CN111639655B - 图像局部信息生成方法、装置、电子设备和存储介质 - Google Patents
图像局部信息生成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111639655B CN111639655B CN202010431392.2A CN202010431392A CN111639655B CN 111639655 B CN111639655 B CN 111639655B CN 202010431392 A CN202010431392 A CN 202010431392A CN 111639655 B CN111639655 B CN 111639655B
- Authority
- CN
- China
- Prior art keywords
- feature
- feature point
- image
- point
- points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000009466 transformation Effects 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000005065 mining Methods 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims description 55
- 238000013507 mapping Methods 0.000 claims description 44
- 238000009412 basement excavation Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 description 2
- 101150041570 TOP1 gene Proteins 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像局部信息生成方法、装置、电子设备和存储介质，涉及图像处理技术领域。具体实现方案为：获取图像集中各图像的特征点和特征描述子；计算图像集中第一图像的第一特征点与第二图像的特征点的特征描述子距离；对所述第二图像中特征描述子距离满足第一条件的第二特征点进行随机抽样一致校验，以得到校验通过的特征点和/或校验未通过特征点；生成图像局部相关性信息，其中，图像局部相关性信息包括所述第一特征点与匹配特征点的关联信息，匹配特征点包括：校验通过的特征点，和/或，校验未通过特征点中利用变换单应性矩阵进行挖掘并确认匹配的特征点。本申请简化了生成图像局部相关性信息的流程。
Description
技术领域
本申请涉及计算技术领域中的图像处理技术领域，尤其涉及一种图像局部信息生成方法、装置、电子设备和存储介质。
背景技术
在一些场景需要会使用到图像局部相关性信息，例如：在自监督训练、子图像块(patch)集合训练会使用到图像局部相关性信息。目前主要是利用三维重建的方法生成图像局部相关性信息，该方法由于需要通过从运动恢复结构(Structure From Motion，SFM)过程生成图像局部相关性信息，从而导致生成图像局部相关性信息的流程比较复杂。
发明内容
本申请提供了一种图像局部信息生成方法、装置、电子设备和存储介质，以解决生成图像局部相关性信息的流程比较复杂的问题。
根据第一方面，提供了一种图像局部信息生成方法，其特征在于，包括：
获取图像集中各图像的特征点和特征描述子；
计算所述图像集中第一图像的第一特征点与第二图像的特征点的特征描述子距离；
对所述第二图像中所述特征描述子距离满足第一条件的第二特征点进行随机抽样一致校验，以得到校验通过的特征点和/或校验未通过特征点；
生成图像局部相关性信息，其中，所述图像局部相关性信息包括所述第一特征点与匹配特征点的关联信息，所述匹配特征点包括：所述校验通过的特征点，和/或，所述校验未通过特征点中利用变换单应性矩阵进行挖掘并确认匹配的特征点，所述变换单应性矩阵是依据所述随机抽样一致校验获得的。
第二方面，本申请提供一种图像局部信息生成装置，包括：
获取模块，用于获取图像集中各图像的特征点和特征描述子；
第一计算模块，用于计算所述图像集中第一图像的第一特征点与第二图像的特征点的特征描述子距离；
校验模块，用于对所述第二图像中所述特征描述子距离满足第一条件的第二特征点进行随机抽样一致校验，以得到校验通过的特征点和/或校验未通过特征点；
生成模块，用于生成图像局部相关性信息，其中，所述图像局部相关性信息包括所述第一特征点与匹配特征点的关联信息，所述匹配特征点包括：所述校验通过的特征点，和/或，所述校验未通过特征点中利用变换单应性矩阵进行挖掘并确认匹配的特征点，所述变换单应性矩阵是依据所述随机抽样一致校验获得的。
第三方面，本申请提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请提供的图像局部信息生成方法。
第四方面，本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请提供的图像局部信息生成方法。
根据本申请的技术方案简化了生成图像局部相关性信息的流程。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请提供的一种图像局部信息生成方法的流程图；
图2是本申请提供的一种特征点的映射示意图；
图3是本申请提供的一种特征点对应关系的示意图；
图4是本申请提供的一种图像局部信息生成装置的结构图；
图5是用来实现本申请实施例的图像局部信息生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
请参见图1，图1是本申请提供的一种图像局部信息生成方法的流程图，如图1所示，包括以下步骤：
步骤S101、获取图像集中各图像的特征点和特征描述子。
其中，上述图像集可以是一组相同或者相似的图像，或者相同或者相似类别的图像。例如：在执行步骤S101之前可以将图像样本集合按照图像类别进行分组，以得到一个或者多个图像组。
进一步的，上述图像集中可以包括多个张图像，例如：包括第一图像，以及包括一个或者多个第二图像。
上述获取图像集中各图像的特征点和特征描述子可以是，计算每个图像的每个特征点，以及每个特征点的特征描述子。例如：计算图像的尺度不变特征变换(Scale-invariant feature transform，SIFT)特征，该SIFT特征包括特征点与特征描述子，其中，可以特征点包含尺度(scale)和角度(angle)信息。
需要说明的是，本申请中并不限定如何计算图像的特征点和特征描述子。
步骤S102、计算所述图像集中第一图像的第一特征点与第二图像的特征点的特征描述子距离。
上述第一图像可以是在上述图像集中选择的任一图像，例如：选择图像集中的第一张图像。而上述第二图像可以是上述图像集中除第一图像之外的图像。
而上述第一特征点可以是第一图像中的一个特征点，上述第一图像的第一特征点与第二图像的特征点的特征描述子距离可以是，计算第二图像中每个特征点与第一特征点的特征描述子距离。具体可以是依据各特征点的特征描述子进行计算，以得到特征描述子距离。另外，特征描述子距离可以是特征点之间的欧式距离。
步骤S103、对所述第二图像中所述特征描述子距离满足第一条件的第二特征点进行随机抽样一致(Random Sample Consensus，RANSAC)校验，以得到校验通过的特征点和/或校验未通过特征点。
其中，上述第一条件为预先设置的，例如：特征描述子距离最小的特征点，即上述第二特征点为上述第二图像中与第一特征点的特征描述子距离最小的特征点。当然，本申请中并不限定上述第一条件，例如：第一条件也可以为上述第二图像中与第一特征点的特征描述子距离小于第一预设阈值或者按照距离从小到大的排序中前面多个的特征点。
步骤S104、生成图像局部相关性信息，其中，所述图像局部相关性信息包括所述第一特征点与匹配特征点的关联信息，所述匹配特征点包括：所述校验通过的特征点，和/或，所述校验未通过特征点中利用变换单应性矩阵进行挖掘并确认匹配的特征点，所述变换单应性矩阵是依据所述随机抽样一致校验获得的。
其中，上述生成图像局部相关性信息可以是将第一特征点与上述匹配特征点建立关联关系，以生成上述图像局部相关性信息。例如：以p1表示上述第一特征点，上述图像局部相关性信息可以表示如下至少一项组关联关系：
{(p1:y11,y12,y13...),(p2:y14,y15...),...}；
{(p1:y21,y22,y23...),(p2:y24,y25...),...}；
{(p1:y31,y32,y33...),(p2:y35,y36...),...}。
其中，每组关联关系表示第一图像与一个第二图像之间的图像局部相关性信息。通过上述的图像局部相关性信息可以将上述图像集中所有与第一特征点相匹配的局部点标注为同一类别。
上述变换单应性矩可以是，通过随机抽样一致校验确定的校验通过的特征点与第一特征点确定的变换矩阵，该变换矩阵可以表示图像间的基本变换，如平移、缩放、旋转、翻转。具体的，上述变换单应性矩可以表示为校验通过的特征点与第一特征点之间的变换矩阵。
上述利用变换单应性矩阵进行挖掘并确认匹配的特征点可以是，利用变换单应性矩阵对校验未通过特征点进行挖掘，将挖掘得到的特征点与第一特征点进行匹配，若匹配，则确定该校验未通过特征点为利用变换单应性矩阵进行挖掘并确认匹配的特征点。由于通过利用变换单应性矩阵进行挖掘，这样可以提高复杂变换图像局部特征点关联关系的比例，即增加上述匹配特征点，保证最终数据集复杂样本的数量。
需要说明的是，本申请提供的上述方法可以应用于电子设备，例如：服务器、计算机、手机等电子设备。
本申请通过上述步骤可以实现不需要执行SMF过程就可以生成图像局部相关性信息，从而实现简化生成图像局部相关性信息的流程，以快速生成图像局部相关性信息，达到时间成本低的效果。
另外，本申请中，生成的图像局部相关性信息可以自监督训练、patch集合训练等场景，进一步的，图像局部相关性信息对应的特征描述子还可以来代替SIFT的特征描述子。这样可以使得生成的图像局部相关性信息可以供模型快速训练迭代，且具有非常好的普适性。
需要说明的是，本申请中由于上述第一特征点可以为上述第一图像中的任一特征点，这样，通过上述方法可以生成第一图像的所有特征点的图像局部相关性信息，此处不作赘述。另外，本申请可以针对多个第二图像均执行上述流程，这样可以挖掘到更多的特征点的关联信息。
作为一种可选的实施方式，上述对所述第二图像中与所述第一特征点的距离满足第一条件的特征点进行随机抽样一致校验之后，所述方法还包括如下至少一项：
利用所述变换单应性矩阵对所述第二图像的第三特征点进行挖掘，以得到第一挖掘特征点；其中，所述第三特征点包括：所述第二图像中所述特征描述子距离满足第二条件的特征点；且若所述第一挖掘特征点与所述第一特征点匹配，则所述匹配特征点包括所述第三特征点，若所述第一挖掘特征点与所述第一特征点不匹配，则所述匹配特征点不包括所述第三特征点；
利用所述变换单应性矩阵对所述校验未通过特征点进行挖掘，以得到第二挖掘特征点；其中，若所述第二挖掘特征点与所述第一特征点匹配，则所述校验未通过特征点为所述利用所述变换单应性矩阵进行挖掘并确认匹配的特征点，若所述第二挖掘特征点与所述第一特征点匹配，则所述匹配特征点不包括所述校验未通过特征点。
其中，上述利用所述变换单应性矩阵对所述第二图像的第三特征点进行挖掘，以得到第一挖掘特征点可以是，利用上述变换单应性矩阵对第三特征点进行变换，以得到第一挖掘特征点。
其中，上述第二条件为预先设置的，例如：特征描述子距离按照距离从小到大的排序中去除第一个之外的前N个，N为大于或者等于1的整数。当然，本申请中并不限定上述第二条件，例如：第一条件也可以为上述第二图像中与第一特征点的特征描述子距离大于第一预设阈值且小于第二预设阈值的特征点。
可选的，所述第二特征点的所述特征描述子距离小于所述第三特征点的所述特征描述子距离。其中，这里的所述特征描述子距离是指与第一特征点的特征描述子距离。
上述第一挖掘特征点与所述第一特征点匹配可以是，第一挖掘特征点与所述第一特征点匹配的位置距离满足预设条件。
该实施方式中，可以实现若第一挖掘特征点与第一特征点匹配，则将第一挖掘特征点对应的第三特征点添加到上述匹配特征点，反之不添加匹配特征点，这样可以扩展上述图像局部相关性信息。
其中，上述第二挖掘特征点的挖掘可以参见上述第一挖掘特征点的挖掘的相应说明，此处不作赘述。
该实施方式中，可以实现若第二挖掘特征点与第一特征点匹配，则第二挖掘特征点对应的校验未通过特征点添加至上述匹配特征点，即将第二挖掘特征点对应的校验未通过特征点确定为上述利用变换单应性矩阵进行挖掘并确认匹配的特征点，反之，则不添加，这样可以扩展上述图像局部相关性信息。
进一步的，上述实施方式可以是按照特征描述子距离从小到大排序所有的点对，对第一图像中的每个特征点保存top1的点对，同时记录top4的点对关系为”KNN_neg”，对所有的top1的点对进行ransac校验，保存集合校验，从而可以得到上述变换单应性矩阵，该变换单应性矩阵可以表示通过校验的各特征点对的变换关系。其中，通过校验的点对直接保存为”Good”，未通过的也记录，为”Ransac_neg”。其中KNN_neg，每个点是四组对应关系，Ransac_neg每个点是两两对应关系。
可选的，所述第一挖掘特征点包括第一映射点和第二映射点，所述利用所述变换单应性矩阵对所述第二图像的第三特征点进行挖掘，以得到第一挖掘特征点，包括：
利用所述变换单应性矩将所述第二图像的所述第三特征点映射至所述第一图像上，以得到所述第一映射点；
利用所述变换单应性矩将所述第二图像的关联特征点映射至所述第一图像上，以得到所述第二映射点，其中，所述关联特征点与所述第三特征点的位置距离等于预设距离。
上述利用所述变换单应性矩阵将所述第二图像的所述第三特征点映射至所述第一图像上可以是，第三特征点的坐标通过变换单应性矩映射到第一图像上。例如：该实施方式，可以是根据变换单应性矩阵可以将上述图像集中任意图像映射到第一图像得到仿射变换图像(img_warp)，且每个点的坐标也可以通过该变换关系映射到在img_warp中的坐标。
上述关联特征点可以是以第三特征点为中心，第三特征点的尺度(scale)大小为半径的圆上一点。即上述预设距离可以为第三特征点的尺度(scale)大小。当然，对此不作限定，例如：上述预设距离可以为与第三特征点的尺度(scale)大小相差在一定范围内的距离值。
该实施方式中，由于将第三特征点和关联特征点映射到第一图像上，从而可以更加准确地判断出第三特征点是否为第一特征点的匹配特征点。
可选的，所述生成图像局部相关性信息之前，所述方法还包括：
计算所述第一映射点和所述第二映射点的位置距离，以及计算所述第一映射点与所述第一特征点的位置距离差；
计算所述位置距离差与所述位置距离的比值；
其中，若所述比值与预设比值匹配，则所述第一挖掘特征点与所述第一特征点匹配，若所述比值与预设比值不匹配，则所述第一挖掘特征点与所述第一特征点不匹配。
其中，上述第一映射点和所述第二映射点的位置距离可以理解为，第三特征点在第二图像映射到第一图像上得到的仿射变换图像(img_warp)中的尺度(scale)，或者称作第三特征点映射到第一图像上的尺度(scale)。
上述预设比值可以是用户预先设定的，或者根据实验数据确定的。进一步的，上述预设比值可以根据第三特征点的尺度进行设定，例如：大尺度的第三特征点该预设比值可以在稍大范围，小尺度的第三特征点该预设比值可以在很小范围。
该实施方式中，可以实现若上述比值与预设比值匹配，则确定第一挖掘特征点与第一特征点匹配，从而将第三特征点添加到第一特征点的匹配特征点中，反之，则确定第一挖掘特征点与第一特征点不匹配，即添加到第一特征点的匹配特征点中。这样可以更加准确地判断出第三特征点是否为第一特征点的匹配特征点。
例如：以图2为例，第二图像对齐到第一图像(即将第二图像映射至第一图上)，得到仿射变换图像(img_warp)，P1是第二图像上一点，P2是第一图像上一点，假设P1和P2是校验不成功的一对点，P1变换到img1_warp上得到P1_2，同时取P1点以scale大小为半径的圆上一点P1’变换到img1_warp上得到P1_2’，根据P1_2与P1_2’两点间距离得到P1点在img1warp图上的scale，通过校验P1_2点与P2点的位置距离差与scale的比值来确定点对是正确的匹配。
需要说明的是，本申请中针对校验未通过的特征点也可以采用第三特征点的实施方式进行判断，此处不作赘述。例如：遍历所有第三特征点，校验未通过的特征点，按照上述方式进行挖掘，将匹配的点对添加至匹配特征点，即第一图像与第二图像之间的点对应关系。其中，挖掘到的点的效果可以如图3所示，图中左边为第二图像，右边为第一图像，中间为仿射变换图像，实心点(例如：图中两边眉毛下面的4个实心点)表示校验通过的特征点，而空心点(例如：图中脸部边沿的6个空心点)表示通过挖掘得到的特征点，通过图可以观察到，这些点在第一图像与第二图像上的对应关系是正确的。需要说明的是，图3仅一个简单的示意图，用于表示通过挖掘匹配到的特征点的对应关系也是正确的。
需要说明的是，本申请中挖掘特征点与第一特征点的匹配并不限定通过上述比值来判断，例如：也可以通过直接通过第一映射点与第一特征点的位置距离来判断，如第一映射点与第一特征点的位置距离小于预设值，则可以确定挖掘特征点与第一特征点的匹配，反之，确定不匹配，该方式同样可以确定与第一特征点匹配的匹配特征点。
本申请通过上述步骤可以简化生成图像局部相关性信息的流程，以快速生成图像局部相关性信息，达到时间成本低的效果。
请参见图4，图4是本申请提供的一种图像局部信息生成装置的结构图，如图4所示，图像局部信息生成装置400包括：
获取模块401，用于获取图像集中各图像的特征点和特征描述子；
第一计算模块402，用于计算所述图像集中第一图像的第一特征点与第二图像的特征点的特征描述子距离；
校验模块403，用于对所述第二图像中所述特征描述子距离满足第一条件的第二特征点进行随机抽样一致校验，以得到校验通过的特征点和/或校验未通过特征点；
生成模块404，用于生成图像局部相关性信息，其中，所述图像局部相关性信息包括所述第一特征点与匹配特征点的关联信息，所述匹配特征点包括：所述校验通过的特征点，和/或，所述校验未通过特征点中利用所述变换单应性矩阵进行挖掘并确认匹配的特征点，所述变换单应性矩阵是依据所述随机抽样一致校验获得的。
可选的，所述装置还包括如下至少一项：
第一挖掘模块，用于利用所述变换单应性矩阵对所述第二图像的第三特征点进行挖掘，以得到第一挖掘特征点；其中，所述第三特征点包括：所述第二图像中所述特征描述子距离满足第二条件的特征点；且若所述第一挖掘特征点与所述第一特征点匹配，则所述匹配特征点包括所述第三特征点，若所述第一挖掘特征点与所述第一特征点不匹配，则所述匹配特征点不包括所述第三特征点；
第二挖掘模块，用于利用所述变换单应性矩阵对所述校验未通过特征点进行挖掘，以得到第二挖掘特征点；其中，若所述第二挖掘特征点与所述第一特征点匹配，则所述校验未通过特征点为所述利用所述变换单应性矩阵进行挖掘并确认匹配的特征点，若所述第二挖掘特征点与所述第一特征点匹配，则所述匹配特征点不包括所述校验未通过特征点。
可选的，所述第一挖掘特征点包括第一映射点和第二映射点，所述第一挖掘模块包括：
第一映射单元，用于利用所述变换单应性矩将所述第二图像的所述第三特征点映射至所述第一图像上，以得到所述第一映射点；
第二映射单元，用于利用所述变换单应性矩将所述第二图像的关联特征点映射至所述第一图像上，以得到所述第二映射点，其中，所述关联特征点与所述第三特征点的位置距离等于预设距离。
可选的，所述装置还包括：
第二计算模块，用于计算所述第一映射点和所述第二映射点的位置距离，以及计算所述第一映射点与所述第一特征点的位置距离差；
第三计算模块，用于计算所述位置距离差与所述位置距离的比值；
其中，若所述比值与预设比值匹配，则所述第一挖掘特征点与所述第一特征点匹配，若所述比值与预设比值不匹配，则所述第一挖掘特征点与所述第一特征点不匹配。
可选的，所述第二特征点的所述特征描述子距离小于所述第三特征点的所述特征描述子距离。
本实施例提供的装置能够实现本申请的方法实施例中实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的图像局部信息生成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的图像局部信息生成方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图像局部信息生成方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图像局部信息生成方法对应的程序指令/模块(例如，附图4所示的获取模块401、第一计算模块402、校验模块403和生成模块404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像局部信息生成方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据图像局部信息生成方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至图像局部信息生成方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像局部信息生成方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与图像局部信息生成方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，简化了生成图像局部相关性信息的流程。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (12)
1.一种图像局部信息生成方法，其特征在于，包括：
获取图像集中各图像的特征点和特征描述子；
计算所述图像集中第一图像的第一特征点与第二图像的特征点的特征描述子距离；
对所述第二图像中所述特征描述子距离满足第一条件的第二特征点进行随机抽样一致校验，以得到校验通过的特征点和校验未通过特征点，满足所述第一条件的第二特征点包括：所述特征描述子距离最小的特征点，或所述特征描述子距离小于第一预设阈值的特征点，或按照特征描述子距离从小到大的排序确定的前面多个特征点；
生成图像局部相关性信息，其中，所述图像局部相关性信息包括所述第一特征点与匹配特征点的关联信息，所述匹配特征点包括：所述校验通过的特征点，和，所述校验未通过特征点中利用变换单应性矩阵进行挖掘并确认匹配的特征点，所述变换单应性矩阵是依据所述随机抽样一致校验获得的，且所述变换单应性矩为所述校验通过的特征点与所述第一特征点之间的变换矩阵。
2.如权利要求1所述的方法，其特征在于，所述对所述第二图像中与所述第一特征点的距离满足第一条件的特征点进行随机抽样一致校验之后，所述方法还包括如下至少一项：
利用所述变换单应性矩阵对所述第二图像的第三特征点进行挖掘，以得到第一挖掘特征点；其中，所述第三特征点包括：所述第二图像中所述特征描述子距离满足第二条件的特征点；且若所述第一挖掘特征点与所述第一特征点匹配，则所述匹配特征点包括所述第三特征点，若所述第一挖掘特征点与所述第一特征点不匹配，则所述匹配特征点不包括所述第三特征点；
利用所述变换单应性矩阵对所述校验未通过特征点进行挖掘，以得到第二挖掘特征点；其中，若所述第二挖掘特征点与所述第一特征点匹配，则所述校验未通过特征点为所述利用所述变换单应性矩进行挖掘并确认匹配的特征点，若所述第二挖掘特征点与所述第一特征点匹配，则所述匹配特征点不包括所述校验未通过特征点。
3.如权利要求2所述的方法，其特征在于，所述第一挖掘特征点包括第一映射点和第二映射点，所述利用所述变换单应性矩阵对所述第二图像的第三特征点进行挖掘，以得到第一挖掘特征点，包括：
利用所述变换单应性矩将所述第二图像的所述第三特征点映射至所述第一图像上，以得到所述第一映射点；
利用所述变换单应性矩将所述第二图像的关联特征点映射至所述第一图像上，以得到所述第二映射点，其中，所述关联特征点与所述第三特征点的位置距离等于预设距离。
4.如权利要求3所述的方法，其特征在于，所述生成图像局部相关性信息之前，所述方法还包括：
计算所述第一映射点和所述第二映射点的位置距离，以及计算所述第一映射点与所述第一特征点的位置距离差；
计算所述位置距离差与所述位置距离的比值；
其中，若所述比值与预设比值匹配，则所述第一挖掘特征点与所述第一特征点匹配，若所述比值与预设比值不匹配，则所述第一挖掘特征点与所述第一特征点不匹配。
5.如权利要求2所述的方法，其特征在于，所述第二特征点的所述特征描述子距离小于所述第三特征点的所述特征描述子距离。
6.一种图像局部信息生成装置，其特征在于，包括：
获取模块，用于获取图像集中各图像的特征点和特征描述子；
第一计算模块，用于计算所述图像集中第一图像的第一特征点与第二图像的特征点的特征描述子距离；
校验模块，用于对所述第二图像中所述特征描述子距离满足第一条件的第二特征点进行随机抽样一致校验，以得到校验通过的特征点和校验未通过特征点，满足所述第一条件的第二特征点包括：所述特征描述子距离最小的特征点，或所述特征描述子距离小于第一预设阈值的特征点，或按照特征描述子距离从小到大的排序确定的前面多个特征点；
生成模块，用于生成图像局部相关性信息，其中，所述图像局部相关性信息包括所述第一特征点与匹配特征点的关联信息，所述匹配特征点包括：所述校验通过的特征点，和，所述校验未通过特征点中利用变换单应性矩阵进行挖掘并确认匹配的特征点，所述变换单应性矩阵是依据所述随机抽样一致校验获得的，且所述变换单应性矩为所述校验通过的特征点与所述第一特征点之间的变换矩阵。
7.如权利要求6所述的装置，其特征在于，所述装置还包括如下至少一项：
第一挖掘模块，用于利用所述变换单应性矩阵对所述第二图像的第三特征点进行挖掘，以得到第一挖掘特征点；其中，所述第三特征点包括：所述第二图像中所述特征描述子距离满足第二条件的特征点；且若所述第一挖掘特征点与所述第一特征点匹配，则所述匹配特征点包括所述第三特征点，若所述第一挖掘特征点与所述第一特征点不匹配，则所述匹配特征点不包括所述第三特征点；
第二挖掘模块，用于利用所述变换单应性矩阵对所述校验未通过特征点进行挖掘，以得到第二挖掘特征点；其中，若所述第二挖掘特征点与所述第一特征点匹配，则所述校验未通过特征点为所述利用所述变换单应性矩进行挖掘并确认匹配的特征点，若所述第二挖掘特征点与所述第一特征点匹配，则所述匹配特征点不包括所述校验未通过特征点。
8.如权利要求7所述的装置，其特征在于，所述第一挖掘特征点包括第一映射点和第二映射点，所述第一挖掘模块包括：
第一映射单元，用于利用所述变换单应性矩将所述第二图像的所述第三特征点映射至所述第一图像上，以得到所述第一映射点；
第二映射单元，用于利用所述变换单应性矩将所述第二图像的关联特征点映射至所述第一图像上，以得到所述第二映射点，其中，所述关联特征点与所述第三特征点的位置距离等于预设距离。
9.如权利要求8所述的装置，其特征在于，所述装置还包括：
第二计算模块，用于计算所述第一映射点和所述第二映射点的位置距离，以及计算所述第一映射点与所述第一特征点的位置距离差；
第三计算模块，用于计算所述位置距离差与所述位置距离的比值；
其中，若所述比值与预设比值匹配，则所述第一挖掘特征点与所述第一特征点匹配，若所述比值与预设比值不匹配，则所述第一挖掘特征点与所述第一特征点不匹配。
10.如权利要求7所述的装置，其特征在于，所述第二特征点的所述特征描述子距离小于所述第三特征点的所述特征描述子距离。
11. 一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431392.2A CN111639655B (zh) | 2020-05-20 | 2020-05-20 | 图像局部信息生成方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431392.2A CN111639655B (zh) | 2020-05-20 | 2020-05-20 | 图像局部信息生成方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111639655A CN111639655A (zh) | 2020-09-08 |
| CN111639655B true CN111639655B (zh) | 2023-10-13 |
Family
ID=72329491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010431392.2A Active CN111639655B (zh) | 2020-05-20 | 2020-05-20 | 图像局部信息生成方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111639655B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408592B (zh) * | 2021-06-01 | 2024-03-01 | 北京百度网讯科技有限公司 | 特征点匹配方法、装置、电子设备及计算机可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2557417A (en) * | 2016-12-06 | 2018-06-20 | Adobe Systems Inc | Image alignment for burst mode images |
| CN110245671A (zh) * | 2019-06-17 | 2019-09-17 | 艾瑞迈迪科技石家庄有限公司 | 一种内窥镜图像特征点匹配方法及系统 |
| CN111028276A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 图像对齐方法、装置、存储介质及电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140102038A (ko) * | 2013-02-13 | 2014-08-21 | 삼성전자주식회사 | 영상 정합 장치 및 영상 정합 방법 |
| CN105518709B (zh) * | 2015-03-26 | 2019-08-09 | 北京旷视科技有限公司 | 用于识别人脸的方法、系统和计算机程序产品 |
-
2020
- 2020-05-20 CN CN202010431392.2A patent/CN111639655B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2557417A (en) * | 2016-12-06 | 2018-06-20 | Adobe Systems Inc | Image alignment for burst mode images |
| CN110245671A (zh) * | 2019-06-17 | 2019-09-17 | 艾瑞迈迪科技石家庄有限公司 | 一种内窥镜图像特征点匹配方法及系统 |
| CN111028276A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 图像对齐方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111639655A (zh) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111523468B (zh) | 人体关键点识别方法和装置 | |
| CN111582375B (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
| CN111860167B (zh) | 人脸融合模型获取及人脸融合方法、装置及存储介质 | |
| CN111260569B (zh) | 图像倾斜校正的方法、装置、电子设备和存储介质 | |
| CN111967297B (zh) | 图像的语义分割方法、装置、电子设备及介质 | |
| CN111462174B (zh) | 多目标跟踪方法、装置以及电子设备 | |
| CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
| CN111275827B (zh) | 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 | |
| JP7270114B2 (ja) | 顔キーポイントの検出方法、装置及び電子機器 | |
| CN110493009A (zh) | 签名的生成方法和验证方法、装置、设备和介质 | |
| CN112115921B (zh) | 一种真伪鉴别方法、装置以及电子设备 | |
| US20210334985A1 (en) | Method and apparatus for tracking target | |
| CN113269213B (zh) | 训练集的获取方法、装置及电子设备 | |
| CN111639655B (zh) | 图像局部信息生成方法、装置、电子设备和存储介质 | |
| US20220084274A1 (en) | Method and apparatus for processing character image data | |
| CN111737534B (zh) | 文件处理方法、装置及设备 | |
| CN111783644B (zh) | 检测方法、装置、设备和计算机存储介质 | |
| CN111967481A (zh) | 视觉定位方法、装置、电子设备及存储介质 | |
| US11526971B2 (en) | Method for translating image and method for training image translation model | |
| JP7220754B2 (ja) | レーザレーダマップに基づくループバック検出方法、ループバック検出装置、電子デバイス、記憶媒体及びプログラム | |
| CN113160044B (zh) | 深度图像超分辨率方法、训练方法及装置、设备、介质 | |
| CN111833239B (zh) | 图像的翻译方法和装置、图像翻译模型的训练方法和装置 | |
| CN112541934B (zh) | 一种图像处理方法及装置 | |
| CN113160046B (zh) | 深度图像超分辨率方法、训练方法及装置、设备、介质 | |
| CN111680623A (zh) | 姿态转换方法及装置、电子设备、存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |