CN111462195A - 基于主线约束的非规则角度方向代价聚合路径确定方法 - Google Patents

基于主线约束的非规则角度方向代价聚合路径确定方法 Download PDF

Info

Publication number
CN111462195A
CN111462195A CN202010275229.1A CN202010275229A CN111462195A CN 111462195 A CN111462195 A CN 111462195A CN 202010275229 A CN202010275229 A CN 202010275229A CN 111462195 A CN111462195 A CN 111462195A
Authority
CN
China
Prior art keywords
aggregation
determining
image
cost
main line
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
Application number
CN202010275229.1A
Other languages
English (en)
Other versions
CN111462195B (zh
Inventor
李欣
皮英冬
杨博
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010275229.1A priority Critical patent/CN111462195B/zh
Publication of CN111462195A publication Critical patent/CN111462195A/zh
Application granted granted Critical
Publication of CN111462195B publication Critical patent/CN111462195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing

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

本发明提供一种基于主线约束的非规则角度方向代价聚合方法，用于遥感影像立体匹配处理，包括对于一个经过核线重采样的立体像对，采用匹配测度计算基准影像每个像素对应的初始匹配代价；确定非规则方向聚合的起始点，包括先先将0‑360度方向划分为0‑90、90‑180、180‑270以及270‑360四组，根据代价聚合的方向确定聚合的起始点，包括设方向在0‑90、90‑180、180‑270以及270‑360的起始点分别为左上点、右上点、右下点以及左下点；根据代价聚合方向确定聚合的主线的方程，并根据方程确定主线方向的代价聚合路径；根据主线将影像划分为上下两部分，确定相邻路线上代价聚合的路径并标记，然后依次确定影像范围所有的代价聚合路径，当到达影像边缘时，则完成整景影像上所有聚合路径的确定。

Description

基于主线约束的非规则角度方向代价聚合路径确定方法
技术领域
本发明属于遥感影像处理领域，涉及一种基于主线约束的非规则角度方向代价聚合路径确定方法。
背景技术
代价聚合是遥感影像立体匹配处理的一个重要环节，可以是使聚合后的代价值能够更准确地反应像素之间的相关性，改善匹配后视差图的效果。在Semi-Global Matching(SGM)半全局匹配中，通常在8-16个方向聚合代价以获取较好的匹配效果，通常前8个方向采用具有规则角度的左右两个方向，上下两个方向，主对角线两个方向以及副对角线两个方向。这8个方向的聚合比较简单，可以很容易的找到当前像素在某一聚合方向下的下一个像素，而对于不规则方向的聚合却比较复杂，首先，聚合方向的下一个像素不易确定，其次在整景影像聚合后，在这些方向上容易出现漏掉一些像素的问题。因而，本领域亟待出现新的有效技术方案。
发明内容
本发明所要解决的问题是遥感影像立体匹配处理中半全局匹配中非规则角度方向代价聚合的问题。
本发明的技术方案提供一种基于主线约束的非规则角度方向代价聚合方法，用于遥感影像立体匹配处理，包括以下步骤，
步骤1，对于一个经过核线重采样的立体像对，采用匹配测度计算基准影像每个像素对应的初始匹配代价；
步骤2，确定非规则方向聚合的起始点，包括先先将0-360度方向划分为0-90、90-180、180-270以及270-360四组，根据代价聚合的方向确定聚合的起始点，包括设方向在0-90、90-180、180-270以及270-360的起始点分别为左上点、右上点、右下点以及左下点；
步骤3，根据代价聚合方向确定聚合的主线的方程，并根据方程确定主线方向的代价聚合路径；
步骤4，根据主线将影像划分为上下两部分，以确定的主线聚合路径为指导，确定相邻路线上代价聚合的路径并标记，然后依次确定影像范围所有的代价聚合路径，当到达影像边缘时，则完成整景影像上所有聚合路径的确定。
而且，步骤1中，采用基于Census的匹配测度实现。
或者，步骤1中，采用基于互信息的匹配测度实现。
而且，步骤3中，根据代价聚合方向确定聚合的主线的方程实现如下，
将影像的左上点作为坐标原点，行方向作为X轴，列方向作为Y轴，该聚合方向上起始点坐标为(s,l)，
y＝tan(α·π/180)·x+l-tan(α·π/180)·s
其中，x表示影像的列号，y表示影像的行号；
根据方程确定主线方向的代价聚合路径实现如下，
1)在0°～90°内，若α＜45°则以x为自变量，若α＞45°则以y为自变量；
2)在90°～180°内，若α＜135°则以y为自变量，若α＞135°则以x为自变量；
3)在180°～270°内，若α＜225°则以x为自变量，若α＞225°则以y为自变量；
4)在270°～360°内，若α＜315°则以y为自变量，若α＞315°则以x为自变量；
通过逐像素改变自变量的值，在主线方向得到一系列位置连续的像素，进而确定主线方向代价聚合的路径。
而且，步骤4中，确定相邻路线上代价聚合的路径，实现方式为，在主线约束下逐像素增长。
或者，步骤4中，确定相邻路线上代价聚合的路径，实现方式为，将主线路径沿着主线两侧逐像素平移。
本发明的优点在于：可根据指定的任意聚合方向(0°～360°)简单的实现在非规则方向上匹配代价的聚合，涉及较少的计算，具有较好的时效性，且不会出现点位重复计算和点位漏算的问题，提高遥感影像立体匹配处理的精确度。
附图说明
图1为本发明实施例的流程示意图，
图2为本发明实施例聚合方向在0°～90°时采用逐像素增长的方法确定代价聚合路径的示意图，
图3为本发明实施例聚合方向在90°～180°时采用逐像素增长的方法确定代价聚合路径的示意图，
图4为本发明实施例聚合方向在180°～270°时采用逐像素增长的方法确定代价聚合路径的示意图，
图5为本发明实施例聚合方向在270°～360°时采用逐像素增长的方法确定代价聚合路径的示意图。
具体实施方式
以下结合附图和实施例详细说明本发明具体技术方案。
本发明提出一种用于遥感影像立体匹配处理的基于主线约束的非规则角度方向代价聚合方法。本发明将非规则的聚合方向划分为4组，在每组内采用起始点确定、主线聚合以及主线约束聚合三步实现该方向上匹配代价的聚合，在每组主线的约束下以一定的规则完成聚合路径的确定，且不会出现点位重复计算和点位漏算的问题。
参见图1，实施例提供一种基于主线约束的非规则角度方向代价聚合方法，包括流程如下：
步骤1，对于一个经过核线重采样的立体像对(基准影像和匹配影像)，采用一定的匹配测度(例如Census或互信息)计算基准影像每个像素对应的初始匹配代价；
其中，Census表示统计，是使用像素邻域内的局部灰度差异将像素灰度转换为比特串，思路非常简单，通过将邻域窗口(窗口大小为n×m，n和m都为奇数)内的像素灰度值与窗口中心像素的灰度值进行比较，将比较得到的布尔值映射到一个比特串中，最后用比特串的值作为中心像素的Census变换值Cs。
基于互信息(Mutual Information，MI)的匹配测度计算算法来计算匹配代价，互信息是一种对影像明暗变化不敏感的相关性测度，它通过两张影像各自的熵H以及两者的联合熵来定义，熵代表影像的信息量，是基于灰度的概率分布所得到的统计量，图像的熵越大代表包含的像素灰度越丰富，灰度分布越均匀。
具体实施时，基于Census或互信息的匹配测度实现方式可参见现有技术，本发明不予赘述：
ZABIH R,WOODFILL J.Non-parametric local transforms for computingvisual correspondence[M].1994:151-158.
HIRSCHMULLER H.Accurate and Efficient Stereo Processing by Semi-Global Matching and Mutual Information:Computer Vision and PatternRecognition,2005.CVPR 2005.IEEE Computer Society Conference on,2005.
步骤2，确定非规则方向聚合的起始点，包括先将0°～360°度方向划分为0°～90°、90°～180°、180°～270°以及270°～360°四组，根据聚合的方向角α(0°＜α＜360°)，判断给定的聚合方向属于哪一组，方向在0°～90°、90°～180°、180°～270°以及270°～360°的起始点分别为左上点、右上点、右下点以及左下点；
步骤3，根据代价聚合方向确定聚合的主线的方程，并根据方程确定主线方向的代价聚合路径；
实施例中，首先将影像的左上点作为坐标原点，行方向作为X轴，列方向作为Y轴，该聚合方向上起始点坐标为(s,l)，
对于0°～90°组，其起始点分别为左上点，则此时(s,l)为(0.5,0.5)；
对于90°～180°组，其起始点分别为右上点，则此时(s,l)为(w-0.5,0.5)；
对于180°～270°组，其起始点分别为右下点，则此时(s,l)为(h-0.5,w-0.5)；
对于270°～360°组，其起始点分别为左下点，则此时(s,l)为(0.5,h-0.5)；
其中w和h分别为影像的宽和高，根据聚合的方向角α，可确定主线的斜率为tan(α·π/180)，进而可根据斜率和起始点的坐标确定主线的方程，如下：
y＝tan(α·π/180)·x+l-tan(α·π/180)·s (1)
其中，x表示影像的列号，y表示影像的行号。
然后，进行主线方向代价聚合路径确定，包括在根据代价聚合方向确定聚合的主线的方程后，根据方程确定主线方向的代价聚合路径；
实施例中，根据主线方程确定主线方向代价聚合的路径，采用的方法为以x或y为自变量，并根据方程解算相应的因变量y或x，进而确定与主线相交的像素，以哪个参数为自变量主要取决于聚合的方向角，需要保证得到的路径是连续不间断的，具体原则如下：
5)在0°～90°内，若α＜45°则以x为自变量，若α＞45°则以y为自变量；
6)在90°～180°内，若α＜135°则以y为自变量，若α＞135°则以x为自变量；
7)在180°～270°内，若α＜225°则以x为自变量，若α＞225°则以y为自变量；
8)在270°～360°内，若α＜315°则以y为自变量，若α＞315°则以x为自变量；
通过逐像素改变自变量的值，便可在主线方向得到一系列位置连续的像素，进而确定主线方向代价聚合的路径。
步骤4，根据主线将影像划分为上下两部分，以确定的主线聚合路径为指导，以一定规则确定其相邻路线上代价聚合的路径并标记，然后依次确定影像范围所有的代价聚合路径，当到达影像边缘时，则完成整景影像上所有聚合路径的确定。
一)基于主线约束的相邻聚合路径确定
在主线的聚合路径基础下确定相邻像素对应的匹配代价的聚合路径，本发明优选提供两种聚合路径的确定方法，一种是基于主线路径整体平移的方法，一种是在主线约束下逐像素增长的路径确定方法，两种方法均需首先基于主线的路径将影像平面划分上下两部分，两种方法具体如下：
1)第一种在主线约束下逐像素增长的路径确定方法，
Figure BDA0002444530650000051
如图2，对于在0°～90°内的代价聚合方向，首先在主线的起始点两侧确定相邻路径的起始点，在主线起始点两侧的影像边缘沿行方向和列方向查找第一个未被标记的点即为两侧下一个路径的起始点，对于上侧的起始点，依次查找与其相邻的下侧点，右下点以及右侧点，三个点中第一个未被标记的点即为聚合路径上起始点的下一个点(当前点)，然后基于当前点再依次查找与其相邻的下侧点，右下点以及右侧点，三个点中第一个未被标记的点即为聚合路径上当前点的下一个点(当前点)，依次查找并标记确定的点位，直到影像边缘即完成一条路径的确定，然后再确定下一条路径的起始点，采用相同的方法确定其路径，这里不再赘述。对于位于下侧的起始点，代价聚合方向确定的方法与上侧相同，唯一差异在于点位查找的次序为右侧点、右下点以及下侧点，其他相同，这里不再赘述。
Figure BDA0002444530650000052
如图3，4，5，对于在90°～180°，180°～270°以及270°～360°内的代价聚合方向，其相邻聚合路径的确定方法与图2的0°～90°内的方法相同，唯一差异仍为点位查找的次序，具体如下：
在90°～180°内，主线上侧的顺序依次为下侧点、左下点以及左侧点；主线下侧的顺序依次为左侧点、左下点以及下侧点；
在180°～270°内，主线上侧的顺序依次为左侧点、左上点以及上侧点；主线下侧的顺序依次为上侧点、左上点以及左侧点；
在270°～360°内，主线上侧的顺序依次为右侧点、右上点以及上侧点；主线下侧的顺序依次为上侧点、右上点以及右侧点；
2)第二种方法较简单，只需将主线路径沿着主线两侧逐像素平移，对于主对角线方向的主线(在0°～90°或180°～270°内)，对于上侧和下侧分别沿着向上和向下的方向平移，平移一个像素后保留在影像范围内像素即可得到与主线相邻的路径，然后再平移该新路径同样一个像素，并保留在影像范围内像素即可得到与该路径相邻的路径，依次平移当前路径得到下一条相邻路径，直到影像边缘，对于主线上下两侧采用相同的方法即可依次得到覆盖整景影像的聚合路径，对于副对角线方向的主线(在90°～180°或270°～360°内)，则分别沿左右方向平移，其他与上述相同，这里不再赘述。
二)结束的判断
将得到的当前起始点或当前的路径为约束，采用一)中的方法依次确定相邻的路径直到到达影像的边缘，即完成整景影像上该方向聚合路径的确定。
具体实施时，以上流程可采用计算机软件技术实现自动运行，运行方法的系统装置也应当在本发明的保护范围内。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于主线约束的非规则角度方向代价聚合方法，用于遥感影像立体匹配处理，其特征在于：包括以下步骤，
步骤1，对于一个经过核线重采样的立体像对，采用匹配测度计算基准影像每个像素对应的初始匹配代价；
步骤2，确定非规则方向聚合的起始点，包括先先将0-360度方向划分为0-90、90-180、180-270以及270-360四组，根据代价聚合的方向确定聚合的起始点，包括设方向在0-90、90-180、180-270以及270-360的起始点分别为左上点、右上点、右下点以及左下点；
步骤3，根据代价聚合方向确定聚合的主线的方程，并根据方程确定主线方向的代价聚合路径；
步骤4，根据主线将影像划分为上下两部分，以确定的主线聚合路径为指导，确定相邻路线上代价聚合的路径并标记，然后依次确定影像范围所有的代价聚合路径，当到达影像边缘时，则完成整景影像上所有聚合路径的确定。
2.根据权利要求1所述基于主线约束的非规则角度方向代价聚合方法，其特征在于：步骤1中，采用基于Census的匹配测度实现。
3.根据权利要求1所述基于主线约束的非规则角度方向代价聚合方法，其特征在于：步骤1中，采用基于互信息的匹配测度实现。
4.根据权利要求1或2或3所述基于主线约束的非规则角度方向代价聚合方法，其特征在于：步骤3中，根据代价聚合方向确定聚合的主线的方程实现如下，
将影像的左上点作为坐标原点，行方向作为X轴，列方向作为Y轴，该聚合方向上起始点坐标为(s,l)，
y＝tan(α·π/180)·x+l-tan(α·π/180)·s
其中，x表示影像的列号，y表示影像的行号；
根据方程确定主线方向的代价聚合路径实现如下，
1)在0°～90°内，若α＜45°则以x为自变量，若α＞45°则以y为自变量；
2)在90°～180°内，若α＜135°则以y为自变量，若α＞135°则以x为自变量；
3)在180°～270°内，若α＜225°则以x为自变量，若α＞225°则以y为自变量；
4)在270°～360°内，若α＜315°则以y为自变量，若α＞315°则以x为自变量；
通过逐像素改变自变量的值，在主线方向得到一系列位置连续的像素，进而确定主线方向代价聚合的路径。
5.根据权利要求4所述基于主线约束的非规则角度方向代价聚合方法，其特征在于：步骤4中，确定相邻路线上代价聚合的路径，实现方式为，在主线约束下逐像素增长。
6.根据权利要求4所述基于主线约束的非规则角度方向代价聚合方法，其特征在于：步骤4中，确定相邻路线上代价聚合的路径，实现方式为，将主线路径沿着主线两侧逐像素平移。
CN202010275229.1A 2020-04-09 2020-04-09 基于主线约束的非规则角度方向代价聚合路径确定方法 Active CN111462195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010275229.1A CN111462195B (zh) 2020-04-09 2020-04-09 基于主线约束的非规则角度方向代价聚合路径确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010275229.1A CN111462195B (zh) 2020-04-09 2020-04-09 基于主线约束的非规则角度方向代价聚合路径确定方法

Publications (2)

Publication Number Publication Date
CN111462195A true CN111462195A (zh) 2020-07-28
CN111462195B CN111462195B (zh) 2022-06-07

Family

ID=71685187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010275229.1A Active CN111462195B (zh) 2020-04-09 2020-04-09 基于主线约束的非规则角度方向代价聚合路径确定方法

Country Status (1)

Country Link
CN (1) CN111462195B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112256431A (zh) * 2020-10-23 2021-01-22 展讯通信(天津)有限公司 代价聚合方法及装置、存储介质、终端

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761739A (zh) * 2014-01-23 2014-04-30 武汉大学 一种基于半全局能量优化的影像配准方法
CN104820991A (zh) * 2015-05-15 2015-08-05 武汉大学 一种基于代价矩阵的多重软约束立体匹配方法
CN105160702A (zh) * 2015-08-20 2015-12-16 武汉大学 基于LiDAR点云辅助的立体影像密集匹配方法及系统
CN105205808A (zh) * 2015-08-20 2015-12-30 武汉大学 基于多特征多约束的多视影像密集匹配融合方法及系统
US20160048970A1 (en) * 2014-08-15 2016-02-18 Maziar Loghman Multi-resolution depth estimation using modified census transform for advanced driver assistance systems
WO2016180325A1 (zh) * 2015-05-12 2016-11-17 努比亚技术有限公司 图像处理方法及装置
CN106530337A (zh) * 2016-10-31 2017-03-22 武汉市工程科学技术研究院 基于图像灰度引导的非局部立体像对密集匹配方法
CN107220997A (zh) * 2017-05-22 2017-09-29 成都通甲优博科技有限责任公司 一种立体匹配方法及系统
CN107578429A (zh) * 2017-07-14 2018-01-12 武汉市工程科学技术研究院 基于动态规划和全局代价累积路径的立体影像密集匹配方法
CN108596975A (zh) * 2018-04-25 2018-09-28 华南理工大学 一种针对弱纹理区域的立体匹配算法
CN109978934A (zh) * 2019-03-04 2019-07-05 北京大学深圳研究生院 一种基于匹配代价加权的双目视觉立体匹配方法及系统
CN110310320A (zh) * 2019-07-09 2019-10-08 南京美基森信息技术有限公司 一种双目视觉匹配代价聚合优化方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761739A (zh) * 2014-01-23 2014-04-30 武汉大学 一种基于半全局能量优化的影像配准方法
US20160048970A1 (en) * 2014-08-15 2016-02-18 Maziar Loghman Multi-resolution depth estimation using modified census transform for advanced driver assistance systems
WO2016180325A1 (zh) * 2015-05-12 2016-11-17 努比亚技术有限公司 图像处理方法及装置
CN104820991A (zh) * 2015-05-15 2015-08-05 武汉大学 一种基于代价矩阵的多重软约束立体匹配方法
CN105160702A (zh) * 2015-08-20 2015-12-16 武汉大学 基于LiDAR点云辅助的立体影像密集匹配方法及系统
CN105205808A (zh) * 2015-08-20 2015-12-30 武汉大学 基于多特征多约束的多视影像密集匹配融合方法及系统
CN106530337A (zh) * 2016-10-31 2017-03-22 武汉市工程科学技术研究院 基于图像灰度引导的非局部立体像对密集匹配方法
CN107220997A (zh) * 2017-05-22 2017-09-29 成都通甲优博科技有限责任公司 一种立体匹配方法及系统
CN107578429A (zh) * 2017-07-14 2018-01-12 武汉市工程科学技术研究院 基于动态规划和全局代价累积路径的立体影像密集匹配方法
CN108596975A (zh) * 2018-04-25 2018-09-28 华南理工大学 一种针对弱纹理区域的立体匹配算法
CN109978934A (zh) * 2019-03-04 2019-07-05 北京大学深圳研究生院 一种基于匹配代价加权的双目视觉立体匹配方法及系统
CN110310320A (zh) * 2019-07-09 2019-10-08 南京美基森信息技术有限公司 一种双目视觉匹配代价聚合优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALAN J.CHANG等: "Optimal curvature and gradient-constrained directional cost paths in 3-space", 《J GLOB OPTIM》 *
卢阿丽等: "一种基于方向能量聚集的立体匹配算法", 《计算机科学》 *
岳庆兴等: "基于半全局优化的资源三号卫星影像DSM提取方法", 《武汉大学学报(信息科学版)》 *
朱庆等: "顾及纹理特征的航空影像自适应密集匹配方法", 《测绘学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112256431A (zh) * 2020-10-23 2021-01-22 展讯通信(天津)有限公司 代价聚合方法及装置、存储介质、终端
CN112256431B (zh) * 2020-10-23 2023-03-14 展讯通信(天津)有限公司 代价聚合方法及装置、存储介质、终端

Also Published As

Publication number Publication date
CN111462195B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN109255811B (zh) 一种基于可信度图视差优化的立体匹配方法
CN107767382B (zh) 静态三维地图建筑物轮廓线的自动提取方法及系统
CN102156970B (zh) 基于畸变直线斜率计算的鱼眼图像校正方法
CN106323301A (zh) 一种道路情报的获取方法及装置
CN111950555A (zh) 文本识别方法、装置、可读介质及电子设备
CN111681275B (zh) 一种双特征融合的半全局立体匹配方法
CN111105452B (zh) 基于双目视觉的高低分辨率融合立体匹配方法
CN110033492B (zh) 摄像机标定方法及终端
CN106709870B (zh) 一种近景影像直线段匹配方法
CN106408596A (zh) 基于边缘的局部立体匹配方法
Zhang et al. Automatic registration of urban aerial imagery with airborne LiDAR data
CN114239508A (zh) 表格还原方法和装置、存储介质及电子设备
CN113393524A (zh) 一种结合深度学习和轮廓点云重建的目标位姿估计方法
CN111462195B (zh) 基于主线约束的非规则角度方向代价聚合路径确定方法
CN112652020A (zh) 一种基于AdaLAM算法的视觉SLAM方法
CN111739071A (zh) 基于初始值的快速迭代配准方法、介质、终端和装置
CN107517366A (zh) 基于rgbd的投影机画面信息自动测量方法
CN114089370A (zh) 一种雷达回波视频数据矢量化的处理方法、系统及设备
CN106780577B (zh) 一种基于组特征的直线匹配方法
CN116958092A (zh) 一种基于改进立体匹配算法的输电线路弧垂快速测量方法
CN109801281B (zh) 一种无纹理金属零件图像规整化直线段边缘检测方法
CN107330934A (zh) 低维度的集束调整计算方法与系统
KR101178015B1 (ko) 시차 맵 생성 방법
CN115546167A (zh) 一种基于拓扑连接性的深度学习道路提取结果优化方法
CN108763817B (zh) 一种基于最小二乘法建模的电力地下管网匹配方法

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