CN113012048A - 一种基于sift特征的传送带表面物体图像拼接方法 - Google Patents

一种基于sift特征的传送带表面物体图像拼接方法 Download PDF

Info

Publication number
CN113012048A
CN113012048A CN202110329935.4A CN202110329935A CN113012048A CN 113012048 A CN113012048 A CN 113012048A CN 202110329935 A CN202110329935 A CN 202110329935A CN 113012048 A CN113012048 A CN 113012048A
Authority
CN
China
Prior art keywords
conveyor belt
image
matching
alpha
pictures
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
CN202110329935.4A
Other languages
English (en)
Other versions
CN113012048B (zh
Inventor
徐尚龙
颛孙壮志
叶鑫龙
郑师晨
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 CN202110329935.4A priority Critical patent/CN113012048B/zh
Publication of CN113012048A publication Critical patent/CN113012048A/zh
Application granted granted Critical
Publication of CN113012048B publication Critical patent/CN113012048B/zh
Expired - Fee Related 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于SIFT特征的传送带表面物体图像拼接方法，待测物体在传送带上的运动时，同一摄像机对待测物体连续拍摄多侦图片，通过传送带的速度来获取相邻两侦图片的重合区域；提供反馈信息给传送带，通过调整传送带的速度，来调整重叠区域的大小；用SIFT算法对重合区域进行特征点的提取，并用KNN算法进行匹配，得到匹配集合M，对于M使用坐标一致法去除坏点，完成图像配准；求相邻两侦图片的取平移距离，使用平移变系数法对图片进行融合，完成图像拼接，本发明减小SIFT的计算量，提供反馈给传送带以保证重叠区域的大小，提高了计算速度并保证了计算特征点的个数，物体在传送带上的运动过程中其与速度垂直方向的坐标不发生变化这一特性。

Description

一种基于SIFT特征的传送带表面物体图像拼接方法
技术领域
本发明属于图像处理领域，涉及一种基于SIFT特征的传送带表面物体图像拼接方法。
背景技术
图像拼接技术是将一组具有重合信息的图像拼接成一幅宽视角、大尺度的全景图技术。图像拼接技术应用广泛，目前已普遍应用于军事、医疗、工业加工等领域。
在工业加工领域中，对与所加工物体表面的质量问题的检测一直是图像处理领域的研究热点。随着工业水平的不断进步对于物体表面质量的要求也越来越高，传统的机器视觉检测方法只能不断的提高相机的像素来提高检测精度，显然这大大增加了物体表面质量检测的成本，而图像拼接技术则很好的解决了这一问题。当使用低像素的相机时，为了达到与高像素相机相同的精度，必须减小其所拍摄图像的尺寸，同时使用图像拼接技术对将一组图像拼接，以达到和使用高像素相机相同的效果。同时，为了满足在工业加工领域的实时性要求，所要检测的物体经常会固定在传送带上进行检测。
目前，图像拼接技术主要采用SIFT算法进行特征点的提取，利用KNN算法进行特征点的匹配，利用RΑNSΑC算法进行去除误匹配，并建立变换矩阵同时使用变系数算法对图像进行融合。这种方法耗时久，而且容易造成像素的丢失，无法满足工业生产中的检测要求。
发明内容
本发明的目的在于：提供了一种基于SIFT特征的传送带表面物体图像拼接方法，满足工业生产中的需要，通过传送带的速度来计算图片的重合区域，减小SIFT的计算量，并可以提供反馈给传送带以保证重叠区域的大小，同时，根据物体在传送带上的运动过程中其与速度垂直方向的坐标不发生变化这一特性，提出了坐标一致法去除坏点，平移变系数法进行图像的融合显著提高了图像的拼接速度，并显著减小了拼接过程中像素的丢失。
本发明采用的技术方案如下：
一种基于SIFT特征的传送带表面物体图像拼接方法，待测物体在传送带上的运动时，同一摄像机对待测物体连续拍摄多侦图片，拼接方法包括以下步骤，
步骤1：通过传送带的速度来获取相邻两侦图片的重合区域；
步骤2：提供反馈信息给传送带，通过调整传送带的速度，来调整重叠区域的大小；
步骤3：用SIFT算法对重合区域进行特征点的提取，并用KNN算法进行匹配，得到匹配集合M，对于M使用坐标一致法去除坏点，完成图像配准；
步骤4：求相邻两侦图片的取平移距离，使用平移变系数法对图片进行融合，完成图像拼接。
进一步地，在步骤1中，相邻两侦图片的重合区域的获取方法如下；
预设传送带速度为v，相机帧率为f，所拍摄图片的大小为α*b，分辨率为w*h，且α为宽度、b为长度，传送带的传输方向与宽度同向，因此α方向为传送带的传输方向、b方向为垂直于传送带的传输方向，α和w数值相同，则相邻两侦图片的重合区域为；
Figure BDA0002995346730000021
v<0.8*a*f (2)
其中，重合因子Α为相邻两侦图片的重合区域占图片大小的百分比，0.05为重合补偿,0.8为安全系数。传送带的传输方向也可简称为v方向。
进一步地，在步骤2中，反馈信息给传送带的反馈方法如下；
根据公式(2)可得，当v>0.8*a*f时，对传送带速度进行调整，减小传输的速度直至满足v<0.8*a*f，停止传送带速度的调节。
进一步地，在步骤3中，坐标一致法的具体过程如下：
步骤3.1：提取匹配对的b方向坐标；
步骤3.2：将匹配对的b方向坐标相减并取其绝对值αbs，将αbs与匹配因子B相比较，若αbs小于B则保留其对应的匹配对，反之则删除匹配对；
步骤3.3：匹配因子B衡量的是前一图像与后一图像间的b方向坐标的差异程度。
进一步地，在步骤4中，计算平移距离的具体过程如下:
步骤4.11：由于相邻两侦图片为同一摄像机在传输带上相隔时间拍摄的图片，根据匹配对，其平移距离公式如下：
distance[i]＝w*A+dst_pts[i][0]-src_pts[i][0] (3)
其中，distαnce[i]是第i个匹配对的平移距离，dst_pts[i][0]为第i的匹配对的后一幅图的α方向的坐标，src_pts[i][0]为第i的匹配对的前一幅图的α方向的坐标；
步骤4.12：计算所有匹配对的总平移距离Αdistαnce：
Figure BDA0002995346730000031
其中，n为匹配对的总数；
步骤4.13：计算匹配对的平均平移距离average：
Figure BDA0002995346730000032
步骤4.14：对平均平移距离取整：
Figure BDA0002995346730000033
其中，[*]为对*取整，[αverαge]即为average的整数部分。
进一步地，在步骤4中，平移变系数法图片进行融合的具体过程如下:
步骤4.21：创建一幅2*w-αverαge大小的空白图像；
步骤4.22：对前后两幅图像进行变系数融合，公式如下：
Figure BDA0002995346730000034
其中，O为生成的全景图，left为第一幅图像，right为第二幅图像。r为图像矩阵的行值，c为图像矩阵的列值，i为0到αverαge之间的整数值。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明提出了通过传送带的速度来计算图片的重合区域，减小SIFT的计算量，并可以提供反馈给传送带以保证重叠区域的大小，提高了计算速度并保证了计算特征点的个数，同时，根据物体在传送带上的运动过程中其与速度垂直方向的坐标不发生变化这一特性，提出了坐标一致法去除坏点和平移变系数法进一步提高了运算速度并减少了拼接后像素点的丢失。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图，其中：
图1，基于SIFT特征的传送带表面物体图像拼接算法流程图
图2，摄像头所拍摄的第一幅图
图3，摄像头所拍摄的第二幅图
图4，KNN匹配共有匹配结果示意图
图5，经过坐标一致法去除坏点后的配准结果
图6，本发明图像拼接算法拼接后的全景图
图7，传统图像拼接算法拼接后的全景图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“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。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
本发明较佳实施例提供的一种基于SIFT特征的传送带表面物体图像拼接方法，所述方法包括：待测物体在传送带上的运动时，同一摄像机对待测物体连续拍摄多侦图片，拼接方法包括以下步骤，通过传送带的速度来获取相邻两侦图片的重合区域；提供反馈信息给传送带，通过调整传送带的速度，来调整重叠区域的大小。
用SIFT算法对重合区域进行特征点的提取，并用KNN算法进行匹配，得到匹配集合M，对于M使用坐标一致法去除坏点完成图像配准；求取平移距离，使用平移变系数法对图片进行融合，完成图像拼接，其总体步骤框图如图1所示。
其中，在步骤1中，相邻两侦图片的重合区域的获取方法如下：
传送带速度为v＝210mm/s，相机帧率为f＝30，所拍摄图片的大小为α＝12.8mm*b＝9.6mm，分辨率为w＝415*h＝480，且α与v同向，则相邻两侦图片的重合区域为：
Figure BDA0002995346730000051
第一张图如图2所示，第二张图如图3所示。
因为v＝210mm/s，0.8*a*f＝0.8*12.8*30＝307.2满足v<0.8*a*f，不用对传送带速度的进行调节。
取出两张图的重合区域，第一幅图重合区域取值如下：
O1＝left(r,c)，0≤r<480,207≤c<415
第二幅图重合区域取值如下：
O2＝right(r,c)0≤r<480,0≤c<207
用SIFT算法对O1和O2进行特征点的提取，并使用KNN分类器对O1和O2的特征点进行匹配得到匹配集合M，集合内共有378对特征点对，其匹配结果如图4所示。
对于所得到的匹配集合M通常使用RANSAC算法剔除外点保留内点，计算O1和O2间的仿射变换矩阵，但是其计算时间过长，实时性低。
本实例根据传送带上的物品在运动过程中其b方向的坐标保持不变这一特性提出的坐标一致法来去除坏点。
在步骤3中，坐标一致法的具体过程如下：
步骤3.1：提取匹配对的b方向坐标；
步骤3.2：将匹配对的b方向坐标相减并取其绝对值αbs，将αbs与匹配因子B相比较，若αbs小于B则保留其对应的匹配对，反之则删除匹配对；
步骤3.3：匹配因子B衡量的是前一图像与后一图像间的b方向坐标的差异程度；经过坐标一致法删除坏点得到O1的匹配对dst_pts和O2的匹配对src_pts，特征点对的个数为256，去除了122个坏点，结果如图5所示。
在步骤4中，计算平移距离的具体过程如下：
步骤4.11：由于两幅图片的为同一摄像机在传输带上相隔时间拍摄的图片，两幅图的所有匹配对理论上具有相同的平移距离，根据匹配对dst_pts和src_pts，其平移距离公式如下：
distance[i]＝w*A+dst_pts[i][0]-src_pts[i][0]
其中，distance[i]是第i个匹配对的平移距离，dst_pts[i][0]为第i的匹配对的后一幅图的α方向的坐标，src_pts[i][0]为第i的匹配对的前一幅图的α方向的坐标；
步骤4.12：计算所有匹配对的总平移距离Adistance：
Figure BDA0002995346730000061
其中，n为匹配对的总数，n＝256
步骤4.13：计算匹配对的平均平移距离average：
Figure BDA0002995346730000062
步骤4.14：对平均平移距离取整：
Figure BDA0002995346730000063
其中，[*]为对*取整，[αverαge]即为average的整数部分；
因为average-[average]＝189.547-189＝0.547>0.5，所以average＝190。
进一步的，在步骤4中，平移变系数法图片进行融合的具体过程如下：
步骤4.21：创建一幅640大小的空白图像
步骤4.22：对前后两幅图像进行变系数融合，公式如下：
Figure BDA0002995346730000064
得到的全景图如图6所示，其图像分辨率为h＝480*w1＝640。
图7为使用传统图像拼接算法得到的全景图，其图像分辨率为h＝480*w1＝635。
设定重合因子Α和全景图所得的重合因子Α0的比值为图像的正确匹配率。
Figure BDA0002995346730000065
其中，
Figure BDA0002995346730000071
表1为通过本发明图像拼接算法所得全景图的正确匹配率与传统图像拼接算法所得全景图的正确匹配率及匹配时间对比结果。由表1可以看出本实例拼接算法的拼接速度更快，准确性更高
表1
本发明图像拼接算法 传统图像拼接算法
正确匹配率 99.10％ 96.60％
匹配时间 258ms 2010ms
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明的保护范围，任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于SIFT特征的传送带表面物体图像拼接方法，其特征在于：待测物体在传送带上的运动时，同一摄像机对待测物体连续拍摄多侦图片，拼接方法包括以下步骤，
步骤1：通过传送带的速度来获取相邻两侦图片的重合区域；
步骤2：提供反馈信息给传送带，通过调整传送带的速度，来调整重叠区域的大小；
步骤3：用SIFT算法对重合区域进行特征点的提取，并用KNN算法进行匹配，得到匹配集合M，对于M使用坐标一致法去除坏点，完成图像配准；
步骤4：求相邻两侦图片的取平移距离，使用平移变系数法对图片进行融合，完成图像拼接。
2.根据权利要求1所述的一种基于SIFT特征的传送带表面物体图像拼接方法，其特征在于：在步骤1中，相邻两侦图片的重合区域的获取方法如下；
预设传送带速度为v，相机帧率为f，所拍摄图片的大小为α*b，分辨率为w*h，且α为宽度、b为长度，传送带的传输方向与宽度同向，则相邻两侦图片的重合区域为；
Figure FDA0002995346720000011
v<0.8*a*f (2)
其中，重合因子Α为相邻两侦图片的重合区域占图片大小的百分比，0.05为重合补偿,0.8为安全系数。
3.根据权利要求2所述的一种基于SIFT特征的传送带表面物体图像拼接方法，其特征在于：在步骤2中，反馈信息给传送带的反馈方法如下；
根据公式(2)可得，当v＞0.8*a*f时，对传送带速度进行调整，减小传输的速度直至满足v<0.8*a*f，停止传送带速度的调节。
4.根据权利要求1所述的一种基于SIFT特征的传送带表面物体图像拼接方法，其特征在于：在步骤3中，坐标一致法的具体过程如下：
步骤3.1：提取匹配对的b方向坐标；
步骤3.2：将匹配对的b方向坐标相减并取其绝对值αbs，将αbs与匹配因子B相比较，若αbs小于B则保留其对应的匹配对，反之则删除匹配对；
步骤3.3：匹配因子B衡量的是前一图像与后一图像间的b方向坐标的差异程度。
5.根据权利要求4所述的一种基于SIFT特征的传送带表面物体图像拼接方法，其特征在于：在步骤4中，计算平移距离的具体过程如下:
步骤4.11：由于相邻两侦图片为同一摄像机在传输带上相隔时间拍摄的图片，根据匹配对，其平移距离公式如下：
distance[i]＝w*A+dst_pts[i][0]-src_pts[i][0] (3)
其中，distαnce[i]是第i个匹配对的平移距离，dst_pts[i][0]为第i的匹配对的后一幅图的α方向的坐标，src_pts[i][0]为第i的匹配对的前一幅图的α方向的坐标；
步骤4.12：计算所有匹配对的总平移距离Adistance：
Figure FDA0002995346720000021
其中，n为匹配对的总数；
步骤4.13：计算匹配对的平均平移距离average：
Figure FDA0002995346720000022
步骤4.14：对平均平移距离取整：
Figure FDA0002995346720000023
其中，[*]为对*取整，[αverαge]即为average的整数部分。
6.根据权利要求1所述的一种基于SIFT特征的传送带表面物体图像拼接方法，其特征在于：在步骤4中，平移变系数法图片进行融合的具体过程如下:
步骤4.21：创建一幅2*w-αverαge大小的空白图像；
步骤4.22：对前后两幅图像进行变系数融合，公式如下：
Figure FDA0002995346720000024
其中，O为生成的全景图，left为第一幅图像，right为第二幅图像。
CN202110329935.4A 2021-03-26 2021-03-26 一种基于sift特征的传送带表面物体图像拼接方法 Expired - Fee Related CN113012048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110329935.4A CN113012048B (zh) 2021-03-26 2021-03-26 一种基于sift特征的传送带表面物体图像拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110329935.4A CN113012048B (zh) 2021-03-26 2021-03-26 一种基于sift特征的传送带表面物体图像拼接方法

Publications (2)

Publication Number Publication Date
CN113012048A true CN113012048A (zh) 2021-06-22
CN113012048B CN113012048B (zh) 2022-08-26

Family

ID=76408153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110329935.4A Expired - Fee Related CN113012048B (zh) 2021-03-26 2021-03-26 一种基于sift特征的传送带表面物体图像拼接方法

Country Status (1)

Country Link
CN (1) CN113012048B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129704A (zh) * 2011-02-23 2011-07-20 山东大学 一种基于surf操作数的显微镜图像拼接方法
CN105654464A (zh) * 2014-11-28 2016-06-08 佳能株式会社 图像处理装置及图像处理方法
CN108322658A (zh) * 2018-03-29 2018-07-24 青岛海信移动通信技术股份有限公司 一种拍照的方法和装置
CN109523594A (zh) * 2018-11-15 2019-03-26 华南智能机器人创新研究院 一种视觉托盒特征点坐标定位方法及系统
CN112461833A (zh) * 2020-11-23 2021-03-09 广东弓叶科技有限公司 基于间歇滤光片轮机构的多光谱图像采集方法及系统
CN112541092A (zh) * 2020-12-25 2021-03-23 华南理工大学 一种基于切向域的三维图像轮廓检索方法、系统及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129704A (zh) * 2011-02-23 2011-07-20 山东大学 一种基于surf操作数的显微镜图像拼接方法
CN105654464A (zh) * 2014-11-28 2016-06-08 佳能株式会社 图像处理装置及图像处理方法
CN108322658A (zh) * 2018-03-29 2018-07-24 青岛海信移动通信技术股份有限公司 一种拍照的方法和装置
CN109523594A (zh) * 2018-11-15 2019-03-26 华南智能机器人创新研究院 一种视觉托盒特征点坐标定位方法及系统
CN112461833A (zh) * 2020-11-23 2021-03-09 广东弓叶科技有限公司 基于间歇滤光片轮机构的多光谱图像采集方法及系统
CN112541092A (zh) * 2020-12-25 2021-03-23 华南理工大学 一种基于切向域的三维图像轮廓检索方法、系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王瑞岩等: "结合图像信息的快速点云拼接算法", 《测绘学报》 *

Also Published As

Publication number Publication date
CN113012048B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN105957015B (zh) 一种螺纹桶内壁图像360度全景拼接方法及系统
CN109785291B (zh) 一种车道线自适应检测方法
CN104616325B (zh) 一种快速高精度的大型表面光条中心提取方法
CN110211056B (zh) 基于局部中值直方图的自适应红外图像去条纹算法
CN106469444B (zh) 消除拼接缝隙的快速图像融合方法
US7324660B2 (en) Image position matching apparatus and image processing apparatus
CN109859137B (zh) 一种广角相机非规则畸变全域校正方法
CN109559353B (zh) 摄像模组标定方法、装置、电子设备及计算机可读存储介质
WO2014069103A1 (ja) 画像処理装置
CN114565612A (zh) 一种基于图像对比的pcb板u型槽加工异常检测方法
CN110689501A (zh) 一种畸变校正方法、装置、电子设备及计算机可读存储介质
CN113012048B (zh) 一种基于sift特征的传送带表面物体图像拼接方法
CN107330906A (zh) 基于曲线拟合的改进细化算法
CN110245674B (zh) 模板匹配方法、装置、设备及计算机存储介质
US8045822B2 (en) Correction of image distortion
CN106023170A (zh) 一种基于gpu处理器的双目3d畸变矫正方法
CN108520541A (zh) 一种广角摄像机的标定方法
CN109902695B (zh) 一种面向像对直线特征匹配的线特征矫正与提纯方法
CN115546312A (zh) 一种相机外参数的校正方法及装置
CN112313019B (zh) 钢材非压下部宽度检测装置及其检测方法
CN108989751B (zh) 一种基于光流的视频拼接方法
CN113222990A (zh) 一种基于图像数据增强的芯片计数方法
CN114677398B (zh) 一种用于烟叶智能分级处理的烟叶正反面图像合成方法
CN111899189A (zh) 一种基于自适应分类拟合鱼眼图像校正方法
CN115908201B (zh) 一种图像畸变的热区快速修正方法及装置

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220826