CN112907527A - 一种针对大尺寸曲面试件的红外热成像拼接检测方法 - Google Patents

一种针对大尺寸曲面试件的红外热成像拼接检测方法 Download PDF

Info

Publication number
CN112907527A
CN112907527A CN202110176872.3A CN202110176872A CN112907527A CN 112907527 A CN112907527 A CN 112907527A CN 202110176872 A CN202110176872 A CN 202110176872A CN 112907527 A CN112907527 A CN 112907527A
Authority
CN
China
Prior art keywords
image
matching
pairs
feature
coarse
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
CN202110176872.3A
Other languages
English (en)
Other versions
CN112907527B (zh
Inventor
殷春
冯怡婷
程玉华
陈凯
王胤泽
陈薇
邱根
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110176872.3A priority Critical patent/CN112907527B/zh
Publication of CN112907527A publication Critical patent/CN112907527A/zh
Application granted granted Critical
Publication of CN112907527B publication Critical patent/CN112907527B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T3/4038—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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

Landscapes

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

Abstract

本发明公开了一种针对大尺寸曲面试件的红外热成像拼接检测方法，采用抗旋转缩放匹配算法在基于欧式距离的粗匹配结果上计算粗匹配点对之间的旋转因子和缩放因子，建立三角形相似性假设剔除误匹配点对；通过优化RANSAC算法提取损伤温度重构图像的匹配点对，精确估计出仿射变换模型参数HT，实现图像拼接。本发明考虑了大尺寸曲面试件获取红外视频流时，曲面热像仪的拍摄位置的移动和角度变化会带来其红外重构图像的几何变换如旋转、缩放，进而构建了抗旋转缩放匹配算法用于剔除误匹配点对，同时，构建优化RANSAC(随机抽样一致)算法提取匹配点对，获取最终的仿射变换模型参数HT，这样，获得了正确匹配缺陷特征点，避免拼接图像出现畸变。

Description

一种针对大尺寸曲面试件的红外热成像拼接检测方法
技术领域
本发明属于损伤检测技术领域，更为具体地讲，涉及一种针对大尺寸曲面试件的红外热成像拼接检测方法。
背景技术
近年来，红外热成像检测技术得到飞速发展。其不损伤本体、快速高效等特性，能有效地解决传统无损检测方法存在劳动强度大、周期长、效率低、安全性差等问题，实现大面积快速检测、节省大量人力物力。如果被检测试件表面存在损伤，则会影响其热量分布。对被检测试件加热，从而产生高温区和低温区，由于温度的差异性，高温区热量通过热传导向低温区传递，导致被检测试件不同区域温度发生变化，通过红外热像仪采集待检测试件温度的变化过程，然后将采集的热图像视频交给计算机进行分析处理，来获取被检测试件相关信息，实现损伤的定性与定量检测。
针对大尺寸曲面试件，由于曲面试件的非平面结构限制以及红外热像仪的拍摄画幅有限，无法一次完成对整个曲面试件的精确测量，因而需要从多个视角采集曲面试件的红外热视频流。但热像仪的拍摄位置的移动和角度变化可能会带来其红外重构图像的几何变换如旋转、缩放等，从而导致红外重构图像在拼接过程中提取的缺陷特征点发生几何位置变换。这样，采用传统基于欧式距离的匹配法时，直接计算曲面试件高维缺陷特征向量之间的欧式距离而未考虑缺陷特征点之间几何关系的变化情况，不能正确匹配存在尺度变化以及旋转关系的重构图像间的缺陷特征点。且曲率过大时相邻局部区域重构图像之间的重叠区域温度场的温度值和梯度等特征存在较大差异，缺陷特征点不匹配，拼接后的红外重构图像由于这种温度场缺陷特征差异的存在,会存在明显的拼接图像畸变问题导致曲面试件中的缺陷无法实现准确的检测评估。
发明内容
本发明的目的在于克服现有技术的不足，提供一种针对大尺寸曲面试件的红外热成像拼接检测方法，以获得正确匹配缺陷特征点，避免拼接图像出现畸变。
为实现上述发明目的，本发明针对大尺寸曲面试件的红外热成像拼接检测方法，其特征在于，包括以下步骤：
(1)、获取子区域损伤温度重构图像
对于大尺寸曲面试件，由红外热像仪拍摄多个含重叠区域的红外视频流；
对每个获得的视频流进行采样得到一个红外图像序列，并将其视为输入的盲源信号，利用独立成分分析法(ICA算法)进行信号分离，获得突出各个缺陷信息的损伤温度重构图像；
这样得到该大尺寸曲面试件的各个子区域的损伤温度重构图像；
(2)、特征点检测、描述以及降维
对包括重叠区域的子区域的损伤温度特征重构图像I1、I2，采用SIFT特征点检测算法进行特征点检测，得到特征点，其中，损伤温度特征重构图像I1的特征点坐标位置集合表示为
Figure BDA0002940960420000021
M为损伤温度特征重构图像I1检测到的特征点数量，jm、km分别表示损伤温度特征重构图像I1第m个特征点的横坐标和纵坐标，损伤温度特征重构图像I2的特征点坐标位置集合表示为
Figure BDA0002940960420000022
N为损伤温度特征重构图像I2检测到的特征点数量，qn、wn分别表示损伤温度特征重构图像I2第n个特征点的横坐标和纵坐标；
然后构建特征点的特征描述，得到各个特征点的损伤温度特征向量；再利用PCA算法对检测到的特征点的损伤温度特征向量进行降维，这样得到损伤温度特征重构图像I1的所有特征点的特征向量xm(维度为64维)构成特征向量集合
Figure BDA0002940960420000023
M为损伤温度特征重构图像I1检测到的特征点数量，损伤温度特征重构图像I2的所有特征点的特征向量yn(维度为64维)构成特征向量集合
Figure BDA0002940960420000024
N为温度变化特征重构图像I2检测到的特征点数量；
(3)、粗匹配
对于损伤温度特征重构图像I1的特征向量集合
Figure BDA0002940960420000025
的特征向量xm，计算其与损伤温度特征重构图像I2的特征向量集合
Figure BDA0002940960420000026
中所有特征向量yn的欧式距离dm1,dm2,....,dmN，然后，在欧式距离dm1,dm2,....,dmN找到最小值dmg与次小值dmp，当：
Figure BDA0002940960420000027
则认为特征向量xm与特征向量yg相互匹配，为一粗匹配点对，其中，dthreshold为设定的阈值，根据具体情况确定，这样得到粗匹配点对集合
Figure BDA0002940960420000031
其中，{x′t,y′t}为第t对粗匹配点对，T为粗匹配点(特征向量)对的个数；
这样，对于损伤温度特征重构图像I1，粗匹配后的特征向量集合
Figure BDA0002940960420000032
对应的坐标位置集合
Figure BDA0002940960420000033
对于损伤温度特征重构图像I2，粗匹配后的特征向量集合
Figure BDA0002940960420000034
对应的坐标位置集合
Figure BDA0002940960420000035
(4)、构建抗旋转缩放匹配算法剔除误匹配点对
4.1)、构建粗匹配点对集合
Figure BDA0002940960420000036
的相似性排序队列R
采用余弦相似性对粗匹配点对集合
Figure BDA0002940960420000037
进行相似性度量：计算第t对粗匹配点对{x′t,y′t}的余弦相似性rt：
Figure BDA0002940960420000038
按余弦相似性rt降序对粗匹配点对{x′t,y′t}进行排序，获得排序后的粗匹配点对集合
Figure BDA0002940960420000039
4.2)、从粗匹配点对集合
Figure BDA00029409604200000310
中，按余弦相似性大小，从大到小以大小为2的滑动窗、步进为1的方式，选取两个粗匹配点对
Figure BDA00029409604200000311
u≠v，作为基准匹配点对，计算基准匹配点对之间的旋转因子和缩放因子{αuv,βuv}；
4.3)、基于粗匹配对
Figure BDA00029409604200000312
从粗匹配点对集合
Figure BDA00029409604200000313
余下T-2对粗匹配对中依次选择第3个粗匹配对
Figure BDA00029409604200000314
e≠u^e≠v，进行三角形相似性假设Fuv(e)的验证：若三角形相似性假设Fuv(e)为1，则保留粗匹配对
Figure BDA00029409604200000315
否则粗匹配对
Figure BDA00029409604200000316
为误匹配点对，予以舍去(剔除)，其中，三角形相似性假设Fuv(e)为：
Figure BDA00029409604200000317
其中，ε为缩放阈值，ζ为旋转阈值，αue、βue分别是粗匹配点对
Figure BDA00029409604200000318
与粗匹配对
Figure BDA00029409604200000319
之间旋转因子和缩放因子，βve、αve分别是粗匹配点对
Figure BDA00029409604200000320
与粗匹配对
Figure BDA00029409604200000321
之间旋转因子和缩放因子；
4.4)、完成余下T-2对粗匹配对分别与基于特征点匹配对
Figure BDA00029409604200000322
构成的三角形相似性假设验证后，统计满足三角形相似性假设验证的粗匹配对数量F，若F≥th，则所有满足三角形相似性假设验证的粗匹配对构成匹配点对集合
Figure BDA0002940960420000041
否则，返回步骤4.2)，重新计算满足三角形相似性假设验证的粗匹配对，其中，th为满足三角形相似性假设的粗匹配对数量的阈值；
这样，对于损伤温度特征重构图像I1，剔除误匹配点对后的特征向量集合
Figure BDA0002940960420000042
对应的坐标位置集合
Figure BDA0002940960420000043
对于损伤温度特征重构图像I2，剔除误匹配点对后的特征向量集合
Figure BDA0002940960420000044
对应的坐标位置集合
Figure BDA0002940960420000045
(5)、构建优化RANSAC(随机抽样一致)算法提取匹配点对，获取最终的仿射变换模型参数HT
5.1)、设置循环次数阈值η，初始化循环次数χ＝1；
5.2)、每一次循环从匹配点对集合
Figure BDA0002940960420000046
中随机选取3对匹配点对，从坐标位置集合
Figure BDA0002940960420000047
获取选中的匹配点对对应的3对坐标集合计算第χ次循环的仿射变换模型参数HTχ，剩余匹配点对集合用
Figure BDA0002940960420000048
表示，其按照余弦相似性从大到小排序，即匹配点对
Figure BDA0002940960420000049
余弦相似性最大，匹配点对
Figure BDA00029409604200000410
余弦相似性最小；
5.3)、基于计算仿射变换模型参数HTχ计算剩余匹配点对集合
Figure BDA00029409604200000411
中特征向量
Figure BDA00029409604200000412
和
Figure BDA00029409604200000413
的P范数
Figure BDA00029409604200000414
Figure BDA00029409604200000415
Figure BDA00029409604200000416
P根据具体情况确定，一般为2；
判断
Figure BDA00029409604200000417
与线性阈值LTχ(f)之间的大小，其中，线性阈值LTχ(f)为：
Figure BDA00029409604200000418
其中，Smax为所有P范数
Figure BDA00029409604200000419
f＝0,1,...,F-4中的最大值，Smin为所有P范数
Figure BDA00029409604200000420
f＝0,1,...,F-4中的最小值；
对于第f个匹配点对，如果P范数
Figure BDA00029409604200000421
则舍去
Figure BDA00029409604200000422
匹配点对，否则将
Figure BDA00029409604200000423
保存至匹配点对集合Kχ中，更次循环次数，χ＝χ+1；
5.4)、判断循环次数χ是否大于循环次数阈值η，是则停止循环计算，比较χ个匹配点对集合K1,K2,...,Kχ中匹配点对数量的大小，选取个数最大集合获取最终的仿射变换模型参数HT，若循环次数χ小于等于循环次数阈值η，则返回步骤5.2)继续计算；
(6)、图像拼接
根据仿射变换模型参数HT确定图像重叠区域，并依据仿射变换模型参数HT实现两幅重构图像I1、I2的拼接；
(7)、更新
将拼接图像作为损伤温度特征重构图像I1，与其(拼接图像)有重叠区域的子区域的重构图像作为温度变化特征重构图像I2，返回步骤(2)，直到所有的温度变化特征重构图像完成拼接，得到大尺寸曲面试件红外检测的大范围全景拼接图像I；
(8)、基于轮廓的全景拼接图像I的损伤区域分割
采用边缘轮廓检测算子，对全景拼接图像I进行损伤边缘轮廓提取，并采用拟合算法对提取的边缘轮廓进行拟合，分割提取全景拼接图像I的损伤区域；
(9)、全景拼接图像分割结果量化
对分割提取的全景拼接图像I的损伤区域进行损伤面积、周长量化，完成检测。
本发明的发明目的是这样实现的：
本发明针对大尺寸曲面试件的红外热成像拼接检测方法，首先基于温度变化特征分离出突显缺陷特征的损伤温度重构图像；然后采用SIFT特征点检测算法实现损伤温度重构图像特征点的快速检测，并通过构建特征点的特征描述生成损伤温度特征向量，再利用PCA算法对损伤温度特征向量进行降维，提高算法速度；对含重叠区域的损伤温度特征重构图像I1、I2(参考图像和待配准图像)基于特征点的特征向量的欧式距离实现特征点的粗匹配；采用抗旋转缩放匹配算法在基于欧式距离的粗匹配结果上计算粗匹配点对之间的旋转因子和缩放因子，建立三角形相似性假设剔除误匹配点对；通过优化RANSAC算法提取损伤温度重构图像的匹配点对，精确估计出仿射变换模型参数HT，实现图像拼接，得到拼接图像，最终得到大尺寸曲面试件红外检测的大范围全景拼接图像I。通过大范围全景拼接图像I的损伤区域分割和量化，实现对检测区域的损伤分布情况和整体损伤程度进行初步的判断。
本发明在大范围全景拼接图像拼接过程中，考虑了大尺寸曲面试件获取红外视频流时，曲面热像仪的拍摄位置的移动和角度变化会带来其红外重构图像的几何变换如旋转、缩放，进而构建了抗旋转缩放匹配算法用于剔除误匹配点对，同时，构建优化RANSAC(随机抽样一致)算法提取匹配点对，获取最终的仿射变换模型参数HT，这样，获得了正确匹配缺陷特征点，避免拼接图像出现畸变。
附图说明
图1是本发明针对大尺寸曲面试件的红外热成像拼接检测方法一种具体实施方式的流程图；
图2是图1所示特征点检测、描述以及降维的流程图；
图3是SIFT算法中的图像梯度图；
图4是SIFT生成的特征点描述子图；
图5是四个子区域(A1、A2、A3、A4)的损伤温度重构图像；
图6是子区域的损伤温度重构图像A1、A2采用抗旋转缩放匹配算法剔除误匹配点对后的特征点匹配对连线示意图；
图7是子区域的损伤温度重构图像A3、A4采用抗旋转缩放匹配算法剔除误匹配点对后的特征点匹配对连线示意图；
图8是子区域的损伤温度重构图像A1、A2拼接后的图像；
图9是子区域的损伤温度重构图像A3、A4拼接后的图像；
图10是A1、A2拼接图像与A3，A4拼接图像的特征点匹配对连线示意图；
图11是四个子区域(A1、A2、A3、A4)最终的全景拼接图像；
图12是四个子区域(B1、B2、B3、B4)的损伤温度重构图像；
图13是子区域的损伤温度重构图像B1、B2采用抗旋转缩放匹配算法剔除误匹配点对后的特征点匹配对连线示意图；
图14是子区域的损伤温度重构图像B3、B4采用抗旋转缩放匹配算法剔除误匹配点对后的特征点匹配对连线示意图；
图15是子区域的损伤温度重构图像B1、B2拼接后的图像；
图16是子区域的损伤温度重构图像B3、B4拼接后的图像；
图17是B1、B2拼接图像与B3、B4拼接图像的特征点匹配对连线示意图；
图18是四个子区域(B1、B2、B3、B4)最终的全景拼接图像。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
大尺寸曲面试件的各个子区域的损伤温度重构图像作为本发明的特殊拼接对象，不同于自然的可见光图像，具有分辨率差，信噪比低等特点，且大尺寸曲面试件获取的重构图像之间存在复杂的几何投影变换，对配准过程的特征提取和匹配均会产生较大的干扰。为此，本发明提出了一种针对大尺寸曲面试件的红外热成像拼接检测方法。
图1是本发明针对大尺寸曲面试件的红外热成像拼接检测方法一种具体实施方式的流程图。
在本实施例中，如图1所示，本发明针对大尺寸曲面试件的红外热成像拼接检测方法包括以下步骤：
步骤S1：获取子区域损伤温度重构图像
对于大尺寸曲面试件，由红外热像仪拍摄多个含重叠区域的红外视频流；
对每个获得的视频流进行采样得到一个红外图像序列，并将其视为输入的盲源信号，利用独立成分分析法(ICA算法)进行信号分离，获得突出各个缺陷信息的损伤温度重构图像，这样得到该大尺寸曲面试件的各个子区域的损伤温度重构图像。
在本实施例中，首先用红外热像仪对大尺寸曲面结构材料表面进行拍摄，保证拍摄的两相邻子区域包含30％左右的重叠区域。结合ICA数学模型和各缺陷区域的信号特征与热视频信号之间的关系，获得各子区域的损伤温度重构图像。
在本实施例中，首先用红外热像仪对大尺寸曲面试件表面进行拍摄，保证拍摄的两相邻子区域包含30％左右的重叠区域。结合ICA数学模型和各缺陷区域的信号特征与热视频信号之间的关系，获得各子区域的损伤温度重构图像。
步骤S2：特征点检测、描述以及降维
对包括重叠区域的子区域的损伤温度特征重构图像I1、I2，采用SIFT特征点检测算法进行特征点检测，得到特征点，其中，损伤温度特征重构图像I1的特征点坐标位置集合表示为
Figure BDA0002940960420000081
M为损伤温度特征重构图像I1检测到的特征点数量，jm、km分别表示损伤温度特征重构图像I1第m个特征点的横坐标和纵坐标，损伤温度特征重构图像I2的特征点坐标位置集合表示为
Figure BDA0002940960420000082
N为损伤温度特征重构图像I2检测到的特征点数量，qn、wn分别表示损伤温度特征重构图像I2第n个特征点的横坐标和纵坐标。
然后构建特征点的特征描述，得到各个特征点的损伤温度特征向量；再利用PCA算法对检测到的特征点的损伤温度特征向量进行降维，这样得到损伤温度特征重构图像I1的所有特征点的特征向量xm(维度为64维)构成特征向量集合
Figure BDA0002940960420000083
M为损伤温度特征重构图像I1检测到的特征点数量，损伤温度特征重构图像I2的所有特征点的特征向量yn(维度为64维)构成特征向量集合
Figure BDA0002940960420000084
N为温度变化特征重构图像I2检测到的特征点数量。
图2是图1所示特征点检测、描述以及降维的流程图。
在本实施例中，特征点检测、描述以及降维包括以下步骤：
步骤S2.1：构建高斯尺度空间
对于二维的损伤温度特征重构图像I(x,y)在不同尺度下的尺度空间表示为C(x,y,σ)，由I(x,y)与高斯核
Figure BDA0002940960420000085
的卷积得到，如公式(1)所示：
C(x,y,σ)＝G(x,y,σ)×I(x,y) (1)
DOG(Difference of Gaussian)算子即两个不同尺度的高斯核的差分，如下式所示：
Figure BDA0002940960420000086
步骤S2.2：尺度空间特征点检测及定位
由于DOG响应值对于边缘和噪声较为敏感，要对温度极值点进行三维二次函数拟合以精确定位为特征点，尺度空间函数O(x,y,σ)在局部极值点(x0,y0,σ)处的泰勒展开式如公式(3)所示。
Figure BDA0002940960420000087
公式(3)的一阶和二阶导数通过附近区域之间的差分来近似。其中X＝(x,y,σ)T求导并让方程等于零，求得极值点为
Figure BDA0002940960420000091
则对应极值点方程的值为：
Figure BDA0002940960420000092
若
Figure BDA0002940960420000093
则该特征点就保留下来，否则就移除，移除的则为低对比度的特征点。其中
Figure BDA0002940960420000094
代表相对插值中心的偏移量同时，在此过程中获取特征点的精确位置(原位置加上拟合的偏移量)以及尺度大小。
步骤S2.3：去除不稳定的点
于此同时DOG算子会产生较强的边缘响应，需要剔除不稳定的边缘响应点。获取特征点处的Hessian矩阵，主曲率通过一个2x2的Hessian矩阵H求出：
Figure BDA0002940960420000095
其中H的特征值α和β代表x和y方向的梯度，Tr(H)＝Oxx+Oyy＝α+β表示矩阵H对角线元素之和，Det(H)＝OxxOyy-(Oxy)2＝αβ表示矩阵H的行列式。假设是α较大的特征值，而是β较小的特征值，令α＝rβ，则
Figure BDA0002940960420000096
常取r＝10，若
Figure BDA0002940960420000097
则保留该特征点，否则就移除，移除的则是边缘响应特征点。
步骤S2.4：确定特征点主方向
利用特征点邻域温度值的梯度方向分布特性为每个特征点指定方向参数,使算子具备旋转不变性。算式如下：
Figure BDA0002940960420000098
其中T(x,y)为特征点的梯度θ(x,y)的特征点的方向。C是用于每个特征点的尺度，(x,y)用于确定阶数与层数，在计算过程中，以特征点为中心的邻域窗口中对邻域进行采样，并且使用温度值梯度方向直方图来计算邻域温度单元的梯度方向。邻域梯度的主方向即为梯度方向直方图的峰值，使其为特征点的方向。
步骤S2.5：构建特征点的特征描述符(特征向量)
如图3所示首先将坐标轴旋转为特征点的方向，然后以特征点为中心取8×8的窗口，每一个小方格表示一个像素，以4×4的方块以一个单位，在8个方向的梯度方向直方图，计算每个梯度方向的累加和形成一个种子点如图4所示，实际计算时用16个种子点来表述特征点，因此每个特征点的特征描述符为128维。
步骤S2.6:使用PCA对特征向量降维
对于损伤温度特征重构图像的z个特征向量f1,f2,....,fz，将其构建一个z×128的矩阵F，并对矩阵F计算128×128的协方差矩阵S；
计算协方差矩阵S的128个特征值λ与特征向量，根据λ的从大到小进行排序；选择前64个特征值对应的特征向量构成128×64大小的投影矩阵E；将z×128的矩阵F与投影矩阵E相乘获得z×64的矩阵即降维特征向量组成的矩阵，此时z个特征点的特征向量均为64维。具体而言，对于损伤温度特征重构图像I1，得到M个特征点的特征向量xm(维度为64维)构成特征向量集合
Figure BDA0002940960420000101
同时根据步骤S2.2获取损伤温度特征重构图像I1的M个特征点对应的图像坐标集合
Figure BDA0002940960420000102
jm、km分别表示损伤温度特征重构图像I1第m个特征点的横坐标和纵坐标。损伤温度特征重构图像I2，得到N个特征点的特征向量yn(维度为64维)构成特征向量集合
Figure BDA0002940960420000103
同时根据步骤S2.2获取损伤温度特征重构图像I2的N个特征点对应的图像坐标集合
Figure BDA0002940960420000104
qn、wn分别表示损伤温度特征重构图像I2第n个特征点的横坐标和纵坐标。
步骤S3：粗匹配
对于损伤温度特征重构图像I1的特征向量集合
Figure BDA0002940960420000105
的特征向量xm，计算其与损伤温度特征重构图像I2的特征向量集合
Figure BDA0002940960420000106
中所有特征向量yn的欧式距离dm1,dm2,....,dmN，然后，在欧式距离dm1,dm2,....,dmN找到最小值dmg与次小值dmp，当：
Figure BDA0002940960420000107
则认为特征向量xm与特征向量yg相互匹配，为一粗匹配点对，其中，dthreshold为设定的阈值，根据具体情况确定，这样得到粗匹配点对集合
Figure BDA0002940960420000108
其中，
Figure BDA0002940960420000109
为第t对粗匹配点对，T为粗匹配点(特征向量)对的个数。
这样，对于损伤温度特征重构图像I1，粗匹配后的特征向量集合
Figure BDA0002940960420000111
对应的坐标位置集合
Figure BDA0002940960420000112
对于损伤温度特征重构图像I2，粗匹配后的特征向量集合
Figure BDA0002940960420000113
对应的坐标位置集合
Figure BDA0002940960420000114
步骤S4：构建抗旋转缩放匹配算法剔除误匹配点对
进行基于欧式距离的粗匹配时，直接计算大尺寸曲面构建的损伤温度特征重构图像高维(缺陷)特征向量之间的欧式距离，而未考虑损伤特征点之间几何关系的变化情况，导致匹配存在尺度变化以及旋转关系的损伤温度特征重构图像间的(缺陷)特征点时会出现过多错误匹配。而本发明中构建的抗旋转缩放匹配法则是基于粗匹配对中正确匹配特征点具有相同几何变换关系的原理对粗匹配点对进行正确匹配点对的提取。
步骤S4.1:构建粗匹配点对集合
Figure BDA0002940960420000115
的相似性排序队列R
采用余弦相似性对粗匹配点对集合
Figure BDA0002940960420000116
进行相似性度量：计算第t对粗匹配点对{x′t,y′t}的余弦相似性rt：
Figure BDA0002940960420000117
其中，x′ty′表示特征向量x′t、y′的内积，||xt||、||yt||分别表示特征向量x′t、y′t的模。
按余弦相似性rt降序对粗匹配点对{x′t,y′t}进行排序，获得排序后的粗匹配点对集合
Figure BDA0002940960420000118
基于大尺寸曲面试件获取重构图像的温度场缺陷特征点对应特征向量之间的相似性对特征点匹配对建立有序相似度队列，不失一般性，相似度越高的特征点对(粗匹配点对)为正确匹配对的概率越高，在此先验知识基础上可以较快的速度获取正确损伤特征点匹配对之间的缩放因子与旋转因子。
步骤S4.2:从粗匹配点对集合
Figure BDA0002940960420000119
中，按余弦相似性大小，从大到小以大小为2的滑动窗、步进为1的方式，选取两个粗匹配点对
Figure BDA00029409604200001110
u≠v，作为基准匹配点对，计算基准匹配点对之间的旋转因子和缩放因子{αuv,βuv}。
特征点Pu对应坐标为{ju,ku}，特征点Qu对应坐标为{qu,wu}，Pv对应坐标为{jv,kv}，特征点Qv对应坐标为{qv,wv}。基于选择的两个粗匹配点对可以定义几何变换中的旋转因子和缩放因子{αuv，βuv}，其中：
Figure BDA0002940960420000121
在几何似变换中：
Figure BDA0002940960420000122
其中，tx、ty分别为基准匹配点对在横坐标轴和纵坐标轴上的平移距离，基于此变换关系我们可以得到旋转因子αuv。
步骤S4.3:基于粗匹配对
Figure BDA0002940960420000123
从粗匹配点对集合
Figure BDA0002940960420000124
余下T-2对粗匹配对中依次选择第3个粗匹配对
Figure BDA0002940960420000125
e≠u∧e≠v，进行三角形相似性假设Fuv(e)的验证：若三角形相似性假设Fuv(e)为1，则保留粗匹配对
Figure BDA0002940960420000126
否则粗匹配对
Figure BDA00029409604200001219
为误匹配点对，予以舍去(剔除)，其中，三角形相似性假设Fuv(e)为：
Figure BDA0002940960420000127
其中，ε为缩放阈值，ζ为旋转阈值，αue、βue分别是粗匹配点对
Figure BDA0002940960420000128
与粗匹配对
Figure BDA0002940960420000129
之间旋转因子和缩放因子，βve、αve分别是粗匹配点对
Figure BDA00029409604200001210
与粗匹配对
Figure BDA00029409604200001211
之间旋转因子和缩放因子。
步骤S4.4：完成余下T-2对粗匹配对分别与基于特征点匹配对
Figure BDA00029409604200001212
Figure BDA00029409604200001213
构成的三角形相似性假设验证后，统计满足三角形相似性假设验证的粗匹配对数量F，若F≥th，说明基于{αuv，βuv}的三角形相似性假设符合正确匹配特征点对之间的约束关系，则所有满足三角形相似性假设验证的粗匹配对构成匹配点对集合
Figure BDA00029409604200001214
否则，返回步骤S4.2，重新计算满足三角形相似性假设验证的粗匹配对，其中，th为满足三角形相似性假设的粗匹配对数量的阈值。在本实施例中，th＝0.4×T。
这样，对于损伤温度特征重构图像I1，剔除误匹配点对后的特征向量集合
Figure BDA00029409604200001215
对应的坐标位置集合
Figure BDA00029409604200001216
对于损伤温度特征重构图像I2，剔除误匹配点对后的特征向量集合
Figure BDA00029409604200001217
对应的坐标位置集合
Figure BDA00029409604200001218
步骤S5：构建优化RANSAC(随机抽样一致)算法提取匹配点对，获取最终的仿射变换模型参数HT
传统RANSAC算法采用常数阈值对损伤特征点进行选取，当采用常数阈值进行选取的时候，硬分割的方式不能兼顾离模型较远分布的缺陷特征点，这样就丢失了缺陷的特征信息。针对温度场特征点的分布特性及固有的温度属性，本发明提出线性阈值函数作为判断特征点的依据，进一步依据阈值选择，优化RANSAC算法，最终基于精确匹配点对来估计出仿射变换模型参数。优化过程如下：
步骤S5.1：设置循环次数阈值η，初始化循环次数χ＝1；
步骤S5.2：每一次循环从匹配点对集合
Figure BDA0002940960420000131
中随机选取3对匹配点对，从坐标位置集合
Figure BDA0002940960420000132
获取选中的匹配点对对应的3对坐标集合计算第χ次循环的仿射变换模型参数HTχ，剩余匹配点对集合用
Figure BDA0002940960420000133
表示，其按照余弦相似性从大到小排序，即匹配点对
Figure BDA0002940960420000134
余弦相似性最大，匹配点对
Figure BDA0002940960420000135
余弦相似性最小；
步骤S5.3：基于计算仿射变换模型参数HTχ计算剩余匹配点对集合
Figure BDA0002940960420000136
中特征向量
Figure BDA0002940960420000137
和
Figure BDA0002940960420000138
的P范数
Figure BDA0002940960420000139
Figure BDA00029409604200001310
Figure BDA00029409604200001311
在本实施例中，P为2；
判断
Figure BDA00029409604200001312
与线性阈值LTχ(f)之间的大小，其中，线性阈值LTχ(f)为：
Figure BDA00029409604200001313
其中，Smax为所有P范数
Figure BDA00029409604200001314
f＝0,1,...,F-4中的最大值，Smin为所有P范数
Figure BDA00029409604200001315
f＝0,1,...,F-4中的最小值；
对于第f个匹配点对，如果P范数
Figure BDA00029409604200001316
则舍去
Figure BDA00029409604200001317
匹配点对，否则将
Figure BDA00029409604200001318
保存至匹配点对集合Kχ中，更次循环次数，χ＝χ+1；
步骤S5.4：判断循环次数χ是否大于循环次数阈值η，是则停止循环计算，比较χ个匹配点对集合K1,K2,...,Kχ中匹配点对数量的大小，选取个数最大集合获取最终的仿射变换模型参数HT，若循环次数χ小于等于循环次数阈值η，则返回步骤S5.2继续计算。
步骤S6:图像拼接
根据仿射变换模型参数HT确定图像重叠区域，并依据仿射变换模型参数HT实现两幅重构图像I1、I2的拼接。
步骤S7:更新
将拼接图像作为损伤温度特征重构图像I1，与其(拼接图像)有重叠区域的子区域的重构图像作为温度变化特征重构图像I2，返回步骤S2，直到所有的温度变化特征重构图像完成拼接，得到大尺寸曲面试件红外检测的大范围全景拼接图像I。
步骤S8:基于轮廓的全景拼接图像I的损伤区域分割
采用边缘轮廓检测算子，对全景拼接图像I进行损伤边缘轮廓提取，并采用拟合算法对提取的边缘轮廓进行拟合，分割提取全景拼接图像I的损伤区域。
在具体实施过程中，可采用Robert、Sobel、Prewitt、LOG、Zerocross、Canny等边缘轮廓检测算子对全景拼接图像I进行边缘轮廓提取，采用如最小二乘、极大似然估计、霍夫变换等拟合算法，对边缘轮廓进行拟合。
步骤S9:全景拼接图像分割结果量化
对分割提取的全景拼接图像I的损伤区域进行损伤面积、周长量化，完成检测。
面积A：对于损伤区域，其面积可以表示为边缘轮廓内像素点的总数。
周长P：对损伤区域的边缘轮廓用链码对进行表示，奇数链码对应的长度为
Figure BDA0002940960420000141
偶数链码对应的长度为1，则周长可以表示为：
Figure BDA0002940960420000142
其中，B表示边缘像素点的总数，cb表示链码的方向编号。
同时，本发明针对大尺寸曲面试件的红外热成像拼接检测方法还具有以下有益效果：
(1)、基于欧式距离的传统特征点匹配方法直接对特征点像素级的高维特征向量进行相似性计算，并未考虑匹配特征点之间的几何变换关系，而抗旋转缩放匹配法则是基于粗匹配对中正确匹配特征点具有几何变换一致性关系的原理对粗匹配特征点进行正确匹配特征对的提取，进而剔除大尺寸曲面试件中因几何关系变化导致的误匹配特征点对，从而有效避免曲面试件特征点错误匹配带来的拼接图像畸变问题。
(2)、优化的RANSAC特征点提取算法，在去除了相关冗余点的同时，保留了损伤精确特征点，使得拼接的效果更好，损伤的描述更加完整和精确，同时获得更精确完整的损伤细节图像。
(3)、使用线性阈值代替传统的常数阈值，将损伤特征点的取舍不在单一的靠常数的分割，合理的根据特征点整体属性进行划分，让特征点的选取更加精确，使得拼接更加有效。
实例
本实例对Whipple防护板后板作为大尺寸曲面试件进行了拼接检测。本实例采用的Whipple防护板后板是航空材料复合金属板经历二次撞击后的样本，使用本发明，对两件Whipple防护板后板进行各个子区域的损伤温度重构图像获取、拼接和检测，选取视频流中的内部层裂损伤作为后续拼接的对象，第一件如图5所示，为四个区域的内部层裂的图像。
如图5所示，模拟太空撞击实验，以超高速的速率对航空航天材料进行撞击，在试件表面会不均匀的分布着大小各异的撞击坑，撞击的损害表征会随着撞击位置向四周不规律的进行的扩散，从图5中可以清晰的观察到经历撞击后，在试件表面形成的缺陷的分布，成聚拢型散状分布，越靠近中心越密集，越边缘越零散。A1表示损伤试件第一个视角(子区域)的损伤温度重构图像，A2表示损伤试件第二个视角(子区域)的损伤温度重构图像，A3表示损伤试件第三个(子区域)的损伤温度重构图像，A4表示损伤试件第四个视角(子区域)的损伤温度重构图像。
子区域的损伤温度重构图像A1、A2采用抗旋转缩放匹配算法剔除误匹配点对后的特征点匹配对连线如图6所示，子区域的损伤温度重构图像A3、A4采用抗旋转缩放匹配算法剔除误匹配点对后的特征点匹配对连线如图7所示。A1与A2，A3与A4在拼接后的图像(拼接图像)如图8、9所示。
然后，对A1、A2拼接图像与A3，A4拼接图像进行拼接，特征点匹配对连线如图10所示，最终的全景拼接图像如图11所示。
对全景拼接图像分割，对分割结果量化进行量化，面积A＝780，周长P＝205同理，针对第二件，如图12所示，为四个区域的内部层裂的图像。B1表示损伤试件第一个视角(子区域)的损伤温度重构图像，B2表示损伤试件第二个视角(子区域)的损伤温度重构图像，B3表示损伤试件第三个视角(子区域)的损伤温度重构图像，B4表示表示损伤试件第四个视角(子区域)的损伤温度重构图像。
子区域的损伤温度重构图像B1、B2采用抗旋转缩放匹配算法剔除误匹配点对后的特征点匹配对连线如图13所示，子区域的损伤温度重构图像B3、B4采用抗旋转缩放匹配算法剔除误匹配点对后的特征点匹配对连线如图14所示。B1与B2，B3与B4在拼接后的图像(拼接图像)如图15、16所示。
然后，对B1、B2拼接图像与B3，B4拼接图像进行拼接，特征点匹配对连线如图17所示，最终的全景拼接图像如图18所示。
对全景拼接图像分割，对分割结果量化进行量化，面积A＝970，周长P＝410
从上述实例可以看出，本发明获得了正确匹配缺陷特征点，拼接图像没有出现畸变。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种针对大尺寸曲面试件的红外热成像拼接检测方法，其特征在于，包括以下步骤：
(1)、获取子区域损伤温度重构图像
对于大尺寸曲面试件，由红外热像仪拍摄多个含重叠区域的红外视频流；
对每个获得的视频流进行采样得到一个红外图像序列，并将其视为输入的盲源信号，利用独立成分分析法(ICA算法)进行信号分离，获得突出各个缺陷信息的损伤温度重构图像；
这样得到该大尺寸曲面试件的各个子区域的损伤温度重构图像；
(2)、特征点检测、描述以及降维
对包括重叠区域的子区域的损伤温度特征重构图像I1、I2，采用SIFT特征点检测算法进行特征点检测，得到特征点，其中，损伤温度特征重构图像I1的特征点坐标位置集合表示为
Figure FDA0002940960410000011
M为损伤温度特征重构图像I1检测到的特征点数量，jm、km分别表示损伤温度特征重构图像I1第m个特征点的横坐标和纵坐标，损伤温度特征重构图像I2的特征点坐标位置集合表示为
Figure FDA0002940960410000012
N为损伤温度特征重构图像I2检测到的特征点数量，qn、wn分别表示损伤温度特征重构图像I2第n个特征点的横坐标和纵坐标；
然后构建特征点的特征描述，得到各个特征点的损伤温度特征向量；再利用PCA算法对检测到的特征点的损伤温度特征向量进行降维，这样得到损伤温度特征重构图像I1的所有特征点的特征向量xm(维度为64维)构成特征向量集合
Figure FDA0002940960410000013
M为损伤温度特征重构图像I1检测到的特征点数量，损伤温度特征重构图像I2的所有特征点的特征向量yn(维度为64维)构成特征向量集合
Figure FDA0002940960410000014
N为温度变化特征重构图像I2检测到的特征点数量；
(3)、粗匹配
对于损伤温度特征重构图像I1的特征向量集合
Figure FDA0002940960410000015
的特征向量xm，计算其与损伤温度特征重构图像I2的特征向量集合
Figure FDA0002940960410000016
中所有特征向量yn的欧式距离dm1,dm2,....,dmN，然后，在欧式距离dm1,dm2,....,dmN找到最小值dmg与次小值dmp，当：
Figure FDA0002940960410000017
则认为特征向量xm与特征向量yg相互匹配，为一粗匹配点对，其中，dthreshold为设定的阈值，根据具体情况确定，这样得到粗匹配点对集合
Figure FDA0002940960410000021
其中，{x′t,y′t}为第t对粗匹配点对，T为粗匹配点(特征向量)对的个数；
这样，对于损伤温度特征重构图像I1，粗匹配后的特征向量集合
Figure FDA0002940960410000022
对应的坐标位置集合
Figure FDA0002940960410000023
对于损伤温度特征重构图像I2，粗匹配后的特征向量集合
Figure FDA0002940960410000024
对应的坐标位置集合
Figure FDA0002940960410000025
(4)、构建抗旋转缩放匹配算法剔除误匹配点对
4.1)、构建粗匹配点对集合
Figure FDA0002940960410000026
的相似性排序队列R
采用余弦相似性对粗匹配点对集合
Figure FDA0002940960410000027
进行相似性度量：计算第t对粗匹配点对{x′t,y′t}的余弦相似性rt：
Figure FDA0002940960410000028
按余弦相似性rt降序对粗匹配点对{x′t,y′t}进行排序，获得排序后的粗匹配点对集合
Figure FDA0002940960410000029
4.2)、从粗匹配点对集合
Figure FDA00029409604100000210
中，按余弦相似性大小，从大到小以大小为2的滑动窗、步进为1的方式，选取两个粗匹配点对
Figure FDA00029409604100000211
u≠v，作为基准匹配点对，计算基准匹配点对之间的旋转因子和缩放因子{αuv,βuv}；
4.3)、基于粗匹配对
Figure FDA00029409604100000212
从粗匹配点对集合
Figure FDA00029409604100000213
余下T-2对粗匹配对中依次选择第3个粗匹配对
Figure FDA00029409604100000214
e≠u∧e≠v，进行三角形相似性假设Fuv(e)的验证：若三角形相似性假设Fuv(e)为1，则保留粗匹配对
Figure FDA00029409604100000215
否则粗匹配对
Figure FDA00029409604100000216
为误匹配点对，予以舍去(剔除)，其中，三角形相似性假设Fuv(e)为：
Figure FDA00029409604100000217
其中，ε为缩放阈值，ζ为旋转阈值，αue、βue分别是粗匹配点对
Figure FDA00029409604100000218
与粗匹配对
Figure FDA00029409604100000219
之间旋转因子和缩放因子，βve、αve分别是粗匹配点对
Figure FDA00029409604100000220
与粗匹配对
Figure FDA00029409604100000221
之间旋转因子和缩放因子；
4.4)、完成余下T-2对粗匹配对分别与基于特征点匹配对
Figure FDA00029409604100000222
构成的三角形相似性假设验证后，统计满足三角形相似性假设验证的粗匹配对数量F，若F≥th，则所有满足三角形相似性假设验证的粗匹配对构成匹配点对集合
Figure FDA0002940960410000031
否则，返回步骤4.2)，重新计算满足三角形相似性假设验证的粗匹配对，其中，th为满足三角形相似性假设的粗匹配对数量的阈值；
这样，对于损伤温度特征重构图像I1，剔除误匹配点对后的特征向量集合
Figure FDA0002940960410000032
对应的坐标位置集合
Figure FDA0002940960410000033
对于损伤温度特征重构图像I2，剔除误匹配点对后的特征向量集合
Figure FDA0002940960410000034
对应的坐标位置集合
Figure FDA0002940960410000035
(5)、构建优化RANSAC(随机抽样一致)算法提取匹配点对，获取最终的仿射变换模型参数HT
5.1)、设置循环次数阈值η，初始化循环次数χ＝1；
5.2)、每一次循环从匹配点对集合
Figure FDA0002940960410000036
中随机选取3对匹配点对，从坐标位置集合
Figure FDA0002940960410000037
获取选中的匹配点对对应的3对坐标集合计算第χ次循环的仿射变换模型参数HTχ，剩余匹配点对集合用
Figure FDA0002940960410000038
表示，其按照余弦相似性从大到小排序，即匹配点对
Figure FDA0002940960410000039
余弦相似性最大，匹配点对
Figure FDA00029409604100000310
余弦相似性最小；
5.3)、基于计算仿射变换模型参数HTχ计算剩余匹配点对集合
Figure FDA00029409604100000311
中特征向量
Figure FDA00029409604100000312
和
Figure FDA00029409604100000313
的P范数
Figure FDA00029409604100000314
Figure FDA00029409604100000315
Figure FDA00029409604100000316
判断
Figure FDA00029409604100000317
与线性阈值LTχ(f)之间的大小，其中，线性阈值LTχ(f)为：
Figure FDA00029409604100000318
其中，Smax为所有P范数
Figure FDA00029409604100000319
中的最大值，Smin为所有P范数
Figure FDA00029409604100000320
中的最小值；
对于第f个匹配点对，如果P范数
Figure FDA00029409604100000321
则舍去
Figure FDA00029409604100000322
匹配点对，否则将
Figure FDA00029409604100000323
保存至匹配点对集合Kχ中，更次循环次数，χ＝χ+1；
5.4)、判断循环次数χ是否大于循环次数阈值η，是则停止循环计算，比较χ个匹配点对集合K1,K2,...,Kχ中匹配点对数量的大小，选取个数最大集合获取最终的仿射变换模型参数HT，若循环次数χ小于等于循环次数阈值η，则返回步骤5.2)继续计算；
(6)、图像拼接
根据仿射变换模型参数HT确定图像重叠区域，并依据仿射变换模型参数HT实现两幅重构图像I1、I2的拼接；
(7)、更新
将拼接图像作为损伤温度特征重构图像I1，与其(拼接图像)有重叠区域的子区域的重构图像作为温度变化特征重构图像I2，返回步骤(2)，直到所有的温度变化特征重构图像完成拼接，得到大尺寸曲面试件红外检测的大范围全景拼接图像I；
(8)、基于轮廓的全景拼接图像I的损伤区域分割
采用边缘轮廓检测算子，对全景拼接图像I进行损伤边缘轮廓提取，并采用拟合算法对提取的边缘轮廓进行拟合，分割提取全景拼接图像I的损伤区域；
(9)、全景拼接图像分割结果量化
对分割提取的全景拼接图像I的损伤区域进行损伤面积、周长量化，完成检测。
CN202110176872.3A 2021-02-07 2021-02-07 一种针对大尺寸曲面试件的红外热成像拼接检测方法 Active CN112907527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110176872.3A CN112907527B (zh) 2021-02-07 2021-02-07 一种针对大尺寸曲面试件的红外热成像拼接检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110176872.3A CN112907527B (zh) 2021-02-07 2021-02-07 一种针对大尺寸曲面试件的红外热成像拼接检测方法

Publications (2)

Publication Number Publication Date
CN112907527A true CN112907527A (zh) 2021-06-04
CN112907527B CN112907527B (zh) 2022-09-06

Family

ID=76123050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110176872.3A Active CN112907527B (zh) 2021-02-07 2021-02-07 一种针对大尺寸曲面试件的红外热成像拼接检测方法

Country Status (1)

Country Link
CN (1) CN112907527B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549449A (zh) * 2022-02-17 2022-05-27 中国空气动力研究与发展中心超高速空气动力研究所 小尺寸曲面构件全局缺陷精细定量识别方法
CN115625435A (zh) * 2022-11-14 2023-01-20 广东瑞洲科技有限公司 智能识别切割方法、装置及系统
CN116797463A (zh) * 2023-08-22 2023-09-22 佗道医疗科技有限公司 特征点对提取方法及图像拼接方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215038A (zh) * 2018-09-29 2019-01-15 中国资源卫星应用中心 一种基于遥感影像的智能信息提取方法及系统
US20190114795A1 (en) * 2017-10-18 2019-04-18 Adobe Systems Incorporated Reassembling and Repairing Torn Image Pieces
CN110175255A (zh) * 2019-05-29 2019-08-27 腾讯科技（深圳）有限公司 图像标注的方法、基于病理图像的标注展示方法及装置
CN112132802A (zh) * 2020-05-27 2020-12-25 电子科技大学 一种基于自学习拼接算法的航天器撞击损伤检测方法
CN112330538A (zh) * 2020-09-29 2021-02-05 电子科技大学 一种基于特征点优化提取的损伤温度重构图像拼接方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190114795A1 (en) * 2017-10-18 2019-04-18 Adobe Systems Incorporated Reassembling and Repairing Torn Image Pieces
CN109215038A (zh) * 2018-09-29 2019-01-15 中国资源卫星应用中心 一种基于遥感影像的智能信息提取方法及系统
CN110175255A (zh) * 2019-05-29 2019-08-27 腾讯科技（深圳）有限公司 图像标注的方法、基于病理图像的标注展示方法及装置
CN112132802A (zh) * 2020-05-27 2020-12-25 电子科技大学 一种基于自学习拼接算法的航天器撞击损伤检测方法
CN112330538A (zh) * 2020-09-29 2021-02-05 电子科技大学 一种基于特征点优化提取的损伤温度重构图像拼接方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘畅等: "基于高曲率特征点匹配的红外可见光图像配准", 《指挥信息系统与技术》 *
杨晓，黎琼炜，殷春等: "应用于压力容器红外无损检测的SIFT图像拼接方法", 《电子测量与仪器学报》 *
薛顺瑞等: "基于FPGA并行处理SIFT算法特征点检测", 《电视技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549449A (zh) * 2022-02-17 2022-05-27 中国空气动力研究与发展中心超高速空气动力研究所 小尺寸曲面构件全局缺陷精细定量识别方法
CN114549449B (zh) * 2022-02-17 2023-05-12 中国空气动力研究与发展中心超高速空气动力研究所 小尺寸曲面构件全局缺陷精细定量识别方法
CN115625435A (zh) * 2022-11-14 2023-01-20 广东瑞洲科技有限公司 智能识别切割方法、装置及系统
CN116797463A (zh) * 2023-08-22 2023-09-22 佗道医疗科技有限公司 特征点对提取方法及图像拼接方法
CN116797463B (zh) * 2023-08-22 2023-11-21 佗道医疗科技有限公司 特征点对提取方法及图像拼接方法

Also Published As

Publication number Publication date
CN112907527B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN112907527B (zh) 一种针对大尺寸曲面试件的红外热成像拼接检测方法
CN109544456B (zh) 基于二维图像和三维点云数据融合的全景环境感知方法
CN109410207B (zh) 一种基于ncc特征的无人机巡线图像输电线路检测方法
EP3382644A1 (en) Method for 3d modelling based on structure from motion processing of sparse 2d images
WO2019042232A1 (zh) 一种快速鲁棒的多模态遥感影像匹配方法和系统
CN112330538B (zh) 一种基于特征点优化提取的损伤温度重构图像拼接方法
CN106981077A (zh) 基于dce和lss的红外图像和可见光图像配准方法
CN109086675A (zh) 一种基于光场成像技术的人脸识别及攻击检测方法及其装置
Wang et al. A segmentation based robust deep learning framework for multimodal retinal image registration
AU2020272936B2 (en) Methods and systems for crack detection using a fully convolutional network
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN114331879A (zh) 一种均衡化二阶梯度直方图描述子的可见光与红外图像配准方法
CN112132802A (zh) 一种基于自学习拼接算法的航天器撞击损伤检测方法
Bisht et al. Image registration concept and techniques: a review
CN104966283A (zh) 图像分层配准方法
CN112986329B (zh) 大尺寸非平面试件超高速撞击损伤的红外热成像检测方法
CN107886530A (zh) 一种改进的基于sift特征的图像配准算法
Seo et al. Using local regression kernels for statistical object detection
Ebrahimi et al. A hybrid approach of dynamic image processing and complex network to identify repetitive images of welding defects in radiographs of oil and gas pipelines
Xu et al. A two-stage progressive shadow removal network
Du et al. Skeleton Extraction via Structure-Adaptive Anisotropic Filtering
Surekha et al. A survey of trends in local invariant feature detectors
Li et al. Contour-based multisensor image registration with rigid transformation
Subramanian et al. Image registration methods
Lv Elimination of Incorrect Depth Points for Depth Completion

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