CN111754402A - 一种基于改进的surf算法的图像拼接方法 - Google Patents

一种基于改进的surf算法的图像拼接方法 Download PDF

Info

Publication number
CN111754402A
CN111754402A CN202010517952.6A CN202010517952A CN111754402A CN 111754402 A CN111754402 A CN 111754402A CN 202010517952 A CN202010517952 A CN 202010517952A CN 111754402 A CN111754402 A CN 111754402A
Authority
CN
China
Prior art keywords
image
point
points
feature
algorithm
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.)
Withdrawn
Application number
CN202010517952.6A
Other languages
English (en)
Inventor
唐小波
徐衍微
申忠宇
许强
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.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
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 Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN202010517952.6A priority Critical patent/CN111754402A/zh
Publication of CN111754402A publication Critical patent/CN111754402A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06T7/30—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
    • 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
    • G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
    • 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]
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进的SURF算法的图像拼接方法，涉及图像处理技术领域，主要包括特征点的提取和匹配，匹配点的筛选，图像的配准和融合三个阶段。具体步骤为：对输入图像进行预处理，缩小图像尺寸；采用改进的SURF算法提取特征点；采用劳氏算法和RANSAC算法筛选匹配点；采用渐进渐出加权融合算法实现图像融合，完成拼接。本发明在保证图像拼接的准确性和稳定性基础上，提升了拼接的速度，是一种良好有效的图像拼接方法。

Description

一种基于改进的SURF算法的图像拼接方法
技术领域
本发明涉及数字图像处理技术领域，特别是一种基于改进的SURF算法的图像拼接方法。
背景技术
图像拼接是将两幅或者多幅具有重叠区域的图像拼接成一幅视角更广、分辨率更高图像的技术，是计算机视觉领域的一个重点研究内容。图像拼接技术的主要目的是增大图像视角，有助于掌握更全面直观的信息。图像拼接技术的应用范围非常广泛，主要涉及到遥感图像，医学图像，虚拟现实，智能驾驶系统以及无人机航拍图像的应用。
完整的图像拼接算法包含图像预处理、图像配准和图像融合三大步骤，重点研究内容是图像的配准和融合。图像配准方法分为两类：基于区域的配准方法和基于特征的配准方法。基于区域的配准方法是利用整幅图像或者某种滑动窗口内的灰度值信息来计算图像的模型变换，这种方法原理简单，容易实现，但稳定性较差。而基于局部特征的方法具有良好的稳定性，能够更好地克服光照，尺度，旋转等变化带来的影响，是目前主流的图像配准方法。图像融合主要实现图像重合区域的平滑过渡，减少光照的影响，从而得到一幅新的图像。
SIFT(Scale-invariant feature transform)特征检测算法是Lowe于1999年提出并在2004年完善的，该算法对于尺度缩放、平移旋转、光照变化都具有良好的不变性，对于图像的仿射变换及噪声也具有一定的稳定性，是目前最常用的图像拼接算法。随着图像拼接技术对拼接速度的要求越来越高，算法描述较为复杂，运行时间过长的SIFT算法逐渐无法满足实时性的需求。传统图像存在拼接时间久，精度低等问题。因此，针对图像的拼接速度问题，提高算法的实时性，是图像拼接领域主要的研究方向之一。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于改进的SURF算法的图像拼接方法，该方法能够满足不同条件下的图像拼接需求，是一种耗时短、精度高、拼接效果良好的图像拼接方法。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于改进的SURF算法的图像拼接方法，包括以下步骤：
步骤1、对两幅输入图像进行预处理，缩小图像尺寸，得到预处理后的图像，预处理后的图像包括基准图像I1和待拼接图像I2；
步骤2、对预处理后的图像采用改进的SURF算法进行特征点提取；具体如下：
2-1、引入特征点区域限制函数f(x,y)：
Figure BDA0002530826490000021
其中，x为像素的横坐标，y为像素的纵坐标，A、B分别为图像横向和纵向的边长尺寸，τ为有效拼接特征点的区域范围；
通过此函数限制特征点的区域范围在图像周边；
2-2、构建图像金字塔：改变高斯滤波器的窗口大小获得不同尺度的图像，图像经过不同尺寸盒子滤波器的滤波处理，生成多幅Hessian行列式图像，从而构成图像金字塔；
2-3、将图像金字塔内的每个像素点在其3×3×3的三维领域内进行非极大值抑制，即与其周围的26个点进行特征值比较，如果是其中的最大值或最小值，则初步确定为特征点，记录其位置与尺寸；
2-4、选取特征点主方向：以尺度值为s的特征点为圆心，在半径为6s的圆内使用尺寸为4s的Harr小波模板来计算梯度，选取梯度总和最大的方向为主方向；
2-5、以特征点为圆心，取20s×20s的正方形窗口，将窗口划分为16个大小为5s×5s的子窗口；统计子窗口内25个像素的水平方向harr小波特征之和dx和垂直方向harr小波特征之和dy，得到一个4维向量v＝(∑dx，∑|dx|，∑dy，∑|dy|)，每个特征点形成4×16个特征描述子用以描述该特征点；
步骤3、对步骤2提取出的特征点采用劳氏算法进行特征匹配，初步筛选并标记匹配的特征点对；
步骤4、应用RANSAC算法，对已经标记出特征点的两张图像进行误匹配特征点对剔除并求解透视变换矩阵；
步骤5、根据步骤4求解的变换矩阵，将待拼接图像I2通过变换矩阵进行变换后得到变换后的图像I3，将变换后的图像I3与基准图像I1进行叠加；
步骤6、采用线性加权运算，将基准图像I1与变换后的图像I3融合，完成图像拼接。
作为本发明所述的一种基于改进的SURF算法的图像拼接方法进一步优化方案，步骤1中，按
Figure BDA0002530826490000022
的缩小比例将图像缩放，l、w分别为输入图像的长度和宽度。
作为本发明所述的一种基于改进的SURF算法的图像拼接方法进一步优化方案，步骤3具体过程为：选取基准图像I1中的一个特征点，与待拼接图像I2的所有特征点求取欧氏距离，从中选出最近欧式距离特征点和次近欧式距离特征点，计算二者的比值，若该比值小于预设的距离比阈值T1则认为这个特征点是正确匹配的特征点，将正确匹配的特征点相连，否则视为错误匹配。
作为本发明所述的一种基于改进的SURF算法的图像拼接方法进一步优化方案，T1＝0.8。
作为本发明所述的一种基于改进的SURF算法的图像拼接方法进一步优化方案，步骤4包含以下子步骤：
4-1、从步骤3筛选出的特征点对中随机选取n对匹配点，计算透视变换矩阵H；
4-2、计算基准图像I1上其他特征点t1i经过H矩阵变换后的关联点t1j，计算t1j与待拼接图像I2上对应匹配特征点t2i的投影误差di，并设定误差阈值T2，当di<T2，视为内点，加入内点集N，否则视为外点；
4-3、如果当前内点集N中的元素个数大于最优内点集N_best，更新N_best＝N；
4-4、设置迭代次数k；
Figure BDA0002530826490000031
p为置信度，w为内点所占比例；
执行步骤4-1～步骤4-3k次，当循环结束时，求得的H即为最终的透视变换矩阵。
作为本发明所述的一种基于改进的SURF算法的图像拼接方法进一步优化方案，n为4，T2＝3。
作为本发明所述的一种基于改进的SURF算法的图像拼接方法进一步优化方案，步骤5中图像变换的具体过程为：
设X3＝[x3,y3,1]T，X2＝[x2,y2,1]T，
X3＝HX2
Figure BDA0002530826490000032
其中X2表示待拼接图像内部的点，x2为待拼接图像内部的点的横坐标，y2为待拼接图像内部的点的纵坐标，X3表示经过变换后的图像I3的内部对应点，x3为图像I3的内部对应点的横坐标，y3为图像I3的内部对应点的纵坐标，上标T表示矩阵转置，h1、h2、h4、h5均为线性变化参数，h3、h6为平移参数，h7、h8为变形量参r。
作为本发明所述的一种基于改进的SURF算法的图像拼接方法进一步优化方案，步骤6具体过程为：
设I1(x,y)，I3(x,y)分别表示基准图像I1与变换后的图像I3在像素点(x,y)处的像素值，I(x,y)表示融合后图像的像素值；
Figure BDA0002530826490000041
Figure BDA0002530826490000042
Figure BDA0002530826490000043
w1(x,y)，w3(x,y)分别为基准图像I1和变换后的图像I3的加权函数，width是图像重叠区域的宽度，dis1(x)是该像素点距离图像I1边缘的距离，dis3(x)是该像素点距离图像I3边缘的距离。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)改进的SURF算法通过限制特征点区域范围来减少图像配准的计算时间，同时采用劳氏算法和RANSAC算法提高匹配的正确率，能够有效剔除误匹配点，提高配准的准确率和精度，最后通过加权平均的方法将两幅图像融合为一张新的图像；
(2)应用本发明的方法进行图像拼接相较于传统的拼接方法，拼接速度更快，稳定性强，受环境因素干扰的影响较小，拼接效果良好。运用改进后的SURF算法对图像进行特征点检测，能够更快速地提取特征点；采用劳氏算法进行特征点匹配，之后采用RANSAC算法剔除误匹配特征点对，计算变换矩阵；最后采用渐进渐出加权融合的方法将图像融合形成新的视角更广的图像。
附图说明
图1是本发明的总流程图。
图2a、图2b是实施例中的两幅输入图像。
图3是采用传统方法的特征提取图。
图4是采用改进后的SURF算法的特征提取图。
图5是特征点粗匹配结果图。
图6是采用劳氏算法和RANSAC算法后的特征点匹配结果图。
图7是最终的拼接效果图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
如图1，本发明首先对图像进行预处理，缩小图像尺寸；然后采用改进的SURF算法提取图像特征点，改进后的SURF算法检测速度更快，且相较传统算法稳定性更好；然后采用劳氏算法进行特征点对匹配，并采用RANSAC算法剔除误匹配点对，计算变换矩阵并进行透视变换；最后采用渐进渐出加权融合算法实现图像融合，得到拼接后视角更大的图像。
实验硬件使用的是联想笔记本电脑，硬件配置为Intel Core i5-4200H，主频2.80GHz，内存8G，软件环境是Visual Studio 2019平台。
(1)首先输入图2a、图2b所示的两幅原始图像，对两幅图像进行预处理，按
Figure BDA0002530826490000051
的缩小比例将图像缩放至合适大小，l、w分别为输入图像的长度和宽度。
(2)采用改进后的SURF算法提取两幅图像的特征点，具体步骤如下：
(2-1)引入特征点区域限制函数
Figure BDA0002530826490000052
其中，x为像素的横坐标，y为像素的纵坐标，A、B分别为图像横向和纵向的边长尺寸，τ为有效拼接特征点的区域范围。通过此函数限制特征点的区域范围在图像周边。
(2-2)从9×9尺寸的盒子滤波器开始，对盒子滤波器的尺寸进行扩展，9×9尺寸的盒子滤波器是σ为1.2时的高斯二阶微分函数经过离散和剪裁后的滤波模板。保持图像尺寸不变，将图像分为4层，每层分为4组，选择6的倍数作为基本尺度间隔，每次翻倍作为下一层的尺度间隔。第一层滤波模板大小为9×9,15×15,21×21,27×27，第二层滤波模板大小为15×15,27×27,39×39,51×51，第三层滤波模板大小为27×27,51×51,75×75,99×99，第四层的滤波模板大小为51×51,99×99,147×147,195×195。每一层中任意一组通过三种方向的滤波模板得到计算结果Dxx,Dxy,Dyy。生成行列式图像，构成图像金字塔。
(2-3)将经过Hessian矩阵处理过的每个像素点在其3×3×3的三维领域与其周围的26个点进行特征值比较，进行非极大值抑制，初步确定特征点位置。
(2-4)以尺度值为s的特征点为圆心，在半径为6s的圆内使用尺寸为4s的Harr小波模板计算梯度，统计60度扇形内所有点的水平Harr小波特征和垂直Harr小波特征总和，然后60度扇形以一定间隔旋转，选取小波特征总和最大的方向为主方向。
(2-5)以特征点为圆心，将坐标轴旋转至上述步骤(2-4)确定的主方向上，取一个20s×20s的正方形窗口，并将窗口划分为16个大小为5s×5s的子窗口。统计子区域内25个像素的水平方向值之和∑dx，水平方向绝对值之和∑|dx|，垂直方向值之和∑dy，垂直方向绝对值之和∑|dy|，每个子窗口可以得到一个4维向量v＝(∑dx，∑|dx|，∑dy，∑|dy|)，每个特征点形成4×16个特征描述子用以描述该特征点。
如图3所示是采用未改进的SURF算法提取的特征点，图4所示是采用改进后的SURF算法提取的特征点，特征点数量明显减少但用于拼接的图像周边特征点得到了很好保留。
(3)选取图像I1中的一个特征点t1，与图像I2的所有特征点求取欧氏距离，从中选出最近欧式距离特征点和次近欧式距离特征点，距离分别为d1，d2，若d1/d2≤T1，则认为是正确匹配的特征点，将正确匹配的特征点相连，否则视为错误匹配。该例取T1＝0.4。
(4)应用RANSAC算法剔除误匹配特征点，包含以下子步骤：
(4-1)从步骤(3)筛选出的特征点对中随机选取4对匹配点，计算透视变换矩阵H；
(4-2)计算图像I1上其他特征点t1i经过H矩阵变换后的关联点t1j，计算t1j与图像I2上对应匹配特征点t2i的投影误差di，并设定误差阈值T2，当di<T2，视为内点，加入内点集N，否则视为外点，该例T2＝3；
(4-3)如果当前内点集N中的元素个数大于最优内点集N_best，更新N_best＝N；
(4-4)设置迭代次数
Figure BDA0002530826490000061
p为置信度，取0.995，w为内点所占比例。执行步骤(4-1)～(4-3)k次，当循环结束时，该例H矩阵为：
Figure BDA0002530826490000062
图5是特征点粗匹配效果图，经过劳氏算法和RANSAC算法筛选后，图6是最终特征点的匹配结果图。
(5)通过变换矩阵H计算得到透视变换后的图像I3，并与基准图像I1进行叠加。
(6)采用渐进渐出加权融合算法，设I1(x,y)，I3(x,y)分别表示基准图像I1与变换后的图像I3在像素点(x,y)处的像素值，I(x,y)表示融合后图像的像素值；
Figure BDA0002530826490000063
Figure BDA0002530826490000064
Figure BDA0002530826490000065
w1(x,y)，w3(x,y)分别为基准图像I1和变换后的图像I3的加权函数，width是图像重叠区域的宽度，dis1(x)是该像素点距离图像I1边缘的距离，dis3(x)是该像素点距离图像I3边缘的距离。
得到图像融合后重叠区域的像素值，实现图像融合。最终的拼接效果图如图7所示。拼接边缘过渡平滑，拼接效果良好。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (8)

1.一种基于改进的SURF算法的图像拼接方法，其特征在于，包括以下步骤：
步骤1、对两幅输入图像进行预处理，缩小图像尺寸，得到预处理后的图像，预处理后的图像包括基准图像I1和待拼接图像I2；
步骤2、对预处理后的图像采用改进的SURF算法进行特征点提取；具体如下：
2-1、引入特征点区域限制函数f(x,y)：
Figure FDA0002530826480000011
其中，x为像素的横坐标，y为像素的纵坐标，A、B分别为图像横向和纵向的边长尺寸，τ为有效拼接特征点的区域范围；
通过此函数限制特征点的区域范围在图像周边；
2-2、构建图像金字塔：改变高斯滤波器的窗口大小获得不同尺度的图像，图像经过不同尺寸盒子滤波器的滤波处理，生成多幅Hessian行列式图像，从而构成图像金字塔；
2-3、将图像金字塔内的每个像素点在其3×3×3的三维领域内进行非极大值抑制，即与其周围的26个点进行特征值比较，如果是其中的最大值或最小值，则初步确定为特征点，记录其位置与尺寸；
2-4、选取特征点主方向：以尺度值为s的特征点为圆心，在半径为6s的圆内使用尺寸为4s的Harr小波模板来计算梯度，选取梯度总和最大的方向为主方向；
2-5、以特征点为圆心，取20s×20s的正方形窗口，将窗口划分为16个大小为5s×5s的子窗口；统计子窗口内25个像素的水平方向harr小波特征之和dx和垂直方向harr小波特征之和dy，得到一个4维向量v＝(∑dx，∑|dx|，∑dy，∑|dy|)，每个特征点形成4×16个特征描述子用以描述该特征点；
步骤3、对步骤2提取出的特征点采用劳氏算法进行特征匹配，初步筛选并标记匹配的特征点对；
步骤4、应用RANSAC算法，对已经标记出特征点的两张图像进行误匹配特征点对剔除并求解透视变换矩阵；
步骤5、根据步骤4求解的变换矩阵，将待拼接图像I2通过变换矩阵进行变换后得到变换后的图像I3，将变换后的图像I3与基准图像I1进行叠加；
步骤6、采用线性加权运算，将基准图像I1与变换后的图像I3融合，完成图像拼接。
2.根据权利要求1所述的一种基于改进的SURF算法的图像拼接方法，其特征在于，步骤1中，按
Figure FDA0002530826480000021
的缩小比例将图像缩放，l、w分别为输入图像的长度和宽度。
3.根据权利要求1所述的一种基于改进的SURF算法的图像拼接方法，其特征在于，步骤3具体过程为：选取基准图像I1中的一个特征点，与待拼接图像I2的所有特征点求取欧氏距离，从中选出最近欧式距离特征点和次近欧式距离特征点，计算二者的比值，若该比值小于预设的距离比阈值T1则认为这个特征点是正确匹配的特征点，将正确匹配的特征点相连，否则视为错误匹配。
4.根据权利要求1所述的一种基于改进的SURF算法的图像拼接方法，其特征在于，T1＝0.8。
5.根据权利要求1所述的一种基于改进的SURF算法的图像拼接方法，其特征在于，步骤4包含以下子步骤：
4-1、从步骤3筛选出的特征点对中随机选取n对匹配点，计算透视变换矩阵H；
4-2、计算基准图像I1上其他特征点t1i经过H矩阵变换后的关联点t1j，计算t1j与待拼接图像I2上对应匹配特征点t2i的投影误差di，并设定误差阈值T2，当di<T2，视为内点，加入内点集N，否则视为外点；
4-3、如果当前内点集N中的元素个数大于最优内点集N_best，更新N_best＝N；
4-4、设置迭代次数k；
Figure FDA0002530826480000022
p为置信度，w为内点所占比例；
执行步骤4-1～步骤4-3k次，当循环结束时，求得的H即为最终的透视变换矩阵。
6.根据权利要求5所述的一种基于改进的SURF算法的图像拼接方法，其特征在于，n为4，T2＝3。
7.根据权利要求1所述的一种基于改进的SURF算法的图像拼接方法，其特征在于，步骤5中图像变换的具体过程为：
设X3＝[x3,y3,1]T，X2＝[x2,y2,1]T，
X3＝HX2
Figure FDA0002530826480000023
其中X2表示待拼接图像内部的点，x2为待拼接图像内部的点的横坐标，y2为待拼接图像内部的点的纵坐标，X3表示经过变换后的图像I3的内部对应点，x3为图像I3的内部对应点的横坐标，y3为图像I3的内部对应点的纵坐标，上标T表示矩阵转置，h1、h2、h4、h5均为线性变化参数，h3、h6为平移参数，h7、h8为变形量参r。
8.根据权利要求1所述的一种基于改进的SURF算法的图像拼接方法，其特征在于，步骤6具体过程为：
设I1(x,y)，I3(x,y)分别表示基准图像I1与变换后的图像I3在像素点(x,y)处的像素值，I(x,y)表示融合后图像的像素值；
Figure FDA0002530826480000031
Figure FDA0002530826480000032
Figure FDA0002530826480000033
w1(x,y)，w3(x,y)分别为基准图像I1和变换后的图像I3的加权函数，width是图像重叠区域的宽度，dis1(x)是该像素点距离图像I1边缘的距离，dis3(x)是该像素点距离图像I3边缘的距离。
CN202010517952.6A 2020-06-09 2020-06-09 一种基于改进的surf算法的图像拼接方法 Withdrawn CN111754402A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010517952.6A CN111754402A (zh) 2020-06-09 2020-06-09 一种基于改进的surf算法的图像拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010517952.6A CN111754402A (zh) 2020-06-09 2020-06-09 一种基于改进的surf算法的图像拼接方法

Publications (1)

Publication Number Publication Date
CN111754402A true CN111754402A (zh) 2020-10-09

Family

ID=72676473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010517952.6A Withdrawn CN111754402A (zh) 2020-06-09 2020-06-09 一种基于改进的surf算法的图像拼接方法

Country Status (1)

Country Link
CN (1) CN111754402A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706382A (zh) * 2021-08-27 2021-11-26 中电科星河北斗技术(西安)有限公司 基于四叉树均匀化法的图像拼接方法、装置及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706382A (zh) * 2021-08-27 2021-11-26 中电科星河北斗技术(西安)有限公司 基于四叉树均匀化法的图像拼接方法、装置及存储介质

Similar Documents

Publication Publication Date Title
Wen et al. Deep color guided coarse-to-fine convolutional network cascade for depth image super-resolution
CN111080529A (zh) 一种加强鲁棒性的无人机航拍图像拼接方法
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN106940876A (zh) 一种基于surf的快速无人机航拍图像拼接算法
CN101794439B (zh) 基于边缘分类信息的图像拼接方法
CN107506765B (zh) 一种基于神经网络的车牌倾斜校正的方法
CN108416801B (zh) 一种面向立体视觉三维重建的Har-SURF-RAN特征点匹配方法
CN104036523A (zh) 一种基于SURF特征的改进Mean Shift的目标跟踪方法
CN111767960A (zh) 一种应用于图像三维重建的图像匹配方法及系统
Wang et al. Multi-scenes image stitching based on autonomous driving
CN112215079B (zh) 一种全局多阶段目标跟踪方法
CN111199558A (zh) 一种基于深度学习的图像匹配方法
CN113989340A (zh) 一种基于分布的点云配准方法
CN111583286B (zh) 基于Flow-XDoG算子的腹部MRI图像轮廓提取方法
CN114241372A (zh) 一种应用于扇扫拼接的目标识别方法
CN113095371A (zh) 一种面向三维重建的特征点匹配方法及系统
CN111951162A (zh) 一种基于改进的surf算法的图像拼接方法
CN116310098A (zh) 一种基于注意力机制与可变卷积深度网络的多视图三维重建方法
Rangel et al. Object recognition in noisy RGB-D data using GNG
CN111754402A (zh) 一种基于改进的surf算法的图像拼接方法
CN113627481A (zh) 一种面向智慧园林的多模型组合的无人机垃圾分类方法
CN112101283A (zh) 一种交通标志智能识别方法及系统
CN110070626B (zh) 一种基于多视角分类的三维物体检索方法
Schulz et al. Object-class segmentation using deep convolutional neural networks
CN114943823B (zh) 基于深度学习语义感知的无人机图像拼接方法及系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201009

WW01 Invention patent application withdrawn after publication