CN112102169A - 一种红外图像拼接方法、装置和存储介质 - Google Patents
一种红外图像拼接方法、装置和存储介质 Download PDFInfo
- Publication number
- CN112102169A CN112102169A CN202010966871.4A CN202010966871A CN112102169A CN 112102169 A CN112102169 A CN 112102169A CN 202010966871 A CN202010966871 A CN 202010966871A CN 112102169 A CN112102169 A CN 112102169A
- Authority
- CN
- China
- Prior art keywords
- infrared
- infrared image
- image
- spliced
- point pairs
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 13
- 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 12
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000003331 infrared imaging Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本申请公开了一种红外图像拼接方法、装置和存储介质。其中,该方法包括:利用红外标定板来获取待拼接的红外图像,因为红外标定板可以形成明显的图案信息,使得获取的红外图像轮廓明显,有利于图像特征的提取。提取特征点对后,基于特征点对对红外图像进行图像配准,最后得到拼接红外图像。应用以上技术方案,提高了图像拼接过程中特征提取的准确度,进一步提升了特征匹配的效果。
Description
技术领域
本申请涉及图像拼接技术领域,特别是涉及一种红外图像拼接方法、装置和存储介质。
背景技术
随着红外非制冷成像技术的发展,红外图像处理作为红外技术中的重要技术手段,已经成为红外技术中不可或缺的重要组成部分。其中,红外图像拼接技术作为扩展视野的重要手段,已经成为图像处理领域研究的热点。
红外图像拼接的一般流程是:对两张或者多张图像提取特征,根据特征点进行特征匹配求出变换矩阵,对图像进行变换处理,找到两张或者多张图像重合的部分,对重合的部分进行缝合处理,得到无鬼影、变化自然的整张图像。然而由于红外辐射特殊的成像机制,红外相机拍摄得到的图像普遍存在成像均匀性差,成像细节粗糙、信噪比较低等特点,红外图像可能无较明显的边缘,从而加大了图像拼接过程中特征提取的难度,导致特征匹配效果较差甚至造成图像拼接失败。
鉴于上述现有技术,寻求一种能够提高特征提取准确度,提升特征匹配效果的红外图像拼接方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种红外图像拼接方法、装置和存储介质。
为解决上述技术问题,本申请提供一种红外图像拼接方法,包括:
采集红外标定板上的标定图案以获取待拼接的红外图像;
对所述红外图像提取特征点对;
基于所述特征点对对所述红外图像进行图像配准以得到拼接红外图像。
优选地,还包括:
在所述拼接红外图像中对重叠区域进行图像融合。
优选地,所述特征点对至少为三对。
优选地,在所述对所述红外图像提取特征点对之后,还包括:
对所述特征点对进行筛选以得到匹配度高的所述特征点对。
优选地,所述对所述红外图像提取特征点对具体为:
利用ORB算法对所述红外图像提取特征点对。
优选地,还包括:
对所述拼接红外图像的边缘部分进行处理以得到规则的所述拼接红外图像。
优选地,所述基于所述特征点对对所述红外图像进行图像配准以得到拼接红外图像具体包括:
基于所述特征点对计算所述红外图像之间的变换矩阵;
依据所述变换矩阵将所述红外图像转换在同一坐标系下以得到所述拼接红外图像。
为解决上述技术问题,本申请还提供一种红外图像拼接装置,包括:
获取模块,用于采集红外标定板上的标定图案以获取待拼接的红外图像;
提取模块,用于对所述红外图像提取特征点对;
配准模块,用于基于所述特征点对对所述红外图像进行图像配准以得到拼接红外图像。
为解决上述技术问题,本申请还提供一种红外图像拼接装置,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如所述的红外图像拼接方法的步骤。
为解决上述技术问题,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质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如所述的红外图像拼接方法的步骤。
本申请所提供的红外图像拼接方法,利用红外标定板来获取待拼接的红外图像,因为红外标定板可以形成明显的图案信息,使得获取的红外图像轮廓明显,有利于图像特征的提取。提取特征点对后,基于特征点对对红外图像进行图像配准,最后得到拼接红外图像。应用以上技术方案,提高了图像拼接过程中特征提取的准确度,进一步提升了特征匹配的效果。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种红外图像拼接方法的流程图;
图2为本申请实施例提供的另一种红外图像拼接方法的流程图;
图3为本申请实施例提供的一种红外图像拼接装置的结构示意图;
图4为本申请另一实施例提供的红外图像拼接装置的结构图。
具体实施方式
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,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本申请保护范围。
本申请的核心是提供一种红外图像拼接方法、装置和存储介质,提高了图像拼接过程中特征提取的准确度,进一步提升了特征匹配的效果。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
需要说明的是,本申请所提供的红外图像拼接方法,可以实现两张红外图像的拼接,也可以实现多张红外图像的拼接,进而得到360°全景图像。可以是一个红外成像器件(例如红外热像仪)对同一场景连续获得的多张重叠图像,也可以是多个红外成像器件获得的对同一场景的多张图像,或者一个专门设计的包含多个红外机芯的热像仪获得的同一场景的多张图像。
图1为本申请实施例提供的一种红外图像拼接方法的流程图,如图1所示,该方法包括:
S10:采集红外标定板上的标定图案以获取待拼接的红外图像。
在具体实施中,红外标定板主要由上层板和下层板构成,上层板使用低温或者隔热材料,下层板使用高温材料。上层板以镂空的方式显示红外标定板的图案信息,一般是待测物体的轮廓信息,利用上层板和下层板的温度差异形成明显的标定图案。红外成像器件相对于红外标定板放置,获取待拼接的红外图像。
可以理解,本申请对于红外标定板的具体结构不作限定,除以上实施例之外,红外标定板还可以是上层板使用高温材料,下层板使用低温或者隔热材料的结构,或者还可以是其他能够实现其功能的结构。
需要说明的是,本申请所提到的红外图像可以是红外成像器件对向红外标定板获得的图像,也可以是红外成像器件和可见光成像器件同时对向红外标定板获得的双光融合后的融合图像。
S11:对红外图像提取特征点对。
在具体实施中,当相邻两幅红外图像之间存在重叠区域时,可以利用软件算法对相邻两幅红外图像提取特征点对,例如FAST算子,SURF算子等传统特征提取方法,也可以采用深度卷积神经网络(DCNN)等深度学习方法提取特征点,可以理解,以上均为本领域技术人员熟知的现有技术,本实施例不再赘述。
优选地,重叠区域的面积为红外图像的面积的20%。在具体实施中,当重叠区域太小时,提取到的有效的特征点对太少,影响后续特征点的匹配;当重叠区域太大时,则对红外图像进行拼接意义不大。因此,当重叠区域的面积为红外图像的面积的20%时,既能保证得到足够的良好的特征点对,又能扩大图像拼接的范围。
优选地,利用ORB算法对红外图像提取特征点对。
ORB算法是将FAST角点检测与BRIEF特征描述结合并进行了改进,利用ORB算法提取特征点对可以提高特征提取的准确度。
需要说明的是,在利用软件算法对相邻两幅红外图像提取特征点对之外,为了进一步提高特征提取的准确度,还可以手动选取特征点对。实际应用时,可以设计配准页面,展示相邻两幅红外图像,用户可以在页面上利用鼠标选点,网页会将选取点的坐标信息发送给后台。在对两幅红外图像比对时,可以选择待测物体的边缘或者角落等比较明显的点,且应保持选择的目标在同一距离内,对不同景深的不同物体进行配准会失败。
S12:基于特征点对对红外图像进行图像配准以得到拼接红外图像。
在具体实施中,在获取到特征点对之后,需要基于特征点对对红外图像进行图像配准,本申请对于图像配准的具体过程不作限定,只要能够实现图像拼接即可。
作为一种优选地实施例,S12具体包括:
基于特征点对计算红外图像之间的变换矩阵;
依据变换矩阵将红外图像转换在同一坐标系下以得到拼接红外图像。
在具体实施中,如果特征点对为3对,则通过仿射变换得到仿射矩阵。仿射变换可以通过对图像进行旋转(线性变换)、平移(向量加)、缩放(线性变换)、错切、反转等操作得到。仿射变换是一种二维坐标到二维坐标的线性变换,它保持了二维图形的“平直性”(直线经过变换之后依然是直线)和“平行性”(二维图形之间的相对位置关系保持不变,平行线依然是平行线,且直线上点的位置顺序不变)。任意的仿射变换都能表示为对二维坐标乘以一个矩阵(线性变换),再加上一个向量(平移)的形式。计算公式如下:
x′=m11×x+m12×y+m13
y′=m21×x+m22×y+m23
其中,x、y为变换前的坐标,x′、y′为变换后的坐标,m11、m12、m13、m21、m22、m23为需要计算的矩阵系数。从仿射方程组可以看出共有6个未知数,所以求解该变换矩阵需要3对点。
如果特征点对为4对,则通过透视变换得到透射矩阵。透视变换是将图片投影到一个新的视平面,也称作投影映射。它是二维(x,y)到三维(X,Y,Z),再到另一个二维(x′,y′)空间的映射。相对于仿射变换,它提供了更大的灵活性,可以将一个四边形区域映射到另一个四边形区域(不一定是平行四边形)。它不仅仅是线性变换,还可以通过矩阵乘法,即一个3×3的矩阵实现。该矩阵的前两行与仿射矩阵相同(m11、m12、m13、m21、m22、m23),也实现了线性变换和平移,第三行用于实现透视变换。计算公式如下:
X=m11×x+m12×y+m13
Y=m21×x+m22×y+m23
Z=m31×x+m32×y+m33
经计算,m33的值为1,因此透视变换的方程组有8个未知数,所以求解该变换矩阵需要4对点。
虽然透视变换可以得到更好的结果,但在实际应用中,考虑到计算复杂度,可以优先选用仿射变换。计算仿射矩阵,既可以使用3对点计算求解方程组的方法得到仿射矩阵,也可以对多组特征点对,利用最小二乘法求解出仿射矩阵。
求解变换矩阵后,可以保存变换矩阵参数,若场景未发生变换,则不需再次进行求图像配准过程,减少计算量;当场景发生变化时,再重新计算配准参数。
计算出变换矩阵后,选取相邻两幅红外图像中其中一幅作为基准图像,基于变换矩阵对另一幅红外图像进行坐标调整,将其转换在基准图像的坐标系下,即将两幅红外图像转换在同一坐标系下,得到拼接红外图像。
需要说明的是,一般情况下选取相邻两幅红外图像中左边的红外图像作为基准图像。
本实施例所提供的红外图像拼接方法,利用红外标定板来获取待拼接的红外图像,因为红外标定板可以形成明显的图案信息,使得获取的红外图像轮廓明显,有利于图像特征的提取。提取特征点对后,基于特征点对对红外图像进行图像配准,最后得到拼接红外图像。应用以上技术方案,提高了图像拼接过程中特征提取的准确度,进一步提升了特征匹配的效果。
上述实施例中得到拼接红外图像后,因为两张红外图像像素值存在差异,因此图像在重叠边界附近过渡不自然,需要进一步处理。图2为本申请实施例提供的另一种红外图像拼接方法的流程图,如图二所示,作为一种优选地实施例,还包括:
S21:在拼接红外图像中对重叠区域进行图像融合。
在具体实施中,一般采用渐入渐出缝合处理方法对重叠区域进行图像融合,这种方法可以得到较好的处理效果。计算公式如下:
alpha=[processWidth-(j-start)]÷processWidth
F(i,j)=p(i,j)×alpha+t(i,j)×(1-alpha)
其中:将相邻两幅红外图像中左边的红外图像作为第一红外图像,右边的红外图像作为第二红外图像。alpha对应第一红外图像的像素的权重,processWidth为重叠区域的宽度,j为红外拼接图像的长度方向第j个点,i为红外拼接图像的高度方向第i个点,start是开始位置,即重叠区域的左边界对应的长度方向的像素点。p(i,j)是第一红外图像(i,j)位置的像素值,t(i,j)是第二红外图像经上述实施例中的坐标变换后(i,j)位置的像素值,F(i,j)是图像融合处理后(i,j)位置的像素值。
处理思路为加权融合,即在重叠区域由前一幅图像慢慢过渡到第二幅图像,即将图像的重叠区域的像素值按一定的权值相加合成新的图像。重叠区域越靠近第一红外图像,融合时第一红外图像的像素所占的比重越高。
本实施例所提供的红外图像拼接方法,在拼接红外图像中对重叠区域进行图像融合,最后得到的拼接红外图像在重叠区域过渡自然,提升了图像拼接的准确度。
在上述实施例的基础上,作为一种优选地实施例,特征点对至少为三对。
在具体实施中,所用特征点对的数目越多,所占的区域越大时,图像拼接的效果越好。如果特征点对的数目不足三对,则不能很好的进行特征点对的匹配,可能会发生误匹配等情况,导致特征匹配效果较差甚至造成图像拼接失败。因此,特征点对至少为三对,可以保证特征匹配的效果。
如图2所示,在对相邻两幅红外图像提取特征点对之后,作为一种优选地实施例,还包括:
S20:对特征点对进行筛选以得到匹配度高的特征点对。
在具体实施中,为了进一步提升图像拼接的效果,需要对特征点对进行筛选以得到匹配度高的特征点对。对于利用软件算法自动获取的特征点对,可以采用随机样本一致性(RANSAC)等算法来对数据进行筛选。当特征点对数较少时,可以直接认为是良好特征。对于手动选取的特征点对,则可以直接认为是良好的特征点对。
本实施例所提供的红外图像拼接方法,对特征点对进行筛选,最后得到匹配度高的特征点对,保证了特征匹配的效果,提升了图像拼接的准确度。
在上述实施例的基础上,作为一种优选地实施例,在S21之后,还包括:
S22:对拼接红外图像的边缘部分进行处理以得到规则的拼接红外图像。
在具体实施中,在上述实施例中的步骤之后,拼接红外图像可能会出现旋转、缩放、平移等形变,导致拼接图像并不规则。为了使变换后的图像更符合平常人的感受,需要对拼接后的图像进行处理。图像变换后不规则的区域往往在图像边缘,处理时可以对不规则区域填充像素值0,这样可以以图像素值为0的区域和正常图像的交接处为边缘,对该边缘部分形成的闭合曲线求解最大内接矩形,对拼接红外图像按照矩形进行裁剪操作,然后对裁剪后的矩形进行双线性插值得到要求的图像大小,最后对得到图像进行灰度-彩色伪彩变换,得到最终的图像输出。
本实施例所提供的红外图像拼接方法,对拼接红外图像的边缘部分进行处理,对拼接红外图像的边缘部分形成的闭合曲线求解最大内接矩形并将该最大内接矩形作为最终的图像输出,将不规则的边缘部分进行了裁剪,提升了图像拼接的效果。
在上述实施例中,对于红外图像拼接方法进行了详细描述,本申请还提供红外图像拼接装置对应的实施例。需要说明的是,本申请从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
图3为本申请实施例提供的一种红外图像拼接装置的结构示意图。如图3所示,基于功能模块的角度,该装置包括:
获取模块10,用于采集红外标定板上的标定图案以获取待拼接的红外图像;
提取模块11,用于对红外图像提取特征点对;
配准模块12,用于基于特征点对对红外图像进行图像配准以得到拼接红外图像。
作为优选地实施方式,还包括:
融合模块,用于在拼接红外图像中对重叠区域进行图像融合。
筛选模块,用于对特征点对进行筛选以得到匹配度高的特征点对。
处理模块,用于对拼接红外图像的边缘部分进行处理以得到规则的拼接红外图像。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本申请所提供的红外图像拼接装置,利用红外标定板来获取待拼接的红外图像,因为红外标定板可以形成明显的图案信息,使得获取的红外图像轮廓明显,有利于图像特征的提取。提取特征点对后,基于特征点对对红外图像进行图像配准,最后得到拼接红外图像。应用以上技术方案,提高了图像拼接过程中特征提取的准确度,进一步提升了特征匹配的效果。
图4为本申请另一实施例提供的红外图像拼接装置的结构图,如图4所示,基于硬件结构的角度,该装置包括:存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述实施例中红外图像拼接方法的步骤。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例公开的红外图像拼接方法的相关步骤。另外,存储器20所存储的资源还可以包括操作系统202和数据203等,存储方式可以是短暂存储或者永久存储。其中,操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于特征点对应的数据等。
在一些实施例中,红外图像拼接装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解,图4中示出的结构并不构成对红外图像拼接装置的限定,可以包括比图示更多或更少的组件。
本申请实施例提供的红外图像拼接装置,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如下方法:利用红外标定板来获取待拼接的红外图像,因为红外标定板可以形成明显的图案信息,使得获取的红外图像轮廓明显,有利于图像特征的提取。提取特征点对后,基于特征点对对红外图像进行图像配准,最后得到拼接红外图像。应用以上技术方案,提高了图像拼接过程中特征提取的准确度,进一步提升了特征匹配的效果。
最后,本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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,执行本申请各个实施例所述方法的全部或部分步骤。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)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的一种红外图像拼接方法、装置和存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种红外图像拼接方法,其特征在于,包括:
采集红外标定板上的标定图案以获取待拼接的红外图像;
对所述红外图像提取特征点对;
基于所述特征点对对所述红外图像进行图像配准以得到拼接红外图像。
2.如权利要求1所述的红外图像拼接方法,其特征在于,还包括:
在所述拼接红外图像中对重叠区域进行图像融合。
3.如权利要求2所述的红外图像拼接方法,其特征在于,所述特征点对至少为三对。
4.如权利要求3所述的红外图像拼接方法,其特征在于,在所述对所述红外图像提取特征点对之后,还包括:
对所述特征点对进行筛选以得到匹配度高的所述特征点对。
5.如权利要求1至4任一项所述的红外图像拼接方法,其特征在于,所述对所述红外图像提取特征点对具体为:
利用ORB算法对所述红外图像提取特征点对。
6.如权利要求5所述的红外图像拼接方法,其特征在于,还包括:
对所述拼接红外图像的边缘部分进行处理以得到规则的所述拼接红外图像。
7.如权利要求1所述的红外图像拼接方法,其特征在于,所述基于所述特征点对对所述红外图像进行图像配准以得到拼接红外图像具体包括:
基于所述特征点对计算所述红外图像之间的变换矩阵;
依据所述变换矩阵将所述红外图像转换在同一坐标系下以得到所述拼接红外图像。
8.一种红外图像拼接装置,其特征在于,包括:
获取模块,用于采集红外标定板上的标定图案以获取待拼接的红外图像;
提取模块,用于对所述红外图像提取特征点对;
配准模块,用于基于所述特征点对对所述红外图像进行图像配准以得到拼接红外图像。
9.一种红外图像拼接装置,其特征在于,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的红外图像拼接方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至7任一项所述的红外图像拼接方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966871.4A CN112102169A (zh) | 2020-09-15 | 2020-09-15 | 一种红外图像拼接方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966871.4A CN112102169A (zh) | 2020-09-15 | 2020-09-15 | 一种红外图像拼接方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102169A true CN112102169A (zh) | 2020-12-18 |
Family
ID=73758914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010966871.4A Pending CN112102169A (zh) | 2020-09-15 | 2020-09-15 | 一种红外图像拼接方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102169A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767248A (zh) * | 2021-01-13 | 2021-05-07 | 深圳瀚维智能医疗科技有限公司 | 红外相机图片拼接方法、装置、设备及可读存储介质 |
CN113974420A (zh) * | 2021-10-29 | 2022-01-28 | 添可智能科技有限公司 | 智能烹饪设备控制方法及智能烹饪设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914819A (zh) * | 2014-03-26 | 2014-07-09 | 东华大学 | 一种基于改进ransac的红外图像拼接方法 |
CN106960442A (zh) * | 2017-03-01 | 2017-07-18 | 东华大学 | 基于单目红外的夜间机器人视觉大视场三维构建方法 |
CN107204016A (zh) * | 2016-03-17 | 2017-09-26 | 中航华东光电(上海)有限公司 | 多功能标定板 |
WO2019047284A1 (zh) * | 2017-09-05 | 2019-03-14 | 平安科技(深圳)有限公司 | 特征提取、全景拼接方法及其装置、设备、可读存储介质 |
CN110390640A (zh) * | 2019-07-29 | 2019-10-29 | 齐鲁工业大学 | 基于模板的泊松融合图像拼接方法、系统、设备及介质 |
-
2020
- 2020-09-15 CN CN202010966871.4A patent/CN112102169A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914819A (zh) * | 2014-03-26 | 2014-07-09 | 东华大学 | 一种基于改进ransac的红外图像拼接方法 |
CN107204016A (zh) * | 2016-03-17 | 2017-09-26 | 中航华东光电(上海)有限公司 | 多功能标定板 |
CN106960442A (zh) * | 2017-03-01 | 2017-07-18 | 东华大学 | 基于单目红外的夜间机器人视觉大视场三维构建方法 |
WO2019047284A1 (zh) * | 2017-09-05 | 2019-03-14 | 平安科技(深圳)有限公司 | 特征提取、全景拼接方法及其装置、设备、可读存储介质 |
CN110390640A (zh) * | 2019-07-29 | 2019-10-29 | 齐鲁工业大学 | 基于模板的泊松融合图像拼接方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
彭畅 等: "基于改进的ORB算法的红外遥感图像拼接研究", 《控制工程》, vol. 27, no. 8, pages 1 - 5 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767248A (zh) * | 2021-01-13 | 2021-05-07 | 深圳瀚维智能医疗科技有限公司 | 红外相机图片拼接方法、装置、设备及可读存储介质 |
CN112767248B (zh) * | 2021-01-13 | 2023-09-08 | 深圳瀚维智能医疗科技有限公司 | 红外相机图片拼接方法、装置、设备及可读存储介质 |
CN113974420A (zh) * | 2021-10-29 | 2022-01-28 | 添可智能科技有限公司 | 智能烹饪设备控制方法及智能烹饪设备 |
CN113974420B (zh) * | 2021-10-29 | 2023-02-17 | 添可智能科技有限公司 | 智能烹饪设备控制方法及智能烹饪设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598993B (zh) | 基于多视角成像技术的三维数据重建方法、装置 | |
US20200058153A1 (en) | Methods and Devices for Acquiring 3D Face, and Computer Readable Storage Media | |
US10726580B2 (en) | Method and device for calibration | |
CN109840881B (zh) | 一种3d特效图像生成方法、装置及设备 | |
US8705867B2 (en) | Devices and methods for processing images using scale space | |
CN111401266B (zh) | 绘本角点定位的方法、设备、计算机设备和可读存储介质 | |
US10169891B2 (en) | Producing three-dimensional representation based on images of a person | |
CN113643414B (zh) | 一种三维图像生成方法、装置、电子设备及存储介质 | |
Hejazifar et al. | Fast and robust seam estimation to seamless image stitching | |
Peña-Villasenín et al. | 3-D modeling of historic façades using SFM photogrammetry metric documentation of different building types of a historic center | |
CN107563978A (zh) | 人脸去模糊方法及装置 | |
CN111583381B (zh) | 游戏资源图的渲染方法、装置及电子设备 | |
CN113689578A (zh) | 一种人体数据集生成方法及装置 | |
CN112102169A (zh) | 一种红外图像拼接方法、装置和存储介质 | |
CN113724391A (zh) | 三维模型构建方法、装置、电子设备和计算机可读介质 | |
CN107958489B (zh) | 一种曲面重建方法及装置 | |
Chang et al. | Finding good composition in panoramic scenes | |
Tsai et al. | Polygon‐based texture mapping for cyber city 3D building models | |
Semenishchev et al. | Stitching algorithm of the images acquired from different points of fixation | |
CN113379899B (zh) | 一种建筑工程工作面区域图像自动提取方法 | |
CN109410302B (zh) | 纹理映射方法、装置、计算机设备和存储介质 | |
CN113610864A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
Yue et al. | High-dimensional camera shake removal with given depth map | |
Zhou et al. | Multispectral fusion of RGB and NIR images using weighted least squares and alternating guidance | |
CN111862287A (zh) | 眼部纹理图像生成方法、纹理贴图方法、装置和电子设备 |
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 |