CN113222817A - 基于图像特征提取的12路视频图像拼接以及图像配准方法 - Google Patents
基于图像特征提取的12路视频图像拼接以及图像配准方法 Download PDFInfo
- Publication number
- CN113222817A CN113222817A CN202110525482.2A CN202110525482A CN113222817A CN 113222817 A CN113222817 A CN 113222817A CN 202110525482 A CN202110525482 A CN 202110525482A CN 113222817 A CN113222817 A CN 113222817A
- Authority
- CN
- China
- Prior art keywords
- image
- points
- matrix
- splicing
- point
- 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 36
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 230000009466 transformation Effects 0.000 claims abstract description 8
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 claims abstract description 4
- 208000029618 autoimmune pulmonary alveolar proteinosis Diseases 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 2
- 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 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction 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
- 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
- G06T5/80—Geometric correction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
基于图像特征提取的12路视频图像拼接以及图像配准方法，它涉及一种图像拼接以及图像配准方法。本发明为了解决现有的图像特征提取方法存在拼接重影和实现实时困难的问题。本发明首先对12路图像进行分组操作，4路一组，分别进行拼接，而后对结果再进行拼接。拼接过程：首先对图像数据流进行匹配点对的获取。然后进行外点的剔除，找到内点的索引。再将源图进行网格划分，取网格中心点，计算每个中心点与源图上内点之间的欧式距离和权重。将权重放到A矩阵中，构建为新的W*A矩阵，再重新进行SVD分解，得到当前网格的局部单应性矩阵。再遍历每个网格，得到APAP变换后的源图。最后进行拼接线的加权融合。本发明用于视频图像拼接以及图像配准。
Description
技术领域
本发明涉及一种图像拼接以及图像配准方法。属于计算机视觉、图像拼接领域。
背景技术
所谓图像拼接与配准就是考虑如何将多幅来自同一场景的有重叠区域的小尺寸图像合成一幅大尺寸的高质量的图像。这种技术为图像降噪、视场扩展、背景场景构建(运动物体去除)、去模糊、空间分辨率的提高和动态范围的增强提供了更佳的策略。同样，图像拼接也应用于图像恢复、计算机特效、图像压缩与视频编辑等领域。
图像拼接能否达到期望的效果主要取决于能否选择出一个鲁棒性的而且高效快速的图像对准方法。但各种方法都存在一定的缺陷。比如对于基于空域匹配的方法，是利用相似度测量比较两幅图的像素点或像素块，这种方法最为直观，但难以处理旋转和缩放等问题，而且全局搜索的运算代价太大，难以应对光照变化的影响；对于基于图像特征的方法，一般提取图像边界、轮廓线、拐点等纹理信息做特征匹配，进一步构建映射方程组，这种方法对特征点的选取十分敏感。
综上所述，现有的图像特征提取方法存在拼接重影和实现实时困难的问题。
发明内容
本发明是为了解决现有的图像特征提取方法存在拼接重影和实现实时困难的问题。现提供一种基于图像特征提取的12路视频图像拼接以及图像配准方法。
本发明的技术方案是：基于图像特征提取的12路视频图像拼接以及图像配准方法，它包括以下步骤：
包括以下步骤：
步骤一：摄像头分组；
将12路摄像头所能实时传递的图像按照由开始至结尾的顺序，每4路摄像头为一组，共为三组；
步骤二：通过SIFT算法对步骤一中其中一组的图像数据流进行匹配点对的获取；
步骤三：使用RANSAC方法，进行外点的剔除，得到小于RANSAC阈值数量最多的一组残差，从而找到内点的索引；
步骤四：将源图进行网格划分，取网格中心点，计算每个中心点与源图上内点之间的欧式距离和权重；
步骤五：将权重放到DLT算法的A矩阵中，构建为新的矩阵，再重新进行SVD分解，得到当前网格的局部单应性矩阵；
步骤六：遍历每个网格，利用局部单应性矩阵映射到全景画布上，得到APAP变换后的源图；
步骤七：进行拼接线的加权融合，完成对步骤一中其中一组图像的拼接以及图像配准；
步骤八：将步骤一中其余两组图像按照步骤二至步骤七进行拼接以及图像配准，至此，完成12路摄像头的三组图像中的每组图像的拼接以及图像配准；
步骤九：将步骤八中得到的三组拼接以及图像配准后的图像，按照步骤二至步骤七再次进行拼接以及图像配准，得到12路视频图像拼接以及图像配准后的全景图像。
本发明与现有技术相比具有以下效果：
1、本发明采用基于数据调整模型的方法，降低了对准误差，提升了图像整体的几何合理性，大幅度削减图像成像畸变度；
2、本发明使用了基于移动DLT的估计技术来学习提取的偏差；本发明不同于传统的刚性或仿射正则化，使用了投影正则化，确保了扭曲在图像重叠(插值)区域之外的正确外推，保持了感知真实感，减轻了重影等问题；
3、本发明使用了分组拼接，标定查表的方式方法提升拼接效率，使得在现实的视频拼接应用中能够达到30fps的实时速度。
附图说明
图1是本发明进行图像拼接的总流程图；图2是拼接前图像举例；图3是图2的拼接结果展示。图4是拼接画布映射图。
具体实施方式
具体实施方式一：结合图1至图3说明本实施方式，本实施方式的基于图像特征提取的12路视频图像拼接以及图像配准方法，它包括以下步骤：
步骤一：摄像头分组；
将12路摄像头所能实时传递的图像按照由开始至结尾的顺序，每4路摄像头为一组，共为三组；
步骤二：通过SIFT算法对步骤一中其中一组的图像数据流进行匹配点对的获取；
步骤三：使用RANSAC方法，进行外点的剔除，得到小于RANSAC阈值数量最多的一组残差，从而找到内点的索引；
步骤四：将源图进行网格划分，取网格中心点，计算每个中心点与源图上内点之间的欧式距离和权重；
步骤五：将权重放到DLT算法的A矩阵中，构建为新的矩阵，再重新进行SVD分解，得到当前网格的局部单应性矩阵；
步骤六：遍历每个网格，利用局部单应性矩阵映射到全景画布上，得到APAP变换后的源图；
步骤七：进行拼接线的加权融合，完成对步骤一中其中一组图像的拼接以及图像配准；
步骤八：将步骤一中其余两组图像按照步骤二至步骤七进行拼接以及图像配准，至此，完成12路摄像头的三组图像中的每组图像的拼接以及图像配准；
步骤九：将步骤八中得到的三组拼接以及图像配准后的图像，按照步骤二至步骤七再次进行拼接以及图像配准，得到12路视频图像拼接以及图像配准后的全景图像。
具体实施方式二：结合图1至图3说明本实施方式，本实施方式的步骤二包括以下步骤：
步骤二一：提取相邻两个摄像头实时传递的能够融合的图像关键点，搜索所有尺度空间的图像位置；
步骤二二：通过高斯积分函数来识别潜在的具有尺度和旋转不变的关键点；
步骤二三：对步骤二中得到的关键点进行定位并确定特征方向，在每个待匹配的候选的位置上，通过一个拟合精细的模型来确定位置和尺度；
步骤二四：SIFT算法对关键点的选择依据与它们的稳定程度，即经过放缩旋转操作，所选的点是否仍然保持不变，选择的关键点为角点、边缘点、暗区域的亮点以及亮区域的暗点，且关键点满足不会被光照、尺度以及旋转因素而消失的点，然后基于图像局部的梯度方向，分配给每个关键点位置；
步骤二五：通过各关键点的特征向量，两两比较找出互相匹配的若干特征点，建立景物间的对应关系。如此设置，可得到两张图片的匹配点对。其它组成和连接关系与具体实施方式一相同。
具体实施方式三：结合图1至图3说明本实施方式，本实施方式的步骤三包括以下步骤：
步骤三一：按照置信概率P和数据错误率∈，置信概率P表示至少有一个数据基本子集包含的数据是局内点数据的概率，所述概率大于95％，数据错误率∈表示局外点占数据集的比例，以及所需要的最小量数据m和基本子集数M来计算模型参数来计算模型参数，计算模型参数的公式为：1-(1-(1-∈)m)M＝P；
步骤三二：随机选择原始数据样本，估计每个样本的样本数量位模型参数所需的最小数据，并计算样本的相应模型参数；
步骤三三：使用所有的原始数据来测试模型的参数，得到每个模型参数的正确数目；重复步骤三二和步骤三二，直到完成M组抽样的处理；
步骤三四：找出最优模型所对应的特征点匹配，从而找到内点的索引x*。如此设置，可得到两张图片的匹配点对。其它组成和连接关系与具体实施方式一或二相同。
具体实施方式四：结合图1至图3说明本实施方式，本实施方式的步骤四包括以下步骤：
步骤四一：确定源图尺寸，后将源图进行100×100的网格划分，每个网格作为一个取样点，记录所有网格中心点的坐标xi；
步骤四二：计算得到网格中心点与步骤三中得到的源图的内点间的高斯权重
将更高的权重分配给更接近步骤三四中x*的数据，其中σ是x 的方差。
如此设置，模糊处理比其它的均衡模糊滤波器更高地保留了边缘效果。其它组成和连接关系与具体实施方式一、二或三相同。
具体实施方式五：结合图1至图3说明本实施方式，本实施方式的步骤五包括以下步骤：
步骤五一：首先使x与x′与匹配点重叠，且跨过两张图片，x与x′表示两个图像的像素点矩阵：令x＝[x y]T，x′＝[x′y′]T，其中，矩阵x，y，x’，y’表示两张待拼接图像的像素点；
步骤五二：在使用DLT算法之前，首先使用归一化算法：
扭曲和单应性关系遵循x*到x*′的映射，H为单应性；
步骤五三：为了重影效果，使用位置相关的单应性扭曲每个x*，令
其中的H*是根据步骤四中的权重计算得到的；
步骤五四：将
重写为隐式条件
然后线性化：
采用DLT算法把以上矩阵中的9个元素做以下估计：
其中，标定权重为步骤四二中计算的内点间高斯权重；
当x*在其域i中连续移动时，H*也平滑地变化，为移动的DLT算法改写成矩阵形式为：
这时权重矩阵W*组成为
然后将给定一个向量，创建这个对角矩阵，转化成加权的SVD问题，解为W*A向量的最低有效右奇异向量，得到单应性矩阵。
如此设置，由全局单应性得到了局部单应性。其它组成和连接关系与具体实施方式一、二、三或四相同。
具体实施方式六：结合图1至图3说明本实施方式，本实施方式的步骤六包括以下步骤：
步骤六一：首先将一图(指图4中的img1图)保持原状不发生变化，二图(指图4中imag2图)进行步骤五的单应性变换；因为求得的H是将一图映射到二图，即H*x_left＝ x_right，所以，x_left＝inv(H)*x_right；
步骤六二：取二图的四个顶点的齐次坐标分别作为x_right的值，得到新的四个顶点坐标：TL，BL，TR，BR，然后通过最大的列减去最小的列加一确定投影面的宽；通过最大的行减去最小的行确定投影面的高，以此来确定画布的尺寸，然后通过1减去最小坐标加1 的值来计算出一图的偏移量，即确定一图做顶点在画布坐标系中的坐标值；
步骤六三：在空画布中，根据偏移量确定一图的映射位置；调用方法，将二维数组变成按列排列的一维数组指针，三维数组变成二维数组指针(M*(N*3))；
步骤六四：运用步骤五中DLT算法，将得到的画布尺寸进行加倍，右图和偏移量加倍；
步骤六五：步骤六二中得到的TL，BL，TR，BR四个顶点坐标，是以img1的左顶点为坐标原点，通过单应变换：
计算得到以画布左顶点坐标为原点
后续使用需要齐次形式，即x′＝[x′/ z′，y′/z′]；
步骤六六：由单应性变换，即用来描述物体在世界坐标系和像素坐标系之间的位置映射关系，步骤六五得到的单应性矩阵为一个3x3矩阵，描述了射影几何中平面到平面的映射关系，其自由度为8，由九个元素组成，令最后一个元素为1或者使其F范数为1，该矩阵可将无穷远点投射于有限处，即空间中平行线在图像上相交于有限处；
求得
因为这里使用齐次坐标系，尺度可以进行任意缩放；
整理得到：h11x+h12y+h13-h31xx′+h32yx′+h33x′＝0
h21x+h22y+h23-h31xy′+h32yy′+h33y′＝0
写成矩阵形式：
其它组成和连接关系与具体实施方式一、二、三、四或五相同。
Claims (6)
1.一种基于图像特征提取的12路视频图像拼接以及图像配准方法，其特征在于：它包括以下步骤：
步骤一：摄像头分组；
将12路摄像头所能实时传递的图像按照由开始至结尾的顺序，每4路摄像头为一组，共为三组；
步骤二：通过SIFT算法对步骤一中其中一组的图像数据流进行匹配点对的获取；
步骤三：使用RANSAC方法，进行外点的剔除，得到小于RANSAC阈值数量最多的一组残差，从而找到内点的索引；
步骤四：将源图进行网格划分，取网格中心点，计算每个中心点与源图上内点之间的欧式距离和权重；
步骤五：将权重放到DLT算法的A矩阵中，构建为新的矩阵，再重新进行SVD分解，得到当前网格的局部单应性矩阵；
步骤六：遍历每个网格，利用局部单应性矩阵映射到全景画布上，得到APAP变换后的源图；
步骤七：进行拼接线的加权融合，完成对步骤一中其中一组图像的拼接以及图像配准；
步骤八：将步骤一中其余两组图像按照步骤二至步骤七进行拼接以及图像配准，至此，完成12路摄像头的三组图像中的每组图像的拼接以及图像配准；
步骤九：将步骤八中得到的三组拼接以及图像配准后的图像，按照步骤二至步骤七再次进行拼接以及图像配准，得到12路视频图像拼接以及图像配准后的全景图像。
2.根据权利要求1所述的基于图像特征提取的12路视频图像拼接以及图像配准方法，其特征在于：步骤二包括以下步骤：
步骤二一：提取相邻两个摄像头实时传递的能够融合的图像关键点，搜索所有尺度空间的图像位置；
步骤二二：通过高斯积分函数来识别潜在的具有尺度和旋转不变的关键点；
步骤二三：对步骤二中得到的关键点进行定位并确定特征方向，在每个待匹配的候选的位置上，通过一个拟合精细的模型来确定位置和尺度；
步骤二四：SIFT算法对关键点的选择依据与它们的稳定程度，即经过放缩旋转操作，所选的点是否仍然保持不变，选择的关键点为角点、边缘点、暗区域的亮点以及亮区域的暗点，且关键点满足不会被光照、尺度以及旋转因素而消失的点，然后基于图像局部的梯度方向，分配给每个关键点位置；
步骤二五：通过各关键点的特征向量，两两比较找出互相匹配的若干特征点，建立景物间的对应关系。
3.根据权利要求2所述的基于图像特征提取的12路视频图像拼接以及图像配准方法，其特征在于：步骤三包括以下步骤：
步骤三一：按照置信概率P和数据错误率ε，置信概率P表示至少有一个数据基本子集包含的数据是局内点数据的概率，所述概率大于95％，数据错误率ε表示局外点占数据集的比例，以及所需要的最小量数据m和基本子集数M来计算模型参数来计算模型参数，计算模型参数的公式为：1-(1-(1-ε)m)M＝P；
步骤三二：随机选择原始数据样本，估计每个样本的样本数量位模型参数所需的最小数据，并计算样本的相应模型参数；
步骤三三：使用所有的原始数据来测试模型的参数，得到每个模型参数的正确数目；重复步骤三二和步骤三二，直到完成M组抽样的处理；
步骤三四：找出最优模型所对应的特征点匹配，从而找到内点的索引x*。
4.根据权利要求3所述的基于图像特征提取的12路视频图像拼接以及图像配准方法，其特征在于：步骤四包括以下步骤：
步骤四一：确定源图尺寸，后将源图进行100×100的网格划分，每个网格作为一个取样点，记录所有网格中心点的坐标xi；
步骤四二：计算得到网格中心点与步骤三中得到的源图的内点间的高斯权重
将更高的权重分配给更接近步骤三四中x*的数据，其中σ是x的方差。
5.根据权利要求4所述的基于图像特征提取的12路视频图像拼接以及图像配准方法，其特征在于：步骤五包括以下步骤：
步骤五一：首先使x与x'与匹配点重叠，且跨过两张图片，x与x'表示两个图像的像素点矩阵：令x＝[x y]T，x′＝[x′ y′]T，其中，矩阵x,y,x’,y’表示两张待拼接图像的像素点；
步骤五二：在使用DLT算法之前，首先使用归一化算法：
扭曲和单应性关系遵循x*到x*′的映射,H为单应性；
步骤五三：为了重影效果，使用位置相关的单应性扭曲每个x*，令
其中的H*是根据步骤四中的权重计算得到的；
步骤五四：将
重写为隐式条件
然后线性化：
采用DLT算法把以上矩阵中的9个元素做以下估计：
其中，标定权重为步骤四二中计算的内点间高斯权重；
当x*在其域i中连续移动时，H*也平滑地变化，为移动的DLT算法改写成矩阵形式为：
这时权重矩阵W*组成为
然后将给定一个向量，创建这个对角矩阵，转化成加权的SVD问题，解为W*A向量的最低有效右奇异向量，得到单应性矩阵。
6.根据权利要求1所述的基于图像特征提取的12路视频图像拼接以及图像配准方法，其特征在于：步骤六包括以下步骤：
步骤六一：首先将一图保持原状不发生变化，二图进行步骤五的单应性变换；因为求得的H是将一图映射到二图，即H*x_left＝x_right，所以，x_left＝inv(H)*x_right；
步骤六二：取二图的四个顶点的齐次坐标分别作为x_right的值，得到新的四个顶点坐标：TL，BL，TR，BR，然后通过最大的列减去最小的列加一确定投影面的宽；通过最大的行减去最小的行确定投影面的高，以此来确定画布的尺寸，然后通过1减去最小坐标加1的值来计算出一图的偏移量，即确定一图做顶点在画布坐标系中的坐标值；
步骤六三：在空画布中，根据偏移量确定一图的映射位置；调用方法，将二维数组变成按列排列的一维数组指针，三维数组变成二维数组指针(M*(N*3))；
步骤六四：运用步骤五中DLT算法，将得到的画布尺寸进行加倍，右图和偏移量加倍；
步骤六五：步骤六二中得到的TL，BL，TR，BR四个顶点坐标，是以img1的左顶点为坐标原点，通过单应变换：
计算得到以画布左顶点坐标为原点
后续使用需要齐次形式，即x′＝[x′/z′，y′/z′]；
步骤六六：由单应性变换，即用来描述物体在世界坐标系和像素坐标系之间的位置映射关系，步骤六五得到的单应性矩阵为一个3x3矩阵，描述了射影几何中平面到平面的映射关系，其自由度为8，由九个元素组成，令最后一个元素为1或者使其F范数为1，该矩阵可将无穷远点投射于有限处，即空间中平行线在图像上相交于有限处；
求得
因为这里使用齐次坐标系，尺度可以进行任意缩放；
整理得到：h11x+h12y+h13-h31xx′+h32yx′+h33x′＝0
h21x+h22y+h23-h31xy′+h32yy′+h33y′＝0
写成矩阵形式：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110525482.2A CN113222817A (zh) | 2021-05-13 | 2021-05-13 | 基于图像特征提取的12路视频图像拼接以及图像配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110525482.2A CN113222817A (zh) | 2021-05-13 | 2021-05-13 | 基于图像特征提取的12路视频图像拼接以及图像配准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113222817A true CN113222817A (zh) | 2021-08-06 |
Family
ID=77095747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110525482.2A Pending CN113222817A (zh) | 2021-05-13 | 2021-05-13 | 基于图像特征提取的12路视频图像拼接以及图像配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222817A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389787A (zh) * | 2015-09-30 | 2016-03-09 | 华为技术有限公司 | 一种全景图像拼接方法及装置 |
| WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
| CN109389555A (zh) * | 2018-09-14 | 2019-02-26 | 复旦大学 | 一种全景图像拼接方法及装置 |
| CN109767388A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 基于超像素提升图像拼接质量的方法、移动终端、相机 |
| CN111008932A (zh) * | 2019-12-06 | 2020-04-14 | 烟台大学 | 一种基于图像筛选的全景图像拼接方法 |
| CN111127318A (zh) * | 2019-12-05 | 2020-05-08 | 南京莱斯电子设备有限公司 | 一种机场环境下的全景图像拼接方法 |
-
2021
- 2021-05-13 CN CN202110525482.2A patent/CN113222817A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
| CN105389787A (zh) * | 2015-09-30 | 2016-03-09 | 华为技术有限公司 | 一种全景图像拼接方法及装置 |
| CN109389555A (zh) * | 2018-09-14 | 2019-02-26 | 复旦大学 | 一种全景图像拼接方法及装置 |
| CN109767388A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 基于超像素提升图像拼接质量的方法、移动终端、相机 |
| CN111127318A (zh) * | 2019-12-05 | 2020-05-08 | 南京莱斯电子设备有限公司 | 一种机场环境下的全景图像拼接方法 |
| CN111008932A (zh) * | 2019-12-06 | 2020-04-14 | 烟台大学 | 一种基于图像筛选的全景图像拼接方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张冬梅等: "一种改进的APAP影像匹配算法", 《测绘通报》 * |
| 罗毅等: "一种航拍图像与卫星影像拼接方法", 《信息化研究》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145238B (zh) | 单目内窥镜图像的三维重建方法、装置及终端设备 | |
| CN110390640B (zh) | 基于模板的泊松融合图像拼接方法、系统、设备及介质 | |
| CN110827200B (zh) | 一种图像超分重建方法、图像超分重建装置及移动终端 | |
| CN110211043B (zh) | 一种用于全景图像拼接的基于网格优化的配准方法 | |
| Sawhney et al. | True multi-image alignment and its application to mosaicing and lens distortion correction | |
| Capel et al. | Computer vision applied to super resolution | |
| Zhao et al. | Is super-resolution with optical flow feasible? | |
| Capel et al. | Automated mosaicing with super-resolution zoom | |
| Capel | Image mosaicing | |
| CN107578376B (zh) | 基于特征点聚类四叉划分和局部变换矩阵的图像拼接方法 | |
| CN110070598B (zh) | 用于3d扫描重建的移动终端及其进行3d扫描重建方法 | |
| DE69915901T2 (de) | Bildverarbeitungsgerät | |
| US20110170784A1 (en) | Image registration processing apparatus, region expansion processing apparatus, and image quality improvement processing apparatus | |
| CN109934772B (zh) | 一种图像融合方法、装置及便携式终端 | |
| CN110378250B (zh) | 用于场景认知的神经网络的训练方法、装置及终端设备 | |
| CN111553841B (zh) | 一种基于最佳缝合线更新的实时视频拼接方法 | |
| CN111582022A (zh) | 一种移动视频与地理场景的融合方法、系统及电子设备 | |
| CN115035235A (zh) | 三维重建方法及装置 | |
| CN111062966A (zh) | 基于l-m算法和多项式插值对相机跟踪进行优化的方法 | |
| WO2021035627A1 (zh) | 获取深度图的方法、装置及计算机存储介质 | |
| CN114926514B (zh) | 一种事件图像与rgb图像的配准方法及装置 | |
| CN112929626A (zh) | 一种基于智能手机影像的三维信息提取方法 | |
| CN116778288A (zh) | 一种多模态融合目标检测系统及方法 | |
| CN111553845A (zh) | 一种基于优化的三维重建的快速图像拼接方法 | |
| CN113793266A (zh) | 一种多目机器视觉图像拼接方法、系统及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210806 |
|
| WD01 | Invention patent application deemed withdrawn after publication |