L21,…,L2N；
S4-2-4.以G10大小为尺寸，生成一幅区域图像D0，在区域图像中线的左边填充为白色，右边填为黑色，并进行N层高斯金字塔分解，得到图像D1,…,DN；
S4-2-5.按式LMl＝DlL2l+(1-Dl)L1l，对每一层拉斯金字塔分解图像进行融合；
S4-2-6.根据融合后的拉斯金字塔分解图像LMl,l∈1,2,…,N，重建融合图像GM，放入新图像剩余区域中，新图像即为最终的拼接图像。
8.根据权利要求1所述的基于特征点的图像拼接方法，其特征在于，在需要拼接多张图像时，方法如下：
将多张图像按照时序保存在一数组中；
从中提取两张前后时序图像，分别为第一图像和第二图像，将二者进行拼接得到拼接图；
从数组中删除第一图像和第二图像，同时将所述拼接图按照第一图像或者第二图像的采集时间插入到数组中；
对数组中的图像依次进行拼接，直到数组中没有图像为止。
CN201910698748.6A 2019-07-31 2019-07-31 一种基于特征点的图像拼接方法 Pending CN110533590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910698748.6A CN110533590A (zh) 2019-07-31 2019-07-31 一种基于特征点的图像拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910698748.6A CN110533590A (zh) 2019-07-31 2019-07-31 一种基于特征点的图像拼接方法

Publications (1)

Publication Number Publication Date
CN110533590A true CN110533590A (zh) 2019-12-03

Family

ID=68661385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910698748.6A Pending CN110533590A (zh) 2019-07-31 2019-07-31 一种基于特征点的图像拼接方法

Country Status (1)

Country Link
CN (1) CN110533590A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128734A (zh) * 2023-04-17 2023-05-16 湖南大学 一种基于深度学习的图像拼接方法、装置、设备和介质
CN116757936A (zh) * 2023-08-22 2023-09-15 佗道医疗科技有限公司 图像匹配关系获取方法及其图像拼接方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737395A (zh) * 2011-04-15 2012-10-17 深圳迈瑞生物医疗电子股份有限公司 一种医用x射线系统中的图像处理方法及装置
CN103019643A (zh) * 2012-12-30 2013-04-03 中国海洋大学 一种即插即用的大屏幕投影自动校正与拼接显示方法
CN103455992A (zh) * 2013-09-11 2013-12-18 中国科学院电子学研究所 拼接航空多元并扫图像的方法
CN106940876A (zh) * 2017-02-21 2017-07-11 华东师范大学 一种基于surf的快速无人机航拍图像拼接算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737395A (zh) * 2011-04-15 2012-10-17 深圳迈瑞生物医疗电子股份有限公司 一种医用x射线系统中的图像处理方法及装置
CN103019643A (zh) * 2012-12-30 2013-04-03 中国海洋大学 一种即插即用的大屏幕投影自动校正与拼接显示方法
CN103455992A (zh) * 2013-09-11 2013-12-18 中国科学院电子学研究所 拼接航空多元并扫图像的方法
CN106940876A (zh) * 2017-02-21 2017-07-11 华东师范大学 一种基于surf的快速无人机航拍图像拼接算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱龙: "静态背景下的动态汽车图像拼接", 《中国优秀硕士学位论文全文数据库.信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128734A (zh) * 2023-04-17 2023-05-16 湖南大学 一种基于深度学习的图像拼接方法、装置、设备和介质
CN116757936A (zh) * 2023-08-22 2023-09-15 佗道医疗科技有限公司 图像匹配关系获取方法及其图像拼接方法
CN116757936B (zh) * 2023-08-22 2023-11-07 佗道医疗科技有限公司 图像匹配关系获取方法及其图像拼接方法

Similar Documents

Publication Publication Date Title
Haris et al. Recurrent back-projection network for video super-resolution
Granados et al. How not to be seen—object removal from videos of crowded scenes
CN105245841B (zh) 一种基于cuda的全景视频监控系统
Bhat et al. Using photographs to enhance videos of a static scene
CN104699842B (zh) 图片展示方法和装置
Zhang et al. Learning to understand image blur
CN110533590A (zh) 一种基于特征点的图像拼接方法
CN111553841B (zh) 一种基于最佳缝合线更新的实时视频拼接方法
Wang et al. Densely Cascaded Shadow Detection Network via Deeply Supervised Parallel Fusion.
CN109493283A (zh) 一种高动态范围图像鬼影消除的方法
CN112995678B (zh) 一种视频运动补偿方法、装置及计算机设备
CN108447022A (zh) 基于单个固定摄像头图像序列的运动目标拼接方法
CN113221665A (zh) 一种基于动态最佳缝合线和改进渐入渐出法的视频融合算法
CN110930310B (zh) 全景图像拼接方法
Rousso et al. Mosaicing with generalized strips
Zdenek et al. Erasing scene text with weak supervision
Hu et al. Light field reconstruction using hierarchical features fusion
Kale et al. A technical analysis of image stitching algorithm
Fang et al. Robust shadow detection by exploring effective shadow contexts
Chilukuri et al. L, r-stitch unit: encoder-decoder-CNN based image-mosaicing mechanism for stitching non-homogeneous image sequences
Hong et al. PAR $^{2} $ Net: End-to-end Panoramic Image Reflection Removal
Yuan et al. Recurrent structure attention guidance for depth super-resolution
CN111105350A (zh) 大视差场景下基于自身单应性变换的实时视频拼接方法
Qiao et al. Temporal coherence-based deblurring using non-uniform motion optimization
US20220215598A1 (en) Infinitely layered camouflage

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191203

WD01 Invention patent application deemed withdrawn after publication