CN113450252A - 一种超像素分割单映矩阵聚类图像拼接方法 - Google Patents
一种超像素分割单映矩阵聚类图像拼接方法 Download PDFInfo
- Publication number
- CN113450252A CN113450252A CN202110509218.XA CN202110509218A CN113450252A CN 113450252 A CN113450252 A CN 113450252A CN 202110509218 A CN202110509218 A CN 202110509218A CN 113450252 A CN113450252 A CN 113450252A
- Authority
- CN
- China
- Prior art keywords
- single mapping
- mapping matrix
- matching
- key block
- 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.)
- Pending
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 169
- 239000011159 matrix material Substances 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000011218 segmentation Effects 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011423 initialization method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007619 statistical method 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及计算、推算、计数技术领域,具体涉及一种超像素分 割单映矩阵聚类图像拼接方法。
背景技术
在图像拼接任务中,单映矩阵计算是一项关键技术。理论上,在 三维空间中不同平面在其二维图像拼接过程中都有相应的单映矩阵。 单映矩阵计算准确度直接影响图像拼接精度。
另一方面,传统单映矩阵估计方法是基于大量特征点的统计方 法,特征点失配以及非同平面特征点混淆等问题会降低单映矩阵的准 确性,尤其是在空间中存在两个以上的平面并且各平面存在遮挡关 系,会造成因特征点数量不足的单映矩阵估计质量下降问题。针对上 述问题,我们假设图像中一个超像素图像块具有统一的单映矩阵,进 而提出一种基于超像素分割单映矩阵聚类方法提高单映矩阵计算精 度。
发明内容
本发明是为了解决三维空间中复杂平面在图像拼接任务中所呈 现的多单映矩阵估计难度大且准确度低,不同单映矩阵估计过程中空 间模糊的问题,提供一种超像素分割单映矩阵聚类图像拼接方法,提 高图像拼接过程中非单一平面拼接的准确度。
本发明提供一种超像素分割单映矩阵聚类图像拼接方法,包括如 下步骤:
S5、基于单映矩阵集合{Hi},对一般块Bn采用像素匹配的方法, 在单映矩阵集合{Hi}中选取一般块Bn最优单映矩阵Hn。
本发明所述的一种超像素分割单映矩阵聚类图像拼接方法,作为 优选方式,步骤S2包括:
S22、判断特征点数量:判断特征点ki,l的数量是否大于阈值, 如果是,则进入步骤S23;如果否,则以与特征点ki,l的空间邻近匹 配特征点作为补充,直至特征点ki,l的数量大于阈值后进入步骤 S23;
S23、获得关键块专属单映矩阵初始值:通过计算获得关键块专属 单映矩阵Hi的初始值,初始值具有偏向于真实值的微扰。
本发明所述的一种超像素分割单映矩阵聚类图像拼接方法,作为 优选方式,步骤S22中,阈值为40。
本发明所述的一种超像素分割单映矩阵聚类图像拼接方法,作为 优选方式,步骤S23中,使用DLT算法计算获得初始值。
本发明所述的一种超像素分割单映矩阵聚类图像拼接方法,作为 优选方式,步骤S3包括:
S34、计算匹配系数:匹配系数wi,j依照如下公式计算:
本发明所述的一种超像素分割单映矩阵聚类图像拼接方法,作为 优选方式,步骤S4包括:
kj,l=[xj,l yj,l 1]T,
k′j,l=[x′j,l y′j,l 1]T;
S42、匹配约束计算:根据如下公式进行匹配约束计算:
S43、获得单映矩阵集合:采用聚类方法根据如下超定方程修正关 键块专属单映矩阵Hi:
然后对A T A进行特征值分解,最小特征值所对应的特征向量即 为修正后的关键块专属单映矩阵Hi,迭代所有匹配特征点,获得单映 矩阵集合{Hi}。
M为匹配点对的个数,A为2M×9矩阵。
本发明所述的一种超像素分割单映矩阵聚类图像拼接方法,作为 优选方式,步骤S5中,像素匹配的方法是指将一般块Bn通过单映 矩阵集合{Hi}的每一个单映矩阵Hi映射获得图像Ⅱ中一般块Bn中的对应像素,形成映射块
本发明所述的一种超像素分割单映矩阵聚类图像拼接方法,作为 优选方式,步骤S5中,选取一般块Bn的最优单映矩阵Hn的方法 为:选取一般块Bn与映射块的匹配度的最大值时 对应的单映矩阵Hi,即为最优单映矩阵Hn:
在计算的单映矩阵Hi,我们可以对特征点集合为Kj所产生的特 征点匹配关系定义相应权重。设A为特征点匹配限制矩阵(2M×9矩 阵,其中M为图像Ⅰ与图像Ⅱ的匹配特征点数量),其中,对于隶属 于Kj的限制项我们为其增添权重wi,j,而后对ATA进行特征值分解,最 小特征值所对应的特征向量为更新后的列化单映矩阵Hi;
特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上 曲率较大的点。
本发明具有以下优点:
本发明所提出的单映聚类方法可以计算不同空间平面的单映矩 阵,并且提高处于不同平面交界区域单映矩阵的准确性,解决不同单 映矩阵估计过程中空间模糊问题,提高图像拼接质量。
附图说明
图1为一种超像素分割单映矩阵聚类图像拼接方法实施例1-2流 程图;
图2为一种超像素分割单映矩阵聚类图像拼接方法步骤S2流程 图;
图3为一种超像素分割单映矩阵聚类图像拼接方法步骤S3流程 图;
图4为一种超像素分割单映矩阵聚类图像拼接方法步骤S4流程 图;
图5为一种超像素分割单映矩阵聚类图像拼接方法实施例3超像 素及所属特征点和单映矩阵示例图;
图6为一种超像素分割单映矩阵聚类图像拼接方法实施例3失配 距离d2,1计算方法示例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方 案进行清楚、完整地描述,显然,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。
实施例1
如图1所示,一种超像素分割单映矩阵聚类图像拼接方法,包括 如下步骤:
S5、基于单映矩阵集合{Hi},对一般块Bn采用像素匹配的方法, 在单映矩阵集合{Hi}中选取一般块Bn最优单映矩阵Hn。
实施例2
如图1所示,一种超像素分割单映矩阵聚类图像拼接方法,包括 如下步骤:
S22、判断特征点数量:判断特征点ki,l的数量是否大于阈值, 如果是,则进入步骤S23;如果否,则以与特征点ki,l的空间邻近匹 配特征点作为补充,直至特征点ki,l的数量大于阈值后进入步骤 S23;
S23、获得关键块专属单映矩阵初始值:通过DLT算法计算获得 关键块专属单映矩阵Hi的初始值,初始值具有偏向于真实值的微扰;
阈值为40;
S34、计算匹配系数:匹配系数wi,j依照如下公式计算:
kj,l=[xj,l yj,l 1]T,
k′j,l=[x′j,l y′j,l 1]T;
S42、匹配约束计算:根据如下公式进行匹配约束计算:
S43、获得单映矩阵集合:采用聚类方法根据如下超定方程修正关 键块专属单映矩阵Hi:
然后对A T A进行特征值分解,最小特征值所对应的特征向量即 为修正后的关键块专属单映矩阵Hi,迭代所有匹配特征点,获得单映 矩阵集合{Hi};
M为匹配点对的个数,A为2M×9矩阵;
S5、基于单映矩阵集合{Hi},对一般块Bn采用像素匹配的方法, 在单映矩阵集合{Hi}中选取一般块Bn最优单映矩阵Hn;
实施例3
一种超像素分割单映矩阵聚类图像拼接方法,假设在三维空间中 不同平面在二维成像的像点隶属于不同的超像素,从而,不同的超像 素潜在具有不同的单映矩阵。
如图5所示,本实施例中超像素及隶属于特定超像素的特征点定 义方法。在此示例中,图像被划分为四个超像素,即和 B4。其中,及为具有匹配特征点的超像素块,B4为 不具备匹配特征点的超像素块。超像素块内的特征点被定义为 Kj,Kj中包括的特征点被定义为kj,l。例如,图5中的 特征点包括k1,1和k1,2;的特征点包括k2,1和k2,2;的特 征点包括k3,1、k3,2和k3,3。超像素块所对应的单映矩阵为 Hj。Hj即为本发明所要优化的单映矩阵。如果超像素中特征点 的数量大于某一阈值(在本实施例中,此阈值为40),我们用隶属 于此超像素的特征点,采用DLT算法计算Hj的初始值;相反,如 果当前超像素内的特征点数量小于上述阈值,我们采用与当前超像素最近的特征点作为补充,从而估计出Hj的初始值。上述初始化方 法使得Hj的初始值具有偏向于真实值的微扰。
由于一个超像素内特征点数量受限,Hj稳定性能会有潜在问 题。基于上述初始化方法,我们进一步通过聚类的方法优化各单映矩 阵。设当前被优化的单映矩阵为超像素的单映矩阵Hi。在此 聚类过程中,我们首先要计算任意一个单映矩阵Hj对中特征点的失配距离di,j(注意,j可以等于i)。失配距离越大说明 Hj与中特征点的匹配度越差。di,j增大时,在聚类过程中, 我们赋予隶属于特征点的匹配系数也相应减小。
本实施例中di,j的计算方法如图6所示。在图6中,当前待 处理的单映矩阵是的单映矩阵H2,所计算的失配距离为d2,1。 设中k2,1和k2,2在图像Ⅱ中的匹配点分别为k′2,1和k′2,2。 我们采用H1将k2,1和k2,2映射到图像Ⅱ中的点分别为和 采用H1映射点与实际匹配点之间的平均距离被定义为失配距 离d2,1。
匹配系数wi,j如公式(1)计算:
所有隶属于的特征点在Hi聚类更新过程中都采用匹配系数 wi,j。我们看到:wi,i恒等于1;di,j>di,i时,wi,j<1;di,j<di,i时, wi,j>1。也就是说,匹配度好的特征点在聚类过程中被赋予更大的 匹配系数。
设特征点kj,l及其匹配点k′j,l的齐次坐标表示分别为 kj,l=[xj,l yj,l 1]T和k′j,l=[x′j,l y′j,l 1]T,我们可以得到两项特征点匹 配约束项,如公式(2)所示。
通过迭代方法,获得稳定单映矩阵集合{Hi}。在图像Ⅰ中不包 含匹配特征点的块Bn(如图5中的B4),我们通过集合中的某一 个单映矩阵Hi可逐像素在图像Ⅱ中获得Bn中每个像素的对应像 素,从而形成映射块我们定义Bn与的匹配度 为:
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范 围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内,根据本发明的技术方案及其发明构思加以等同替换或改 变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种超像素分割单映矩阵聚类图像拼接方法,其特征在于:包括如下步骤:
S5、基于所述单映矩阵集合{Hi},对所述一般块Bn采用像素匹配的方法,在所述单映矩阵集合{Hi}中选取所述一般块Bn最优单映矩阵Hn。
3.根据权利要求2所述的一种超像素分割单映矩阵聚类图像拼接方法,其特征在于:步骤S22中,所述阈值为40。
4.根据权利要求2所述的一种超像素分割单映矩阵聚类图像拼接方法,其特征在于:步骤S23中,使用DLT算法计算获得所述初始值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509218.XA CN113450252A (zh) | 2021-05-11 | 2021-05-11 | 一种超像素分割单映矩阵聚类图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509218.XA CN113450252A (zh) | 2021-05-11 | 2021-05-11 | 一种超像素分割单映矩阵聚类图像拼接方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450252A true CN113450252A (zh) | 2021-09-28 |
Family
ID=77809634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110509218.XA Pending CN113450252A (zh) | 2021-05-11 | 2021-05-11 | 一种超像素分割单映矩阵聚类图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450252A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633526A (zh) * | 2017-09-04 | 2018-01-26 | 腾讯科技(深圳)有限公司 | 一种图像跟踪点获取方法及设备、存储介质 |
US20180225807A1 (en) * | 2016-12-28 | 2018-08-09 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Single-frame super-resolution reconstruction method and device based on sparse domain reconstruction |
US20180336700A1 (en) * | 2017-05-22 | 2018-11-22 | Alibaba Group Holding Limited | Image capture direction recognition method and server, surveillance method and system and image capture device |
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 |
US20200213620A1 (en) * | 2017-09-15 | 2020-07-02 | Tencent Technology (Shenzhen) Company Limited | Image splicing method and apparatus, and storage medium |
-
2021
- 2021-05-11 CN CN202110509218.XA patent/CN113450252A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180225807A1 (en) * | 2016-12-28 | 2018-08-09 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Single-frame super-resolution reconstruction method and device based on sparse domain reconstruction |
US20180336700A1 (en) * | 2017-05-22 | 2018-11-22 | Alibaba Group Holding Limited | Image capture direction recognition method and server, surveillance method and system and image capture device |
CN107633526A (zh) * | 2017-09-04 | 2018-01-26 | 腾讯科技(深圳)有限公司 | 一种图像跟踪点获取方法及设备、存储介质 |
US20200213620A1 (en) * | 2017-09-15 | 2020-07-02 | Tencent Technology (Shenzhen) Company Limited | Image splicing method and apparatus, and storage medium |
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 |
Non-Patent Citations (3)
Title |
---|
JI YUFENG等: "Automatic video mosaicking algorithm via dynamic key-frame", JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS, vol. 31, no. 2, pages 272 - 278 * |
任刚;彭冬亮;谷雨;: "基于圆柱面映射的快速图像拼接算法", 计算机应用研究, no. 11, pages 277 - 281 * |
张晶晶;翟东海;黄莉芝;喻强;: "基于特征分块的视差图像拼接算法", 计算机工程, no. 05, pages 220 - 226 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648221B (zh) | 一种基于混合滤波的深度图空洞修复方法 | |
CN107146228B (zh) | 一种基于先验知识的大脑磁共振图像超体素生成方法 | |
CN107578430B (zh) | 一种基于自适应权值和局部熵的立体匹配方法 | |
TWI434225B (zh) | Stereo Matching Method Using Quantitative Operation of Image Intensity Value | |
CN109887008B (zh) | 基于前后向平滑和o(1)复杂度视差立体匹配方法、装置和设备 | |
CN111553296B (zh) | 一种基于fpga实现的二值神经网络立体视觉匹配方法 | |
WO2024051657A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN108462866A (zh) | 一种基于匹配和优化的3d立体图像颜色校正方法 | |
Meinhardt-Llopis et al. | Implementation of the centroid method for the correction of turbulence | |
CN113177592A (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
CN114972388A (zh) | 基于非对称测地线的交互式图像分割方法 | |
CN111814884A (zh) | 一种基于可变形卷积的目标检测网络模型的升级方法 | |
CN113838104B (zh) | 基于多光谱与多模态图像一致性增强网络的配准方法 | |
CN113450252A (zh) | 一种超像素分割单映矩阵聚类图像拼接方法 | |
CN114120012A (zh) | 一种基于多特征融合和树形结构代价聚合的立体匹配方法 | |
CN109785372A (zh) | 基于软决策优化的基础矩阵鲁棒估计方法 | |
CN110930331A (zh) | 一种噪声模糊图像非盲复原方法、系统及存储介质 | |
CN113344989B (zh) | 一种NCC和Census的最小生成树航拍图像双目立体匹配方法 | |
CN115908485A (zh) | 一种面向太空中非合作目标的实时位姿跟踪方法及其系统 | |
CN111626368B (zh) | 一种基于量子算法的图像相似度识别方法、装置及设备 | |
CN107909545A (zh) | 一种提升单帧图像分辨率的方法 | |
US20180158194A1 (en) | Determining Optical Flow | |
CN109410214B (zh) | 一种具有抗噪性和偏场校正的医学图像分割方法 | |
CN112862907A (zh) | 显微图像校正方法、装置、设备、存储介质及产品 | |
CN112017108A (zh) | 基于独立模型法区域网平差的卫星正射影像颜色相对校正方法 |
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 |