CN111914890B - 图像之间的图像块匹配方法、图像配准方法和产品 - Google Patents
图像之间的图像块匹配方法、图像配准方法和产品 Download PDFInfo
- Publication number
- CN111914890B CN111914890B CN202010577864.5A CN202010577864A CN111914890B CN 111914890 B CN111914890 B CN 111914890B CN 202010577864 A CN202010577864 A CN 202010577864A CN 111914890 B CN111914890 B CN 111914890B
- Authority
- CN
- China
- Prior art keywords
- image block
- pixel
- image
- target
- vector
- 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 84
- 239000013598 vector Substances 0.000 claims abstract description 268
- 238000004590 computer program Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 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
- G06V10/70—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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像之间的图像块匹配方法、图像配准方法和产品。所述方法包括:根据待匹配图像的像素向量空间构建目标KD树,并根据目标图像中的目标图像块的二进制向量,在目标KD树中的邻近节点中查找,得到待匹配图像中与目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合,然后根据目标图像块的主方向和候选图像块集合中每个候选图像块的主方向的夹角,从候选图像块集合中选择出与目标图像块匹配的匹配图像块。采用本方法能够提高图像块的匹配效率和精度。
Description
技术领域
本申请涉及图像之间的图像块技术领域,特别是涉及一种图像之间的图像块匹配方法、图像配准方法和产品。
背景技术
目前,图像块匹配技术是计算机视觉等领域的热点领域,并在图像融合(imagefusion),图像超分辨率(image super resolution),立体视觉(stereo vision)等领域中广泛应用。
例如,当使用手机摄像头进行拍照的时候,长焦和短焦模式拍摄同一个物体时,需要完成两种模式下的两幅图像之间的图像块的最相似块的匹配,来实现拍摄。
传统的图像块匹配方法是直接采用两个图像的原始图像块进行相似度计算,然而该方法在对高分辨率图像进行处理的时候,计算量大,耗时长。
发明内容
基于此,有必要针对上述技术问题,提供一种高效的图像之间的图像块匹配方法、图像配准方法、装置、终端和存储介质。
一种图像之间的图像块匹配方法,所述方法包括:
根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间;
根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合;
根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块。
在其中一个实施例中,所述根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出所述待匹配图像中与所述目标图像块匹配的匹配图像块,包括:
获取所述目标图像块的主方向与每个所述候选图像块的主方向的夹角;
根据所述主方向夹角小于或等于预设夹角阈值的候选图像块,构建中间图像块集合;
将所述中间图像块集合中,与所述目标图像块的二进制汉明距离最小的候选图像块作为所述匹配图像块。
在其中一个实施例中,所述根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块组成的候选图像块集合,包括:
根据所述目标图像块的二进制向量在所述目标KD树中的查找,得到与所述目标图像块的相似度最高的节点;
基于所述目标KD树在所述相似度最高的节点的预设范围内,进行相似图像块搜索,得到所述候选图像块集合。
在其中一个实施例中,所述根据待匹配图像的像素向量空间构建目标KD树,包括:
获取所述待匹配图像的像素向量空间中每个一维特征描述向量的维度差值;其中,所述维度差值为一维特征描述向量中多个元素的最大值和最小值之间的差值;
将所述维度差值最大的一维特征描述向量作为切分维度,对所述待匹配图像的像素向量空间进行切分,得到两个像素向量子空间;
当所述像素向量子空间中一维特征描述向量的数量小于或等于最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点;
当所述像素向量子空间中一维特征描述向量的数量大于所述最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点,并继续按照所述维度差值对所述像素向量子空间进行切分,直至每个节点的一维特征描述向量的数量小于或等于最小节点数阈值为止。
在其中一个实施例中,所述像素向量空间的获取方式包括:
对待降维图像中的每个像元所在的图像块执行一维特征提取操作,得到所述待降维图像中的每个像元对应的一维特征描述向量;其中,所述待降维图像为待匹配图像和/或所述目标图像;
基于所述待降维图像中每个像元对应的一维特征描述向量,构建所述待降维图像的像素向量空间。
在其中一个实施例中,所述一维特征提取操作包括:
将像元所在的图像块进行邻域划分,得到多个子区域;
获取每个子区域各自的像素平均值;
按照先行后列的方式,将每个子区域的像素平均值进行排列,得到像元对应的一维特征描述向量。
在其中一个实施例中,所述二进制向量的获取方式包括:
对像元所在的图像块进行邻域划分,得到多个子区域;
获取每个子区域各自的像素平均值;
将像元所在子区域的像素平均值作为目标像素平均值;
将像元所在的图像块中像素平均值大于或等于所述目标像素平均值的子区域的二进制特征记为1,将像素平均值小于所述目标像素平均值的子区域的二进制特征记为0,得到像元所在的图像块的二进制向量。
在其中一个实施例中,所述主方向的获取方式包括:
获取像元所在的图像块的矩的曼哈顿距离;
对所述曼哈顿距离进行归一化,得到归一化曼哈顿距离,并将所述归一化曼哈顿距离作为像元所在的图像块的主方向。
一种图像配准方法,所述方法包括:
采用如上述任一实施例中的图像块匹配方法获取两个图像之间匹配的图像块对;
根据所述图像块对将所述两个图像进行配准。
一种图像之间的图像块匹配装置,所述装置包括:
构建模块,用于根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间;
处理模块,用于根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合;
匹配模块,用于根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块。
一种图像配准装置,所述装置包括:
图像块匹配模块,用于采用如上述任一实施例所述的图像之间的图像块匹配方法获取两个图像之间匹配的多个图像块对;
配准模块,用于根据所述多个图像块对将所述两个图像进行配准。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间;
根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合;
根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
采用如上述任一实施例图像之间的图像块匹配方法获取两个图像之间匹配的多个图像块对;
根据所述多个图像块对将所述两个图像进行配准。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间;
根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合;
根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
采用如上述任一实施例图像之间的图像块匹配方法获取两个图像之间匹配的多个图像块对;
根据所述多个图像块对将所述两个图像进行配准。
上述图像之间的图像块匹配方法、图像配准方法、装置、终端和存储介质,终端根据待匹配图像的像素向量空间构建目标KD树,并根据目标图像中的目标图像块的二进制向量,在目标KD树中的邻近节点中查找,得到待匹配图像中与目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合,然后根据目标图像块的主方向和候选图像块集合中每个候选图像块的主方向的夹角,从候选图像块集合中选择出与目标图像块匹配的匹配图像块。该方法由于上述目标KD树为根据待匹配图像的像素向量空间建立,该像素向量空间是基于目标图象中图像块中的像素分布进行降维所得到的,因而能够表征图像块的离散灰度信息。由于二进制向量能够表征图像块的局部结构化的分布特征,终端根据目标图像中的目标图像块的二进制向量,在目标KD树中的邻近节点中查找,得到待匹配图像中与目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合,因此能够通过结合灰度信息和局部结构信息获取候选图像块。该方法中终端能够通过降维得到像素向量空间使得数据运算量大大减少,进而极大的提高图像块的匹配效率;同时结合了局部结构化特征的的进行图像块匹配方式能够使得查找精度大大提高,所获取的候选图像块的精准度也大大提高。并且由于主方向的方向确定性,该基于主方向的夹角进行匹配图像块的筛选,提高了图像块匹配的旋转不变性,使得所确定的匹配图像块更为准确,提高了图像块的匹配精度。
附图说明
图1为一个实施例提供的计算机设备的内部结构图;
图2为一个实施例提供的图像之间的图像块匹配方法的流程示意图;
图3为又一个实施例提供的图像之间的图像块匹配方法的流程示意图;
图4为又一个实施例提供的图像之间的图像块匹配方法的流程示意图;
图5为又一个实施例提供的图像之间的图像块匹配方法的流程示意图;
图6为又一个实施例提供的图像之间的图像块匹配方法的流程示意图;
图7为又一个实施例提供的图像之间的图像块匹配方法的流程示意图;
图8为一个实施例提供的图像配准方法的流程示意图;
图9为一个实施例提供的图像之间的图像块匹配装置的结构框图;
图10为一个实施例提供的图像配准装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像之间的图像块匹配方法或图像配准方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
需要说明的是,下述方法实施例的执行主体可以分别是图像之间的图像块匹配装置或图像配准装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为终端为例进行说明。
图2为一个实施例提供的图像之间的图像块匹配方法的流程示意图。本实施例涉及的是终端根据目标图像中的目标图像块在待匹配图像中查找匹配的匹配图像块的具体过程。如图2所示,包括:
S102、根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间。
具体的,终端可以首先对待配准图像基于像素进行降维处理,从而获取待配准图像的低维度的像素向量空间,然后根据这个低维度的像素向量空间来构建目标(k-dimensional Tree,简称KD-Tree)KD树。可选地,可以是将待配准图像划分为多个图像块,基于不同图像块中的像素分布,分别对每个图像块进行降维处理,从而构建像素空间向量。
S104、根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合。
具体的,终端可以对目标图像中的目标图像块提取二进制向量,然后根据目标图像块的二进制向量,在目标KD树中的邻近节点中,基于每个节点对应的图像块的二进制向量,查找和目标图像块的二进制向量的相似度高的节点,将这些节点对应的待配准图像中的图像块作为候选图像块,构成上述候选图像块集合。可选地,可以是将在目标KD树中与上述目标图像块的二进制向量的相似度位于预设的相似度范围内的节点,或者相似度高于预设相似度要求的节点所对应的待匹配图像的图像块作为候选图像块。可选地,上述判断相似度高的方式可以是判断两个二进制向量之间的汉明距离是否位于预设汉明距离范围或小于预设汉明距离阈值,再如还可以是判断两个二进制向量之间的欧几里得距离是否小于预设欧几里得距离阈值等方式,本实施例对此并不做限定。需要说明的是,上述二进制向量是基于图像块中的像素分布进行二值化处理所得到的向量,该二进制向量能够表征对应的图像块的像素的局部结构化分布特征。
S106、根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块。
具体的,终端可以获取上述目标图像块的主方向,以及获取候选图像块集合中每个候选图像块的主方向,然后终端将目标图像块的主方向分别和每个候选图像块的主方向计算夹角,从主方向的夹角较小的候选图像块中确定出和目标图像块匹配的匹配图像块。可选地,还可以是终端在候选图像块集中进行最相似图像块查询,得到相似度最高的匹配图像块;可选地,终端可以是将主方向的夹角最小的候选图像块作为上述匹配图像块,也可以是将主方向的夹角较小的多个候选图像块中,根据二进制向量之间的汉明距离,将汉明距离最小的候选图像块作为上述匹配图像块,对此本实施例并不做限定。
本实施例中,终端根据待匹配图像的像素向量空间构建目标KD树,并根据目标图像中的目标图像块的二进制向量,在目标KD树中的邻近节点中查找,得到待匹配图像中与目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合,然后根据目标图像块的主方向和候选图像块集合中每个候选图像块的主方向的夹角,从候选图像块集合中选择出与目标图像块匹配的匹配图像块。该方法由于上述目标KD树为根据待匹配图像的像素向量空间建立,该像素向量空间是基于目标图象中图像块中的像素分布进行降维所得到的,因而能够表征图像块的离散灰度信息。由于二进制向量能够表征图像块的局部结构化的分布特征,终端根据目标图像中的目标图像块的二进制向量,在目标KD树中的邻近节点中查找,得到待匹配图像中与目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合,因此能够通过结合灰度信息和局部结构信息获取候选图像块。该方法中终端能够通过降维得到像素向量空间使得数据运算量大大减少,进而极大的提高图像块的匹配效率;同时结合了局部结构化特征的的进行图像块匹配方式能够使得查找精度大大提高,所获取的候选图像块的精准度也大大提高。并且由于主方向的方向确定性,该基于主方向的夹角进行匹配图像块的筛选,提高了图像块匹配的旋转不变性,使得所确定的匹配图像块更为准确,提高了图像块的匹配精度。
可选地,在上述各个实施例的基础上,上述步骤S106的一种可能的实现方式可以如图3所示,包括:
S1062、获取所述目标图像块的主方向与每个所述候选图像块的主方向的主方向夹角。
具体的,终端可以获取目标图像块的主方向和每个候选图像块的主方向,然后分别计算目标图像块的主方向和每个候选图像块的主方向之间的方向夹角。
可选地,上述图像块的主方向的获取过程可以包括:获取像元所在图像块的矩的曼哈顿距离;对所述曼哈顿距离进行归一化,得到归一化曼哈顿距离,并将所述归一化曼哈顿距离作为像元所在的图像块的主方向。可选地,上述图像块可以是划分为N*N邻域的图像块,即为以像元为中心,在其周围N*N邻域内的局部图像作为上述图像块。可选地,这里的N可以为3的整倍数,当N为3的整倍数的时候,能够使得像元的处理更便于操作。这里以一个像元p为例对主方向的获取过程进行详细说明:终端获取像元p所在的N*N邻域的矩pmomets,然后计算像元p和p所在的N*N邻域的矩d=|p-pmomets|的曼哈顿距离,可以采用公式d=|p-pmomets|或该公式的变形求得;其中,p为像元中心点的坐标。然后,终端将上述曼哈顿距离进行归一化,得到上述归一化曼哈顿距离dnorm可以采用公式或该公式的变形得到,终端将该归一化曼哈顿距离dnorm作为以上述像元p为中心的像素块的主方向。终端对每个像元执行上述操作可以获取所有图像块的主方向。本实施例中通过获取像元所在图像块的矩的曼哈顿距离,对曼哈顿距离进行归一化,得到归一化曼哈顿距离,并将归一化曼哈顿距离作为像元的主方向能够快速准确地得到表征像元的方向特性,进一步提高了图像块匹配的效率和精度。
可选地,上述主方向夹角的获取过程可以采用公式或者该公式的变形得到主方向夹角Ang。其中dnormA代表图像A中图像块TA的主方向,这里可以是目标图像块的主方向;dnormB代表图像B中图像块TB的主方向,这里可以是候选图像块的主方向。
S1064、根据所述主方向夹角小于或等于预设夹角阈值的候选图像块,构建中间图像块集合。
具体的,终端可以获取预设夹角阈值,可以用δAng表示。该预设夹角阈值可以为人为设定的数值,例如可以是根据经验获取得到。终端判断主方向夹角和预设夹角阈值的大小关系,当主方向夹角小于或等于预设夹角阈值的时候,将这个主方向夹角对应的候选图像块作为中间图像块集合中的图像块,如果主方向夹角大于上述预设夹角阈值,则将这个主方向夹角对应的图像块进行删除,通过对每个主方向夹角和预设夹角阈值的大小关系的判断,筛选得到主方向夹角小于或等于预设夹角阈值的所有候选图像块,从而构建出能够满足预设夹角阈值要求的中间图像块集合,能够删除主方向夹角过大的相似度较低的部分候选图像块,进一步缩小了匹配的范围,提高了匹配的精度和效率。
S1066、将所述中间图像块集合中,与所述目标图像块的二进制汉明距离最小的候选图像块作为所述匹配图像块。
具体的,终端还可以获取上述目标图像块和中间图像块集合中每个候选图像块的二进制汉明距离,即分别计算上述目标图像块的二进制向量和候选图像块的二进制向量的汉明距离(hamming distance)。然后终端将中间图像块集合中每个候选图像块,按照二进制汉明距离进行排序,将二进制汉明距离最小的候选图像块作为最相似的图像块,即上述匹配图像块。
本实施例中,终端获取目标图像块的主方向与每个候选图像块的主方向的主方向夹角,并根据主方向夹角小于或等于预设夹角阈值的候选图像块,构建中间图像块集,能够删除主方向夹角过大的候选图像块,去除了部分差异较大的候选图像块,实现了候选图像块的优化,然后基于优化后的中间图像块集合,从中选择与目标图像块的二进制汉明距离最小的候选图像块作为匹配图像块,进一步提高了图像块匹配的精度和效率。
可选地,在上述各个实施例的基础上,上述步骤S104的一种可能的实现方式还可以如图4所示,包括:
S1042、根据所述目标图像块的二进制向量在所述目标KD树中的查找,得到与所述目标图像块的相似度最高的相似度最高的节点。
S1044、基于所述目标KD树在所述相似度最高的节点的预设范围内,进行相似图像块搜索,得到所述候选图像块集合。
具体的,终端可以根据获取上述目标图像块的二进制向量,然后根据目标图像块的二进制向量在目标KD树中的查找,找到和目标图像块的相似度最高的节点,可以记做leaf0。然后终端在该相似度最高的节点leaf0附近,使用二进制空间对比的方式,,即采用目标图像块的二进制向量和leaf0附近的节点对应的二进制空间中的二进制向量进行精确对比,可以是计算二者的汉明距离,将汉明距离作为相似度的衡量指标,汉明距离越小则相似度越高,反之汉明距离越大则相似度越低。终端基于汉明距离在该相似度最高的节点leaf0附近完成相似块的搜索,例如是将汉明距离小于预设的汉明阈值的邻近的节点对应的图像块作为候选图像块,从而形成候选图像块集合。
可选地,关于二进制向量的获取方式可以如图5所示,包括:
S202、对像元所在的图像块进行邻域划分,得到多个子区域。
S204、获取每个子区域各自的像素平均值。
S206、将像元所在子区域的像素平均值作为目标像素平均值。
S208、将像元所在的图像块中像素平均值大于或等于所述目标像素平均值的子区域的二进制特征记为1,将像素平均值小于所述目标像素平均值的子区域的二进制特征记为0,得到像元所在的图像块的二进制向量。
具体的,终端针对像元所在图像块进行邻域划分,该图像块可以划分为一个N*N的邻域,可选地,可以是“井”字形的划分,从而得到以该像元为中心的多个子区域。可选地,N为2的时候,可以划分为4个子区域,N为3的时候,可以是划分为9个子区域,N还可以为4的时候划分为16个子区域。当划分为9个子区域的时候,能够兼顾数据的完整和数据处理的便携性。可选地,N可以为3的整倍数,能够便于后续计算。可选地,N可以取3的整倍数,以使得图像块划分得到的邻域能够有中心存在的像元,便于计算。以划分为9个子区域为例,终端分别计算每个子区域的像素平均值,得到9个子区域各自的像素平均值,然后将像元所在的子区域的像素平均值作为目标像素平均值,将其他子区域的像素平均值和目标像素平均值进行大小关系比较。终端将其他子区域的像素平均值大于或等于目标像素平均值的子区域的二进制特征记为1,将像素平均值小于目标像素平均值的子区域的二进制特征记为0,然后按照先行后列的顺序,以这9个子区域的分布位置,将各自子区域的二进制特征进行排列,得到像元所在的图像块的二进制向量。可选地,像元所在的子区域的二进制特征可以记为1。可选地,当像元处于图像的边缘部位的时候,则在超出图像的部分按照空白补充相应的特征,例如可以记为0,以便于保证数据的完整性,方便计算。可选地,一个图像的所有像元所在的图像块的二进制向量可以构成该图像的二进制空间。本实施例中所描述的二进制向量的获取方式,终端通过对像元所在图像块进行邻域划分,得到多个子区域并获取每个子区域各自的像素平均值,然后以像元所在子区域的像素平均值作为目标像素平均值,将像元所在的图像块中像素平均值大于或等于所述目标像素平均值的子区域的二进制特征记为1,将像素平均值小于所述目标像素平均值的子区域的二进制特征记为0,得到像元所在的图像块的二进制向量,该方法能够准确获得描述像元所在图像块的结构信息的二进制向量,因此使得基于该二进制向量进行的图像块匹配的匹配精度进一步提高。
在上述图4所示的实施例中,终端根据目标图像块的二进制向量在目标KD树中的查找,得到与目标图像块的相似度最高的节点,并在相似度最高的节点附近,基于汉明距离进行相似图像块搜索,得到候选图像块集合。该方法基于汉明距离在相似度最高的节点附近进行相似图像块搜索,能够快速实现小范围的定位,提高了匹配效率;同时由于汉明距离能够精确表征图像块的相似度,因此进一步提高了图像块匹配的精度。
可选地,在上述各个实施例的基础上,上述步骤S102的一种可能的实现方式可以如图6所示,包括:
S1022、获取所述待匹配图像的像素向量空间中每个一维特征描述向量的维度差值;其中,所述维度差值为一维特征描述向量中多个元素的最大值和最小值之间的差值。
具体的,终端可以获取待匹配图像的像素向量空间中的一维特征描述向量,可以记做dimi,需要说明的是,终端可以获取每个像元所在图像块的一维特征描述向量,待匹配图像中的所有像元对应的一维特征描述向量构成待匹配图像的像素向量空间,可以记做Bs。每个一维特征描述向量包括多个元素,在这里可以是多个像素的数值,终端可以获取每个一维特征描述向量的多个元素的最大值和最小值之间的差值,作为这个一维特征描述向量的维度差值。此处可以是获取一维特征描述向量的多个像素的数值中最大值和最小值之差,作为一维特征描述向量的维度差值,可以记做diffi。
可选地,本申请实施例中像素向量空间的获取方式可以如图7所示,包括:
S302、对待降维图像中的每个像元所在的图像块执行一维特征提取操作,得到所述待降维图像中的每个像元对应的一维特征描述向量;其中,所述待降维图像为待匹配图像和/或所述目标图像。
S304、基于所述待降维图像中每个像元对应的一维特征描述向量,构建所述待降维图像的像素向量空间。
具体的,终端可以对待降维图像中的每个像元所在的图像块执行一维特征提取操作,这里的待降维图像可以是待匹配图像和/或目标图像,从而得到待降维图像中的每个像元所在图像块的一维特征描述向量,每个像元的一维特征描述向量可以构成待降维图像的像素向量空间。
可选地,上述一维特征提取操作可以包括:将像元所在的图像块进行邻域划分,得到多个子区域;获取每个子区域各自的像素平均值;按照先行后列的方式,将每个子区域的像素平均值进行排列,得到像元对应的一维特征描述向量。终端针对当前的像元所在的图像块进行N*N邻域划分,可以是“井”字形的划分,从而得到以该像元为中心的多个个子区域。可选地,可以是按照“井”字形划分,可选地,N为2的时候,可以划分为4个子区域,N为3的时候,可以是划分为9个子区域,N还可以为4的时候划分为16个子区域。当划分为9个子区域的时候,能够兼顾数据的完整和数据处理的便携性。可选地,N可以取3的整倍数,以使得图像块划分得到的邻域能够有中心存在的像元,便于计算。可选地,N可以为3的整倍数,能够便于后续计算。以划分为9个子区域为例,终端分别计算每个子区域的像素平均值,得到这9个子区域各自的像素平均值,然后基于先行后列的顺序,按照这9个子区域的分布位置,将各自子区域的像素平均值进行排列,从而得到表征这个像元所在图像块的灰度信息的一维特征描述向量。可选地,当像元处于图像的边缘部位的时候,则在超出图像的部分按照空白补充相应的像素值,例如可以记为0,以便于数据的完整性,方便计算。该实现方式中,终端通过对待降维图像中的每个像元执行一维特征提取操作,得到待降维图像中的每个像元的一维特征描述向量,并基于待降维图像中每个像元的一维特征描述向量,构建待降维图像的像素向量空间。由于一维特征提取操作包括:将像元所在的图像块进行邻域划分,得到度个子区域;获取每个子区域各自的像素平均值;按照先行后列的方式,将每个子区域的像素平均值进行排列,得到像元对应的一维特征描述向量,所以基于该方法所获得的一维特征描述向量能够精准反映该像元所在图像块的灰度信息,从而得到表征待降维图像的灰度信息的准确的低维度的像素向量空间,在实现降维的同时,确保了待降维图像的灰度信息的精准,进而提高了图像块匹配的精度。
S1024、将所述维度差值最大的一维特征描述向量作为切分维度,对所述待匹配图像的像素向量空间进行切分,得到两个像素向量子空间。
S1026A、当所述像素向量子空间中一维特征描述向量的数量小于或等于最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点。
S1026B、当所述像素向量子空间中一维特征描述向量的数量大于所述最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点,并继续按照所述维度差值对所述像素向量子空间进行切分,直至每个节点的一维特征描述向量的数量小于或等于最小节点数阈值为止。
具体的,终端可以将上述维度差值最大的一维特征描述向量,可以记做diffimax作为切分维度,对上述待配准图像的像素向量空间Bs进行切分,从而得到两个像素向量子空间,可以记做Bs1和Bs2。然后终端可以分别判断Bs1和Bs2一中的一维特征描述向量的数量和最小节点数阈值的大小关系,当像素向量子空间中一维特征描述向量的数量小于或等于最小节点数阈值,则将所述像素向量子空间作为目标KD树的一个节点,该节点不再继续划分,可以作为最末端的节点。当像素向量子空间中一维特征描述向量的数量大于最小节点数阈值,则将所述像素向量子空间作为所述目标KD树的一个节点;并继续按照所述维度差值对所述像素向量子空间进行切分,并逐级形成目标KD树中下一级的节点,直至每个节点的一维特征描述向量的数量小于或等于最小节点数阈值为止。这里按照维度差值对像素向量子空间进行切分的操作可以参考S1022-S1026A、S1026B的过程,只是将像素向量子空间作为新的像素向量空间进行操作,此处不再赘述。
本实施例中,终端通过获取对待匹配图像的像素向量空间中每个一维特征描述向量的维度差值,并将维度差值最大的一维特征描述向量作为切分维度,对待匹配图像的像素向量空间进行切分,得到两个像素向量子空间。然后终端在像素向量子空间中一维特征描述向量的数量小于或等于最小节点数阈值时,则将像素向量子空间作为目标KD树的一个节点;在像素向量子空间中一维特征描述向量的数量大于最小节点数阈值时,则将像素向量子空间作为目标KD树的一个节点,并继续按照维度差值对像素向量子空间进行切分,直至每个节点的一维特征描述向量的数量小于或等于最小节点数阈值为止,实现目标KD树的构建。基于此,该目标KD树为二叉树结构,因此在基于该目标KD树进行图像块查找的时候,每次都能够排除一半的无效范围,实现快速查找和匹配,提高了图像块的匹配效率。并且本实施例基于维度差值最大的一维特征描述向量作为切分维度进行待匹配图像的像素向量空间进行切分,所构建的目标KD树,其中的节点能够准确表征像素向量空间的灰度信息的划分,进一步提高了图像块匹配的精度。
在一个实施例中,还提供了一种图像配准方法,如图8所示,包括:
S402、采用如上述任一实施例所提供的图像之间的图像块匹配方法获取两个图像之间匹配的多个图像块对。
S404、根据所述多个图像块对将所述两个图像进行配准。
本实施例中,由于上述实施例所提供的图像之间的图像块匹配方法能够确保图像块的匹配效率和匹配精度,因此基于该图像块匹配方法所进行的两个图像的配准的效率和精度也更高,具体的实现原理和技术效果可以参见前述实施例的描述,此处不再赘述。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种图像之间的图像块匹配装置,包括:
构建模块100,用于根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间;
处理模块200,用于根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合;
匹配模块300,用于根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块。
在一个实施例中,匹配模块300,具体用于获取所述目标图像块的主方向与每个所述候选图像块的主方向的主方向夹角;根据所述主方向夹角小于或等于预设夹角阈值的候选图像块,构建中间图像块集合;将所述中间图像块集合中,与所述目标图像块的二进制汉明距离最小的候选图像块作为所述匹配图像块。
在一个实施例中,处理模块200,具体用于根据所述目标图像块的二进制向量在所述目标KD树中的查找,得到与所述目标图像块的相似度最高的节点;基于所述目标KD树在所述相似度最高的节点的预设范围内,进行相似图像块搜索,得到所述候选图像块集合。
在一个实施例中,构建模块100,具体用于获取所述待匹配图像的像素向量空间中每个一维特征描述向量的维度差值;其中,所述维度差值为一维特征描述向量中多个元素的最大值和最小值之间的差值;将所述维度差值最大的一维特征描述向量作为切分维度,对所述待匹配图像的像素向量空间进行切分,得到两个像素向量子空间;当所述像素向量子空间中一维特征描述向量的数量小于或等于最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点;当所述像素向量子空间中一维特征描述向量的数量大于所述最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点,并继续按照所述维度差值对所述像素向量子空间进行切分,直至每个节点的一维特征描述向量的数量小于或等于最小节点数阈值为止。
在一个实施例中,构建模块100,具体用于对待降维图像中的每个像元所在的图像块执行一维特征提取操作,得到所述待降维图像中的每个像元对应的一维特征描述向量;其中,所述待降维图像为待匹配图像和/或所述目标图像;基于所述待降维图像中每个像元对应的一维特征描述向量,构建所述待降维图像的像素向量空间。
在一个实施例中,构建模块100,具体用于将像元所在的图像块进行邻域划分,得到多个子区域;获取每个子区域各自的像素平均值;按照先行后列的方式,将每个子区域的像素平均值进行排列,得到像元对应的一维特征描述向量。
在一个实施例中,处理模块200,具体用于对像元所在的图像块进行邻域划分,得到多个子区域;获取每个子区域各自的像素平均值;将像元所在子区域的像素平均值作为目标像素平均值;将像元所在的图像块中像素平均值大于或等于所述目标像素平均值的子区域的二进制特征记为1,将像素平均值小于所述目标像素平均值的子区域的二进制特征记为0,得到像元所在的图像块的二进制向量。
在一个实施例中,匹配模块300,具体用于获取像元所在的图像块的矩的曼哈顿距离;对所述曼哈顿距离进行归一化,得到归一化曼哈顿距离,并将所述归一化曼哈顿距离作为像元所在的图像块的主方向。
在一个实施例中,如图10所示,提供了一种图像配准装置,包括:
图像块匹配模块400,用于采用如上述任一实施例提供的图像之间的图像块匹配方法获取两个图像之间匹配的多个图像块对;
配准模块500,用于根据所述多个图像块对将所述两个图像进行配准。
关于图像之间的图像块匹配装置和图像配准装置的具体限定可以分别参见上文中对于图像之间的图像块匹配方法和图像配准方法的限定,在此不再赘述。上述图像之间的图像块匹配装置和图像配准装置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间;
根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合;
根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述目标图像块的主方向与每个所述候选图像块的主方向的夹角;
根据所述主方向夹角小于或等于预设夹角阈值的候选图像块,构建中间图像块集合;
将所述中间图像块集合中,与所述目标图像块的二进制汉明距离最小的候选图像块作为所述匹配图像块。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述目标图像块的二进制向量在所述目标KD树中的查找,得到与所述目标图像块的相似度最高的节点;
基于所述目标KD树在所述相似度最高的节点的预设范围内,进行相似图像块搜索,得到所述候选图像块集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述待匹配图像的像素向量空间中每个一维特征描述向量的维度差值;其中,所述维度差值为一维特征描述向量中多个元素的最大值和最小值之间的差值;
将所述维度差值最大的一维特征描述向量作为切分维度,对所述待匹配图像的像素向量空间进行切分,得到两个像素向量子空间;
当所述像素向量子空间中一维特征描述向量的数量小于或等于最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点;
当所述像素向量子空间中一维特征描述向量的数量大于所述最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点,并继续按照所述维度差值对所述像素向量子空间进行切分,直至每个节点的一维特征描述向量的数量小于或等于最小节点数阈值为止。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对待降维图像中的每个像元所在的图像块执行一维特征提取操作,得到所述待降维图像中的每个像元对应的一维特征描述向量;其中,所述待降维图像为待匹配图像和/或所述目标图像;
基于所述待降维图像中每个像元对应的一维特征描述向量,构建所述待降维图像的像素向量空间。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将像元所在的图像块进行邻域划分,得到多个子区域;
获取每个子区域各自的像素平均值;
按照先行后列的方式,将每个子区域的像素平均值进行排列,得到像元对应的一维特征描述向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对像元所在的图像块进行邻域划分,得到多个子区域;
获取每个子区域各自的像素平均值;
将像元所在子区域的像素平均值作为目标像素平均值;
将像元所在的图像块中像素平均值大于或等于所述目标像素平均值的子区域的二进制特征记为1,将像素平均值小于所述目标像素平均值的子区域的二进制特征记为0,得到像元所在的图像块的二进制向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取像元所在的图像块的矩的曼哈顿距离;
对所述曼哈顿距离进行归一化,得到归一化曼哈顿距离,并将所述归一化曼哈顿距离作为像元所在图像块的主方向。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
采用如上述任一实施例所述的图像之间的图像块匹配方法获取两个图像之间匹配的多个图像块对;
根据所述多个图像块对将所述两个图像进行配准。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间;
根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合;
根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述目标图像块的主方向与每个所述候选图像块的主方向的夹角;
根据所述主方向夹角小于或等于预设夹角阈值的候选图像块,构建中间图像块集合;
将所述中间图像块集合中,与所述目标图像块的二进制汉明距离最小的候选图像块作为所述匹配图像块。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述目标图像块的二进制向量在所述目标KD树中的查找,得到与所述目标图像块的相似度最高的节点;
基于所述目标KD树在所述相似度最高的节点的预设范围内,进行相似图像块搜索,得到所述候选图像块集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述待匹配图像的像素向量空间中每个一维特征描述向量的维度差值;其中,所述维度差值为一维特征描述向量中多个元素的最大值和最小值之间的差值;
将所述维度差值最大的一维特征描述向量作为切分维度,对所述待匹配图像的像素向量空间进行切分,得到两个像素向量子空间;
当所述像素向量子空间中一维特征描述向量的数量小于或等于最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点;
当所述像素向量子空间中一维特征描述向量的数量大于所述最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点,并继续按照所述维度差值对所述像素向量子空间进行切分,直至每个节点的一维特征描述向量的数量小于或等于最小节点数阈值为止。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对待降维图像中的每个像元所在的图像块执行一维特征提取操作,得到所述待降维图像中的每个像元对应的一维特征描述向量;其中,所述待降维图像为待匹配图像和/或所述目标图像;
基于所述待降维图像中每个像元对应的一维特征描述向量,构建所述待降维图像的像素向量空间。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将像元所在的图像块进行邻域划分,得到多个子区域;
获取每个子区域各自的像素平均值;
按照先行后列的方式,将每个子区域的像素平均值进行排列,得到像元对应的一维特征描述向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对像元所在的图像块进行邻域划分,得到多个子区域;
获取每个子区域各自的像素平均值;
将像元所在子区域的像素平均值作为目标像素平均值;
将像元所在的图像块中像素平均值大于或等于所述目标像素平均值的子区域的二进制特征记为1,将像素平均值小于所述目标像素平均值的子区域的二进制特征记为0,得到像元所在的图像块的二进制向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取像元所在的图像块的矩的曼哈顿距离;
对所述曼哈顿距离进行归一化,得到归一化曼哈顿距离,并将所述归一化曼哈顿距离作为像元所在图像块的主方向。
应当清楚的是,本申请实施例中计算机程序被处理器执行的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
采用如上述任一实施例所述的图像之间的图像块匹配方法获取两个图像之间匹配的多个图像块对;
根据所述多个图像块对将所述两个图像进行配准。
应当清楚的是,本申请实施例中计算机程序被处理器执行的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种图像之间的图像块匹配方法,其特征在于,所述方法包括:
根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间;
根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合;
根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块;
其中,所述根据待匹配图像的像素向量空间构建目标KD树,包括:
获取所述待匹配图像的像素向量空间中每个一维特征描述向量的维度差值;其中,所述维度差值为一维特征描述向量中多个元素的最大值和最小值之间的差值;
将所述维度差值最大的一维特征描述向量作为切分维度,对所述待匹配图像的像素向量空间进行切分,得到两个像素向量子空间;
当所述像素向量子空间中一维特征描述向量的数量小于或等于最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点;
当所述像素向量子空间中一维特征描述向量的数量大于所述最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点,并继续按照所述维度差值对所述像素向量子空间进行切分,直至每个节点的一维特征描述向量的数量小于或等于最小节点数阈值为止。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出所述待匹配图像中与所述目标图像块匹配的匹配图像块,包括:
获取所述目标图像块的主方向与每个所述候选图像块的主方向的夹角;
根据所述主方向夹角小于或等于预设夹角阈值的候选图像块,构建中间图像块集合;
将所述中间图像块集合中,与所述目标图像块的二进制汉明距离最小的候选图像块作为所述匹配图像块。
3.根据权利要求1所述的方法,其特征在于,所述根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块组成的候选图像块集合,包括:
根据所述目标图像块的二进制向量在所述目标KD树中的查找,得到与所述目标图像块的相似度最高的节点;
基于所述目标KD树在所述相似度最高的节点的预设范围内,进行相似图像块搜索,得到所述候选图像块集合。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述像素向量空间的获取方式包括:
对待降维图像中的每个像元所在的图像块执行一维特征提取操作,得到所述待降维图像中的每个像元对应的一维特征描述向量;其中,所述待降维图像为待匹配图像和/或所述目标图像;
基于所述待降维图像中每个像元对应的一维特征描述向量,构建所述待降维图像的像素向量空间。
5.根据权利要求4所述的方法,其特征在于,所述一维特征提取操作包括:
将像元所在的图像块进行邻域划分,得到多个子区域;
获取每个子区域各自的像素平均值;
按照先行后列的方式,将每个子区域的像素平均值进行排列,得到像元对应的一维特征描述向量。
6.根据权利要求1至3任一项所述的方法,其特征在于,所述二进制向量的获取方式包括:
对像元所在的图像块进行邻域划分,得到多个子区域;
获取每个子区域各自的像素平均值;
将像元所在子区域的像素平均值作为目标像素平均值;
将像元所在的图像块中像素平均值大于或等于所述目标像素平均值的子区域的二进制特征记为1,将像素平均值小于所述目标像素平均值的子区域的二进制特征记为0,得到像元所在的图像块的二进制向量。
7.根据权利要求1至3任一项所述的方法,其特征在于,所述主方向的获取方式包括:
获取像元所在的图像块的矩的曼哈顿距离;
对所述曼哈顿距离进行归一化,得到归一化曼哈顿距离,并将所述归一化曼哈顿距离作为像元所在的图像块的主方向。
8.一种图像配准方法,其特征在于,包括:
采用如权利要求1-7中任一项所述的图像之间的图像块匹配方法获取两个图像之间匹配的多个图像块对;
根据所述多个图像块对将所述两个图像进行配准。
9.一种图像之间的图像块匹配装置,其特征在于,所述装置包括:
构建模块,用于根据待匹配图像的像素向量空间构建目标KD树;其中,所述像素向量空间为基于图象中图像块中的像素分布进行降维处理所构建的向量空间;
处理模块,用于根据目标图像中的目标图像块的二进制向量,在所述目标KD树中的邻近节点中查找,得到所述待匹配图像中与所述目标图像块的相似度满足预设相似度要求的多个候选图像块所组成的候选图像块集合;
匹配模块,用于根据所述目标图像块的主方向和所述候选图像块集合中每个候选图像块的主方向的夹角,从所述候选图像块集合中选择出与所述目标图像块匹配的匹配图像块;
其中,所述根据待匹配图像的像素向量空间构建目标KD树,包括:
获取所述待匹配图像的像素向量空间中每个一维特征描述向量的维度差值;其中,所述维度差值为一维特征描述向量中多个元素的最大值和最小值之间的差值;
将所述维度差值最大的一维特征描述向量作为切分维度,对所述待匹配图像的像素向量空间进行切分,得到两个像素向量子空间;
当所述像素向量子空间中一维特征描述向量的数量小于或等于最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点;
当所述像素向量子空间中一维特征描述向量的数量大于所述最小节点数阈值时,则将所述像素向量子空间作为所述目标KD树的一个节点,并继续按照所述维度差值对所述像素向量子空间进行切分,直至每个节点的一维特征描述向量的数量小于或等于最小节点数阈值为止。
10.一种图像配准装置,其特征在于,所述装置包括:
图像块匹配模块,用于采用如权利要求1-8中任一图像之间的图像块匹配方法获取两个图像之间匹配的多个图像块对;
配准模块,用于根据所述多个图像块对将所述两个图像进行配准。
11.一种终端,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010577864.5A CN111914890B (zh) | 2020-06-23 | 2020-06-23 | 图像之间的图像块匹配方法、图像配准方法和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010577864.5A CN111914890B (zh) | 2020-06-23 | 2020-06-23 | 图像之间的图像块匹配方法、图像配准方法和产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914890A CN111914890A (zh) | 2020-11-10 |
CN111914890B true CN111914890B (zh) | 2024-05-14 |
Family
ID=73227157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010577864.5A Active CN111914890B (zh) | 2020-06-23 | 2020-06-23 | 图像之间的图像块匹配方法、图像配准方法和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914890B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343920A (zh) * | 2021-07-01 | 2021-09-03 | 中诚信征信有限公司 | 人脸识别照片的分类方法、装置、电子设备和存储介质 |
CN114463326B (zh) * | 2022-03-14 | 2022-06-21 | 深圳灿维科技有限公司 | 一种手机中框视觉检测算法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9311342B1 (en) * | 2015-02-09 | 2016-04-12 | Sony Corporation | Tree based image storage system |
CN105718960A (zh) * | 2016-01-27 | 2016-06-29 | 北京工业大学 | 基于卷积神经网络和空间金字塔匹配的图像排序模型 |
WO2018086607A1 (zh) * | 2016-11-11 | 2018-05-17 | 纳恩博(北京)科技有限公司 | 一种目标跟踪方法及电子设备、存储介质 |
CN108776960A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学中山学院 | 基于传播辅助kd树的地形特征区域合成方法和装置 |
WO2019191891A1 (zh) * | 2018-04-02 | 2019-10-10 | 北京大学 | 用于视频处理的方法和设备 |
CN110781911A (zh) * | 2019-08-15 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种图像匹配方法、装置、设备及存储介质 |
-
2020
- 2020-06-23 CN CN202010577864.5A patent/CN111914890B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9311342B1 (en) * | 2015-02-09 | 2016-04-12 | Sony Corporation | Tree based image storage system |
CN105718960A (zh) * | 2016-01-27 | 2016-06-29 | 北京工业大学 | 基于卷积神经网络和空间金字塔匹配的图像排序模型 |
WO2018086607A1 (zh) * | 2016-11-11 | 2018-05-17 | 纳恩博(北京)科技有限公司 | 一种目标跟踪方法及电子设备、存储介质 |
WO2019191891A1 (zh) * | 2018-04-02 | 2019-10-10 | 北京大学 | 用于视频处理的方法和设备 |
CN108776960A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学中山学院 | 基于传播辅助kd树的地形特征区域合成方法和装置 |
CN110781911A (zh) * | 2019-08-15 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种图像匹配方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
动目标红外图像配准算法研究;张晟;;光电技术应用(02);全文 * |
多探测器拼接成像系统实时图像配准;王新华;黄玮;欧阳继红;;中国光学(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914890A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Improved saliency detection in RGB-D images using two-phase depth estimation and selective deep fusion | |
WO2019201035A1 (zh) | 对图像中的对象节点的识别方法、装置、终端及计算机可读存储介质 | |
US20220237736A1 (en) | Panoramic image and video splicing method, computer-readable storage medium, and panoramic camera | |
WO2020051114A1 (en) | Information detection method, apparatus and device | |
CN111914890B (zh) | 图像之间的图像块匹配方法、图像配准方法和产品 | |
WO2022134771A1 (zh) | 表格处理方法、装置、电子设备及存储介质 | |
CN114298902A (zh) | 一种图像对齐方法、装置、电子设备和存储介质 | |
CN114332183A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
Ye et al. | Local affine preservation with motion consistency for feature matching of remote sensing images | |
CN117911668A (zh) | 药品信息识别方法及装置 | |
CN111149101A (zh) | 一种目标图案查找方法及计算机可读存储介质 | |
CN111354038A (zh) | 锚定物检测方法及装置、电子设备及存储介质 | |
US11971493B2 (en) | Indoor positioning method based on image visual features and electronic device | |
CN112348008A (zh) | 证件信息的识别方法、装置、终端设备及存储介质 | |
Zhao et al. | A2b: Anchor to barycentric coordinate for robust correspondence | |
CN114926508B (zh) | 视野分界线确定方法、装置、设备及存储介质 | |
CN116206125A (zh) | 外形缺陷识别方法、装置、计算机设备及存储介质 | |
CN115880362A (zh) | 码区定位方法、装置、计算机设备及计算机可读存储介质 | |
US12002260B2 (en) | Automatic topology mapping processing method and system based on omnidirectional image information | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
CN114549857A (zh) | 图像信息识别方法、装置、计算机设备和存储介质 | |
CN114781417A (zh) | 一种二维码识别方法、二维码识别装置及电子设备 | |
CN116824183B (zh) | 基于多重特征描述符的图像特征匹配方法和装置 | |
US11682189B2 (en) | Spiral feature search | |
CN117036490B (zh) | 摄像机预置位偏移检测方法、装置、计算机设备与介质 |
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 |