CN113379808A - 一种多波段太阳图像配准的方法 - Google Patents
一种多波段太阳图像配准的方法 Download PDFInfo
- Publication number
- CN113379808A CN113379808A CN202110687794.3A CN202110687794A CN113379808A CN 113379808 A CN113379808 A CN 113379808A CN 202110687794 A CN202110687794 A CN 202110687794A CN 113379808 A CN113379808 A CN 113379808A
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- registered
- parameter
- convergence
- 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 36
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000011524 similarity measure Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 239000005441 aurora Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多波段太阳图像配准的方法,属于天文技术和数字图像处理领域。本发明首先通过平滑和下采样获得待配准图像和参考图像的图像金字塔,利用图像金字塔进行配准,从下采样的最低分辨率开始,逐渐增加配准分辨率,相比直接利用原始分辨率计算的方式可以大大减少计算量,提升配准的精度与配准的效率;同时配准过程中基于灰度信息参与相似性度量计算,解决了传统基于特征的配准方式在太阳图像配准中特征点不足、配准效果不好的问题。
Description
技术领域
本发明涉及一种多波段太阳图像配准的方法,属于天文技术和数字图像处理领域。
背景技术
太阳是距离地球最近的恒星,是地球的生命之源,太阳活动与人类的生活息息相关。活动剧烈期的太阳辐射出大量紫外线、x射线、粒子流和强射电波,因而往往引起地球上极光、磁暴和电离层扰动等现象。因此,对于太阳活动的研究就显得格外重要。在研究太阳图像的观测数据时,由于观测设备、观测地点、观测会存在很大的差异,因此需要将差异性较大的数据进行对比、研究和分析,从而发挥这些数据在不同波段、不同视场的观测优势。这就需要对不同波段的太阳图像进行配准。
由于太阳表面实际上是的一种炽热气体的巨大漩涡,内部结构通常具有微小的不规则运动,因此不易于特征提取和判断,因此使用传统的基于特征的图像配准方式,不容易找到足够的特征点来进行配准。基于迭代优化的配准方法能够实现太阳图片的配准,但是由于图片的分辨率过大,计算量比较大,配准的效率慢。
发明内容
本发明提供了一种多波段太阳图像配准的方法,可以对多波段太阳图像进行配准。
本发明的技术方案是:一种多波段太阳图像配准的方法,所述方法步骤包括:
步骤1:对待配准图像m1和参考图像f1进行n-1次平滑和下采样处理,分别得到两个图像的n层金字塔:m1,m2,...,mn、f1,f2,...,fn,接着执行步骤2;其中,mn表示待配准图像金字塔的第n层,fn表示参考图像金字塔的第n层;
步骤2:从mn开始,利用配准参数对待配准图像mj进行转换得到转换后的待配准图像mj',接着执行步骤3;其中,配准参数包括缩放量、旋转角度以及偏移值,j=1,2,...,n;
步骤3:计算转换后的待配准图像mj'与参考图像fj的相似性度量,接着执行步骤4;
步骤4:判断相似性度量是否达到收敛,若未收敛则判断是否达到了预设的迭代最大次数,如果没收敛,且没有达到最大迭代次数,则采用寻优策略寻找配准参数使得相似性度量最小,并根据寻找的配准参数重复步骤2、3;如果是收敛,或者是未收敛但是达到了最大迭代次数,则执行步骤5;
步骤5:判断此时j的值是否等于1,不同则保留上一步骤4最新得到的配准参数,作为步骤2的配准参数,将j值减1,重复步骤2、3、4;如果相同则得到最优配准参数,以及输出基于最优配准参数转换后的图像m1'作为配准后图像。
所述步骤1中的平滑处理利用相同缩放因数的高斯核函数进行卷积来实现。
所述缩放因数取值为2。
所述下采样通过删除平滑处理结果的所有的偶数行和列来实现。
所述n取值为4。
所述相似性度量采用均方根误差。
所述寻优策略具体为:
利用p来表示配准参数的集合,α表示待配准图像mj的空间坐标,则寻找最优值的过程就是找到一个最优变换 表示利用配准参数集合p对待配准图像mj的空间坐标α进行转换,得到的是一个新的空间坐标,通过更新配准参数来最小化相似性度量则该过程可以表示为寻找合适的值p,使得:
将配准参数(λ,θ,Tx,Ty)表示为(p1,p2,p3,p4)=p,则使用下面的公式来进行参数的优化:
式中,表示的是配准参数集合p对于相似性度量S的梯度值,i=1,2,3,4;d是一个不断衰减的步长,当渐变方向发生改变时,它的值会减小,每当梯度的方向突然发生改变时,就假定已经通过了局部极值,这时候就将步长乘以松弛因子,即:
利用上面的算法得出当前的配准参数p,对图像mj进行变换,将此时的mj'更新为利用新的配准参数变换后的图像。
所述步骤4中收敛的准则为:只要满足任意一个收敛条件,则认为是已经达到了收敛;其中第一个收敛条件:步长小于步长阈值,则认为已经达到了收敛;第二个收敛条件是:梯度幅值小于梯度幅值阈值,则认为已经达到了收敛。
本发明的有益效果是:本发明首先通过平滑和下采样获得待配准图像和参考图像的图像金字塔,利用图像金字塔进行配准,从下采样的最低分辨率开始,逐渐增加配准分辨率,相比直接利用原始分辨率计算的方式可以大大减少计算量,提升配准的精度与配准的效率;同时配准过程中基于灰度信息参与相似性度量计算,解决了传统基于特征的配准方式在太阳图像配准中特征点不足、配准效果不好的问题。
附图说明
图1是本发明的总体流程图;
图2是参考图像,太阳Hα偏带图像;
图3是待配准图像,Tio波段太阳图像;
图4是参考图像利用高斯平滑及下采样生成的图像金字塔;
图5是本发明的配准图像与参考图像叠加的图。
具体实施方式
实施例1:如图1-5所示,一种多波段太阳图像配准的方法,所述方法步骤包括:
步骤1:对待配准图像m1和参考图像f1进行n-1次平滑和下采样处理,分别得到两个图像的n层金字塔:m1,m2,...,mn、f1,f2,...,fn,接着执行步骤2;其中,mn表示待配准图像金字塔的第n层,fn表示参考图像金字塔的第n层;
步骤2:从mn开始,利用配准参数对待配准图像mj进行转换得到转换后的待配准图像mj',接着执行步骤3;其中,配准参数包括缩放量、旋转角度以及偏移值,j=1,2,...,n;
步骤3:计算转换后的待配准图像mj'与参考图像fj的相似性度量,接着执行步骤4;
步骤4:判断相似性度量是否达到收敛,若未收敛则判断是否达到了预设的迭代最大次数,如果没收敛,且没有达到最大迭代次数,则采用寻优策略寻找配准参数使得相似性度量最小,并根据寻找的配准参数重复步骤2、3;如果是收敛,或者是未收敛但是达到了最大迭代次数,则执行步骤5;
步骤5:判断此时j的值是否等于1,不同则保留上一步骤4最新得到的配准参数,作为步骤2的配准参数,将j值减1,重复步骤2、3、4;如果相同则得到最优配准参数,以及输出基于最优配准参数转换后的图像m1'作为配准后图像。
再进一步地,本发明给出如下实施过程:
步骤1:对待配准图像m1(图3,Tio波段太阳图像),和参考图像f1(图2,太阳Hα偏带图像),利用相同的缩放因数进行n-1次平滑、下采样处理,而依次减小图像分辨率,并得到两个图像的n层金字塔:m1,m2,...,mn、f1,f2,...,fn。金字塔层级越高,则图像越小,分辨率越低。
具体地,先将待配准图像m1和参考图像f1作为最底层图像(即金字塔第1层),利用高斯核函数对其进行卷积实现平滑:
利用上述公式计算出3*3的卷积核,其中c为缩放因数,本例子c的值取2(既可以更好地代表原图像的像素点,同时在降低相似性度量的计算量),x,y为像素在卷积核中的坐标,如下所示,左上(x,y)为(-1,1):
(-1,1) | (0,1) | (1,1) |
(-1,0) | (0,0) | (1,0) |
(-1,-1) | (0,-1) | (1,-1) |
然后对卷积后的图片进行下采样,删除所有的偶数行和列,使得卷积后的图片分辨率缩小一倍,通过下采样得到上一层的图像m2和f2(即金字塔第2层);
接着再利用最新生成的图像重复上面的卷积和下采样操作,反复迭代多次,便得到一个金字塔形的多层图像,本例子迭代了三次,生成了四层的图像金字塔(图4展示了参考图像的图像金子塔)。自下而上每一层的像素数都不断减少,变得越来越粗糙,进行高斯平滑操作是为了下采样后的像素点在图片分辨率缩小的同时更好地代表原图像的像素点。
步骤2:从mn开始,利用配准参数对待配准图像mj进行转换得到转换后的待配准图像mj';
具体地,首先,如果是配准刚开始(即j此时为n,n为图像金字塔层数,本例子n为4),则利用初始的配准参数(缩放量λ,旋转角度θ,偏移值Tx和Ty)(本例子利用p来表示配准参数的集合,初始的配准参数λ取1,θ取0.1,Tx和Ty取0),对图像进行变换,得到变换后的图像mn'。
如果是由步骤5跳转,则利用上层计算得出的最新配准参数作为配准参数。变换后图像与变换前图像关系如下:
其中(Cx,Cy)为旋转中心点坐标,这里使用mj的几何中心点作为旋转中心,x、y是mj的坐标,x'、y'是对应的mj'的坐标。
如果是由第4步返回,则可以利用下面的寻找策略的寻找新的配准参数:
利用p来表示配准参数的集合(缩放量λ,旋转角度θ,偏移值Tx和Ty),α表示待配准图像mj的空间坐标,则寻找最优值的过程就是找到一个最优变换 表示利用配准参数集合p对待配准图像mj的空间坐标α进行转换,得到的是一个新的空间坐标,通过更新配准参数来最小化相似性度量则该过程可以表示为寻找合适的值p,使得:
将配准参数(λ,θ,Tx,Ty)表示为(p1,p2,p3,p4)=P,则使用下面的公式来进行参数的优化:
其中,表示的是配准参数集合p对于相似性度量S的梯度值,表示在点α求导,i=1,2,3,4;d是一个不断衰减的步长(也称为学习率),当渐变方向发生改变时,它的值会减小,每当梯度的方向突然发生改变时(上次计算的梯度和此次计算所得的梯度,两个梯度向量点乘的值小于0则认为梯度的方向发生了改变),就假定已经通过了局部极值,这时候就将步长乘以松弛因子,即:
其中,L表示上一次计算所得到的梯度的值,r为松弛因子,且0≤r≤1,本例子松弛因子初始值r取0.5,步长d初始值取2.0,若此时为第一次计算梯度,即没有上一次计算得到的梯度值,则认为梯度方向没有发生改变,d不做出改变;
利用上面的算法得出当前的配准参数p,对图像mj进行变换,将此时的mj'更新为利用新的配准参数变换后的图像。
如果是由第5步返回,此时上层图像已经得到了收敛后的参数/最大迭代次数,此时需要先将步长d和松弛因子r置为初始值然后再进行上述寻优步骤。
步骤3:计算转换后的待配准图像mj'与参考图像fj的相似性度量(该方法中用均方根误差作为相似性度量);
具体地,计算均方根误差作为相似性度量。对于输入的待配准图像mj'与参考图像fj,两幅图像像素在灰度上不同程度的均方值为:
S=||fj(α)-mj'(α)||2
步骤4:判断是否达到收敛,若未收敛则判断是否达到了预设的迭代最大次数,如果没收敛,且没有达到最大迭代次数则重复步骤2、3。如果是收敛,或者是未收敛但是达到了最大迭代次数,则进入下一步骤;
具体地,本方法采用了两个判断是否收敛的条件,只要满足任意一个收敛条件,则可以认为是已经达到了收敛。一是看步长是否已经达了一个足够小的值,如果步长d的值小于这个步长阈值,则认为已经达到了收敛,本例子中该步长阈值取1e-4。二是判断梯度幅值(用G表示)是否小于一个值,小于该值则认为已经达到收敛,本例子中该梯度幅值阈值取1e-8。梯度幅值由下式计算得出:
步骤5:判断此时j的值是否等于1,不同则保留此时最优参数,作为步骤2的初始参数,将j值减1,重复步骤3、4、5。若相同则输出转换后的图像m1',从而得到最优空间映射参数,以及配准后图像(图5,配准后的图像)。
具体地,图3是待配准图像,是Tio波段太阳图像旋转13.4°,缩小0.78倍的图像,利用本方法将图3和图2配准,计算得到的旋转角度θ值为13.440117°,缩放量λ为0.779407。图5为将经过利用上面求得的最佳转换参数对待配准图像进行变换后与参考图像叠加后的图像,可以看到,两幅图像得到了很好的对齐。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.一种多波段太阳图像配准的方法,其特征在于:所述方法步骤包括:
步骤1:对待配准图像m1和参考图像f1进行n-1次平滑和下采样处理,分别得到两个图像的n层金字塔:m1,m2,...,mn、f1,f2,...,fn,接着执行步骤2;其中,mn表示待配准图像金字塔的第n层,fn表示参考图像金字塔的第n层;
步骤2:从mn开始,利用配准参数对待配准图像mj进行转换得到转换后的待配准图像mj',接着执行步骤3;其中,配准参数包括缩放量、旋转角度以及偏移值,j=1,2,...,n;
步骤3:计算转换后的待配准图像mj'与参考图像fj的相似性度量,接着执行步骤4;
步骤4:判断相似性度量是否达到收敛,若未收敛则判断是否达到了预设的迭代最大次数,如果没收敛,且没有达到最大迭代次数,则采用寻优策略寻找配准参数使得相似性度量最小,并根据寻找的配准参数重复步骤2、3;如果是收敛,或者是未收敛但是达到了最大迭代次数,则执行步骤5;
步骤5:判断此时j的值是否等于1,不同则保留上一步骤4最新得到的配准参数,作为步骤2的配准参数,将j值减1,重复步骤2、3、4;如果相同则得到最优配准参数,以及输出基于最优配准参数转换后的图像m1'作为配准后图像。
2.根据权利要求1所述的多波段太阳图像配准的方法,其特征在于:所述步骤1中的平滑处理利用相同缩放因数的高斯核函数进行卷积来实现。
3.根据权利要求2所述的多波段太阳图像配准的方法,其特征在于:所述缩放因数取值为2。
4.根据权利要求1所述的多波段太阳图像配准的方法,其特征在于:所述下采样通过删除平滑处理结果的所有的偶数行和列来实现。
5.根据权利要求1所述的多波段太阳图像配准的方法,其特征在于:所述n取值为4。
6.根据权利要求1所述的多波段太阳图像配准的方法,其特征在于:所述相似性度量采用均方根误差。
7.根据权利要求1所述的多波段太阳图像配准的方法,其特征在于:所述寻优策略具体为:
利用p来表示配准参数的集合,α表示待配准图像mj的空间坐标,则寻找最优值的过程就是找到一个最优变换表示利用配准参数集合p对待配准图像mj的空间坐标α进行转换,得到的是一个新的空间坐标,通过更新配准参数来最小化相似性度量则该过程可以表示为寻找合适的值p,使得:
将配准参数(λ,θ,Tx,Ty)表示为(p1,p2,p3,p4)=p,则使用下面的公式来进行参数的优化:
式中,表示的是配准参数集合p对于相似性度量S的梯度值,d是一个不断衰减的步长,当渐变方向发生改变时,它的值会减小,每当梯度的方向突然发生改变时,就假定已经通过了局部极值,这时候就将步长乘以松弛因子,即:
利用上面的算法得出当前的配准参数p,对图像mj进行变换,将此时的mj'更新为利用新的配准参数变换后的图像。
8.根据权利要求1所述的多波段太阳图像配准的方法,其特征在于:所述步骤4中收敛的准则为:只要满足任意一个收敛条件,则认为是已经达到了收敛;其中第一个收敛条件:步长小于步长阈值,则认为已经达到了收敛;第二个收敛条件是:梯度幅值小于梯度幅值阈值,则认为已经达到了收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687794.3A CN113379808B (zh) | 2021-06-21 | 2021-06-21 | 一种多波段太阳图像配准的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687794.3A CN113379808B (zh) | 2021-06-21 | 2021-06-21 | 一种多波段太阳图像配准的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379808A true CN113379808A (zh) | 2021-09-10 |
CN113379808B CN113379808B (zh) | 2022-08-12 |
Family
ID=77578177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687794.3A Active CN113379808B (zh) | 2021-06-21 | 2021-06-21 | 一种多波段太阳图像配准的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379808B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074552A1 (en) * | 2008-09-24 | 2010-03-25 | Microsoft Corporation | Removing blur from an image |
CN104091327A (zh) * | 2014-06-19 | 2014-10-08 | 华南理工大学 | 铸件的枝状缩松缺陷仿真图像的生成方法及系统 |
CN105427298A (zh) * | 2015-11-12 | 2016-03-23 | 西安电子科技大学 | 基于各向异性梯度尺度空间的遥感图像配准方法 |
CN105787901A (zh) * | 2016-03-21 | 2016-07-20 | 昆明理工大学 | 一种用于太阳高分辨图像序列中相邻两帧间的多尺度速度场测量方法 |
CN105930858A (zh) * | 2016-04-06 | 2016-09-07 | 吴晓军 | 一种带旋转、缩放的快速高精度几何模板匹配方法 |
CN106651827A (zh) * | 2016-09-09 | 2017-05-10 | 浙江大学 | 一种基于sift特征的眼底图像配准方法 |
US20170161565A1 (en) * | 2015-12-04 | 2017-06-08 | Texas Instruments Incorporated | Quasi-parametric optical flow estimation |
CN107862707A (zh) * | 2017-11-06 | 2018-03-30 | 深圳市唯特视科技有限公司 | 一种基于卢卡斯‑卡纳德图像对齐的图像配准方法 |
CN109785371A (zh) * | 2018-12-19 | 2019-05-21 | 昆明理工大学 | 一种基于归一化互相关和sift的太阳图像配准方法 |
CN110197232A (zh) * | 2019-06-05 | 2019-09-03 | 中科新松有限公司 | 基于边缘方向和梯度特征的图像匹配方法 |
CN110288050A (zh) * | 2019-07-02 | 2019-09-27 | 广东工业大学 | 一种基于聚类及光流法的高光谱和LiDar图像自动化配准方法 |
CN111445503A (zh) * | 2020-03-25 | 2020-07-24 | 桂林电子科技大学 | 基于gpu集群上并行编程模型的金字塔互信息图像配准方法 |
CN111612782A (zh) * | 2020-05-28 | 2020-09-01 | 上海应用技术大学 | 一种颅脑医学图像配准方法 |
CN112329880A (zh) * | 2020-11-18 | 2021-02-05 | 德中(天津)技术发展股份有限公司 | 一种基于相似性度量和几何特征的模板快速匹配方法 |
-
2021
- 2021-06-21 CN CN202110687794.3A patent/CN113379808B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074552A1 (en) * | 2008-09-24 | 2010-03-25 | Microsoft Corporation | Removing blur from an image |
CN104091327A (zh) * | 2014-06-19 | 2014-10-08 | 华南理工大学 | 铸件的枝状缩松缺陷仿真图像的生成方法及系统 |
CN105427298A (zh) * | 2015-11-12 | 2016-03-23 | 西安电子科技大学 | 基于各向异性梯度尺度空间的遥感图像配准方法 |
US20170161565A1 (en) * | 2015-12-04 | 2017-06-08 | Texas Instruments Incorporated | Quasi-parametric optical flow estimation |
CN105787901A (zh) * | 2016-03-21 | 2016-07-20 | 昆明理工大学 | 一种用于太阳高分辨图像序列中相邻两帧间的多尺度速度场测量方法 |
CN105930858A (zh) * | 2016-04-06 | 2016-09-07 | 吴晓军 | 一种带旋转、缩放的快速高精度几何模板匹配方法 |
CN106651827A (zh) * | 2016-09-09 | 2017-05-10 | 浙江大学 | 一种基于sift特征的眼底图像配准方法 |
CN107862707A (zh) * | 2017-11-06 | 2018-03-30 | 深圳市唯特视科技有限公司 | 一种基于卢卡斯‑卡纳德图像对齐的图像配准方法 |
CN109785371A (zh) * | 2018-12-19 | 2019-05-21 | 昆明理工大学 | 一种基于归一化互相关和sift的太阳图像配准方法 |
CN110197232A (zh) * | 2019-06-05 | 2019-09-03 | 中科新松有限公司 | 基于边缘方向和梯度特征的图像匹配方法 |
CN110288050A (zh) * | 2019-07-02 | 2019-09-27 | 广东工业大学 | 一种基于聚类及光流法的高光谱和LiDar图像自动化配准方法 |
CN111445503A (zh) * | 2020-03-25 | 2020-07-24 | 桂林电子科技大学 | 基于gpu集群上并行编程模型的金字塔互信息图像配准方法 |
CN111612782A (zh) * | 2020-05-28 | 2020-09-01 | 上海应用技术大学 | 一种颅脑医学图像配准方法 |
CN112329880A (zh) * | 2020-11-18 | 2021-02-05 | 德中(天津)技术发展股份有限公司 | 一种基于相似性度量和几何特征的模板快速匹配方法 |
Non-Patent Citations (4)
Title |
---|
LAN YU 等: "High-precision Solar Image Registration Using Normalized Cross-correlation and Intensity", 《2021 40TH CHINESE CONTROL CONFERENCE》 * |
S. MANTHIRA MOORTHI 等: "Adaptive stochastic gradient descent optimization in multi temporal satellite image registration", 《2011 IEEE RECENT ADVANCES IN INTELLIGENT COMPUTATIONAL SYSTEMS》 * |
彭地: "图像配准技术与优化算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
陈洁 等: "太阳磁场观测中相关位移叠加算法的比较", 《天文研究与技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379808B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992262B (zh) | 一种基于生成对抗网络的遥感图像超分辨重建方法 | |
Zhang et al. | Learning deep CNN denoiser prior for image restoration | |
CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
CN109087273B (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
CN109859110B (zh) | 基于光谱维控制卷积神经网络的高光谱图像全色锐化方法 | |
CN107341765B (zh) | 一种基于卡通纹理分解的图像超分辨率重建方法 | |
CN110189286B (zh) | 一种基于ResNet的红外与可见光图像融合方法 | |
CN109636722B (zh) | 一种基于稀疏表示的在线字典学习超分辨率重建的方法 | |
CN112700370B (zh) | 超参数保真与深度先验联合学习的高光谱图像超分辨方法 | |
CN111932461A (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 | |
CN109584282A (zh) | 一种基于sift特征与光流模型的非刚性图像配准方法 | |
CN112686935A (zh) | 基于特征融合的机载测深雷达与多光谱卫星影像配准方法 | |
CN112819716B (zh) | 基于高斯-拉普拉斯金字塔的无监督学习x光图像增强方法 | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN110322404B (zh) | 一种图像增强方法及系统 | |
CN112233046B (zh) | 一种柯西噪声下的图像复原方法及其应用 | |
CN111340189B (zh) | 一种空间金字塔图卷积网络实现方法 | |
Liu et al. | Multi-filters guided low-rank tensor coding for image inpainting | |
CN107424119B (zh) | 一种单图像的超分辨率方法 | |
CN113962905B (zh) | 基于多阶段特征互补网络的单幅图像去雨方法 | |
CN111461976A (zh) | 基于高效轻量级坐标神经网络的图像超分辨率方法 | |
CN113379808B (zh) | 一种多波段太阳图像配准的方法 | |
CN117593187A (zh) | 基于元学习和Transformer的遥感图像任意尺度超分辨率重建方法 | |
CN109614976B (zh) | 一种基于Gabor特征的异源图像融合方法 | |
CN107133921A (zh) | 基于多层次邻域嵌入的图像超分辨率重建方法及系统 |
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 |