CN111709876A - 一种图像拼接的方法及装置、设备、存储介质 - Google Patents
一种图像拼接的方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN111709876A CN111709876A CN202010312548.5A CN202010312548A CN111709876A CN 111709876 A CN111709876 A CN 111709876A CN 202010312548 A CN202010312548 A CN 202010312548A CN 111709876 A CN111709876 A CN 111709876A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- original
- feature points
- pair
- 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 76
- 230000009466 transformation Effects 0.000 claims description 106
- 239000011159 matrix material Substances 0.000 claims description 103
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种图像拼接的方法及装置、设备、存储介质,其中,所述方法包括:获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;确定相邻两幅缩小图像所对应的目标图像重叠率;根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K‑1对所述相邻两幅缩小图像之间的重叠区;根据所述K‑1对所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接。
Description
技术领域
本申请实施例涉及图像处理,涉及但不限于一种图像拼接的方法及装置、设备、存储介质。
背景技术
扫描合成孔径雷达(Scanning Synthetic Aperture Radar,ScanSAR)是星载合成孔径雷达的重要工作模式,其宽幅的测绘能力,有利于缩短全球观测周期和对变化较快的大规模地表现象进行监测。但是受成像设备、技术遥感卫星测绘区域等因素的限制,图像的视角往往不能满足实际需求,通常需要将ScanSAR形成的多个小幅存在重叠区域的子图像拼接成一幅宽幅场景图像。使用现有技术对ScanSAR图像拼接时存在的图像过大、特征点过多、匹配速度过慢的问题。
发明内容
有鉴于此,本申请实施例提供一种图像拼接的方法及装置、设备、存储介质。
本申请实施例的技术方案是这样实现的:
第一方面,本申请实施例提供一种图像拼接的方法,所述方法包括:获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;确定相邻两幅缩小图像所对应的目标图像重叠率;根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K-1对所述相邻两幅缩小图像之间的重叠区;根据所述K-1对所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接。
第二方面,本申请实施例提供一种图像拼接的装置,所述装置包括:获取模块,用于获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;缩小模块,用于将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;确定模块,用于确定相邻两幅缩小图像所对应的目标图像重叠率;切割模块,用于根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K-1对所述相邻两幅缩小图像之间的重叠区;拼接模块,用于根据所述K-1对所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接。
第三方面,本申请实施例提供一种图像拼接的设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本申请实施例任一所述图像拼接的方法中的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的步骤。
本申请实施例中,首先缩小按照第一维度排列的K幅图片,然后根据计算得到的每相邻两幅图像之间的重叠率切割K幅图片,获得K-1对相邻两幅缩小图像的重叠区,最后根据K-1对所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接。这样,切割预处理在保证匹配正确的特征点数目几乎不变的前提下,可以有效去除大量无用特征点,即在保证配准精度的同时提高了运算效率。
附图说明
图1A为本申请实施例提供的两幅待横向拼接的星载ScanSAR图像;
图1B为本申请实施例提供的一种图像拼接的方法的实现流程示意图;
图2为本申请实施例提供的另一种图像拼接的方法的实现流程示意图;
图3为本申请实施例提供的图像重叠区域切割与等分示意图;
图4为本申请实施例提供的再一种图像拼接方法的实现流程示意图;
图5为本申请实施例提供的经过图像预处理的图像拼接效果图和未经图像预处理的图像拼接效果图;
图6为本申请实施例提供的图像拼接的装置的组成结构示意图;
图7为本申请实施例提供的图像拼接的设备的一种硬件实体示意图。
具体实施方式
图像拼接技术是ScanSAR领域的研究热点问题。星载ScanSAR图像的拼接过程中存在的问题表现为两个方面:
第一方面、星载ScanSAR的原始图像分辨率较高、像素点过多,导致拼接时处理的数据量过大、拼接速度过慢。拼接之前的一幅原始星载ScanSAR图像大小在1.5GB至2GB之间,每一幅待拼接图像都由上亿个像素点组成。导致在用SIFT算法对整幅图像进行特征点提取的时候,会出现特征点过多,提取速度过慢的问题。
第二方面、对原始星载ScanSAR图像进行全图特征点提取的时候,会提取很多错误的特征点,影响匹配的准确性。图像拼接的依据是待拼接图像之间相同或相似的特征点,根据这些特征点找到图像之间的相对位置,可以进行准确的拼接。对于星载ScanSAR图像来说,相邻两幅图像之间可以用来匹配的特征点来自于重叠区域。现有技术对全图进行特征点提取,会提取到部分极其相似却不属于重叠区域的特征点,在特征点匹配的时候会造成误匹配的现象,影响匹配的准确性。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
应当理解,此处所描述的一些实施例仅仅用以解释本申请的技术方案,并不用于限定本申请的技术范围。
图1A为本申请实施例提供的两幅待横向拼接的星载ScanSAR图像,如图1A所示,假设图像A中A1点的经度为lon(A1),A2点的经度为lon(A2);图像B中B1点的经度为lon(B1),B2点的经度为lon(B2)。
计算A图和B图之间横向(经度向)重叠率,以下公式(1)表示图像A的重叠率a;公式(2)表示图像B的重叠率b。
由公式(1)可以计算得到A图重叠区域占A图全图的重叠率,由公式(2)可以计算得到B图重叠区域占B图全图的重叠率。使用计算得到的A图重叠率a对缩小的图像A进行切割,得到每个缩小后A图像的重叠区域;使用计算得到的B图重叠率b对缩小的图像B进行切割,得到每个缩小后B图像的重叠区域。
利用卫星图像和配套的地理位置信息,通过相邻图像角点所对应的真实的经纬度坐标计算出重叠区域所占整幅图像的重叠率。将此重叠率使用于对图像的重叠区域进行切割预处理。
本申请实施例提供的一种图像拼接方法,参照图1B所示,执行以下步骤:
步骤S101、获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;
这里,第一维度可以根据图像的属性获得,图像的属性包括图像的位置信息、创建时间、大小、占用空间和文件类型等。其中图像的位置信息可以包括图像拍摄的画面所在的经度和纬度信息。第一维度可以为图像的经度信息,也可以为图像的纬度信息,还可以为图像拍摄的时间。例如获取按照第一维度依次排列的K幅原始图像,可以按照图像的经度或纬度信息依次排列K幅原始图像,也可以按照图像拍摄的时间依次排列K幅原始图像。
在拼接卫星拍摄的图片时,卫星数据生成的原始图像都有各自的编号,这个编号与图像排列顺序是一致的。这里,第一维度可以是得到原始图像的顺序,也就是说,得到的原始图像的顺序就是其待拼接的顺序。
步骤S102、将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;
这里,缩小的倍数可以根据用户的计算精度取值。建议将图像边长缩小为原图的二分之一、三分之一、四分之一等等,但是不建议将原图缩小太小,这样会影响变换矩阵偏移量的计算精度。
步骤S103、确定相邻两幅缩小图像所对应的目标图像重叠率;
如图1A所示,由计算公式(1)和(2)可以计算得到A图和B图各自重叠区域占各自全图的重叠率。
利用卫星图像和配套的地理位置信息,通过相邻图像角点所对应的真实的经纬度坐标计算出重叠区域所占整幅图像的重叠率。将此重叠率使用于对图像的重叠区域进行切割预处理。
步骤S104、根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K-1对所述相邻两幅缩小图像之间的重叠区;
这里以需要进行左右拼接的图像为例:最左边的图像只与其右边相邻的图像有重叠区域,因此只需要切割该图像右边的重叠区域。最右边的图像只与其左边相邻的图像有重叠区域,因此只需要切割该图像左边的重叠区域。中间的图像由于和其左右相邻的两幅图像都有重叠区域,因此需要切割左右两部分的重叠区域。这样切割K幅图像后,得到K-1对所述相邻两幅缩小图像之间的重叠区。
步骤S105、根据所述K-1对所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接。
本申请实施例中,首先缩小按照特定第一维度排列的K幅图片,然后根据计算得到的每相邻两幅图像之间的重叠率切割K幅图片,获得K-1对相邻两幅缩小图像的重叠区,最后根据K-1对所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接。这样,切割预处理在保证匹配正确的特征点数目几乎不变的前提下,可以有效去除大量无用特征点,即在保证配准精度的同时提高了运算效率。
本申请实施例提供的一种图像拼接方法,参照图2所示,执行以下步骤:
步骤S201、获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;
步骤S202、将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;
步骤S203、确定所述K幅原始图像中相邻两幅原始图像之间的图像重叠率,将所述相邻两幅原始图像之间的图像重叠率,确定为所述目标图像重叠率;或者,将所述K幅缩小图像中相邻两幅缩小图像之间的图像重叠率,确定为所述目标图像重叠率。
因为图像间的重叠率不会因为图像的缩放而变化。所以在计算两幅相邻图像的重叠率时,可以使用原始图像完成重叠率的计算也可以使用缩小图像完成重叠率的计算。
步骤S204、根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K-1对所述相邻两幅缩小图像之间的重叠区;
步骤S205、使用尺度不变特征变换算法提取并使用欧氏距离匹配出每一对所述重叠区的Jp对匹配特征点,其中J为大于等于1的整数,p为大于等于1小于等于K-1的整数;
尺度不变特征变换(Scale-invariant feature transform,SIFT)算法,是用于图像处理领域的一种描述。这种描述具有尺度不变性,可在图像中检测出关键点。欧式距离(Euclidean metric)判别法,是一个通常采用的距离定义。这种方法可以对两幅相邻图像间的重叠区域进行特征点匹配。提取出每一对所述重叠区的Jp对匹配特征点。
步骤S206、使用补偿公式补偿每一所述缩小图像中的Jp对匹配特征点的坐标,获得补偿后的Jp对匹配特征点;
图像的每一个像素点在矩阵中都有对应的坐标。对图像进行切割,会使得部分像素点消失。剩余像素点在切割后的新矩阵中,其坐标相对于切割之前的坐标会发生偏移。在进行变换矩阵计算之前,需要对该坐标偏移进行补偿。
步骤S207、根据每一对所述缩小图像的所述补偿后的Jp对匹配特征点,使用随机抽样一致算法和仿射变换获得K个所述缩小图像对应的K-1个目标变换矩阵;
随机抽样一致算法(Random Sample Consensus,RANSAC),是根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法。仿射变换,又称仿射映射,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间。
变换矩阵用于两幅相邻图像拼接,也就是说使用变换矩阵可以完成两幅相邻的有重叠区域的图像拼接。
根据每一对缩小图像的补偿后的Jp对匹配特征点,使用随机抽样一致算法和仿射变换获得K个所述缩小图像对应的K-1个目标变换矩阵。
步骤S208、使用K-1个所述变换矩阵对K个所述原始图像进行投影,获得完成拼接的图像。
这里,投影指的是将待拼接的原始图像,以待拼接的原始图像是左右排列为例,以最左边的原始图像为基准,按照它们相互之间的位置关系(由变换矩阵得到)摆放到一个新的矩阵里,形成一幅拼接后的大图。
使用K-1个所述变换矩阵对K个所述原始图像进行投影,获得完成拼接的图像。
本申请实施例,首先在计算两幅相邻图像的重叠率时,可以使用原始图像完成重叠率的计算也可以使用缩小图像完成重叠率的计算。然后,运用SIFT算法对缩小与切割预处理后的图像进行特征点提取,并将特征点匹配,之后补偿匹配特征点;最后,根据补偿后的匹配特征点,使用随机抽样一致算法和仿射变换获得K个所述缩小图像对应的K-1个目标变换矩阵,使用K-1个所述变换矩阵对K个所述原始图像进行投影,获得完成拼接的图像。这样,切割预处理具有一定的筛选作用,可以有效地去除一些来自非重叠区域错误的匹配特征点,提高匹配特征点的正确率。用该缩放预处理的方法对原始图像进行缩小,需要提取出相邻两幅图像的匹配特征点并进行补偿,可以加快特征点提取和匹配的速度。能够有效地改善星载ScanSAR图像过大、无用特征点过多、拼接速度过慢的问题。
本申请实施例提供的一种图像拼接方法,执行以下步骤:
步骤S301、获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;
步骤S302、将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;
步骤S303、确定相邻两幅缩小图像所对应的目标图像重叠率;
步骤S304、根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K-1对所述相邻两幅缩小图像之间的重叠区;
步骤S305、将每一对所述重叠区沿第二维度等分切割为M份,得到每一对所述重叠区域的M个切割图像;
其中,M可以取决于电脑中央处理器(Central Processing Unit,CPU)内核数。例如,当电脑CPU的内核为4时,M的值取4。
这里,当特定第一维度为物理位置纬度时,第二维度为物理位置经度;当特定第一维度为物理位置经度时,第二维度为物理位置纬度;当特定第一维度为水平方向时,第二维度为垂直方向。将每一对重叠区沿第二维度等分切割为M份,得到每一对重叠区域的M个切割图像,可以用于特征点提取和匹配时的并行加速处理。
图3为本申请实施例提供的图像重叠区域切割与等分示意图,如图3所示,301为A图中M等分中其中一等分图像的特征点,302为B图中M等分中其中一等分图像的特征点,使用SIFT算法对A图和B图进行特征点提取。将重叠区域切割出来可以大量减少无用特征点的提取。利用尺度不变特征变换算法对图像的重叠区域提取出更有可能匹配的特征点,以达到加快拼接速度和提高匹配正确率的作用。
步骤S306、对所述M个切割图像中的每一个切割图像使用尺度不变特征变换算法进行特征点提取并使用欧氏距离匹配,获得对应的一对所述重叠区的Jp对匹配特征点,其中J为大于等于1的整数,p为大于等于1小于等于K-1的整数;
在使用尺度不变特征变换算法进行特征点提取时,可以将M个切割图像中特征点的提取并行进行,提升处理速度。
如图3所示,将左右相邻两幅图像间的重叠区域进行切割并M等分后,让左右相对应的区域进行两两匹配。
步骤S307、获取每一缩小图像对应的原始矩阵;
每个图像在做处理时,每个像素点对应为矩阵中的一个点。这样,每个图像就对应为一个矩阵。这里,获取每一缩小图像对应的原始矩阵。
步骤S308、根据所述原始矩阵中的列数和所述重叠率,得到所述补偿公式;
这里,矩阵中的列数,即矩阵的边长。
需要补偿的列坐标值CutA,可以表示为公式(3):
CutA=CA-[CA*a] (3);
其中,CA为图像A的列数,a为图像A的重叠率,[]为向下取整数操作。
步骤S309、使用所述补偿公式补偿每一缩小图像中的Jp对匹配特征点的坐标,获得补偿后的Jp对匹配特征点;
图像的每一个像素点在矩阵中都有对应的坐标。对图像进行切割,会使得部分像素点消失。剩余像素点在切割后的新矩阵中,其坐标相对于切割之前的坐标会发生偏移。在进行变换矩阵计算之前,需要对该坐标偏移进行补偿。
使用补偿公式(3)补偿每一缩小图像中的Jp对匹配特征点的坐标,获得补偿后的Jp对匹配特征点。
步骤S310、根据每一对所述缩小图像的所述补偿后的Jp对匹配特征点,使用随机抽样一致算法和仿射变换获得K个所述缩小图像对应的K-1个初始变换矩阵;
对匹配的特征点用仿射变换计算出初始变换矩阵,初始变换矩阵具体表示为公式(4):
其中,ax、ay表示横纵坐标缩放量,bx、by表示横纵坐标旋转量及剪切量,cx、cy表示横纵坐标的偏移量。根据变换前后特征点坐标的变化,就可以求得相应的参数,进而得到相邻的两幅图像二维像素坐标变换关系的初始矩阵。
随机抽样一致算法,例如,在匹配好的两幅图像中的特征点随机抽取4对,使用仿射变换进行变换矩阵的计算。将计算好的变换矩阵对图像B的所有特征点向图像A为基准的坐标系进行坐标变换,将变换完毕的图像B的特征点坐标与图像A的特征点坐标进行距离的计算,选择欧氏距离不大于3的特征点为正确点,并统计该变换矩阵对应的正确点的个数。将此过程重复2000次,选择拥有正确点数最多的那个变换矩阵指定为最佳变换矩阵,从而完成筛选过程,提高变换矩阵的正确率。
步骤S311、获得每一原始图像与缩小图像的偏移量;
首先,用初始变换矩阵计算出原始图像拼接后的边长cols0;
接着用初始变换矩阵计算出缩小图像拼接后的边长cols1;
然后计算出缩放对初始变换矩阵造成的偏移量offset,计算公式为公式(5):
offset=cols1/N-cols0 (5);
其中,N为原始图像的边长的缩放倍数。
步骤S312、根据所述偏移量对每一所述初始变换矩阵进行补偿,得到目标变换矩阵;
这里将图像边长缩小为原图边长的二分之一为例来说明,以下矩阵(6)为取样本图像计算获得的经过偏移量补偿后的目标变换矩阵,矩阵(7)为用原始图像计算出的变换矩阵。
由以上矩阵(6)和矩阵(7)可以看出,利用缩小图像计算得到的目标矩阵在进行偏移量补偿后,与用原始图像计算得到的变换矩阵误差极小,几乎一样。
步骤S313、使用K-1个所述变换矩阵对K个所述原始图像进行投影,获得完成拼接的图像。
本申请实施例中,首先对重叠区域切割为M份,并行处理M个切割区域获取匹配特征点,并提供补偿公式补偿匹配特征点的坐标,然后使用随机抽样一致算法和仿射变换获得初始变换矩阵,并提供偏移量计算公式计算每一原始图像与缩小图像的偏移量,最后根据计算得到的偏移量补偿初始变换矩阵获得目标变换矩阵。这样,在特征点提取和匹配时可以将M个切割区域并行加速处理,提升处理效率。使用偏移量计算公式补偿初始变换矩阵得到的目标矩阵可以用于精确的匹配相邻的两幅图像。
本申请实施例提供的一种图像拼接方法,执行以下步骤:
步骤S320、获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;
步骤S321、将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;
步骤S322、确定相邻两幅缩小图像所对应的目标图像重叠率;
步骤S323、根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K-1对所述相邻两幅缩小图像之间的重叠区;
步骤S324、使用尺度不变特征变换算法提取并使用欧氏距离匹配出每一对所述重叠区的Jp对匹配特征点,其中J为大于等于1的整数,p为大于等于1小于等于K-1的整数;
步骤S325、使用补偿公式补偿每一所述缩小图像中的Jp对匹配特征点的坐标,获得补偿后的Jp对匹配特征点。
步骤S326、根据每一对所述缩小图像的所述补偿后的Jp对匹配特征点,使用随机抽样一致算法和仿射变换获得K个所述缩小图像对应的K-1个初始变换矩阵;
步骤S327、获取每一对所述原始图像的Ij个角点坐标,其中,Ij为大于等于2的整数,j为大于等于1小于等于K的整数;
这里,Ij为每一对原始图像的四个角点,也可以为每一对原始图像的三个角点。Ij最少需要取2,即最少需要取2个角点坐标。
步骤S328、获取每一对所述缩小图像的Ij个角点坐标;
如步骤S327,同样需要获取每一对缩小图像的Ij个角点坐标。
步骤S329、根据每一对所述原始图像的Ij个角点坐标,使用所述初始变化矩阵拼接每一对所述原始图像的角点,获得预拼接原始图像的边长;
为了获取到预拼接原始图像的边长,需要使用初始变化矩阵根据每一对所述原始图像的Ij个角点坐标进行计算。
步骤S330、根据每一对所述缩小图像的Ij个角点坐标,使用所述初始变化矩阵拼接每一对所述缩小图像的角点,获得预拼接缩小图像的边长;
同样,为了获得预拼接缩小图像的边长,需要使用所述初始变化矩阵根据每一对所述缩小图像的Ij个角点坐标进行计算。
步骤S331、使用所述预拼接缩小图的边长除以所述原始图像的边长的缩放倍数,再减去所述预拼接大图的边长,获得每一原始图像与缩小图像的偏移量。
这里偏移量的计算公式为公式(5):
offset=cols1/N-cols0 (5);
其中,cols0为用初始变换矩阵计算出原始图像拼接后的边长;cols1为用初始变换矩阵计算出缩小图像拼接后的边长;N为原始图像的边长的缩放倍数;offset为计算出的缩放对初始变换矩阵造成的偏移量。
步骤S332、根据所述偏移量对每一所述初始变换矩阵进行补偿,得到目标变换矩阵;
将计算获得的缩放对初始变换矩阵造成的偏移量,对每一初始变换矩阵进行补偿获得目标变换矩阵。
步骤S333、使用K-1个所述变换矩阵对K个所述原始图像进行投影,获得完成拼接的图像。
本申请实施例中,描述了首先如何选择合适的特征点分别对原始图像和缩小图像进行预拼接,然后分别计算获得预拼接的原始图像的边长和缩小图像的边长,最后使用本申请提供的偏移量计算公式计算获得偏移量。这样,使用偏移量计算公式补偿初始变换矩阵得到的目标矩阵可以用于精确的匹配相邻的两幅图像。
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种工作在微波频段的主动式遥感器,其工作方式是主动发射微波并接收其回波。相较与光学传感器而言,合成孔径雷达具有不受日照和天气条件限制,能够全天候、全天时、全方位对地观测的特点,因而在现代微波遥感领域有着重要的应用。
ScanSAR是在SAR基础上发展起来的新的合成孔径雷达工作模式。它是通过在一个提前设定好的角度范围内,按照一定顺序改变其扫描视角,以此来大幅度扩展其观测带的宽度。这对于变化较快的大规模地表现象的观测,例如植被的生长变化、洪水等地表自然灾害的勘察与监测、大规模海洋现象等,是十分重要的。
ScanSAR在一个合成孔径时间内,改变天线仰角,进行波束切换,沿着距离向进行多次扫描以获取多个条带数据,将其称为Burst。星载ScanSAR的工作模式中,每一个Burst在方位向和距离向都具有一定的重叠区域。而现有的图像拼接技术,是将多张相邻之间有重叠区域的,不同时间、不同视角照射的图像,拼接成一幅宽幅的无拼接缝隙的场景图。
现有的星载ScanSAR图像拼接过程中,其相邻图像间的重叠区域大约保持在10%~40%之间。而能够匹配上的特征点一定是来自于重叠区域的特征点。换言之,对全图进行特征点提取,得到的大部分特征点都是无效特征点,对于图像匹配工作没有任何帮助。这样做既不会提高图像匹配的准确度,还会大大增加提取和匹配无用特征点所消耗的时间,降低效率。而本申请实施例提出的方法可以对其进行有效地解决,大幅度加快星载ScanSAR图像的拼接速度。
图4为本申请实施例提供的再一种图像拼接方法的实现流程示意图,如图4所述,包括以下步骤:
步骤S401、获得K个按照第一维度依次排列的原始图像,K为大于等于1的整数;
步骤S402、计算K个原始图像中每一图像的重叠率;
重叠率是一个比例,它代表该图的重叠区域占该图像的多少。这个比例并不会随着图像的缩放而改变,原始图像的重叠率对缩小后的图像依然适用。重叠率的计算方法如如1A所示,使用公式(1)可以计算得到A图与B图重叠区域占A图的重叠率,使用公式(2)可以计算得到B图与A图重叠区域占B图的重叠率。
步骤S403、将每一图像的边长缩小为原始图像边长的N倍,获得缩小的图像;
这里,N最好为0.5,太大会影响变换矩阵偏移量的计算精度。
步骤S404、根据每一图像的重叠率对缩小后的每一图像进行切割,得到每一图像与相邻图像的重叠区域;
因为图像间的重叠率不会因为图像的缩放而变化,这里,对原始图像经过计算,得到图像之间的重叠率。
这里以需要进行左右拼接的图像为例:最左边的图像只与其右边相邻的图像有重叠区域,因此只需要切割该图像右边的重叠区域。最右边的图像只与其左边相邻的图像有重叠区域,因此只需要切割该图像左边的重叠区域。中间的图像由于和其左右相邻的两幅图像都有重叠区域,因此需要切割左右两部分的重叠区域。
重叠区域的获取以左右拼接的图像为例:根据每一幅图像四个角点对应的实际地理坐标(此为已知信息),计算出相邻两幅图像之间的重叠率,然后根据重叠率确定每幅图像与相邻图像的重叠区域(大致范围即可,无需精确)。
步骤S405、将每一缩小图像与相邻缩小图像的重叠区域沿拼接的垂直方向等分切割为M份;
M可以取决于电脑中央处理器(Central Processing Unit,CPU)内核数,用于特征点提取和匹配时的并行加速处理。
步骤S406、同时对每一对待匹配的切割重叠区域用SIFT算法提取特征点,并匹配,获得每一对缩小图像中的匹配特征点;
尺度不变特征变换(Scale-invariant feature transform,SIFT)算法,是用于图像处理领域的一种描述。这种描述具有尺度不变性,可在图像中检测出关键点。
匹配方法以左右拼接的图像为例:如图3所示,将左右相邻两幅图像间的重叠区域进行切割并M等分后,让左右相对应的区域进行两两匹配。
匹配方法是使用欧式距离判别法对两幅相邻图像间的重叠区域进行特征点匹配。
图5为本申请实施例提供的经过图像预处理的图像拼接效果图和未经图像预处理的图像拼接效果图,如图5所示,图5中的51为本申请实施例提供的用于验证的两幅待横向拼接的星载ScanSAR图像中左边的图像,图5中的52为本申请实施例提供的是用于验证的两幅待横向拼接的星载ScanSAR图像中右边的图像。如下表1所示,记录了未经切割预处理时两幅待拼接图像如图5中51和图5中52,提取到的特征点个数和匹配的特征点对数,及经过切割预处理后如图5中51和图5中52,提取到的特征点个数和匹配的特征点对数。从下表1可以看出,未经过重叠区域切割预处理,SIFT算法提取到的特征点数目远远大于预处理后提取到的特征点数目。从这图5中51和图5中52来看,前者数目大约在后者数目的8至9倍(倍数与图像本身重叠率有关,重叠率越小,倍数越大)。而切割预处理前后,可以成功匹配的特征点数目几乎一致。而且只有匹配的特征点才对图像拼接有帮助。因此,切割预处理在保证匹配正确的特征点数目几乎不变的前提下,可以有效去除大量无用特征点,即在保证配准精度的同时提高了运算效率。
表1切割预处理前后提取特征点数和匹配特征点数对比表
步骤S407、使用补偿计算法补偿每一缩小图像中的匹配特征点的坐标;
图像的每一个像素点在矩阵中都有对应的坐标。对图像进行切割,会使得部分像素点消失。剩余像素点在切割后的新矩阵中,其坐标相对于切割之前的坐标会发生偏移。在进行变换矩阵计算之前,需要对该坐标偏移进行补偿。
需要补偿的列坐标值CutA,可以表示为:
CutA=CA-[CA*a] (3);
其中,CA为图像A的列数,a为图像A的重叠率,[]为向下取整数操作。
步骤S408、根据每一缩小图像中的匹配特征点,使用RANSAC算法和仿射变换获得初始变换矩阵;
随机抽样一致算法(Random Sample Consensus,RANSAC),是根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法。
仿射变换,又称仿射映射,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间。
对匹配的特征点用仿射变换计算出初始变换矩阵,初始变换矩阵具体表示为公式(4):
其中,ax、ay表示横纵坐标缩放量,bx、by表示横纵坐标旋转量及剪切量,cx、cy表示横纵坐标的偏移量。根据变换前后特征点坐标的变化,就可以求得相应的参数,进而得到相邻的两幅图像二维像素坐标变换关系的矩阵。
例如,在匹配好的两幅图像中的特征点随机抽取4对,使用仿射变换进行变换矩阵的计算。将计算好的变换矩阵对图像B的所有特征点向图像A为基准的坐标系进行坐标变换,将变换完毕的图像B的特征点坐标与图像A的特征点坐标进行距离的计算,选择欧氏距离不大于3的特征点为正确点,并统计该变换矩阵对应的正确点的个数。将此过程重复2000次,选择拥有正确点数最多的那个变换矩阵指定为最佳变换矩阵,从而完成筛选过程,提高变换矩阵的正确率。
拼接完成后,规定匹配特征点之间欧式距离不大于3的点对为正确点,否则为错误点。利用正确点的个数除以总的匹配特征点的个数,得到匹配特征点正确率。如表2所示,记录了未经过切割预处理的匹配特征点正确率和经过切割预处理的匹配特征点正确率。
表2切割预处理前后匹配特征点拼接正确率对比表
—— | 未经过切割预处理 | 经过切割预处理 |
匹配特征点正确率 | 95.48% | 99.03% |
从上表2可以看出,切割预处理前虽然多了一些匹配特征点,但多的部分几乎都是误匹配的特征点,对拼接准确性没有帮助。因此切割预处理还具有一定的筛选作用,可以有效地去除一些来自非重叠区域错误的匹配特征点,提高匹配特征点的正确率,对图像拼接的准确性是有帮助的。
步骤S409、使用初始变换矩阵计算获得每一原始图像与缩小图像的偏移量;
首先,用初始变换矩阵计算出原始图像拼接后的边长cols0;接着,用初始变换矩阵计算出缩小图像拼接后的边长cols1;然后,计算出缩放对初始变换矩阵造成的偏移量offset,计算公式为公式(5):
offset=cols1/N-cols0 (5);
步骤S410、根据偏移量对初始变换矩阵进行补偿获得目标变换矩阵;
对初始变换矩阵偏移量进行补偿,将初始变换矩阵中纵坐标的偏移量offset补偿至cx+offset得到目标变换矩阵。
这里的偏移量指的是图像所有像素点位置的偏移量,也就是像素点的位置误差。用缩小的图像计算得到变换矩阵直接作用于原始图像,会使原始图像拼接后的像素点坐标产生误差。在初始变换矩阵中对该偏移量进行补偿后,获得的目标变换矩阵可以在拼接时实现图像的整体偏移,消除前面利用缩小后图像进行计算带来的误差。
这里将图像边长缩小为原图边长的二分之一为例来说明,以下表(6)和表(7)是进行偏移量补偿后的目标变换矩阵与原始图像对应的变换矩阵的对比。其中式(6)为偏移量补偿后的缩小变换矩阵,式(7)为用原始图像计算出的变换矩阵。
由以上(6)和(7)矩阵可见,目标变换矩阵与用原始图像计算得到的变换矩阵误差极小,几乎一样。因此,可以用该缩放预处理的方法对原始图像进行缩小,这样可以大幅度加快特征点提取和匹配的速度,只需要在图像投影之前对变换矩阵进行偏移量补偿即可。
步骤S411、使用目标变换矩阵对原始待拼接图像进行投影,获得完成拼接的大图;
这里以左右拼接的图像为例:投影的意思是将待拼接的图像,以最左边的图像为基准,按照它们相互之间的位置关系(由变换矩阵得到)摆放到一个新的矩阵里,形成一幅拼接后的大图。
步骤S412、使用加权平均算法对每一拼接图像间的重叠区域进行平滑过渡,消除拼接缝,得到完整的宽幅星载ScanSAR图像。
投影只是把图像放到该图像对应的拼接位置。投影结束后,相邻图像之间重叠区域的像素值会出现叠加。换言之,图像之间的重叠区域会变亮。该步骤对图像重叠区域像素值使用了加权平均算法,是为了去除叠加效果,达到相邻图像之间像素值平滑过渡的目的。
加权平均算法这样进行处理的目的是将两幅图像的重叠区域中,在靠近图像A的地方让图像A所占的权值大一些;在靠近图像B的地方,让图像B所占的权值大一些。这样就不会出现比较明显的亮度变化,也就不会出现明显的拼接带或拼接缝隙,以此来达到消除拼接缝隙或拼接带的目的,得到完整的星载ScanSAR拼接后的图像。
这里给出缩放与切割预处理前后图像拼接速度的对比,如表3所示:记录了未经过缩放与切割预处理时图像拼接需要的时间和经过缩放与切割预处理后图像拼接需要的时间。
表3缩放与切割预处理前后图像拼接时间对比表
未经过缩放与切割预处理 | 经过缩放与切割预处理 | |
图像拼接时间(秒) | 263.29 | 14.83 |
由此可见,经过缩放与切割预处理的图像在拼接速度上有较大幅度的提升,说明该预处理方法对大尺寸图像的拼接有较为明显的优势。
图5为本申请实施例提供的经过图像预处理的图像拼接效果图和未经图像预处理的图像拼接效果图,其中,51为待拼接的左图,52为待拼接的右图,53为51与52在51上的重叠部分,54为51与52在52上的重叠部分,55为经过图像预处理的图像拼接效果图,56为未经图像预处理的图像拼接效果图。将55与56比对可以看出图像预处理方法提高了处理速度,但并不影响图像拼接的效果。
本申请实施例,使用图像缩放及重叠区域切割等分的预处理、基于尺度不变特征变换算法的特征点提取与匹配、基于仿射变换与随机抽样一致算法的变换矩阵计算、基于变换矩阵缩放补偿的图像投影以及基于加权平均算法的图像融合。解决了ScanSAR图像在拼接过程中出现的图像过大、特征点过多、匹配速度过慢的问题。
基于前述的实施例,本申请实施例提供一种图像拼接的装置,该装置包括所包括的各模块、以及各模块所包括的各单元,可以通过图像拼接的设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图6为本申请实施例图像拼接的装置的组成结构示意图,如图6所示,所述装置600包括获取模块601、缩小模块602、确定模块603、切割模块604和拼接模块605,其中:
获取模块601,用于获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;
缩小模块602,用于将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;
确定模块603,用于确定相邻两幅缩小图像所对应的目标图像重叠率;
切割模块604,用于根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K-1对所述相邻两幅缩小图像之间的重叠区;
拼接模块605,用于根据所述K-1对所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的图像拼接的方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得图像拼接的设备(可以是平板电脑、笔记本电脑、台式计算机、服务器集群等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
对应地,本申请实施例提供一种图像拼接的设备,图7为本申请实施例图像拼接的设备的一种硬件实体示意图,如图7所示,该电子设备700的硬件实体包括:包括存储器701和处理器702,所述存储器701存储有可在处理器702上运行的计算机程序,所述处理器702执行所述程序时实现上述实施例中提供的图像拼接的方法中的步骤。
存储器701配置为存储由处理器702可执行的指令和应用,还可以缓存待处理器702以及图像拼接的设备700中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(RandomAccess Memory,RAM)实现。
对应地,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中提供的图像拼接的方法中的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得图像拼接的设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种图像拼接的方法,其特征在于,所述方法包括:
获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;
将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;
确定相邻两幅缩小图像所对应的目标图像重叠率;
根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K-1对所述相邻两幅缩小图像之间的重叠区;
根据所述K-1对所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接。
2.根据权利要求1所述的方法,其特征在于,所述确定相邻两幅缩小图像所对应的目标图像重叠率,包括:
确定所述K幅原始图像中相邻两幅原始图像之间的图像重叠率,将所述相邻两幅原始图像之间的图像重叠率,确定为所述目标图像重叠率;或者,
将所述K幅缩小图像中相邻两幅缩小图像之间的图像重叠率,确定为所述目标图像重叠率。
3.根据权利要求1所述的方法,其特征在于,所述根据所述K-1个所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接,包括:
使用尺度不变特征变换算法提取并使用欧氏距离匹配出每一对所述重叠区的Jp对匹配特征点,其中J为大于等于1的整数,p为大于等于1小于等于K-1的整数;
使用补偿公式补偿每一所述缩小图像中的Jp对匹配特征点的坐标,获得补偿后的Jp对匹配特征点;
根据每一对所述缩小图像的所述补偿后的Jp对匹配特征点,使用随机抽样一致算法和仿射变换获得K个所述缩小图像对应的K-1个目标变换矩阵;
使用K-1个所述目标变换矩阵对K个所述原始图像进行投影,获得完成拼接的图像。
4.根据权利要求3所述的方法,其特征在于,所述使用尺度不变特征变换算法提取并使用欧氏距离匹配出每一对所述重叠区的Jp对匹配特征点,包括:
将每一对所述重叠区沿第二维度等分切割为M份,得到每一对所述重叠区域的M个切割图像;
对所述M个切割图像中的每一个切割图像使用尺度不变特征变换算法进行特征点提取并使用欧氏距离匹配,获得对应的一对所述重叠区的Jp对匹配特征点。
5.根据权利要求3所述的方法,其特征在于,所述使用补偿公式补偿每一缩小图像中的Jp对匹配特征点的坐标,获得补偿后的Jp对匹配特征点,包括:
获取每一缩小图像对应的原始矩阵;
根据所述原始矩阵的列数和所述重叠率,得到所述补偿公式;
使用所述补偿公式补偿每一缩小图像中的Jp对匹配特征点的坐标,获得补偿后的Jp对匹配特征点。
6.根据权利要求3所述的方法,其特征在于,所述根据每一对所述缩小图像的所述补偿后的Jp对匹配特征点,使用随机抽样一致算法和仿射变换获得K个所述缩小图像对应的K-1个目标变换矩阵,包括:
根据每一对所述缩小图像的所述补偿后的Jp对匹配特征点,使用随机抽样一致算法和仿射变换获得K个所述缩小图像对应的K-1个初始变换矩阵;
获得每一原始图像与缩小图像的偏移量;
根据所述偏移量对每一所述初始变换矩阵进行补偿,得到目标变换矩阵。
7.根据权利要求6所述的方法,其特征在于,所述获得每一原始图像与缩小图像的偏移量,包括:
获取每一对所述原始图像的Ij个角点坐标,其中,Ij为大于等于2且小于等于4的整数,j为大于等于1小于等于4的整数;
获取每一对所述缩小图像的Ij个角点坐标;
根据每一对所述原始图像的Ij个角点坐标,使用所述初始变化矩阵拼接每一对所述原始图像,获得预拼接原始图像的边长;
根据每一对所述缩小图像的Ij个角点坐标,使用所述初始变化矩阵拼接每一对所述缩小图像,获得预拼接缩小图像的边长;
使用所述预拼接缩小图的边长除以所述原始图像的边长的缩放倍数,再减去所述预拼接大图的边长,获得每一原始图像与缩小图像的偏移量。
8.一种图像拼接的装置,其特征在于,所述装置包括:
获取模块,用于获取按照第一维度依次排列的K幅原始图像,其中,K为大于等于1的整数;
缩小模块,用于将每一原始图像缩小,得到按照所述第一维度依次排列的K幅缩小图像;
确定模块,用于确定相邻两幅缩小图像所对应的目标图像重叠率;
切割模块,用于根据每一所述目标图像重叠率将对应的相邻两幅缩小图像进行切割,得到K-1对所述相邻两幅缩小图像之间的重叠区;
拼接模块,用于根据所述K-1对所述相邻两幅缩小图像的重叠区,对所述K个所述原始图像进行拼接。
9.根据权利要求8所述的装置,其特征在于,所述拼接模块包括:
提取子模块,用于使用尺度不变特征变换算法提取并使用欧氏距离匹配出每一对所述重叠区的Jp对匹配特征点,其中J为大于等于1的整数,p为大于等于1小于等于K-1的整数;
补偿子模块,用于使用补偿公式补偿每一所述缩小图像中的Jp对匹配特征点的坐标,获得补偿后的Jp对匹配特征点;
变换子模块,用于根据每一对所述缩小图像的所述补偿后的Jp对匹配特征点,使用随机抽样一致算法和仿射变换获得K个所述缩小图像对应的K-1个目标变换矩阵;
投影子模块,用于使用K-1个所述目标变换矩阵对K个所述原始图像进行投影,获得完成拼接的图像。
10.一种图像拼接的设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述图像拼接的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010312548.5A CN111709876B (zh) | 2020-04-20 | 2020-04-20 | 一种图像拼接的方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010312548.5A CN111709876B (zh) | 2020-04-20 | 2020-04-20 | 一种图像拼接的方法及装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709876A true CN111709876A (zh) | 2020-09-25 |
CN111709876B CN111709876B (zh) | 2023-02-03 |
Family
ID=72536673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010312548.5A Active CN111709876B (zh) | 2020-04-20 | 2020-04-20 | 一种图像拼接的方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709876B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223065A (zh) * | 2021-03-30 | 2021-08-06 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar卫星图像与光学图像自动匹配方法 |
CN115625435A (zh) * | 2022-11-14 | 2023-01-20 | 广东瑞洲科技有限公司 | 智能识别切割方法、装置及系统 |
CN116909240A (zh) * | 2023-09-13 | 2023-10-20 | 深圳市今天国际智能机器人有限公司 | Agv小车的装卸车动态路径规划方法、系统及相关介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614725A (zh) * | 2015-01-21 | 2015-05-13 | 中国科学院电子学研究所 | 一种扫描合成孔径雷达图像质量提升方法和装置 |
WO2016169699A1 (en) * | 2015-04-23 | 2016-10-27 | Forest Vision As | A system, an apparatus and a method for determining mass change in a study area using remote sensing data |
CN110211076A (zh) * | 2019-05-09 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 图像拼接方法、图像拼接设备和可读存储介质 |
CN110208798A (zh) * | 2019-05-27 | 2019-09-06 | 西安空间无线电技术研究所 | 一种高分宽幅星载马赛克sar成像处理方法及系统 |
CN110515078A (zh) * | 2019-07-27 | 2019-11-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 用于空域覆盖的波位设计方法 |
-
2020
- 2020-04-20 CN CN202010312548.5A patent/CN111709876B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614725A (zh) * | 2015-01-21 | 2015-05-13 | 中国科学院电子学研究所 | 一种扫描合成孔径雷达图像质量提升方法和装置 |
EP2985627A2 (en) * | 2015-01-21 | 2016-02-17 | Institute of Electronics, Chinese Academy of Sciences | Method and device for improving quality of scansar image |
WO2016169699A1 (en) * | 2015-04-23 | 2016-10-27 | Forest Vision As | A system, an apparatus and a method for determining mass change in a study area using remote sensing data |
CN110211076A (zh) * | 2019-05-09 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 图像拼接方法、图像拼接设备和可读存储介质 |
CN110208798A (zh) * | 2019-05-27 | 2019-09-06 | 西安空间无线电技术研究所 | 一种高分宽幅星载马赛克sar成像处理方法及系统 |
CN110515078A (zh) * | 2019-07-27 | 2019-11-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 用于空域覆盖的波位设计方法 |
Non-Patent Citations (2)
Title |
---|
吴成东等: "基于无人机航拍图像拼接算法的优化", 《沈阳建筑大学学报(自然科学版)》 * |
禹卫东等: "基于方位向多通道的星载SAR Mosaic模式研究", 《电子与信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223065A (zh) * | 2021-03-30 | 2021-08-06 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar卫星图像与光学图像自动匹配方法 |
CN113223065B (zh) * | 2021-03-30 | 2023-02-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar卫星图像与光学图像自动匹配方法 |
CN115625435A (zh) * | 2022-11-14 | 2023-01-20 | 广东瑞洲科技有限公司 | 智能识别切割方法、装置及系统 |
CN116909240A (zh) * | 2023-09-13 | 2023-10-20 | 深圳市今天国际智能机器人有限公司 | Agv小车的装卸车动态路径规划方法、系统及相关介质 |
CN116909240B (zh) * | 2023-09-13 | 2023-11-17 | 深圳市今天国际智能机器人有限公司 | Agv小车的装卸车动态路径规划方法、系统及相关介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111709876B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709876B (zh) | 一种图像拼接的方法及装置、设备、存储介质 | |
AU2017100064A4 (en) | Image Stitching | |
KR101165523B1 (ko) | 다중 소스의 지리 정보를 이용한 지리공간 모델링 시스템 및 관련 방법 | |
CN111598993B (zh) | 基于多视角成像技术的三维数据重建方法、装置 | |
CN108921781B (zh) | 一种基于深度的光场拼接方法 | |
CN111179358A (zh) | 标定方法、装置、设备及存储介质 | |
JP5216834B2 (ja) | オブジェクト表示装置及びオブジェクト表示方法 | |
KR20110120317A (ko) | 3d 포인트 클라우드 데이터를 2d 전자광학 영상 데이터로 등록 | |
Gonçalves et al. | CHAIR: Automatic image registration based on correlation and Hough transform | |
CN114155150A (zh) | 一种应用于大视差场景的图像拼接方法及装置 | |
CN111768337A (zh) | 一种图像处理方法、装置和电子设备 | |
CN112288637A (zh) | 无人机航拍图像快速拼接装置及快速拼接方法 | |
CN111652931A (zh) | 一种地理定位方法、装置、设备及计算机可读存储介质 | |
JP7432793B1 (ja) | 三次元点群に基づくマッピング方法、装置、チップ及びモジュール機器 | |
CN107941241B (zh) | 一种用于航空摄影测量质量评价的分辨率板及其使用方法 | |
CN113223176A (zh) | 多维度管道特征参数的获取方法和装置 | |
CN109325977B (zh) | 目标区域最优影像选择方法及系统、存储介质、电子设备 | |
CN108985154B (zh) | 基于影像聚集度的小尺寸地物亚像元定位方法和系统 | |
CN116310899A (zh) | 基于YOLOv5改进的目标检测方法及装置、训练方法 | |
CN115830073A (zh) | 地图要素重建方法、装置、计算机设备和存储介质 | |
CN115661689A (zh) | 赤潮区域确定方法、存储介质和电子设备 | |
CN113030968B (zh) | 基于csar模式提取dem的方法、装置及存储介质 | |
CN116128919A (zh) | 基于极线约束的多时相图像异动目标检测方法及系统 | |
EP3839882B1 (en) | Radiometric correction in image mosaicing | |
CN114627171A (zh) | 形变图像与dem融合方法及电子设备 |
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 |