CN110751680A - 一种具有快速对齐算法的图像处理方法 - Google Patents
一种具有快速对齐算法的图像处理方法 Download PDFInfo
- Publication number
- CN110751680A CN110751680A CN201910990159.5A CN201910990159A CN110751680A CN 110751680 A CN110751680 A CN 110751680A CN 201910990159 A CN201910990159 A CN 201910990159A CN 110751680 A CN110751680 A CN 110751680A
- Authority
- CN
- China
- Prior art keywords
- image
- points
- block
- dimensional
- blocks
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 15
- 238000003491 array Methods 0.000 claims description 12
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 239000010410 layer Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012472 biological sample Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种具有快速对齐算法的图像处理方法,包括对图像进行预处理,把灰度图转化为二值图,对图像关键点的提取,计算连通域并提取边缘,检测峰值点,对不同区采用不同的邻域像素配置进行峰值检测,找到图像待匹配的边缘,角点和峰值点之后,再找出轮廓上的点的对应关系,进行图像形变。本发明提出了一种基于边缘,角点以及图像中的峰值点的特征匹配方法,以及基于局部权重的移动最小二乘图像形变算法,而图像配准是生物组织结构三维重建过程中的一个非常重要的环节,为进一步的生物,医学的研究提供了直观的物理模型。
Description
技术领域
本发明涉及图像处理技术领域,特别是一种具有快速对齐算法的图像处理方法。
背景技术
在医学图像处理领域中,离不开图像对齐算法。例如,生物医学领域,为了实现生物组织的三维重构,首先需要把生物样本制成切片并染色,然后用显微镜来拍摄,再做图像对齐(相同的组织得对齐)。图像对齐主要包括两步,首先找到图像中特征点的匹配,然后再通过这些对应的特征点来做图像形变,从而实现对齐效果。在医学图像处理领域,目前常用的特征匹配算法是sift flow,常用的图像形变算法是移动最小二乘。原来的匹配算法主要是基于边缘和角点的匹配,在算法精度和速度上都有待改进,对于有些特定图像的数据,比如生物的显微结构图,基于边缘和角点的匹配还达不到理想的匹配效果,因为要想实现生物组织结构良好的三维重构,不仅需要让生物样本的外轮廓有着光滑的对齐,还需要生物组织内部也有着光滑且连续的对齐,而原来的图像配准方法主要是基于边缘和角点的匹配。
发明内容
本发明的目的在于提供一种具有快速对齐算法的图像处理方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种具有快速对齐算法的图像处理方法,包括以下步骤:
S1:对图像进行预处理,把灰度图转化为二值图,同时根据三维块匹配算法将图像分成不同大小的块,根据图像块之间的相似性,把具有相似结构的二维图像块组合在一起形成三维数组,然后用联合滤波的方法对这些三维数组进行处理,通过逆变换,把处理后的结果返回到原图像中,得到去噪后的图像;
S2:对图像关键点的提取,计算连通域并提取边缘,检测峰值点,将边缘角度量化为四个不同的区:
0区(水平方向):337.5°~22.5°或157.5°~202.5°;
1区(45度方向):22.5°~67.5°或202.5°~247.5°;
2区(垂直方向):67.5°~112.5°或247.5°~292.5°;
3区(135度方向):112.5°~157.5°或292.5°~337.5°,对不同区采用不同的邻域像素配置进行峰值检测;
S3:找到图像待匹配的边缘,角点和峰值点之后,再找出轮廓上的点的对应关系,用基于sift方法进行匹配,为了约束流向量,设计目标函数来从两幅SIFT特征图中估计SIFT Flow,SIFT描述符能够通过流向量进行匹配,流场是平滑的,并且物体边界是不连续的;
S4:进行图像形变,图像变形是基于控制点集p和q的,p是控制点集,q是控制点集p的变形后的位置,应用形变函数f将原始图像中的控制点集p映射到形变图像中点集q的位置,并应用形变函数f在原始图像的每一点v上产生一个形变从而完成在特定约束下的图像变形。
优选的,图像的二值化是把图像的灰度值设置为0或255,整个图像用黑白显示,通过适当的阈值选择256个具有亮度级的灰度图像,获得反映图像整体和局部特征的二进制图像,所有灰度大于或等于阈值的像素确定为属于特定对象,其灰度值为255,灰色值为0,表示背景或其他对象区域。
优选的,三维块匹配算法包括以下步骤,对一幅加噪图像,连续地取出参考块,对每一个参考块,执行以下操作:
S1:基础估计:
(1)对含噪图像中的每一块逐块估计;
1)分组,找到它的相似块然后把它们聚集到一个三维数组;
2)联合硬阈值,对形成的三维数组进行三维变换,通过对变换域的系数进行硬阈值处理减弱噪声,然后逆变换得到组中所有图像块的估计,然后把这些估计值返回到它们的原始位置;
(2)聚集,对得到的有重叠的块估计,通过对他们进行加权平均得到真实图像的基础估计;
S2:最终估计:
(1)对基础估计图像中的每一块逐块估计;
1)分组,通过块匹配找到与它相似的图像块在基础估计图像中的位置,通过这些位置得到两个三维数组,一个是从含噪图像中得到的,一个是从基础估计图像中得到的;
2)联合滤波,对形成的两个三维数组均进行三维变换,以基础估计图像中的能量谱作为能量谱对含噪三维数组进行维纳滤波,然后逆变换得到组中所有图像块的估计,然后把这些估计值返回到他们的原始位置;
(2)聚集,对得到的有重叠的局部块估计,通过对它们进行加权平均得到真实图像的最终估计。
优选的,遍历边缘幅值图像和边缘角度图像,峰值检测步骤如下:
S1:邻域配置判断:
根据边缘角度,计算其所在分区
其中0°≤θ<360°;Int{·}为取整运算符;%为取模运算符,即计算两整数相除的余数,对8位表示的角度图像,计算式改为
其中0≤θ<255,N即为边缘角度值所对应的分区;
S2:峰值检测,当前边缘点的幅值为S,两相邻边缘点的幅值分别为S1和S2,峰值点判据为S>S1,且S≥S2;
否则幅值置为0。
优选的,SIFT Flow能量方程定义如下式:
E(w)=∑p(||s1(p)-s2(p+w(p))||1,t)+∑pη(|u(p)|+
|v(p)|)+∑(p,q)∈εmin(α|u(p)-u(q)|,d)+min(α|v(p)-v(q)|,d)
其中w=(u,v),u(p),v(p)分别表示图像在p点处的水平位移和竖直位移,s,-1.(p)表示第一张图在p点处的光流,(p,q)∈ε表示p,q两点在一幅图像中的一个ε领域内,第一项是数据项,它约束SIFT描述符,由它建立的匹配能够符合流向量的规则,即物体的描述符差别最小,第二项是偏移项,该项使得流向量尽可能小,第三项是平滑项,约束使得毗邻像素的光流向量不至于偏差过大,水平层u与竖直层v在相同的坐标系内,数据项连接着相同位置的像素。信息传播时,首先更新u和v的层内信息,然后再更新层间信息,因为目标函数由L1范数来表示,因而可以使用距离变换函数来进一步降低时间复杂度。
优选的,有效地图像变形,形变函数f需要满足如下三个条件:
(1)平滑性:f要产生具有平滑特性的形变;
(2)插值性:函数f需要将控制点集p直接映射到点集q上,即f(pi)=qi;
本发明的技术效果和优点:本发明依据生物显微结构的特点,提出了一种基于边缘,角点以及图像中的峰值点的特征匹配方法,以及基于局部权重的移动最小二乘图像形变算法,而图像配准是生物组织结构三维重建过程中的一个非常重要的环节,为进一步的生物,医学的研究提供了直观的物理模型。
附图说明
图1为本发明的峰值检测邻域配置示意图。
图2为本发明的SIFT描述符示意图。
图3为本发明的边缘点及峰值点的匹配关系示意图。
具体实施方式
下面将结合附图1-3对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种具有快速对齐算法的图像处理方法:包括对图像进行预处理,把灰度图转化为二值图,同时根据三维块匹配算法将图像分成不同大小的块,根据图像块之间的相似性,把具有相似结构的二维图像块组合在一起形成三维数组,然后用联合滤波的方法对这些三维数组进行处理,通过逆变换,把处理后的结果返回到原图像中,得到去噪后的图像;
如图1所示,对图像关键点的提取,计算连通域并提取边缘,检测峰值点,将边缘角度量化为四个不同的区:0区(水平方向):337.5°~22.5°或157.5°~202.5°;1区(45度方向):22.5°~67.5°或202.5°~247.5°;2区(垂直方向):67.5°~112.5°或247.5°~292.5°;3区(135度方向):112.5°~157.5°或292.5°~337.5°。对不同区采用不同的邻域像素配置进行峰值检测,遍历边缘幅值图像和边缘角度图像,峰值检测步骤如下:
S1:邻域配置判断:
根据边缘角度,计算其所在分区
其中0°≤θ<360°;Int{.}为取整运算符;%为取模运算符,即计算两整数相除的余数,对8位表示的角度图像,计算式改为
其中0≤θ<255,N即为边缘角度值所对应的分区;
S2:峰值检测,当前边缘点的幅值为S,两相邻边缘点的幅值分别为S1和S2,峰值点判据为S>S1,且S≥S2;
否则幅值置为0;
如图2所示,找到图像待匹配的边缘,角点和峰值点之后,再找出轮廓上的点的对应关系,用基于sift方法进行匹配,SIFT描述符是一种描述局部的梯度信息的描述符。在SIFT Flow中只使用它的特征提取的部分。为了构建SIFT描述符,首先要将每个像素点的16×16邻域划分为4×4的部分,然后将每个小部分里的梯度量化叠加到8个方向上。这样就得到了一个4×4×8=128维的一个特征向量。这个128维向量就作为一个像素的SIFT描述符。然后对每个像素点都进行这样的计算获得描述符,这样就可以获得稠密的SIFT描述符,图2计算像素点的16×16邻域里每个像素点梯度,将这16×16范围划分为4×4的方格,将每个方格的梯度叠加量化到8个方向,为了约束流向量,设计目标函数来从两幅SIFT特征图中估计SIFT Flow,SIFT描述符能够通过流向量进行匹配,流场是平滑的,并且物体边界是不连续的,SIFT Flow能量方程定义如下式:
E(w)=∑p(||s1(p)-s2(p+w(p))||1,t)+∑pη(|u(p)|+
|v(p)|)+∑(p,q)∈εmin(α|u(p)-u(q)|,d)+min(α|v(p)-v(q)|,d)
其中w=(u,v),u(p),v(p)分别表示图像在p点处的水平位移和竖直位移,s,-1.(p)表示第一张图在p点处的光流,(p,q)∈ε表示p,q两点在一幅图像中的一个ε领域内,第一项是数据项,它约束SIFT描述符,由它建立的匹配能够符合流向量的规则,即物体的描述符差别最小,第二项是偏移项,该项使得流向量尽可能小,第三项是平滑项,约束使得毗邻像素的光流向量不至于偏差过大,水平层u与竖直层v在相同的坐标系内,数据项连接着相同位置的像素。信息传播时,首先更新u和v的层内信息,然后再更新层间信息,因为目标函数由L1范数来表示,因而可以使用距离变换函数来进一步降低时间复杂度;
进行图像形变,图像变形是基于控制点集p和q的,p是控制点集,q是控制点集p的变形后的位置,应用形变函数f将原始图像中的控制点集p映射到形变图像中点集q的位置,并应用形变函数f在原始图像的每一点v上产生一个形变从而完成在特定约束下的图像变形,图像的二值化是把图像的灰度值设置为0或255,整个图像用黑白显示,通过适当的阈值选择256个具有亮度级的灰度图像,获得反映图像整体和局部特征的二进制图像,所有灰度大于或等于阈值的像素确定为属于特定对象,其灰度值为255,灰色值为0,表示背景或其他对象区域,给定和分别为控制点和目标控制点,v为图像上任意一点,运用稀疏逼近的思想,v主要受其周围的k个控制点pv(k)的影响,对应的目标控制点记为qv(k),假设fv(p)为变形函数,则方法lw-mls产生形变函数,就是最小化能量函数:
其中:ωi=||v-pi||-2α,pi∈Pv(K),qi∈Qv(K),
该正则项的作用是加强光滑性,这个方法被称作局部权重的移动最小二乘(lw-mls),对于每个不同的像素点v,我们需要得到不同的位移函数
对应的形变函数为
fv(p)=p+hv(p)
由于这里的点p的个数从原来的n减少为k(k<<n)这样,图像形变的计算复杂度成功的从O(l·n3)降低到了O(l·k3),预处理之后的复杂度从O(l·n)降到了O(l·k).,其中l表示网格点个数,k表示每个像素点所受影响的控制点个数。
三维块匹配算法包括以下步骤,对一幅加噪图像,连续地取出参考块,对每一个参考块,执行以下操作:
S1:基础估计:
(1)对含噪图像中的每一块逐块估计;
1)分组,找到它的相似块然后把它们聚集到一个三维数组;
2)联合硬阈值,对形成的三维数组进行三维变换,通过对变换域的系数进行硬阈值处理减弱噪声,然后逆变换得到组中所有图像块的估计,然后把这些估计值返回到它们的原始位置;
(2)聚集,对得到的有重叠的块估计,通过对他们进行加权平均得到真实图像的基础估计;
S2:最终估计:
(1)对基础估计图像中的每一块逐块估计;
1)分组,通过块匹配找到与它相似的图像块在基础估计图像中的位置,通过这些位置得到两个三维数组,一个是从含噪图像中得到的,一个是从基础估计图像中得到的;
2)联合滤波,对形成的两个三维数组均进行三维变换,以基础估计图像中的能量谱作为能量谱对含噪三维数组进行维纳滤波,然后逆变换得到组中所有图像块的估计,然后把这些估计值返回到他们的原始位置;
(2)聚集,对得到的有重叠的局部块估计,通过对它们进行加权平均得到真实图像的最终估计。
有效地图像变形,形变函数f需要满足如下三个条件:
(1)平滑性:f要产生具有平滑特性的形变;
(2)插值性:函数f需要将控制点集p直接映射到点集q上,即f(pi)=qi;
如图3所示,经过图像的预处理,把灰度图二值化,用全变分(TV)方法进行图像去噪,接下来计算图像连通域并用prewitt算子提取边缘,再进行峰值检测,于是可以得到待匹配的特征点,对这些点做sift匹配,得到匹配关系之后就很容易算出匹配点的相对位移。再用基于局部权重的移动最小二乘图像形变算法做图像形变,实现了图像的快速且高精度的对齐。
以上结合附图对发明的实施方式作了详细说明,但发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入发明的保护范围内。
Claims (6)
1.一种具有快速对齐算法的图像处理方法,其特征在于,包括以下步骤:
S1:对图像进行预处理,把灰度图转化为二值图,同时根据三维块匹配算法将图像分成不同大小的块,根据图像块之间的相似性,把具有相似结构的二维图像块组合在一起形成三维数组,然后用联合滤波的方法对这些三维数组进行处理,通过逆变换,把处理后的结果返回到原图像中,得到去噪后的图像;
S2:对图像关键点的提取,计算连通域并提取边缘,检测峰值点,将边缘角度量化为四个不同的区:
0区,即水平方向:337.5°~22.5°或157.5°~202.5°;
1区,即45度方向:22.5°~67.5°或202.5°~247.5°;
2区,即垂直方向:67.5°~112.5°或247.5°~292.5°;
3区,即135度方向:112.5°~157.5°或292.5°~337.5°,对不同区采用不同的邻域像素配置进行峰值检测;
S3:找到图像待匹配的边缘,角点和峰值点之后,再找出轮廓上的点的对应关系,用基于sift方法进行匹配,设计目标函数来从两幅SIFT特征图中估计SIFT Flow;
S4:进行图像形变,图像变形是基于控制点集p和q的,p是控制点集,q是控制点集p的变形后的位置,应用形变函数f将原始图像中的控制点集p映射到形变图像中点集q的位置,并应用形变函数f在原始图像的每一点v上产生一个形变从而完成在特定约束下的图像变形。
2.根据权利要求1所述的一种具有快速对齐算法的图像处理方法,其特征在于:图像的二值化是把图像的灰度值设置为0或255,整个图像用黑白显示,通过适当的阈值选择256个具有亮度级的灰度图像,获得反映图像整体和局部特征的二进制图像,所有灰度大于或等于阈值的像素确定为属于特定对象,其灰度值为255,灰色值为0,表示背景或其他对象区域。
3.根据权利要求2所述的一种具有快速对齐算法的图像处理方法,其特征在于:三维块匹配算法包括以下步骤,对一幅加噪图像,连续地取出参考块,对每一个参考块,执行以下操作:
S1:基础估计:
(1)对含噪图像中的每一块逐块估计;
1)分组,找到它的相似块然后把它们聚集到一个三维数组;
2)联合硬阈值,对形成的三维数组进行三维变换,通过对变换域的系数进行硬阈值处理减弱噪声,然后逆变换得到组中所有图像块的估计,然后把这些估计值返回到它们的原始位置;
(2)聚集,对得到的有重叠的块估计,通过对他们进行加权平均得到真实图像的基础估计;
S2:最终估计:
(1)对基础估计图像中的每一块逐块估计;
1)分组,通过块匹配找到与它相似的图像块在基础估计图像中的位置,通过这些位置得到两个三维数组,一个是从含噪图像中得到的,一个是从基础估计图像中得到的;
2)联合滤波,对形成的两个三维数组均进行三维变换,以基础估计图像中的能量谱作为能量谱对含噪三维数组进行维纳滤波,然后逆变换得到组中所有图像块的估计,然后把这些估计值返回到他们的原始位置;
(2)聚集,对得到的有重叠的局部块估计,通过对它们进行加权平均得到真实图像的最终估计。
5.根据权利要求4所述的一种具有快速对齐算法的图像处理方法,其特征在于:SIFTFlow能量方程定义如下式:
E(w)=∑p(||s1(p)-s2(p+w(p))||1,t)+∑pη(|u(p)|+|v(p)|)+∑(p,q)∈εmin(α|u(p)-u(q)|,d)+min(α|v(p)-v(q)|,d)
其中w=(u,v),u(p),v(p)分别表示图像在p点处的水平位移和竖直位移,s,-1.(p)表示第一张图在p点处的光流,(p,q)∈ε表示p,q两点在一幅图像中的一个ε领域内,第一项是数据项,它约束SIFT描述符,由它建立的匹配能够符合流向量的规则,即物体的描述符差别最小,第二项是偏移项,该项使得流向量尽可能小,第三项是平滑项,约束使得毗邻像素的光流向量不至于偏差过大,水平层u与竖直层v在相同的坐标系内,数据项连接着相同位置的像素。信息传播时,首先更新u和v的层内信息,然后再更新层间信息,因为目标函数由L1范数来表示,因而可以使用距离变换函数来进一步降低时间复杂度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990159.5A CN110751680A (zh) | 2019-10-17 | 2019-10-17 | 一种具有快速对齐算法的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990159.5A CN110751680A (zh) | 2019-10-17 | 2019-10-17 | 一种具有快速对齐算法的图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751680A true CN110751680A (zh) | 2020-02-04 |
Family
ID=69278757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910990159.5A Pending CN110751680A (zh) | 2019-10-17 | 2019-10-17 | 一种具有快速对齐算法的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751680A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767494A (zh) * | 2021-01-19 | 2021-05-07 | 中国科学院云南天文台 | 基于标定算法的精确测量定位方法 |
WO2022037232A1 (zh) * | 2020-08-21 | 2022-02-24 | 浙江商汤科技开发有限公司 | 三维重建中的图像分组方法及装置、电子设备和计算机可读存储介质 |
CN114820739A (zh) * | 2022-07-01 | 2022-07-29 | 浙江工商大学 | 一种面向多光谱相机的图像快速配准方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002236908A (ja) * | 2001-02-09 | 2002-08-23 | Matsushita Electric Ind Co Ltd | サーチ用マスタ登録方法並びに物体の検索方法および検査方法 |
JP2006123554A (ja) * | 2004-10-28 | 2006-05-18 | Xerox Corp | 印刷装置において色を較正するための方法 |
CN102722879A (zh) * | 2012-06-13 | 2012-10-10 | 西安电子科技大学 | 基于目标提取和三维块匹配去噪的sar图像去斑方法 |
CN102819839A (zh) * | 2012-07-19 | 2012-12-12 | 北京市遥感信息研究所 | 多特征多级别的红外与高光谱图像的高精度配准方法 |
CN105427308A (zh) * | 2015-11-20 | 2016-03-23 | 中国地质大学(武汉) | 一种稀疏和稠密特征匹配结合的图像配准方法 |
CN107170001A (zh) * | 2017-04-25 | 2017-09-15 | 北京海致网聚信息技术有限公司 | 用于对图像进行配准的方法和装置 |
CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
CN107545567A (zh) * | 2017-07-31 | 2018-01-05 | 中国科学院自动化研究所 | 生物组织序列切片显微图像的配准方法及装置 |
CN107886530A (zh) * | 2017-12-11 | 2018-04-06 | 哈尔滨理工大学 | 一种改进的基于sift特征的图像配准算法 |
CN109035276A (zh) * | 2018-06-26 | 2018-12-18 | 北京中科慧眼科技有限公司 | 一种图像边缘提取方法、装置及自动驾驶系统 |
CN109584368A (zh) * | 2018-10-18 | 2019-04-05 | 中国科学院自动化研究所 | 生物样品三维结构的构建方法及装置 |
-
2019
- 2019-10-17 CN CN201910990159.5A patent/CN110751680A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002236908A (ja) * | 2001-02-09 | 2002-08-23 | Matsushita Electric Ind Co Ltd | サーチ用マスタ登録方法並びに物体の検索方法および検査方法 |
JP2006123554A (ja) * | 2004-10-28 | 2006-05-18 | Xerox Corp | 印刷装置において色を較正するための方法 |
CN102722879A (zh) * | 2012-06-13 | 2012-10-10 | 西安电子科技大学 | 基于目标提取和三维块匹配去噪的sar图像去斑方法 |
CN102819839A (zh) * | 2012-07-19 | 2012-12-12 | 北京市遥感信息研究所 | 多特征多级别的红外与高光谱图像的高精度配准方法 |
CN105427308A (zh) * | 2015-11-20 | 2016-03-23 | 中国地质大学(武汉) | 一种稀疏和稠密特征匹配结合的图像配准方法 |
CN107170001A (zh) * | 2017-04-25 | 2017-09-15 | 北京海致网聚信息技术有限公司 | 用于对图像进行配准的方法和装置 |
CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
CN107545567A (zh) * | 2017-07-31 | 2018-01-05 | 中国科学院自动化研究所 | 生物组织序列切片显微图像的配准方法及装置 |
CN107886530A (zh) * | 2017-12-11 | 2018-04-06 | 哈尔滨理工大学 | 一种改进的基于sift特征的图像配准算法 |
CN109035276A (zh) * | 2018-06-26 | 2018-12-18 | 北京中科慧眼科技有限公司 | 一种图像边缘提取方法、装置及自动驾驶系统 |
CN109584368A (zh) * | 2018-10-18 | 2019-04-05 | 中国科学院自动化研究所 | 生物样品三维结构的构建方法及装置 |
Non-Patent Citations (3)
Title |
---|
CE LIU ET AL.: "SIFT Flow: Dense Correspondence across Scenes and Its Applications", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
SCOTT SCHAEFER ET AL.: "Image deformation using moving least squares", 《ACM TRANSACTIONS ON GRAPHICS》 * |
柳杨: "《数字图像物体识别理论详解与实战》", 31 January 2018, 北京邮电大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022037232A1 (zh) * | 2020-08-21 | 2022-02-24 | 浙江商汤科技开发有限公司 | 三维重建中的图像分组方法及装置、电子设备和计算机可读存储介质 |
CN112767494A (zh) * | 2021-01-19 | 2021-05-07 | 中国科学院云南天文台 | 基于标定算法的精确测量定位方法 |
CN114820739A (zh) * | 2022-07-01 | 2022-07-29 | 浙江工商大学 | 一种面向多光谱相机的图像快速配准方法及装置 |
CN114820739B (zh) * | 2022-07-01 | 2022-10-11 | 浙江工商大学 | 一种面向多光谱相机的图像快速配准方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903327B (zh) | 一种稀疏点云的目标物尺寸测量方法 | |
CN109903313B (zh) | 一种基于目标三维模型的实时位姿跟踪方法 | |
CN109961506A (zh) | 一种融合改进Census图的局部场景三维重建方法 | |
CN109509163B (zh) | 一种基于fgf的多聚焦图像融合方法及系统 | |
CN113178009B (zh) | 一种利用点云分割和网格修补的室内三维重建方法 | |
CN110751680A (zh) | 一种具有快速对齐算法的图像处理方法 | |
Chai et al. | Stereo matching algorithm based on joint matching cost and adaptive window | |
CN111507921B (zh) | 一种基于低秩恢复的隧道点云去噪方法 | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN110717935B (zh) | 一种基于图像特征信息的图像匹配方法,装置与系统 | |
Rodriguez et al. | Two-dimensional gel electrophoresis image registration using block-matching techniques and deformation models | |
CN114549669B (zh) | 一种基于图像融合技术的彩色三维点云获取方法 | |
CN109064473B (zh) | 一种2.5d超声宽景图像分割方法 | |
Keaomanee et al. | Implementation of four kriging models for depth inpainting | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN112734816A (zh) | 基于CSS-Delaunay的异源图像配准方法 | |
Damjanović et al. | Local stereo matching using adaptive local segmentation | |
Dryanovski et al. | Real-time pose estimation with RGB-D camera | |
Laskov et al. | Curvature-based algorithms for nonrigid motion and correspondence estimation | |
CN111340741A (zh) | 基于四元数与l1范数的粒子群优化灰度图像增强方法 | |
Chowdhury et al. | Fast window based stereo matching for 3D scene reconstruction. | |
CN106056599B (zh) | 一种基于物体深度数据的物体识别算法及装置 | |
Javidnia et al. | A depth map post-processing approach based on adaptive random walk with restart | |
Mahmood et al. | Estimating shape from focus by Gaussian process regression | |
Li et al. | Depth image enhancement algorithm based on RGB image fusion |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |
|
RJ01 | Rejection of invention patent application after publication |