CN112785505A - 一种昼夜图像拼接方法 - Google Patents

一种昼夜图像拼接方法 Download PDF

Info

Publication number
CN112785505A
CN112785505A CN202110194865.6A CN202110194865A CN112785505A CN 112785505 A CN112785505 A CN 112785505A CN 202110194865 A CN202110194865 A CN 202110194865A CN 112785505 A CN112785505 A CN 112785505A
Authority
CN
China
Prior art keywords
image
layer
formula
feature point
night
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
Application number
CN202110194865.6A
Other languages
English (en)
Other versions
CN112785505B (zh
Inventor
梁磊
王琳
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.)
Shenzhen Laike Computer Technology Co ltd
Original Assignee
Shenzhen Laike Computer Technology Co ltd
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 Shenzhen Laike Computer Technology Co ltd filed Critical Shenzhen Laike Computer Technology Co ltd
Priority to CN202110194865.6A priority Critical patent/CN112785505B/zh
Publication of CN112785505A publication Critical patent/CN112785505A/zh
Application granted granted Critical
Publication of CN112785505B publication Critical patent/CN112785505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20024—Filtering details

Landscapes

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

Abstract

本发明公开了一种昼夜图像拼接方法，属于数字图像处理领域。具体步骤如下：分离出待拼接的昼夜图像的亮度图像；分解出每个亮度图像的细节层；对细节层图像创建图像金字塔表征图像的多尺度空间；在尺度空间的每一层利用ORB算法进行特征点检测，并生成每一个特征点的ORB描述符；在尺度空间的对应层上，计算描述符之间的汉明距离进行特征点匹配；将所有尺度空间层匹配的特征点对全部映射回初始尺度空间层，使用MSAC算法进行提纯，然后使用提纯后的特征点对计算出两幅图像之间的单应矩阵；依据该单应矩阵，即可对夜晚图像进行图像变换，并与白天图像进行加权拼接融合得到结果图像。本发明方法不仅计算效率高，而且可以显著的提高正确匹配的特征点对的数量，进而完成昼夜图像的有效拼接。

Description

一种昼夜图像拼接方法
技术领域
本发明涉及数字图像处理领域，具体是一种拼接夜晚图像和白天图像的方法。
背景技术
对于很多场景，无论是人造的还是天然形成的，白天和夜晚都有无限的美景，所以一般人都不愿意错过，因此将白天和夜晚的照片图像拼接在一起呈现出来，绝对是非常令人震撼并且另有一番风味。
目前图像拼接的方法主要有两种：第一种是直接对两幅图像相同位置进行重叠的方法。该方法可以利用所有可用的图像数据，能够获得高精度的配准，但是需要严密的初始化过程，而且对拍摄的图像的尺寸、角度都有严格的要求。第二种是基于图像局部不变特征的拼接方法。该方法不需要初始化，直接对要拼接的图像进行特征提取，然后检测匹配的特征，通过匹配的特征计算图像之间的单应矩阵，再将待拼接图像按照计算的单应矩阵进行变换，最后将变换的图像与其它图像进行拼接。该方法对比第一种图像拼接方法，在易用性和高效性方面具有很大的优势。
采用基于图像局部不变特征的拼接方法拼接昼夜图像会计算出错误的单应矩阵从而导致拼接错位。
造成拼接错位的第一个原因是白天图像和夜晚图像的光照变化非常巨大，直接提取图像局部不变特征点匹配，正确匹配的特征点对的数量很少。第二个原因是待拼接的图像之间重合区域较少，在跨尺度匹配时会存在很多的错误匹配。
总之，基于图像局部不变特征的拼接方法对于两幅待配准的图像之间存在巨大光照变化的鲁棒性不足，无法完成昼夜图像的拼接。
发明内容
本发明的目的在于提供一种可以将场景的白天图像和夜晚图像有效的拼接成一幅图像的方法，以解决上述背景技术中存在的问题。
为实现上述目的，本发明提供如下技术方案：
一种昼夜图像拼接方法，具体步骤如下：
(1)分离出白天图像的亮度图像Lw(1)以及夜晚图像的亮度图像Lw(2)；
(2)分别计算出白天图像的基础层Lw_base(1)和夜晚图像的基础层Lw_base(2)，公式如下：
Figure BDA0002947955460000021
b(1)＝(1-a(1))·fmean(Lw(1)) (公式3)
Lw_base(1)＝fmean(a(1))·Lw(1)+fmean(b(1)) (公式4)
Figure BDA0002947955460000022
b(2)＝(1-a(2))·fmean(Lw(2)) (公式6)
Lw_base(2)＝fmean(a(2))·Lw(2)+fmean(b(2)) (公式7)
其中fmean表示均值滤波，ε为分层阈值，然后使用除法操作得到白天图像的细节层和夜晚图像的细节层：
Lw_detail(1)＝Lw(1)/Lw_base(1) (公式8)
Lw_detail(2)＝Lw(2)/Lw_base(2) (公式9)
(3)分别创建白天图像细节层Lw_detail(1)和夜晚图像细节层Lw_detail(2)的图像金字塔表征图像的多尺度空间：
P1(n)＝Fs(n)[Lw_detail(1)]，n＝0，1，2...N (公式10)
P2(n)＝Fs(n)[Lw_detail(2)]，n＝0，1，2...N (公式11)
其中Fs(n)是以s(n)为尺度因子的双线性插值，P(n)为图像金字塔，N是图像金字塔的总层数；
(4)在步骤(3)中得到的尺度空间的每一层利用ORB算法进行特征点检测，并生成每一个特征点的ORB描述符，在尺度空间的对应层上，计算描述符之间的汉明距离进行特征点匹配，得到尺度空间每一层匹配的特征点对k(n)：
Figure BDA0002947955460000031
其中SORB表示在单层图像金字塔上使用ORB算法进行特征点的提取及匹配；
(5)将所有尺度空间层匹配的特征点对全部映射回初始尺度空间层，使用MSAC算法进行提纯，得到提纯后的特征点对，然后使用提纯后的特征点对计算出两幅图像之间的单应矩阵；
(6)依据该单应矩阵，即可对夜晚图像进行图像变换，并与白天图像进行加权拼接融合得到结果图像。
作为本发明进一步的方案：所述(公式2)和(公式5)中分层阈值ε取值为0.8。
作为本发明进一步的方案：所述(公式10)和(公式11)中N的值为5。
作为本发明进一步的方案：所述(公式10)和(公式11)中尺度因子s(n)的计算方法如下：
Figure BDA0002947955460000032
其中sinit为尺度因子的初始化常数。
作为本发明进一步的方案：所述(公式12)中初始化常数sinit的值为1.2。
与现有技术相比，本发明方法的有益效果是：
本发明方法不仅计算效率高，而且可以显著的提高正确匹配的特征点对的数量，进而完成昼夜图像的有效拼接。
附图说明
图1为本发明具体实施方式中的待拼接的白天图像。
图2为本发明具体实施方式中的待拼接的夜晚图像。
图3为本发明具体实施方式中的白天图像的细节层。
图4为本发明具体实施方式中的夜晚图像的细节层。
图5为本发明具体实施方式中标记出所有尺度空间层匹配的特征点对的效果图。
图6为本发明具体实施方式中采用本发明方法进行昼夜图像拼接的效果图。
图7为本发明方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本专利的技术方案作进一步详细地说明。
本发明昼夜图像拼接方法，按照以下步骤具体实施：
(1)分离出白天图像的亮度图像Lw(1)以及夜晚图像的亮度图像Lw(2)；
(2)分别计算出白天图像的基础层Lw_base(1)和夜晚图像的基础层Lw_base(2)，公式如下：
Figure BDA0002947955460000041
b(1)＝(1-a(1))·fmean(Lw(1)) (公式3)
Lw_base(1)＝fmean(a(1))·Lw(1)+fmean(b(1)) (公式4)
Figure BDA0002947955460000042
b(2)＝(1-a(2))·fmean(Lw(2)) (公式6)
Lw_base(2)＝fmean(a(2))·Lw(2)+fmean(b(2)) (公式7)
其中fmean表示均值滤波，ε为取值0.8的分层阈值，然后使用除法操作得到白天图像的细节层和夜晚图像的细节层：
Lw_detail(1)＝Lw(1)/Lw_base(1) (公式8)
Lw_detail(2)＝Lw(2)/Lw_base(2) (公式9)
(3)分别创建白天图像细节层Lw_detail(1)和夜晚图像细节层Lw_detail(2)的图像金字塔表征图像的多尺度空间：
P1(n)＝Fs(n)[Lw_detail(1)]，n＝0，1，2...N (公式10)
P2(n)＝Fs(n)[Lw_detail(2)]，n＝0，1，2...N (公式11)
其中P(n)为图像金字塔，N＝5是图像金字塔的总层数，Fs(n)是以s(n)为尺度因子的双线性插值，s(n)的计算方法如下：
Figure BDA0002947955460000051
其中sinit＝1.2为尺度因子的初始化常数；
(4)在步骤(3)中得到的尺度空间的每一层利用ORB算法进行特征点检测，并生成每一个特征点的ORB描述符，在尺度空间的对应层上，计算描述符之间的汉明距离进行特征点匹配，得到尺度空间每一层匹配的特征点对k(n)：
Figure BDA0002947955460000052
其中SORB表示在单层图像金字塔上使用ORB算法进行特征点的提取及匹配；
(5)将所有尺度空间层匹配的特征点对全部映射回初始尺度空间层，使用MSAC算法进行提纯，得到提纯后的特征点对，然后使用提纯后的特征点对计算出两幅图像之间的单应矩阵；
(6)依据该单应矩阵，即可对夜晚图像进行图像变换，并与白天图像进行加权拼接融合得到结果图像。
实施例中，采用本发明方法拼接如图1所示的白天图像和如图2所示的夜晚图像，其处理过程如下：
(1)分离出白天图像和夜晚图像对应的亮度图像，输入图像为RGB彩色图像，利用公式1将输入图像变换到CIE XYZ颜色空间：
Figure BDA0002947955460000053
其中Y值表示亮度图像，通过该步骤，得到白天图像的亮度图像Lw(1)以及夜晚图像的亮度图像Lw(2)。
(2)分别计算出白天图像的基础层Lw_base(1)和夜晚图像的基础层Lw_base(2)，公式如下：
Figure BDA0002947955460000054
b(1)＝(1-a(1))·fmean(Lw(1)) (公式3)
Lw_base(1)＝fmean(a(1))·Lw(1)+fmean(b(1)) (公式4)
Figure BDA0002947955460000061
b(2)＝(1-a(2))·fmean(Lw(2)) (公式6)
Lw_base(2)＝fmean(a(2))·Lw(2)+fmean(b(2)) (公式7)
其中fmean表示均值滤波，ε为取值0.8的分层阈值，然后使用除法操作得到白天图像的细节层(如图3所示)和夜晚图像的细节层(如图4所示)：
Lw_detail(1)＝Lw(1)/Lw_base(1) (公式8)
Lw_detail(2)＝Lw(2)/Lw_base(2) (公式9)
(3)分别创建白天图像细节层Lw_detail(1)和夜晚图像细节层Lw_detail(2)的图像金字塔表征图像的多尺度空间：
P1(n)＝Fs(n)[Lw_detail(1)]，n＝0，1，2...N (公式10)
P2(n)＝Fs(n)[Lw_detail(2)]，n＝0，1，2...N (公式11)
其中P(n)为图像金字塔，N＝5是图像金字塔的总层数，Fs(n)是以s(n)为尺度因子的双线性插值，s(n)的计算方法如下：
Figure BDA0002947955460000062
其中sinit＝1.2为尺度因子的初始化常数。
(4)在步骤(3)中得到的尺度空间的每一层利用ORB算法进行特征点检测，并生成每一个特征点的ORB描述符。然后在尺度空间的对应层上，计算描述符之间的汉明距离进行特征点匹配，得到尺度空间每一层匹配的特征点对k(n)：
Figure BDA0002947955460000063
其中SORB表示在单层图像金字塔上使用ORB算法进行特征点的提取及匹配。
(5)将所有尺度空间层匹配的特征点对全部映射回初始尺度空间层，如图5所示，使用MSAC(M-estimator SAmple Consensus)算法进行提纯，得到提纯后的特征点对，然后使用提纯后的特征点对计算出两幅图像之间的单应矩阵。
(6)依据该单应矩阵，即可对夜晚图像进行图像变换，并与白天图像进行加权拼接融合得到结果图像，如图6所示。
本发明方法的优点在于：首先本发明采用了在图像细节层进行局部不变特征提取的方法，这样可以有效的避免光照的影响；其次为了保证合成图像风格的统一，一般两幅待拼接的昼夜图像之间是没有非常大的尺度变化的，本发明采用单层图像金字塔对应层特征点匹配的方法，不仅可以降低计算复杂度，而且可以减少匹配错误。
本发明方法不仅计算效率高，而且可以显著的提高正确匹配的特征点对的数量，进而完成昼夜图像的有效拼接。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，或者对其中部分技术特征进行等同替换，这些改进和替换也应视为本发明的保护范围。

Claims (5)

1.一种昼夜图像拼接方法，其特征在于，具体步骤如下：
(1)分离出白天图像的亮度图像Lw(1)以及夜晚图像的亮度图像Lw(2)；
(2)分别计算出白天图像的基础层Lw_base(1)和夜晚图像的基础层Lw_base(2)，公式如下：
Figure FDA0002947955450000011
b(1)＝(1-a(1))·fmean(Lw(1)) (公式3)
Lw_base(1)＝fmean(a(1))·Lw(1)+fmean(b(1)) (公式4)
Figure FDA0002947955450000012
b(2)＝(1-a(2))·fmean(Lw(2)) (公式6)
Lw_base(2)＝fmean(a(2))·Lw(2)+fmean(b(2)) (公式7)
其中fmean表示均值滤波，ε为分层阈值，然后使用除法操作得到白天图像的细节层和夜晚图像的细节层：
Lw_detail(1)＝Lw(1)/Lw_base(1) (公式8)
Lw_detail(2)＝Lw(2)/Lw_base(2) (公式9)
(3)分别创建白天图像细节层Lw_detail(1)和夜晚图像细节层Lw_detail(2)的图像金字塔表征图像的多尺度空间：
P1(n)＝Fs(n)[Lw_detail(1)]，n＝0，1，2...N (公式10)
P2(n)＝Fs(n)[Lw_detail(2)]，n＝0，1，2...N (公式11)
其中Fs(n)是以s(n)为尺度因子的双线性插值，P(n)为图像金字塔，N是图像金字塔的总层数；
(4)在步骤(3)中得到的尺度空间的每一层利用ORB算法进行特征点检测，并生成每一个特征点的ORB描述符，在尺度空间的对应层上，计算描述符之间的汉明距离进行特征点匹配，得到尺度空间每一层匹配的特征点对k(n)：
Figure FDA0002947955450000021
其中SORB表示在单层图像金字塔上使用ORB算法进行特征点的提取及匹配；
(5)将所有尺度空间层匹配的特征点对全部映射回初始尺度空间层，使用MSAC算法进行提纯，得到提纯后的特征点对，然后使用提纯后的特征点对计算出两幅图像之间的单应矩阵；
(6)依据该单应矩阵，即可对夜晚图像进行图像变换，并与白天图像进行加权拼接融合得到结果图像。
2.根据权利要求1所述的昼夜图像拼接方法，其特征在于，所述(公式2)和(公式5)中分层阈值ε取值为0.8。
3.根据权利要求1所述的昼夜图像拼接方法，其特征在于，所述(公式10)和(公式11)中N的值为5。
4.根据权利要求1所述的昼夜图像拼接方法，其特征在于，所述(公式10)和(公式11)中尺度因子s(n)的计算方法如下：
Figure FDA0002947955450000022
其中sinit为尺度因子的初始化常数。
5.根据权利要求4所述的昼夜图像拼接方法，其特征在于，所述(公式12)中初始化常数sinit的值为1.2。
CN202110194865.6A 2021-02-23 2021-02-23 一种昼夜图像拼接方法 Active CN112785505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110194865.6A CN112785505B (zh) 2021-02-23 2021-02-23 一种昼夜图像拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110194865.6A CN112785505B (zh) 2021-02-23 2021-02-23 一种昼夜图像拼接方法

Publications (2)

Publication Number Publication Date
CN112785505A true CN112785505A (zh) 2021-05-11
CN112785505B CN112785505B (zh) 2023-01-31

Family

ID=75762167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110194865.6A Active CN112785505B (zh) 2021-02-23 2021-02-23 一种昼夜图像拼接方法

Country Status (1)

Country Link
CN (1) CN112785505B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120183210A1 (en) * 2011-01-18 2012-07-19 Agency For Science, Technology And Research Method and a Device for Merging a Plurality of Digital Pictures
US20120274739A1 (en) * 2009-12-21 2012-11-01 Huawei Device Co.,Ud. Image splicing method and apparatus
US20170104971A1 (en) * 2014-06-20 2017-04-13 SZ DJI Technology Co., Ltd. Method and apparatus for generating hdri
US20180018770A1 (en) * 2016-07-14 2018-01-18 Shanghai United Imaging Healthcare Co., Ltd. System and method for splicing images
CN108805812A (zh) * 2018-06-04 2018-11-13 东北林业大学 用于图像拼接的多尺度不变orb算法
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
CN111784576A (zh) * 2020-06-11 2020-10-16 长安大学 一种基于改进orb特征算法的图像拼接方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120274739A1 (en) * 2009-12-21 2012-11-01 Huawei Device Co.,Ud. Image splicing method and apparatus
US20120183210A1 (en) * 2011-01-18 2012-07-19 Agency For Science, Technology And Research Method and a Device for Merging a Plurality of Digital Pictures
US20170104971A1 (en) * 2014-06-20 2017-04-13 SZ DJI Technology Co., Ltd. Method and apparatus for generating hdri
US20180018770A1 (en) * 2016-07-14 2018-01-18 Shanghai United Imaging Healthcare Co., Ltd. System and method for splicing images
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
CN108805812A (zh) * 2018-06-04 2018-11-13 东北林业大学 用于图像拼接的多尺度不变orb算法
CN111784576A (zh) * 2020-06-11 2020-10-16 长安大学 一种基于改进orb特征算法的图像拼接方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
D.M.A MAHAWATTA ET AL.: "Image Splice Detection Through Noise Pattern Analysis", 《IEEE》 *
唐国良等: "一种基于IHS和小波变换的彩色图像融合算法", 《计算机应用研究》 *
曹楠等: "基于SIFT特征匹配的图像无缝拼接算法", 《计算机与应用化学》 *
杨安园等: "多尺度SIFT特征匹配的足迹图像拼接方法", 《时代农机》 *
裴红星 等: "图像拼接技术综述", 《郑州大学学报(理学版)》 *

Also Published As

Publication number Publication date
CN112785505B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN107767339B (zh) 一种双目立体图像拼接方法
CN108765537A (zh) 一种图像的处理方法、装置、电子设备和计算机可读介质
CN108470324A (zh) 一种鲁棒的双目立体图像拼接方法
CN104616247B (zh) 一种用于基于超像素sift航拍地图拼接的方法
CN109684973B (zh) 基于对称一致性的卷积神经网络的人脸图像填充系统
CN114936605A (zh) 基于知识蒸馏的神经网络训练方法、设备及存储介质
CN113505768A (zh) 模型训练、人脸识别方法、电子设备及存储介质
WO2023066173A1 (zh) 图像处理方法、装置及存储介质、电子设备
CN106169064A (zh) 一种现实增强系统的图像识别方法和系统
CN111626951A (zh) 一种基于内容感知信息的图像阴影消除方法
CN115346037B (zh) 一种图像篡改检测方法
Duan et al. Simultaneous face completion and frontalization via mask guided two-stage GAN
CN111062329A (zh) 基于增广网络的无监督行人重识别方法
Ruan et al. Image stitching algorithm based on SURF and wavelet transform
CN110046669B (zh) 基于素描图像的半耦合度量鉴别字典学习的行人检索方法
CN114708617A (zh) 行人重识别方法、装置及电子设备
Cong et al. Multi-Projection Fusion and Refinement Network for Salient Object Detection in 360$^{\circ} $ Omnidirectional Image
Zhang et al. Noise and edge based dual branch image manipulation detection
CN112785505B (zh) 一种昼夜图像拼接方法
Antil et al. A two stream face anti-spoofing framework using multi-level deep features and ELBP features
Wang et al. Dual attribute adversarial camouflage toward camouflaged object detection
CN117541629A (zh) 基于可穿戴头盔的红外图像和可见光图像配准融合方法
Wu et al. An improved method of low light image enhancement based on retinex
CN111968191A (zh) 使用梳状神经网络架构的自动图像合成
CN109040612B (zh) 目标对象的图像处理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant