CN111311652A - 一种基于回归校正网络的声呐图像配准方法及系统 - Google Patents
一种基于回归校正网络的声呐图像配准方法及系统 Download PDFInfo
- Publication number
- CN111311652A CN111311652A CN202010058698.8A CN202010058698A CN111311652A CN 111311652 A CN111311652 A CN 111311652A CN 202010058698 A CN202010058698 A CN 202010058698A CN 111311652 A CN111311652 A CN 111311652A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- registration
- regression
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012937 correction Methods 0.000 title claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000001902 propagating effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于回归校正网络的声呐图像配准方法及系统。本发明涉及的一种基于回归校正网络的声呐图像配准方法，包括步骤：S11.创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；S12.创建3D投影变换的几何变换网络；S13.创建计算图像相似度的比较网络；S14.根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。本发明将复杂的配准任务分解为可以单独学习的两个简单子任务，通过组合技术优化配准结果。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于回归校正网络的声呐图像配准方法及系统。
背景技术
声呐是英文缩写“SONAR”的音译，其中文全称为：声音导航与测距，“SoundNavigation And Ranging”是一种利用声波在水下的传播特性，通过电声转换和信息处理，完成水下探测和通讯任务的电子设备。它有主动式和被动式两种类型，属于声学定位的范畴。声呐是利用水中声波对水下目标进行探测、定位和通信的电子设备，是水声学中应用最广泛、最重要的一种装置。
图像配准是将传感器在不同位置获取的图像转换到同一坐标系下的技术。通过图像配准获取的信息可用于水下航行器感知周围环境，能有效提高水下航行器的自主感知能力。
声呐图像配准是为了计算在不同时间或视点获取的声呐图像对的最佳全局变换模型，主要用于变化探测和差异分析，是声呐海洋探测的基本技术手段。水下环境由于其能见度低、无光照、会对水下照明系统发生散射等特点，传统的光学传感器用于水下图像获取存在许多挑战。由于侧扫声呐不受这些光学因素影响，使用它进行水下图像获取越来越受到重视，侧扫声呐配准技术也相应发展起来。
然而侧面扫描声呐成像有多径问题，由船速和偏转引起的非线性问题，环境和设备噪声问题。侧面扫描声呐图像配准还存在收集成本高，对比度和分辨率低以及视点依赖性强等方方面面的困难。
为了解决上述问题，现有的声呐配准方法有基于sfit旋转平移不变性能的配准以及基于sift的改进的配准方法；基于傅里叶梅林变换的配准方法以及使用阈值分割和相位相关技术的组合方法，以处理声呐图像配准中的弱纹理和强噪声问题等。随着深度网络的发展，有人提出使用神经网络进行声呐图像块匹配，但并没有对目标进行旋转、平移、缩放等操作，且存在图像块大小的选择。为了提高声呐图像的配准精度，在深度学习在计算机视觉领域表现良好的影响下，提出了一种基于回归校正网络的侧扫声呐图像配准方法。
发明内容
本发明的目的是针对现有技术的缺陷，提供了一种基于回归校正网络的声呐图像配准方法及系统，将复杂的配准任务分解为可以单独学习的两个简单子任务，通过组合技术优化配准结果。
为了实现以上目的，本发明采用以下技术方案：
一种基于回归校正网络的声呐图像配准方法，包括步骤：
S1.创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；
S2.创建3D投影变换的几何变换网络；
S3.创建计算图像相似度的比较网络；
S4.根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。
进一步的，所述步骤S1具体为利用几何变换网络生成图像的训练集，将所述生成的图像训练集传输至所述回归网络中进行预训练，得到3D投影变换参数的预测模型。
进一步的，所述将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：
其中，
f表示卷积网络；θ表示卷积网络的权重参数；μ表示地面实况标签；
表示神经网络预测值；IR表示参考图像；IT表示测试图像。
进一步的，所述步骤S2中创建的几何变换网络包括SE3层、小孔成像层、双线性插值层。
进一步的，所述步骤S3中创建计算图像相似度的比较网络，产生比较网络的损失函数，表示为：
其中，I′T表示测试图像IT转换后的配准图像；mR表示参考图像IR的平均值；mT表示是配准图像I′T的平均值；
是配准图像I′T的方差；σRT表示参考图像IR和配准图像I′T的协方差；c1和c2表示常数。
进一步的，所述步骤S4具体为比较网络计算配准图像和参考图像的相似度，并根据所述相似度定义比较网络的损失函数，通过反向传播和迭代校正预测模型的参数得到图像的配准。
相应的，还提供一种基于回归校正网络的声呐图像配准系统，包括：
第一创建模块，用于创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；
第二创建模块，用于创建3D投影变换的几何变换网络；
第三创建模块，用于创建计算图像相似度的比较网络；
比较模块，用于根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。
进一步的，所述第一创建模块具体为利用几何变换网络生成图像的训练集，将所述生成的图像训练集传输至所述回归网络中进行预训练，得到3D投影变换参数的预测模型。
进一步的，所述将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：
其中，
f表示卷积网络；θ表示卷积网络的权重参数；μ表示地面实况标签；
表示神经网络预测值；IR表示参考图像；IT表示测试图像。
进一步的，所述第三创建模块中创建计算图像相似度的比较网络，产生比较网络的损失函数，表示为：
其中，I′T表示测试图像IT转换后的配准图像；mR表示参考图像IR的平均值；mT表示是配准图像I′T的平均值；
是配准图像I′T的方差；σRT表示参考图像IR和配准图像I′T的协方差；c1和c2表示常数。
与现有技术相比，本发明所提出的方法以分级处理方式，将复杂的配准任务分解为可以单独学习的两个简单子任务，通过组合技术优化配准结果。网络训练中通过独立的预训练和联合训练，减少了对大型训练数据集的依赖。在预训练时对图片加入了线条检测和坐标层信息，提高了算法对弱纹理，低分辨率和噪声的适应性，并提高了复杂形变声呐图像的配准性能。
附图说明
图1是实施例一提供的一种基于回归校正网络的声呐图像配准方法流程图；
图2为实施例一提供的回归校正网络结构示意图；
图3为实施例一提供的回归网络示意图；
图4为实施例一提供的比较网络示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷，提供了一种基于回归校正网络的声呐图像配准方法及系统。
实施例一
本实施例提供一种基于回归校正网络的声呐图像配准方法，如图1-4所示，包括步骤：
S11.创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；
S12.创建3D投影变换的几何变换网络；
S13.创建计算图像相似度的比较网络；
S14.根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。
在步骤S11中，创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型。
具体为利用几何变换网络生成图像的训练集，将生成的图像训练集传输至所述回归网络中进行预训练，得到3D投影变换参数的预测模型。
在本实施例中，设计用于估计3D投影变换参数的回归网络；利用几何变换网络生成训练集，参与完成回归网络的预训练，得到3D投影变换参数预测模型。
回归网络的输入有6个通道，包括两个图像通道，两个对应于参考图像的线特征通道和两个坐标通道。回归网络的输出是一个10维向量：三个3D旋转参数和三个3D平移参数用来进行SE3变换，两个平移参数和两个缩放参数用来进行投影变换(也称小孔成像层)。回归网络由13个层组成，包括5个卷积和线性整流函数(ReLU)层，5个最大池化层和3个完全连接的层。输入张量尺寸为200×200×6，池化层和完全连接层的张量尺寸为：
128×100×100，256×50×50,512×25×25,
512×12×12,512×6×6,1×4096,1×200,1×10
对于所有卷积层，卷积核的大小为5，卷积核的步幅为1，两侧的填充为2。第四层池化层的核大小为3，其余池化层的核大小为2，所有池化层的步幅为2。
网络输出的旋转和平移参数与图像的空间坐标信息有关。池化层处理导致空间坐标信息的丢失，因此网络使用较多的完全连接层。参考图像的x，y坐标层作为两个通道连接到网络输入。声呐图像的纹理相对较弱，因此需要在声呐图像上另外进行线提取，并在网络输入中添加两个线特征通道以增强图像纹理的作用。
在本实施例中，将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，回归网络的损失函数为：
其中，
f表示卷积网络，可以使用Adam优化器进行优化训练；θ表示卷积网络的权重参数；μ表示地面实况标签；
表示神经网络预测值；μ和
可以通过最小化和的均方误差来优化参数；IR表示参考图像；IT表示测试图像。初始学习率设置为10-4。对于训练样本，由于GPU上的内存资源有限，批次的大小选择为8。
在步骤S12中，创建3D投影变换的几何变换网络。
其中，创建的几何变换网络包括SE3层、小孔成像层、双线性插值层。
在本实施例中，SE3层执行3D旋转和平移处理，可以表示为4×4矩阵C，
3D旋转由具有三个自由度的3×3矩阵R表示。3D平移由3×1向量t表示，t＝[t1,t2,t3]T。基于欧拉定理，旋转矩阵可以通过旋转轴和围绕它的角度(称为角度轴表示)来描述。三维旋转矢量v是旋转矩阵R的紧凑表示，旋转轴
是其单位矢量，旋转角θ是其大小，可以表示为：
绕轴逆时针旋转定义为正方向。旋转角度始终为非负值，最大为π，θ∈[0,π)。对于三维矢量v，旋转矩阵R的计算如下：
其中，
是斜对称矩阵：
使用罗德里格斯的旋转公式，公式(3)可以简化为：
其中，I3是3×3单位矩阵。
为了实现网络层的反向传播，它需要计算网络输出到网络输入的导数，导数可以表示为：
其中：
与上面相同，[]×是3×3斜对称矩阵，ei是单位矩阵的第i列。但是，由于需要将导数计算除以矢量范数，因此需要设置阈值来检查矢量范数，以避免导数计算的溢出。
在本实施例中，投影层(即小孔成像层)通过焦距和相机中心点位置将3D点[x1,x2,x3]T映射到2D点u＝[u1,u2]T：
其中，f1和f2代表相机沿x和y轴的焦距。p1和p2代表相机的中心点，其数值等于图像大小的一半。[x1,x2,x3]T的导数可以表示为：
其中：
但是，由于需要将导数计算除以x3，因此必须确保的x3值不会太小，以避免导数计算的溢出。
在步骤S13中，创建计算图像相似度的比较网络。
在本实施例中，创建计算图像相似度的比较网络，产生比较网络的损失函数，表示为：
其中，I′T表示测试图像IT转换后的配准图像；mR表示参考图像IR的平均值；mT表示是配准图像I′T的平均值；
是配准图像I′T的方差；σRT表示参考图像IR和配准图像I′T的协方差；c1和c2表示常数。
在步骤S14中，根据得到的预测模型的参数和几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。
比较网络计算配准图像和参考图像的相似度，并根据所述相似度定义比较网络的损失函数，通过反向传播和迭代校正预测模型的参数得到图像的配准。
比较网络接收配准后图像和参考图像，并基于图像的相似性定义损失函数。它不断迭代优化损失函数，以校正几何变换模型参数。最大化图像相似度以实现声呐图像精确配准。
与现有技术相比，本发明所提出的方法以分级处理方式，将复杂的配准任务分解为可以单独学习的两个简单子任务，通过组合技术优化配准结果。网络训练中通过独立的预训练和联合训练，减少了对大型训练数据集的依赖。在预训练时对图片加入了线条检测和坐标层信息，提高了算法对弱纹理，低分辨率和噪声的适应性，并提高了复杂形变声呐图像的配准性能。
实施例二
本实施例提供一种基于回归校正网络的声呐图像配准系统，包括：
第一创建模块，用于创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；
第二创建模块，用于创建3D投影变换的几何变换网络；
第三创建模块，用于创建计算图像相似度的比较网络；
比较模块，用于根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。
在本实施例中，第一创建模块具体为利用几何变换网络生成图像的训练集，将所述生成的图像训练集传输至所述回归网络中进行预训练，得到3D投影变换参数的预测模型。
在本实施例中，将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：
其中，
f表示卷积网络；θ表示卷积网络的权重参数；μ表示地面实况标签；
表示神经网络预测值；IR表示参考图像；IT表示测试图像。
在本实施例中，第二创建模块中创建的几何变换网络包括SE3层、小孔成像层、双线性插值层。
在本实施例中，第三创建模块中创建计算图像相似度的比较网络，产生比较网络的损失函数，表示为：
其中，I′T表示测试图像IT转换后的配准图像；mR表示参考图像IR的平均值；mT表示是配准图像I′T的平均值；
是配准图像I′T的方差；σRT表示参考图像IR和配准图像I′T的协方差；c1和c2表示常数。
在本实施例中，比较模块具体为比较网络计算配准图像和参考图像的相似度，并根据所述相似度定义比较网络的损失函数，通过反向传播和迭代校正预测模型的参数得到图像的配准。
需要说明的是，本实施例提供的一种基于回归校正网络的声呐图像配准系统与实施例一类似，在此不多做赘述。
与现有技术相比，本实施例所提出的方法以分级处理方式，将复杂的配准任务分解为可以单独学习的两个简单子任务，通过组合技术优化配准结果。网络训练中通过独立的预训练和联合训练，减少了对大型训练数据集的依赖。在预训练时对图片加入了线条检测和坐标层信息，提高了算法对弱纹理，低分辨率和噪声的适应性，并提高了复杂形变声呐图像的配准性能。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于回归校正网络的声呐图像配准方法，其特征在于，包括步骤：
S1.创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；
S2.创建3D投影变换的几何变换网络；
S3.创建计算图像相似度的比较网络；
S4.根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。
2.根据权利要求1所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，所述步骤S1具体为利用几何变换网络生成图像的训练集，将所述生成的图像训练集传输至所述回归网络中进行预训练，得到3D投影变换参数的预测模型。
3.根据权利要求2所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，所述将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：
其中，
f表示卷积网络；θ表示卷积网络的权重参数；μ表示地面实况标签；
表示神经网络预测值；IR表示参考图像；IT表示测试图像。
4.根据权利要求1所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，所述步骤S2中创建的几何变换网络包括SE3层、小孔成像层、双线性插值层。
5.根据权利要求3所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，所述步骤S3中创建计算图像相似度的比较网络，产生比较网络的损失函数，表示为：
其中，I′T表示测试图像IT转换后的配准图像；mR表示参考图像IR的平均值；mT表示是配准图像I′T的平均值；
是配准图像I′T的方差；σRT表示参考图像IR和配准图像I′T的协方差；c1和c2表示常数。
6.根据权利要求5所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，其特征在于，所述步骤S4具体为比较网络计算配准图像和参考图像的相似度，并根据所述相似度定义比较网络的损失函数，通过反向传播和迭代校正预测模型的参数得到图像的配准。
7.一种基于回归校正网络的声呐图像配准系统，其特征在于，包括：
第一创建模块，用于创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；
第二创建模块，用于创建3D投影变换的几何变换网络；
第三创建模块，用于创建计算图像相似度的比较网络；
比较模块，用于根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。
8.根据权利要求7所述的一种基于回归校正网络的声呐图像配准系统，其特征在于，所述第一创建模块具体为利用几何变换网络生成图像的训练集，将所述生成的图像训练集传输至所述回归网络中进行预训练，得到3D投影变换参数的预测模型。
9.根据权利要求8所述的一种基于回归校正网络的声呐图像配准系统，其特征在于，所述将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：
其中，
f表示卷积网络；θ表示卷积网络的权重参数；μ表示地面实况标签；
表示神经网络预测值；IR表示参考图像；IT表示测试图像。
10.根据权利要求9所述的一种基于回归校正网络的声呐图像配准系统，其特征在于，所述第三创建模块中创建计算图像相似度的比较网络，产生比较网络的损失函数，表示为：
其中，I′T表示测试图像IT转换后的配准图像；mR表示参考图像IR的平均值；mT表示是配准图像I′T的平均值；
是配准图像I′T的方差；σRT表示参考图像IR和配准图像I′T的协方差；c1和c2表示常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010058698.8A CN111311652B (zh) | 2020-01-19 | 2020-01-19 | 一种基于回归校正网络的声呐图像配准方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010058698.8A CN111311652B (zh) | 2020-01-19 | 2020-01-19 | 一种基于回归校正网络的声呐图像配准方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111311652A true CN111311652A (zh) | 2020-06-19 |
| CN111311652B CN111311652B (zh) | 2023-04-18 |
Family
ID=71160036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010058698.8A Active CN111311652B (zh) | 2020-01-19 | 2020-01-19 | 一种基于回归校正网络的声呐图像配准方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311652B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115731146A (zh) * | 2022-12-26 | 2023-03-03 | 中国人民解放军战略支援部队航天工程大学 | 基于色彩梯度直方图特征光流估计多曝光图像融合方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
| CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
| CN108596030A (zh) * | 2018-03-20 | 2018-09-28 | 杭州电子科技大学 | 基于Faster R-CNN的声呐目标检测方法 |
| US20190026917A1 (en) * | 2017-07-18 | 2019-01-24 | Qualcomm Incorporated | Learning geometric differentials for matching 3d models to objects in a 2d image |
| CN110544274A (zh) * | 2019-07-18 | 2019-12-06 | 山东师范大学 | 一种基于多光谱的眼底图像配准方法及系统 |
-
2020
- 2020-01-19 CN CN202010058698.8A patent/CN111311652B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
| US20190026917A1 (en) * | 2017-07-18 | 2019-01-24 | Qualcomm Incorporated | Learning geometric differentials for matching 3d models to objects in a 2d image |
| CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
| CN108596030A (zh) * | 2018-03-20 | 2018-09-28 | 杭州电子科技大学 | 基于Faster R-CNN的声呐目标检测方法 |
| CN110544274A (zh) * | 2019-07-18 | 2019-12-06 | 山东师范大学 | 一种基于多光谱的眼底图像配准方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张楷涵;袁飞;程恩;: "侧扫声呐图像噪声模型的分析" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115731146A (zh) * | 2022-12-26 | 2023-03-03 | 中国人民解放军战略支援部队航天工程大学 | 基于色彩梯度直方图特征光流估计多曝光图像融合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111311652B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Synthetic aperture sonar track registration using SIFT image correspondences | |
| CN104395932A (zh) | 对准数据的方法 | |
| CN110663060B (zh) | 一种用于表示环境元素的方法、装置、系统、以及车辆/机器人 | |
| Henson et al. | Attitude-trajectory estimation for forward-looking multibeam sonar based on acoustic image registration | |
| Aykin et al. | On feature extraction and region matching for forward scan sonar imaging | |
| JP7173471B2 (ja) | ３次元位置推定装置及びプログラム | |
| Fusiello et al. | Augmented scene modeling and visualization by optical and acoustic sensor integration | |
| Yang et al. | An extrinsic calibration method with closed-form solution for underwater opti-acoustic imaging system | |
| CN111311652B (zh) | 一种基于回归校正网络的声呐图像配准方法及系统 | |
| CN116129037A (zh) | 视触觉传感器及其三维重建方法、系统、设备及存储介质 | |
| CN113256697B (zh) | 水下场景的三维重建方法、系统、装置和存储介质 | |
| JP4921847B2 (ja) | 対象物の三次元位置推定装置 | |
| Negahdaripour et al. | Opti-acoustic stereo imaging, system calibration and 3-d reconstruction | |
| Sekkati et al. | 3-D motion estimation for positioning from 2-D acoustic video imagery | |
| CN116958434A (zh) | 多视图三维重建方法、测量方法及系统 | |
| CN116363205A (zh) | 基于深度学习的空间目标位姿解算方法及计算机程序产品 | |
| CN116188545A (zh) | 基于imu和里程计的红外与可见光传感器在线配准方法 | |
| Gracias et al. | Application challenges of underwater vision | |
| Sadjoli et al. | PCD reconstruction, object classification and pose estimation for underwater vehicles using orthogonal multibeam forward looking sonar fusion | |
| CN112907728B (zh) | 基于摄像头和边缘计算的船舶场景还原和定位方法及系统 | |
| Negahdaripour et al. | 3-D motion estimation by integrating visual cues in 2-D multi-modal opti-acoustic stereo sequences | |
| Kallasi et al. | Object detection and pose estimation algorithms for underwater manipulation | |
| Ferreira et al. | Comparison between feature-based and phase correlation methods for ROV vision-based speed estimation | |
| CN114972451A (zh) | 一种基于旋转不变的SuperGlue匹配的遥感影像配准方法 | |
| CN116152334A (zh) | 图像处理方法及相关设备 |
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 |