CN110533652B - 基于旋转不变lbp-surf特征相似度的图像拼接评价方法 - Google Patents

基于旋转不变lbp-surf特征相似度的图像拼接评价方法 Download PDF

Info

Publication number
CN110533652B
CN110533652B CN201910810138.0A CN201910810138A CN110533652B CN 110533652 B CN110533652 B CN 110533652B CN 201910810138 A CN201910810138 A CN 201910810138A CN 110533652 B CN110533652 B CN 110533652B
Authority
CN
China
Prior art keywords
point
points
matching
image
matrix
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
CN201910810138.0A
Other languages
English (en)
Other versions
CN110533652A (zh
Inventor
黄鹤
平振东
郭璐
茹锋
王会峰
许哲
黄莺
汪贵平
惠晓滨
李战一
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.)
Xi'an Huizhi Information Technology Co ltd
Original Assignee
Xi'an Huizhi Information Technology Co ltd
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 Xi'an Huizhi Information Technology Co ltd filed Critical Xi'an Huizhi Information Technology Co ltd
Priority to CN201910810138.0A priority Critical patent/CN110533652B/zh
Publication of CN110533652A publication Critical patent/CN110533652A/zh
Application granted granted Critical
Publication of CN110533652B publication Critical patent/CN110533652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了，基于旋转不变LBP‑SURF特征相似度的图像拼接评价方法，针对图像拼接产生的图像特征点丢失等现象，提出一种新的图像拼接评价方法，先使用SURF算法提取出粗匹配特征点，之后将旋转不变LBP特征与SURF特征进行融合以提升特征点的匹配精度，再使用双向匹配与Ransac算法去除误匹配，之后利用获得的匹配点对拼接图像进行评价。

Description

基于旋转不变LBP-SURF特征相似度的图像拼接评价方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于旋转不变LBP-SURF特征相似度的图像拼接评价方法。
背景技术
随着科学技术的进步与社会生产力的发展，摄像头成为人们获取外界信息的重要的手段，特别是智能汽车等依赖摄像头的行业近年来发展迅猛，摄像头的需求量逐年提高。
为了能够从摄像头获取到更多的外部信息，除了提高摄像头的清晰度之外，还可以增加摄像头的广度。常用的增加摄像头广度的方法有采用广角摄像头、使用图像拼接技术。第一种方法的虽然能够达到较好的视觉效果但是其成本较高、焦距较短、范围有限。第二种方法使用图像处理技术将多幅图像进行拼接，此种方法具有成本较低、视角范围广等优点得到了广泛的研究与应用。然而图像拼接会产生亮度突变、重影、结构变化等问题，所以需要方法对图像拼接质量进行评价。
发明内容
本发明的目的在于提供一种基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，以实现对拼接图像的拼接质量进行评价。本发明采用提取图像的SURF特征，将旋转不变LBP特征与SURF特征融合，使用Ransac算法去除误匹配，之后通过比较拼接前后匹配特征点的数量与拼接前图像之间匹配特征点的数量来达到图像拼接的评价。
为达到上述目的，本发明采用如下技术方案：
基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，包括以下步骤：
步骤1：读入拼接前的两幅图像与拼接后的图像，分别记为矩阵I1、I2和I3；
步骤2：根据步骤1获取的矩阵I1、I2和I3分别构建尺度空间；
步骤3：使用构建Hessian矩阵的方法对步骤2构建的尺度空间进行处理；
步骤4：利用步骤3获取的处理后的尺度空间进行特征点定位；
步骤5：对步骤4定位的特征点进行主方向分配；
步骤6：沿着步骤5确立的特征点主方向生成特征点描述子；
步骤7：利用旋转不变LBP算法对步骤1获取的矩阵I1、I2和I3提取旋转不变LBP特征，并将其合并到步骤6的特征点描述子，得到合并后的特征点描述子；
步骤8：利用步骤7得到的合并后的特征点描述子进行双向匹配得到粗匹配的特征点，即匹配点对；
步骤9：随机从步骤8中确立的匹配点对中随机抽出至少四对样本数据，且抽取的样本之间不共线，计算出变换矩阵H；
步骤10：利用步骤9获得的变换矩阵H将一幅图像中的匹配点投影到另一幅图像中，计算匹配点之间的欧氏距离，若欧氏距离小于距离阈值则将匹配点加入内点集，否则该匹配点不加入内点集；计算完所有匹配点对之间的欧式距离后，比较此次投影计算得到的内点数量与上一次计算的内点数量，若大于则将此次得到的内点集保存，删除之前计算得到的内点集，小于等于时本次得到的内点集不保存；重复步骤9、步骤10达到设定次数；
步骤11：利用步骤10获得的内点集即最终匹配点对图像拼接质量进行评价。
进一步地，步骤2中构建的尺度空间由若干组图像构成，每一组中包含若干层，不同组间图像的尺寸一致，但不同组间使用的盒式滤波器的模板尺寸逐渐增大，模板的尺寸计算公式如下：
FilterSize＝3×(2octave×interval+1)
其中，Filter Size为滤波器的模板尺寸，octave为组数，interval为层数；
同一组间不同层间使用相同模板尺寸的滤波器，但是滤波器的模糊系数逐渐增大，其计算公式如下：
σ＝(2octave+1(interval+1)+1)/3
其中σ为滤波器的模糊系数。
进一步地，步骤3对步骤2中每一组的每一层图像使用Hession矩阵进行处理，通过特定核间的卷积计算二阶偏导数，进而计算出Hessian矩阵的三个矩阵元素Lxx,Lxy,Lyy，从而计算出Hessian矩阵，其公式为：
Figure BDA0002184742140000031
其中，σ是标准差，Lxx为x方向的二阶偏导，Lxy为先对x方向求二阶偏导，再对y方向求二阶偏导，Lyy为对y方向求二阶偏导；
由于使用的是盒式滤波器，所以Lxx简化为Dxx、Lxy简化为Dxy、Lyy简化为Dyy，每一个像素点得出Hession矩阵，将Hession矩阵的行列式的值作为该点在经过Hession矩阵处理后的值，其公式如下：
det(Hession)＝Dxx*Dyy-(0.9*Dxy)2
其中，det(Hession)为Hession矩阵行列式的值，Dxx、Dxy、Dyy分别为Dxx、Dxy、Dyy经盒式滤波器简化而来。
进一步地，步骤4中特征点定位具体为：在经过步骤3处理后的每一组图像中选取相邻的三层矩阵，对于中间层的每一个值都作为待比较的点，在空间中选取该点周围的26个点进行比较大小，若该点大于其他26个点，则该点为初步特征点，否则跳过该点，同时设置阈值a，若初步特征点的值小于阈值a的值，则将该点剔除，否则将该点保留，筛选出最终的稳定的特征点。
进一步地，步骤5具体为：对以特征点为中心的6倍特征尺度为半径的圆形区域内的Harr小波响应做统计运算，在特征点的圆形邻域内，统计60度扇形内所有点的水平、垂直Harr小波特征总和，然后扇形以相同间隔进行旋转并再次统计该区域内Harr小波特征值，最后将Harr小波特征值最大的扇形的方向作为该特征点的主方向。
进一步地，步骤6中生成特征点描述子具体为：在特征点周围取一个4×4的矩形区域块，且所取的矩形区域块方向沿着特征点的主方向，每个矩形区域块包含16个小矩形区域块，针对每个小矩形区域块统计25个像素的水平方向和垂直方向的Harr小波特征，所述水平和垂直方向均是相对主方向而言，所述Harr小波特征为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向。
进一步地，步骤7具体为：统计以图像中每个点为中心的圆形邻域内LBP特征点的分布情况，不断旋转该圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的旋转不变LBP值，之后将获取到的旋转不变LBP值合并到步骤6得到的特征描述子中。
进一步地，步骤8通过双向匹配实现特征点的匹配，其中，双向匹配即先利用两点之间的欧氏距离求出某个点的匹配点，再将求得的匹配点作为基准点求其匹配点，若第二次求得的匹配点与第一次求得的匹配点相同，则认为是匹配点对，若不同，则认为不是匹配点对。
进一步地，步骤9从步骤8中确立的匹配点对中随机获取四对样本数据，即四对匹配点且满足四对匹配点不共面，根据四对匹配点计算出变换矩阵H，即根据四对匹配点建立两幅图像的仿射关系，表示仿射关系的矩阵即为变换矩阵H。
进一步地，步骤11具体为：通过步骤10获得拼接前两幅图像之间、第一幅待拼接图像与拼接完成图像之间、第二幅待拼接图像与拼接完成图像之间的内点集数量即最终匹配点的数量，分别记为a、b、c，计算评价值的公式为：
Figure BDA0002184742140000051
S的值越高，则代表拼接图像与原图像的旋转不变LBP-SURF特征相似度越高，拼接效果越好。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提出的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法通过将拼接前图像与拼接后图像进行旋转不变LBP-SURF特征相似度对比，可以对拼接后图像与原图像的结构相似度进行有效评价，进而实现拼接效果评价，具有良好的评价效果，并且本发明通过将旋转不变LBP特征加入到SURF特征描述子中去，增加了双向匹配的正确率。
附图说明
图1是本发明的流程示意图；
图2是本发明中用于验证评价算法所使用的图像，其中，(a)为拼接前的图像1，(b)为拼接前的图像2，(c)为图像1、2进行拼接后的图像，(d)为图像1、2错位20个像素点后进行拼接的图像。
具体实施方式
下面结合附图对本发明作进一步详细描述：
参见图1，本发明提供一种基于旋转不变LBP-SURF特征相似度的图像拼接评价方法。
具体思路是，针对图像拼接产生的图像特征点丢失等现象，提出一种新的图像拼接评价方法，先使用SURF算法提取出粗匹配特征点，之后将旋转不变LBP特征与SURF特征进行融合以提升特征点的匹配精度，再使用双向匹配与Ransac算法去除误匹配，之后利用获得的匹配点对拼接图像进行评价。
具体步骤如下：
步骤1：读入拼接前的两幅图像与拼接后的图像，分别记为I1、I2、I3；
步骤2：根据步骤1获取的I1、I2、I3分别构建尺度空间；
构建的尺度空间由若干组图像构成，每一组中包含若干层，不同组间图像的尺寸一致，但不同组间使用的盒式滤波器的模板尺寸逐渐增大，模板的尺寸计算公式如下：
FilterSize＝3×(2octave×interval+1)
其中，Filter Size为滤波器的尺寸，octave为组数，interval为层数。
同一组间不同层间使用相同尺寸的滤波器，但是滤波器的模糊系数逐渐增大，其计算公式如下：
σ＝(2octave+1(interval+1)+1)/3
其中σ为滤波器的模糊系数。
步骤3：使用构建Hessian矩阵的方法对步骤2构建的尺度空间进行处理；
对步骤2中尺度空间每一组的每一层图像使用Hession矩阵进行处理。通过特定核间的卷积计算二阶偏导数，进而计算出Hessian矩阵的三个矩阵元素Lxx,Lxy,Lyy，从而计算出Hessian矩阵，其公式为：
Figure BDA0002184742140000061
其中，σ是标准差，Lxx为x方向的二阶偏导，Lxy为先对x方向求二阶偏导，再对y方向求二阶偏导，Lyy为对y方向求二阶偏导。
由于使用的是盒式滤波器，所以Lxx简化为Dxx、Lxy简化为Dxy、Lyy简化为Dyy。每一个像素点可以得出Hession矩阵，将Hession矩阵的行列式的值作为该点在经过Hession矩阵处理后的值，其公式如下：
det(Hession)＝Dxx*Dyy-(0.9*Dxy)2
步骤4：利用步骤3获取到处理后的尺度空间进行特征点定位；
特征点定位具体为：在经过步骤3处理后的每一组中选取相邻的三层矩阵，对于中间层的每一个值都作为待比较的点，在空间中选取该点周围的26个点进行比较大小，若该点大于其他26个点，则该点为初步特征点，否则跳过该点，同时设置阈值a，若初步特征点的值小于阈值a的值，则将该点剔除，否则将该点保留，筛选出最终的稳定的特征点。
步骤5：对步骤4定位的特征点进行主方向分配；
对以特征点为中心的6倍特征尺度为半径的圆形区域内的Harr小波响应做统计运算得到，在特征点的圆形邻域内，统计60度扇形内所有点的水平、垂直Harr小波特征总和，然后扇形以相同间隔进行旋转并再次统计该区域内Harr小波特征值，最后将Harr小波特征值最大的扇形的方向作为该特征点的主方向。
步骤6：沿着步骤5确立的特征点主方向生成特征点描述子；
生成特征点描述子具体为：在特征点周围取一个4×4的矩形区域块，内含有16个小矩形，且所取的矩形区域方向是沿着特征点的主方向，每个小矩形区域块统计25个像素的水平方向和垂直方向的Harr小波特征，此水平和垂直方向均是相对主方向而言，该Harr小波特征为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向。
步骤7：利用旋转不变LBP算法对步骤1获取的矩阵I1、I2、I3提取旋转不变LBP特征，并将其合并到步骤6的特征点描述子，得到合并后的特征点描述子；
统计以图像中每个点为中心的圆形邻域内LBP特征点的分布情况，不断旋转该圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的旋转不变LBP值。之后将获取到的旋转不变LBP值加入到步骤6得到的特征描述子中去。
步骤8：利用步骤7得到的结合后的特征点描述子进行双向匹配得到粗匹配的特征点，即匹配点对；
通过双向匹配实现特征点的匹配，其中，双向匹配就是先利用两点之间的欧氏距离求出某个点的匹配点，再将求得的匹配点作为基准点求它的匹配点，若第二次求得的匹配点与第一次求得的匹配点相同，则认为是一对匹配点，若不同，则认为不是匹配点。
步骤9：随机从步骤8中确立的匹配点对中随机抽出至少四对样本数据，且其中至少有四对样本之间不共线，计算出变换矩阵H；
从步骤8中确立的匹配点中随机获取至少四对样本数据，即至少四对匹配点且满足其中至少有四对匹配点不共面，根据这些匹配点计算出变换矩阵H，即根据至少四对匹配点建立两幅图像的仿射关系，表示仿射关系的矩阵即为变换矩阵H。
步骤10：计算投影误差，加以判定，若符合则将步骤9抽取的匹配点对保存，返回步骤9，共返回有限次；
利用步骤9获得的变换矩阵H将一幅图像中的匹配点投影到另一幅图像中去，计算匹配点之间的欧氏距离，若小于距离阈值则将匹配点加入内点集，然后比较此次投影计算得到的内点数量与上一次计算的内点数量，若大于则将此次得到的内点集保存，删除之前计算得到的内点集，重复步骤9、步骤10达到设定次数；
步骤11：利用步骤10获得的内点集即最终匹配点进行评价。
通过步骤10可以获得拼接前两幅图像之间、第一幅待拼接图像与拼接完成图像、第二幅待拼接图像与拼接完成图像之间的内点集数量即最终匹配点的数量，分别记为a、b、c。计算评价值的公式为：
Figure BDA0002184742140000091
表1为图2中未拼接图(a)、未拼接图(b)、拼接后图(c)以及拼接错位图(d)之间的特征点关系以及评价值S。(a)与(b)之间的匹配特征点数为216。可以看出拼接(c)图的评价值明显高于(d)图，本发明评价算法可以很好地评价拼接图像的特征相似度。
表1各图之间的匹配特征点数与评价结果表
拼接(c)图 拼接错位(d)图
(a)与(b) 216 216
(a)与拼接图 240 205
(b)与拼接图 266 180
S 1.17 0.91
表2为SURF特征与旋转不变LBP-SURF特征经过双向匹配后的匹配正确率对比，可以看出旋转不变LBP-SURF特征的正确率高于SURF特征的正确率。
表2SURF特征与旋转不变LBP-SURF特征经过双向匹配后的匹配正确率对比
SURF特征 旋转不变LBP-SURF特征
正确率 90.27％ 91.2％

Claims (10)

1.基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，包括以下步骤：
步骤1：读入拼接前的两幅图像与拼接后的图像，分别记为矩阵I1、I2和I3；
步骤2：根据步骤1获取的矩阵I1、I2和I3分别构建尺度空间；
步骤3：使用构建Hessian矩阵的方法对步骤2构建的尺度空间进行处理；
步骤4：利用步骤3获取的处理后的尺度空间进行特征点定位；
步骤5：对步骤4定位的特征点进行主方向分配；
步骤6：沿着步骤5确立的特征点主方向生成特征点描述子；
步骤7：利用旋转不变LBP算法对步骤1获取的矩阵I1、I2和I3提取旋转不变LBP特征，并将其合并到步骤6的特征点描述子，得到合并后的特征点描述子；
步骤8：利用步骤7得到的合并后的特征点描述子进行双向匹配得到粗匹配的特征点，即匹配点对；
步骤9：随机从步骤8中确立的匹配点对中随机抽出至少四对样本数据，且抽取的样本之间不共线，计算出变换矩阵H；
步骤10：利用步骤9获得的变换矩阵H将一幅图像中的匹配点投影到另一幅图像中，计算匹配点之间的欧氏距离，若欧氏距离小于距离阈值则将匹配点加入内点集，否则该匹配点不加入内点集；计算完所有匹配点对之间的欧式距离后，比较此次投影计算得到的内点数量与上一次计算的内点数量，若大于则将此次得到的内点集保存，删除之前计算得到的内点集，小于等于时本次得到的内点集不保存；重复步骤9、步骤10达到设定次数；
步骤11：利用步骤10获得的内点集即最终匹配点对图像拼接质量进行评价。
2.根据权利要求1所述的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，步骤2中构建的尺度空间由若干组图像构成，每一组中包含若干层，不同组间图像的尺寸一致，但不同组间使用的盒式滤波器的模板尺寸逐渐增大，模板的尺寸计算公式如下：
FilterSize＝3×(2octave×interval+1)
其中，Filter Size为滤波器的模板尺寸，octave为组数，interval为层数；
同一组间不同层间使用相同模板尺寸的滤波器，但是滤波器的模糊系数逐渐增大，其计算公式如下：
σ＝(2octave+1(interval+1)+1)/3
其中σ为滤波器的模糊系数。
3.根据权利要求2所述的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，步骤3对步骤2中每一组的每一层图像使用Hession矩阵进行处理，通过特定核间的卷积计算二阶偏导数，进而计算出Hessian矩阵的三个矩阵元素Lxx,Lxy,Lyy，从而计算出Hessian矩阵，其公式为：
Figure FDA0002184742130000021
其中，σ是标准差，Lxx为x方向的二阶偏导，Lxy为先对x方向求二阶偏导，再对y方向求二阶偏导，Lyy为对y方向求二阶偏导；
由于使用的是盒式滤波器，所以Lxx简化为Dxx、Lxy简化为Dxy、Lyy简化为Dyy，每一个像素点得出Hession矩阵，将Hession矩阵的行列式的值作为该点在经过Hession矩阵处理后的值，其公式如下：
det(Hession)＝Dxx*Dyy-(0.9*Dxy)2
其中，det(Hession)为Hession矩阵行列式的值，Dxx、Dxy、Dyy分别为Dxx、Dxy、Dyy经盒式滤波器简化而来。
4.根据权利要求3所述的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，步骤4中特征点定位具体为：在经过步骤3处理后的每一组图像中选取相邻的三层矩阵，对于中间层的每一个值都作为待比较的点，在空间中选取该点周围的26个点进行比较大小，若该点大于其他26个点，则该点为初步特征点，否则跳过该点，同时设置阈值a，若初步特征点的值小于阈值a的值，则将该点剔除，否则将该点保留，筛选出最终的稳定的特征点。
5.根据权利要求1所述的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，步骤5具体为：对以特征点为中心的6倍特征尺度为半径的圆形区域内的Harr小波响应做统计运算，在特征点的圆形邻域内，统计60度扇形内所有点的水平、垂直Harr小波特征总和，然后扇形以相同间隔进行旋转并再次统计该区域内Harr小波特征值，最后将Harr小波特征值最大的扇形的方向作为该特征点的主方向。
6.根据权利要求1所述的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，步骤6中生成特征点描述子具体为：在特征点周围取一个4×4的矩形区域块，且所取的矩形区域块方向沿着特征点的主方向，每个矩形区域块包含16个小矩形区域块，针对每个小矩形区域块统计25个像素的水平方向和垂直方向的Harr小波特征，所述水平和垂直方向均是相对主方向而言，所述Harr小波特征为水平方向值之和、垂直方向值之和、水平方向绝对值之和以及垂直方向绝对值之和4个方向。
7.根据权利要求1所述的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，步骤7具体为：统计以图像中每个点为中心的圆形邻域内LBP特征点的分布情况，不断旋转该圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的旋转不变LBP值，之后将获取到的旋转不变LBP值合并到步骤6得到的特征描述子中。
8.根据权利要求1所述的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，步骤8通过双向匹配实现特征点的匹配，其中，双向匹配即先利用两点之间的欧氏距离求出某个点的匹配点，再将求得的匹配点作为基准点求其匹配点，若第二次求得的匹配点与第一次求得的匹配点相同，则认为是匹配点对，若不同，则认为不是匹配点对。
9.根据权利要求1所述的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，步骤9从步骤8中确立的匹配点对中随机获取四对样本数据，即四对匹配点且满足四对匹配点不共面，根据四对匹配点计算出变换矩阵H，即根据四对匹配点建立两幅图像的仿射关系，表示仿射关系的矩阵即为变换矩阵H。
10.根据权利要求1所述的基于旋转不变LBP-SURF特征相似度的图像拼接评价方法，其特征在于，步骤11具体为：通过步骤10获得拼接前两幅图像之间、第一幅待拼接图像与拼接完成图像之间、第二幅待拼接图像与拼接完成图像之间的内点集数量即最终匹配点的数量，分别记为a、b、c，计算评价值的公式为：
Figure FDA0002184742130000041
S的值越高，则代表拼接图像与原图像的旋转不变LBP-SURF特征相似度越高，拼接效果越好。
CN201910810138.0A 2019-08-29 2019-08-29 基于旋转不变lbp-surf特征相似度的图像拼接评价方法 Active CN110533652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910810138.0A CN110533652B (zh) 2019-08-29 2019-08-29 基于旋转不变lbp-surf特征相似度的图像拼接评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910810138.0A CN110533652B (zh) 2019-08-29 2019-08-29 基于旋转不变lbp-surf特征相似度的图像拼接评价方法

Publications (2)

Publication Number Publication Date
CN110533652A CN110533652A (zh) 2019-12-03
CN110533652B true CN110533652B (zh) 2022-12-06

Family

ID=68665147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910810138.0A Active CN110533652B (zh) 2019-08-29 2019-08-29 基于旋转不变lbp-surf特征相似度的图像拼接评价方法

Country Status (1)

Country Link
CN (1) CN110533652B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269706B (zh) * 2020-02-14 2023-11-14 中国科学院国家空间科学中心 激光雷达图像质量评价方法、装置、设备及存储介质
CN113658238B (zh) * 2021-08-23 2023-08-08 重庆大学 一种基于改进特征检测的近红外静脉图像高精度匹配方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012058902A1 (zh) * 2010-11-02 2012-05-10 中兴通讯股份有限公司 全景图合成方法及装置
CN103905815A (zh) * 2014-03-19 2014-07-02 西安电子科技大学 基于高阶奇异值分解的视频融合性能评价方法
CA2923991A1 (en) * 2013-10-11 2015-04-16 Mauna Kea Technologies Method for characterizing images acquired through a video medical device
CN104867137A (zh) * 2015-05-08 2015-08-26 中国科学院苏州生物医学工程技术研究所 一种基于改进ransac算法的图像配准方法
CN109919832A (zh) * 2019-02-27 2019-06-21 长安大学 一种用于无人驾驶的交通图像拼接方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012058902A1 (zh) * 2010-11-02 2012-05-10 中兴通讯股份有限公司 全景图合成方法及装置
CA2923991A1 (en) * 2013-10-11 2015-04-16 Mauna Kea Technologies Method for characterizing images acquired through a video medical device
CN103905815A (zh) * 2014-03-19 2014-07-02 西安电子科技大学 基于高阶奇异值分解的视频融合性能评价方法
CN104867137A (zh) * 2015-05-08 2015-08-26 中国科学院苏州生物医学工程技术研究所 一种基于改进ransac算法的图像配准方法
CN109919832A (zh) * 2019-02-27 2019-06-21 长安大学 一种用于无人驾驶的交通图像拼接方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于SIFT特征的彩色图像拼接方法研究;张永梅等;《计算机测量与控制》;20160825(第08期);全文 *
多探测器拼接成像系统实时图像配准;王新华等;《中国光学》;20150415(第02期);全文 *

Also Published As

Publication number Publication date
CN110533652A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN112861720B (zh) 基于原型卷积神经网络的遥感图像小样本目标检测方法
Suganuma et al. Attention-based adaptive selection of operations for image restoration in the presence of unknown combined distortions
CN104915949B (zh) 一种结合点特征和线特征的图像匹配方法
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
CN111583110A (zh) 一种航拍图像的拼接方法
CN111080529A (zh) 一种加强鲁棒性的无人机航拍图像拼接方法
CN111784576A (zh) 一种基于改进orb特征算法的图像拼接方法
CN111339839B (zh) 一种密集型目标检测计量方法
CN106940876A (zh) 一种基于surf的快速无人机航拍图像拼接算法
CN105608667A (zh) 一种全景拼接的方法及装置
CN104616247B (zh) 一种用于基于超像素sift航拍地图拼接的方法
Hu et al. Pairwise-comparison-based rank learning for benchmarking image restoration algorithms
CN109919832B (zh) 一种用于无人驾驶的交通图像拼接方法
CN105550994B (zh) 一种基于卫星影像的无人机影像快速概略拼接方法
CN110533652B (zh) 基于旋转不变lbp-surf特征相似度的图像拼接评价方法
CN113592923B (zh) 一种基于深度局部特征匹配的批图像配准方法
CN110490913A (zh) 基于角点与单线段编组的特征描述算子进行影像匹配方法
CN109472770B (zh) 一种印刷电路板检测中的图像特征点快速匹配方法
CN109685772B (zh) 一种基于配准失真表示的无参照立体图像质量评估方法
CN105678722A (zh) 一种全景拼接图像弯曲矫正方法及装置
CN103353941B (zh) 基于视角分类的自然标志物注册方法
Yamashita et al. Multiple skip connections of dilated convolution network for semantic segmentation
CN105701770A (zh) 一种基于上下文线性模型的人脸超分辨率处理方法及系统
Ardizzone et al. A tool to support the creation of datasets of tampered videos
CN115526781A (zh) 一种基于图像重叠区域的拼接方法、系统、设备及介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221118

Address after: Room 508, block a, Rongcheng cloud Valley, 57 Keji 3rd road, Zhangba Street office, high tech Zone, Xi'an City, Shaanxi Province, 710075

Applicant after: Xi'an Huizhi Information Technology Co.,Ltd.

Address before: 710064 middle section, south two ring road, Shaanxi, Xi'an

Applicant before: CHANG'AN University

GR01 Patent grant
GR01 Patent grant