CN112837223A - 一种基于重叠子区域的超大图像配准拼接方法 - Google Patents
一种基于重叠子区域的超大图像配准拼接方法 Download PDFInfo
- Publication number
- CN112837223A CN112837223A CN202110117699.XA CN202110117699A CN112837223A CN 112837223 A CN112837223 A CN 112837223A CN 202110117699 A CN202110117699 A CN 202110117699A CN 112837223 A CN112837223 A CN 112837223A
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- super
- sub
- large image
- 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 28
- 230000009466 transformation Effects 0.000 claims description 25
- 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 24
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007526 fusion splicing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于重叠子区域的超大图像配准拼接方法。现有方法难以对超大图进行像拼接等处理。本发明方法首先读取参考超大图像和待匹配图像,构建图像金字塔,再从图像金字塔层中获取合适尺寸的降采样子图进行特征提取并完成匹配,解算出参考超大图像和待匹配图像的重叠区域;然后将重叠区域划分为多个子区域,统计得到特征数量最多的子区域,再次进行特征提取和匹配;最后根据子区域的匹配参数解算出参考超大图像和待匹配图像间的配准参数。本发明方法能够确保配准精度不降低的情况下,有效提高计算速度。
Description
技术领域
本发明属于图像处理技术领域,尤其是二维图像匹配技术领域,具体涉及一种基于重叠子区域的超大图像配准拼接方法。
背景技术
图像配准是图像处理领域一项基本问题和关键技术之一,是计算机视觉与模式识别领域基础且重要的研究热点之一。图像配准是把存在平移、旋转、缩放以及畸变的两幅或多幅对同一场景在不同视角或利用不同传感器得到的图像间的变换关系确定出来。
随着传感器技术以及图像成像技术的发展,图像配准所要处理的图像既多样多元化,又朝着既大幅又精细的方向发展。而目前成熟的图像配准技术针对的图像都是2000×2000像素以内的相对较小的图像,而对像素数达到5000×5000或者10000×10000,甚至更大幅的图像的处理算法,尤其是超大幅图像配准处理算法,受限于超大幅图像本身的数据量很大,利用传统的图像配准方法对图像整体计算特征,完成特征匹配及超大图像的拼接等处理,计算量巨大的同时,耗时也大,常常达到十几分钟甚至几十分钟,不能满足实时性的需求。
发明内容
本发明的目的就是针对现有技术的不足,提供一种基于重叠子区域的超大图像配准拼接方法,以解决超大幅图像匹配效率低,实时性差的问题。
本发明方法具体是:
步骤(1)利用GDAL库读取参考超大幅图像A和待匹配超大幅图像B;
步骤(2)构建参考超大幅图像A和待匹配超大幅图像B的图像金字塔,读取指定金字塔层,进行特征匹配,解算参考超大幅图像A与待匹配超大幅图像B的重叠区域;
步骤(3)将重叠区域分块,统计各分块区域的匹配特征点的数量;
步骤(4)将参考超大幅图像A和待匹配超大幅图像B重叠区域中匹配特征点数量最多的分块区域裁切下来,将参考超大幅图像A和待匹配超大幅图像B裁切下来部分的图像进行特征匹配,解算仿射变换参数;
步骤(5)利用仿射变换参数,将参考超大幅图像A和待匹配超大幅图像B进行融合拼接。
进一步,步骤(2)具体是:
(2-1)对读取的参考超大幅图像A构建参考图像金字塔PA,选取参考图像金字塔PA各层中长或宽第一个小于K像素的降采样图像作为降采样参考图像A1;对读取的待匹配超大幅图像B构建待匹配图像金字塔PB,选取待匹配图像金字塔PB各层中长或宽第一个小于K像素的降采样图像作为降采样待匹配图像B1;K=500~2000;
(2-2)分别提取降采样参考图像A1和降采样待匹配图像B1的SURF特征点,采用RANSAC算法计算一级仿射变换参数H1;
(2-3)根据仿射变换参数H1,解算出降采样参考图像A1和降采样待匹配图像B1的重叠区域。
进一步,步骤(3)具体是:
(3-1)将降采样参考图像的重叠区域A2平均划分为m行n列共m×n个参考图像子区域A3,将降采样待匹配图像的重叠区域B2按照相同方式划分为m×n个待匹配图像子区域B3;m=2~5,n=2~5;
(3-2)统计每个参考图像子区域A3和每个待匹配图像子区域B3中的SURF特征点数量;(3-3)按照SURF特征点数量排序,得到SURF特征点数量最多的参考图像子区域A4,和SURF特征点数量最多的待匹配图像子区域B4。
进一步,步骤(4)具体是:
(4-1)根据子区域A4在降采样参考图像A1中的位置,以及降采样参考图像A1在参考图像金字塔PA中的位置,得到子区域A4在参考超大幅图像A中的对应区域Aa1;根据子区域B4在降采样待匹配图像B1中的位置,以及降采样待匹配图像B1在待匹配图像金字塔PB中的位置,得到子区域B4在待匹配超大幅图像B中的对应区域Bb1;
(4-2)将参考超大幅图像A中的对应区域Aa1裁切下来,得到参考子图A5;将待匹配超大幅图像B中的对应区域Bb1裁切下来,得到待匹配子图B5;
(4-3)提取参考子图A5和待匹配子图B5的SURF特征点,利用RANSAC算法计算二级仿射变换参数H2。
进一步,步骤(5)具体是:
(5-1)根据参考子图A5在参考超大幅图像A中的位置、待匹配子图B5在待匹配超大幅图像B中的位置,以及二级仿射变换参数H2计算参考超大幅图像A与待匹配超大幅图像B之间的仿射变换参数H;
(5-2)根据仿射变换参数H将参考超大幅图像A和待匹配超大幅图像B进行融合拼接。
本发明方法首先将大图构建图像金字塔,得到数据量较小的降采样图像,然后在降采样图像上进行初步的图像匹配,能够快速定位出大图之间的重叠区域。本发明方法只针对大图的重叠区域中匹配特征点最多的子区域进行匹配,大大减小了参与匹配的数据量,保证匹配效率,极大地提高了匹配速度,同时不会损失匹配精度,还能适应各种匹配情况。发明方法对于实时性以及匹配精度要求较高的超大幅图像匹配拼接具有显著效果。
附图说明
图1是本发明方法整体流程图;
图2是构建图像金字塔计算重叠区域的流程图;
图3是重叠区域划分及子图裁切的流程图。
具体实施方式
下面结合附图,借助实施例详细描述本发明。但应注意到:除非另外特殊说明,否则在实施例中阐述涉及的相对设置、数字表达式、字母表达式和数值不限定本发明的范围,提供这写实施例仅为了让相关人员更便于理解本发明。对相关领域的技术人员公知的技术方法可能不做过多描述。但一定条件下,本发明所述技术、方法和系统应当被视为说明书的一部分。
如图1所示,一种基于重叠子区域的超大图像配准拼接方法,整体流程是:
步骤(1)利用GDAL库读取参考超大幅图像A和待匹配超大幅图像B。
步骤(2)构建参考超大幅图像A和待匹配超大幅图像B的图像金字塔,读取指定金字塔层,进行特征匹配,解算参考超大幅图像A与待匹配超大幅图像B的重叠区域。如图2,具体方法是:
(2-1)对读取的参考超大幅图像A构建参考图像金字塔PA,选取参考图像金字塔PA各层中长或宽第一个小于K像素的降采样图像作为降采样参考图像A1;对读取的待匹配超大幅图像B构建待匹配图像金字塔PB,选取待匹配图像金字塔PB各层中长或宽第一个小于K像素的降采样图像作为降采样待匹配图像B1;K=500~2000,本实施例中K=1000;
(2-2)分别提取降采样参考图像A1和降采样待匹配图像B1的SURF特征点,采用RANSAC算法计算一级仿射变换参数H1;
(2-3)根据仿射变换参数H1,解算出降采样参考图像A1和降采样待匹配图像B1的重叠区域。
步骤(3)将重叠区域分块,统计各分块区域的匹配特征点的数量。如图3,具体方法是:
(3-1)将降采样参考图像的重叠区域A2平均划分为m行n列共m×n个参考图像子区域A3,将降采样待匹配图像的重叠区域B2按照相同方式划分为m×n个待匹配图像子区域B3;本实施例采用3行3列;
(3-2)统计每个参考图像子区域A3和每个待匹配图像子区域B3中的SURF特征点数量;
(3-3)按照SURF特征点数量排序,得到SURF特征点数量最多的参考图像子区域A4,和SURF特征点数量最多的待匹配图像子区域B4。
步骤(4)将参考超大幅图像A和待匹配超大幅图像B重叠区域中匹配特征点数量最多的分块区域裁切下来,将参考超大幅图像A和待匹配超大幅图像B裁切下来部分的图像进行特征匹配,解算仿射变换参数。具体方法是:
(4-1)根据子区域A4在降采样参考图像A1中的位置,以及降采样参考图像A1在参考图像金字塔PA中的位置,得到子区域A4在参考超大幅图像A中的对应区域Aa1;根据子区域B4在降采样待匹配图像B1中的位置,以及降采样待匹配图像B1在待匹配图像金字塔PB中的位置,得到子区域B4在待匹配超大幅图像B中的对应区域Bb1;
(4-2)将参考超大幅图像A中的对应区域Aa1裁切下来,得到参考子图A5;将待匹配超大幅图像B中的对应区域Bb1裁切下来,得到待匹配子图B5;
(4-3)提取参考子图A5和待匹配子图B5的SURF特征点,利用RANSAC算法计算二级仿射变换参数H2。
步骤(5)利用仿射变换参数,将参考超大幅图像A和待匹配超大幅图像B进行融合拼接。具体方法是:
(5-1)根据参考子图A5在参考超大幅图像A中的位置、待匹配子图B5在待匹配超大幅图像B中的位置,以及二级仿射变换参数H2计算参考超大幅图像A与待匹配超大幅图像B之间的仿射变换参数H;
(5-2)根据仿射变换参数H将参考超大幅图像A和待匹配超大幅图像B进行融合拼接。
Claims (7)
1.一种基于重叠子区域的超大图像配准拼接方法,其特征在于,该方法具体如下:
步骤(1)利用GDAL库读取参考超大幅图像A和待匹配超大幅图像B;
步骤(2)构建参考超大幅图像A和待匹配超大幅图像B的图像金字塔,读取指定金字塔层,进行特征匹配,解算参考超大幅图像A与待匹配超大幅图像B的重叠区域;
步骤(3)将重叠区域分块,统计各分块区域的匹配特征点的数量;
步骤(4)将参考超大幅图像A和待匹配超大幅图像B重叠区域中匹配特征点数量最多的分块区域裁切下来,将参考超大幅图像A和待匹配超大幅图像B裁切下来部分的图像进行特征匹配,解算仿射变换参数;
步骤(5)利用仿射变换参数,将参考超大幅图像A和待匹配超大幅图像B进行融合拼接。
2.如权利要求1所述的一种基于重叠子区域的超大图像配准拼接方法,其特征在于:步骤(2)具体是:
(2-1)对读取的参考超大幅图像A构建参考图像金字塔PA,选取参考图像金字塔PA各层中长或宽第一个小于K像素的降采样图像作为降采样参考图像A1;对读取的待匹配超大幅图像B构建待匹配图像金字塔PB,选取待匹配图像金字塔PB各层中长或宽第一个小于K像素的降采样图像作为降采样待匹配图像B1;
(2-2)分别提取降采样参考图像A1和降采样待匹配图像B1的SURF特征点,采用RANSAC算法计算一级仿射变换参数H1;
(2-3)根据仿射变换参数H1,解算出降采样参考图像A1和降采样待匹配图像B1的重叠区域。
3.如权利要求1所述的一种基于重叠子区域的超大图像配准拼接方法,其特征在于:步骤(3)具体是:
(3-1)将降采样参考图像的重叠区域A2平均划分为m行n列共m×n个参考图像子区域A3,将降采样待匹配图像的重叠区域B2按照相同方式划分为m×n个待匹配图像子区域B3;
(3-2)统计每个参考图像子区域A3和每个待匹配图像子区域B3中的SURF特征点数量;
(3-3)按照SURF特征点数量排序,得到SURF特征点数量最多的参考图像子区域A4,和SURF特征点数量最多的待匹配图像子区域B4。
4.如权利要求1所述的一种基于重叠子区域的超大图像配准拼接方法,其特征在于:步骤(4)具体是:
(4-1)根据子区域A4在降采样参考图像A1中的位置,以及降采样参考图像A1在参考图像金字塔PA中的位置,得到子区域A4在参考超大幅图像A中的对应区域Aa1;根据子区域B4在降采样待匹配图像B1中的位置,以及降采样待匹配图像B1在待匹配图像金字塔PB中的位置,得到子区域B4在待匹配超大幅图像B中的对应区域Bb1;
(4-2)将参考超大幅图像A中的对应区域Aa1裁切下来,得到参考子图A5;将待匹配超大幅图像B中的对应区域Bb1裁切下来,得到待匹配子图B5;
(4-3)提取参考子图A5和待匹配子图B5的SURF特征点,利用RANSAC算法计算二级仿射变换参数H2。
5.如权利要求1所述的一种基于重叠子区域的超大图像配准拼接方法,其特征在于:步骤(5)具体是:
(5-1)根据参考子图A5在参考超大幅图像A中的位置、待匹配子图B5在待匹配超大幅图像B中的位置,以及二级仿射变换参数H2计算参考超大幅图像A与待匹配超大幅图像B之间的仿射变换参数H;
(5-2)根据仿射变换参数H将参考超大幅图像A和待匹配超大幅图像B进行融合拼接。
6.如权利要求2所述的一种基于重叠子区域的超大图像配准拼接方法,其特征在于:K=500~2000。
7.如权利要求3所述的一种基于重叠子区域的超大图像配准拼接方法,其特征在于:m=2~5,n=2~5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117699.XA CN112837223B (zh) | 2021-01-28 | 2021-01-28 | 一种基于重叠子区域的超大图像配准拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117699.XA CN112837223B (zh) | 2021-01-28 | 2021-01-28 | 一种基于重叠子区域的超大图像配准拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837223A true CN112837223A (zh) | 2021-05-25 |
CN112837223B CN112837223B (zh) | 2023-08-29 |
Family
ID=75932168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110117699.XA Active CN112837223B (zh) | 2021-01-28 | 2021-01-28 | 一种基于重叠子区域的超大图像配准拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837223B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435479A (zh) * | 2021-06-03 | 2021-09-24 | 湖北大学 | 基于区域特征表达约束的特征点匹配方法与系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6785427B1 (en) * | 2000-09-20 | 2004-08-31 | Arcsoft, Inc. | Image matching using resolution pyramids with geometric constraints |
EP1760659A1 (en) * | 2005-08-30 | 2007-03-07 | Agfa-Gevaert | Method of segmenting anatomic entities in digital medical images |
JP2009245304A (ja) * | 2008-03-31 | 2009-10-22 | Fujitsu Ltd | 画像間対応付けプログラム、画像間対応付け装置および画像間対応付け方法 |
US20100177966A1 (en) * | 2009-01-14 | 2010-07-15 | Ruzon Mark A | Method and system for representing image patches |
US20140198995A1 (en) * | 2013-01-15 | 2014-07-17 | Stmicroelectronics S.R.I. | Method and apparatus for computing image pyramids and related computer program product |
CN104050652A (zh) * | 2014-07-02 | 2014-09-17 | 中国科学院长春光学精密机械与物理研究所 | 构造金字塔自学习的超分辨率重构方法 |
KR101467346B1 (ko) * | 2013-08-30 | 2014-12-02 | 연세대학교 원주산학협력단 | 영상영역확장을 위한 자기공명영상 정합 및 합성 방법 |
CN104463786A (zh) * | 2014-12-03 | 2015-03-25 | 中国科学院自动化研究所 | 一种移动机器人图像拼接方法及装置 |
CN104966270A (zh) * | 2015-06-26 | 2015-10-07 | 浙江大学 | 一种多图像拼接方法 |
JP2018505495A (ja) * | 2015-02-13 | 2018-02-22 | ビーワイディー カンパニー リミテッドByd Company Limited | 指紋重複領域の面積算出方法、それを行う電子機器、コンピュータプログラム、及び、記録媒体 |
CN108010045A (zh) * | 2017-12-08 | 2018-05-08 | 福州大学 | 基于orb的视觉图像特征点误匹配提纯方法 |
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 |
CN110070564A (zh) * | 2019-05-08 | 2019-07-30 | 广州市百果园信息技术有限公司 | 一种特征点匹配方法、装置、设备及存储介质 |
CN111311492A (zh) * | 2020-02-04 | 2020-06-19 | 西安电子科技大学 | 一种裂缝图像拼接方法 |
-
2021
- 2021-01-28 CN CN202110117699.XA patent/CN112837223B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6785427B1 (en) * | 2000-09-20 | 2004-08-31 | Arcsoft, Inc. | Image matching using resolution pyramids with geometric constraints |
EP1760659A1 (en) * | 2005-08-30 | 2007-03-07 | Agfa-Gevaert | Method of segmenting anatomic entities in digital medical images |
JP2009245304A (ja) * | 2008-03-31 | 2009-10-22 | Fujitsu Ltd | 画像間対応付けプログラム、画像間対応付け装置および画像間対応付け方法 |
US20100177966A1 (en) * | 2009-01-14 | 2010-07-15 | Ruzon Mark A | Method and system for representing image patches |
US20140198995A1 (en) * | 2013-01-15 | 2014-07-17 | Stmicroelectronics S.R.I. | Method and apparatus for computing image pyramids and related computer program product |
KR101467346B1 (ko) * | 2013-08-30 | 2014-12-02 | 연세대학교 원주산학협력단 | 영상영역확장을 위한 자기공명영상 정합 및 합성 방법 |
CN104050652A (zh) * | 2014-07-02 | 2014-09-17 | 中国科学院长春光学精密机械与物理研究所 | 构造金字塔自学习的超分辨率重构方法 |
CN104463786A (zh) * | 2014-12-03 | 2015-03-25 | 中国科学院自动化研究所 | 一种移动机器人图像拼接方法及装置 |
JP2018505495A (ja) * | 2015-02-13 | 2018-02-22 | ビーワイディー カンパニー リミテッドByd Company Limited | 指紋重複領域の面積算出方法、それを行う電子機器、コンピュータプログラム、及び、記録媒体 |
CN104966270A (zh) * | 2015-06-26 | 2015-10-07 | 浙江大学 | 一种多图像拼接方法 |
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 |
CN108010045A (zh) * | 2017-12-08 | 2018-05-08 | 福州大学 | 基于orb的视觉图像特征点误匹配提纯方法 |
CN110070564A (zh) * | 2019-05-08 | 2019-07-30 | 广州市百果园信息技术有限公司 | 一种特征点匹配方法、装置、设备及存储介质 |
CN111311492A (zh) * | 2020-02-04 | 2020-06-19 | 西安电子科技大学 | 一种裂缝图像拼接方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435479A (zh) * | 2021-06-03 | 2021-09-24 | 湖北大学 | 基于区域特征表达约束的特征点匹配方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112837223B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20080232715A1 (en) | Image processing apparatus | |
CN101794439B (zh) | 基于边缘分类信息的图像拼接方法 | |
CN110814465B (zh) | 一种自动焊接焊缝轮廓提取的通用方法 | |
CN111507333B (zh) | 一种图像矫正方法、装置、电子设备和存储介质 | |
CN107564009B (zh) | 基于深度卷积神经网络的室外场景多目标分割方法 | |
CN111626927B (zh) | 采用视差约束的双目图像超分辨率方法、系统及装置 | |
CN111797841B (zh) | 一种基于深度残差网络的视觉显著性检测方法 | |
WO2020233397A1 (zh) | 在视频中对目标进行检测的方法、装置、计算设备和存储介质 | |
CN103714547B (zh) | 一种结合边缘区域和互相关的图像配准方法 | |
CN111815517B (zh) | 一种基于球机抓拍图片的自适应全景拼接方法 | |
WO2020186385A1 (zh) | 图像处理方法、电子设备及计算机可读存储介质 | |
CN111553841B (zh) | 一种基于最佳缝合线更新的实时视频拼接方法 | |
CN112734642A (zh) | 多尺度纹理转移残差网络的遥感卫星超分辨率方法及装置 | |
CN110706151A (zh) | 一种面向视频的非均匀风格迁移方法 | |
CN104463873A (zh) | 一种基于局部均匀缩放的图像目标重定位方法 | |
CN112837223A (zh) | 一种基于重叠子区域的超大图像配准拼接方法 | |
Tseng et al. | Depth image super-resolution via multi-frame registration and deep learning | |
US20140055644A1 (en) | Apparatus and method for extracting object | |
Liao et al. | TransRef: Multi-scale reference embedding transformer for reference-guided image inpainting | |
Xu et al. | Direction-aware video demoireing with temporal-guided bilateral learning | |
CN111160255B (zh) | 一种基于三维卷积网络的捕鱼行为识别方法及系统 | |
CN113888590A (zh) | 一种基于数据增强和孪生网络的视频目标跟踪方法 | |
Li | Super-resolution for synthetic zooming | |
CN111709880B (zh) | 一种基于端到端神经网络的多路图片拼接方法 | |
CN118295566A (zh) | 绘画辅助方法、装置、设备及可读存储介质 |
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 | ||
CP03 | Change of name, title or address |
Address after: 310012 5-6 / F, block a, East Software Park Innovation Building, 90 Wensan Road, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Guoxin Microelectronics Co.,Ltd. Country or region after: China Address before: 310012 5-6 / F, block a, East Software Park Innovation Building, 90 Wensan Road, Hangzhou City, Zhejiang Province Patentee before: HANGZHOU NATIONALCHIP SCIENCE & TECHNOLOGY Co.,Ltd. Country or region before: China |