CN113470049A - 一种基于结构化彩色点云分割的完整目标提取方法 - Google Patents
一种基于结构化彩色点云分割的完整目标提取方法 Download PDFInfo
- Publication number
- CN113470049A CN113470049A CN202110764447.6A CN202110764447A CN113470049A CN 113470049 A CN113470049 A CN 113470049A CN 202110764447 A CN202110764447 A CN 202110764447A CN 113470049 A CN113470049 A CN 113470049A
- Authority
- CN
- China
- Prior art keywords
- seed
- queue
- neighborhood
- point cloud
- elements
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于结构化彩色点云分割的完整目标提取方法,涉及机器视觉技术领域,为解决现有技术采用颜色信息进行分割产生的欠分割问题,该方法包括:步骤一,构建结构化彩色点云{E};步骤二,获取点云{C}在{E}上的投影区域{R}和非投影区域{NR};步骤三,基于空间位置信息的初次聚合;步骤四,基于颜色信息的二次扩充;该方法通过双目相机采集点云和图像,利用点云空间信息分割和图像颜色信息拓展,克服了现有技术采用颜色信息进行分割而产生的欠分割问题,实现了对完整目标的提取,具有实现简便和较高通用性特点。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种基于结构化彩色点云分割的完整目标提取方法。
背景技术
目标提取是机器视觉应用中一个基本且关键的问题。目标提取的目的就是获取图像中感兴趣目标,以便进行后续的目标特征分析以及目标跟踪等后续图像处理。
中国专利公开号为“CN112862843A”,名称为“一种基于邻域像素多权重决策的公章图像分割方法及系统”,该方法首先利用分水岭算法对目标进行初次分割,后利用邻域像素多权重决策的方法对分割结果进行深度优化,得到最终分割结果。该方法由于采用颜色信息进行分割,对颜色相近的相邻目标容易视为同一目标,产生欠分割的问题。
发明内容
本发明为解决现有技术采用颜色信息进行分割产生的欠分割问题,提出了一种基于结构化彩色点云分割的完整目标提取方法。
本发明解决技术问题的方案是:
一种基于结构化彩色点云分割的完整目标提取方法,包括以下步骤:
步骤一,构建结构化彩色点云{E};
通过双目相机拍摄同时得到点云{C}={ci|ci=(Xi,Yi,Zi),i∈[1,num]}和分辨率为M×N的RGB图像{I},保持{I}的行列结构不变,在{I}中添加{C}中的三维坐标信息,构建如式(1)所示的矩阵结构的彩色点云数据{E};
其中,R、G和B为{I}中像素红、绿、蓝通道灰度值;X、Y和Z为对应三维点坐标数据,若存在对应三维点,(X,Y,Z)为实际对应三维点坐标,若没有对应三维点,(X,Y,Z)记为(0,0,0);记{E}中的任意元素为e;
步骤二,获取点云{C}在{E}上的投影区域{R}和非投影区域{NR};
通过式(2)可得{C}在{E}上的投影区域{R},则非投影区域{NR}为{R}在{E}上的补集{Rc};
其中,(Xi,Yi,Zi)为{C}中三维点坐标;A为双目相机投影矩阵;(xi,yi)为(Xi,Yi,Zi)对应e的坐标;
步骤三,基于空间位置信息的初次聚合;
根据漫水填充算法,在{R}中随机选取一个e,作为初次聚合体队列首个元素,开始建立初次聚合体队列,记当前正在建立的聚合体队列为{RB};遍历{RB}中的元素,记当前遍历的元素为Seed,对Seed周围N8邻域元素据式(3)计算doj(1≤j≤8),将doj≤to的N8邻域元素加入队列{RB},to为空间位置欧式距离阈值,直到在{R}-{RB}中队列里所有元素的N8邻域元素都不符合加入队列{RB}的条件,停止遍历{RB},该队列记为一个初次聚合体{RB1};
式中:N8(Seed)为Seed的N8邻域;(xj,yj)为Seed周围N8邻域某一元素的坐标;(xseed,yseed)为Seed的坐标;{E}X(xj,yj)、{E}Y(xj,yj)、{E}Z(xj,yj)为{E}(xj,yj)的X、Y、Z信息;doj为{E}(xj,yj)与{E}(xseed,yseed)之间的空间位置欧式距离;
若{R}-{RB1}不为空,则在{R}-{RB1}中,按照{RB1}的聚合过程建立{RB2},以此类推,直至{R}-{RB1}-{RB2}-{RB3},…,-{RBn}为空,初次聚合结束,得到初次聚合体序列{RB1},{RB2},{RB3},…{RBn},其中n为形成的初次聚合体数量;
步骤四,基于颜色信息的二次扩充;
在{NR}上依次对{RB1},{RB2},{RB3},…{RBn}进行扩充:记当前扩充的初次聚合体队列为{RB'},遍历{RB'}中的元素,将{RB'}当前遍历的元素记为种子点Seed',对{NR}上的Seed'N8邻域元素根据式(4)计算dRGBk(1≤k≤8),将dRGBk≤tRGB的N8邻域元素加入队列{RB'},tRGB为颜色信息欧式距离阈值,直到在{NR}-{RB'}中队列里所有元素的N8邻域元素都不符合加入队列{RB'}的条件,停止遍历{RB'},形成最终聚合体;当所有聚合体都完成扩充时,目标提取完毕,得到扩充后的聚合体序列{RB1'},{RB'2},{RB3'},…,{RB'n};
式中:N8(Seed')为Seed'的N8邻域;(xk,yk)为Seed'周围N8邻域某一元素的坐标;(xseed',yseed')为Seed'的坐标;{E}R(xk,yk)、{E}G(xk,yk)、{E}B(xk,yk)为{E}(xk,yk)的R、G、B信息;dRGBk为{E}(xk,yk)与{E}(xseed',yseed')的颜色信息欧式距离。
本发明的有益效果在于:本方法提供一种基于结构化彩色点云分割的完整目标提取方法,通过双目相机采集点云和图像,利用点云空间信息分割和图像颜色信息拓展,克服了现有技术采用颜色信息进行分割而产生的欠分割问题,实现了对完整目标的提取,具有实现简便和较高通用性特点。
附图说明
图1是本发明一种基于结构化彩色点云分割的完整目标提取方法流程图;
图2是基于颜色信息的二次扩充示意图;
图3是Seed'N8邻域聚合示意图;
图4是基于空间位置信息的初次聚合效果图;
图5是基于颜色信息的二次扩充效果图。
具体实施方式
以下将结合附图对本发明的具体实施方式做进一步的详细描述。
以下实施例用于说明本发明,但不限制本发明的范围。
如图1所示,一种基于结构化彩色点云分割的完整目标提取方法,包括如下步骤:
步骤一,构建结构化彩色点云{E}
通过双目相机拍摄公路场景,同时得到点云{C}={ci|ci=(Xi,Yi,Zi),i∈[1,49886]}和分辨率为768×1024的RGB图像{I},保持{I}的行列结构不变,在{I}中添加{C}中的三维坐标信息,构建出如式(1)所示的矩阵结构的彩色点云数据{E}。
步骤二,获取点云{C}在{E}上的投影区域{R}和非投影区域{NR}
通过式(2)可得{C}在{E}上的投影区域{R},则非投影区域{NR}为{R}在{E}上的补集{Rc}。
步骤三,基于空间位置信息的初次聚合
根据漫水填充算法,在{R}中随机选取一个e,作为初次聚合体队列首个元素,开始建立初次聚合体队列,记当前正在建立的聚合体队列为{RB}。遍历{RB}中的元素,记当前遍历的元素为Seed,对Seed周围N8邻域元素据式(3)计算doj(1≤j≤8),将doj≤20的N8邻域元素加入队列{RB},直到在{R}-{RB}中队列里所有元素的N8邻域元素都不符合加入队列{RB}的条件,停止遍历{RB},该队列记为一个初次聚合体{RB1}。
式中:N8(Seed)为Seed的N8邻域;(xj,yj)为Seed周围N8邻域某一元素的坐标;(xseed,yseed)为Seed的坐标;{E}X(xj,yj)、{E}Y(xj,yj)、{E}Z(xj,yj)为{E}(xj,yj)的X、Y、Z信息;doj为{E}(xj,yj)与{E}(xseed,yseed)之间的空间位置欧式距离;
若{R}-{RB1}不为空,则在{R}-{RB1}中,按照{RB1}的聚合过程建立{RB2},以此类推,直至{R}-{RB1}-{RB2}-{RB3},…,-{RB81}为空,初次聚合结束,得到初次聚合体序列{RB1},{RB2},{RB3},…{RB81},对不同初次聚合体进行不同的颜色标识,基于空间位置信息的初次聚合效果如图4所示,图中目标1、目标2和目标3为3个感兴趣目标经过基于空间位置信息的初次聚合形成的初次聚合体。
步骤四,基于颜色信息的二次扩充
如图2所示,在{NR}上依次对{RB1},{RB2},{RB3},…{RB81}进行扩充:记当前扩充的初次聚合体队列为{RB'},遍历{RB'}中的元素,将{RB'}当前遍历的元素记为种子点Seed',对{NR}上的Seed'N8邻域元素根据式(4)计算dRGBk(1≤k≤8),假设Seed'N8邻域如图3所示,则将dRGBk≤20的4和7邻域元素加入队列{RB'},直到在{NR}-{RB'}中队列里所有元素的N8邻域元素都不符合加入队列{RB'}的条件,停止遍历{RB'},形成最终聚合体。当所有聚合体都完成扩充时,目标提取完毕,得到扩充后的聚合体序列{RB1'},{RB'2},{RB3'},…,{RB8'1},对不同最终聚合体进行不同的颜色标识,基于颜色信息的二次扩充效果如图5所示,图中目标1、目标2和目标3为3个感兴趣目标经过基于颜色信息的二次扩充形成的最终聚合体。
式中:N8(Seed')为Seed'的N8邻域;(xk,yk)为Seed'周围N8邻域某一元素的坐标;(xseed',yseed')为Seed'的坐标;{E}R(xk,yk)、{E}G(xk,yk)、{E}B(xk,yk)为{E}(xk,yk)的R、G、B信息;dRGBk为{E}(xk,yk)与{E}(xseed',yseed')的颜色信息欧式距离。
Claims (1)
1.一种基于结构化彩色点云分割的完整目标提取方法,其特征是包括以下步骤:
步骤一,构建结构化彩色点云{E};
通过双目相机拍摄同时得到点云{C}={ci|ci=(Xi,Yi,Zi),i∈[1,num]}和分辨率为M×N的RGB图像{I},保持{I}的行列结构不变,在{I}中添加{C}中的三维坐标信息,构建如式(1)所示的矩阵结构的彩色点云数据{E};
其中,R、G和B为{I}中像素红、绿、蓝通道灰度值;X、Y和Z为对应三维点坐标数据,若存在对应三维点,(X,Y,Z)为实际对应三维点坐标,若没有对应三维点,(X,Y,Z)记为(0,0,0);记{E}中的任意元素为e;
步骤二,获取点云{C}在{E}上的投影区域{R}和非投影区域{NR};
通过式(2)可得{C}在{E}上的投影区域{R},则非投影区域{NR}为{R}在{E}上的补集{Rc};
其中,(Xi,Yi,Zi)为{C}中三维点坐标;A为双目相机投影矩阵;(xi,yi)为(Xi,Yi,Zi)对应e的坐标;
步骤三,基于空间位置信息的初次聚合;
根据漫水填充算法,在{R}中随机选取一个e,作为初次聚合体队列首个元素,开始建立初次聚合体队列,记当前正在建立的聚合体队列为{RB};遍历{RB}中的元素,记当前遍历的元素为Seed,对Seed周围N8邻域元素据式(3)计算doj(1≤j≤8),将doj≤to的N8邻域元素加入队列{RB},to为空间位置欧式距离阈值,直到在{R}-{RB}中队列里所有元素的N8邻域元素都不符合加入队列{RB}的条件,停止遍历{RB},该队列记为一个初次聚合体{RB1};
式中:N8(Seed)为Seed的N8邻域;(xj,yj)为Seed周围N8邻域某一元素的坐标;(xseed,yseed)为Seed的坐标;{E}X(xj,yj)、{E}Y(xj,yj)、{E}Z(xj,yj)为{E}(xj,yj)的X、Y、Z信息;doj为{E}(xj,yj)与{E}(xseed,yseed)之间的空间位置欧式距离;
若{R}-{RB1}不为空,则在{R}-{RB1}中,按照{RB1}的聚合过程建立{RB2},以此类推,直至{R}-{RB1}-{RB2}-{RB3},…,-{RBn}为空,初次聚合结束,得到初次聚合体序列{RB1},{RB2},{RB3},…{RBn},其中n为形成的初次聚合体数量;
步骤四,基于颜色信息的二次扩充;
在{NR}上依次对{RB1},{RB2},{RB3},…{RBn}进行扩充:记当前扩充的初次聚合体队列为{RB'},遍历{RB'}中的元素,将{RB'}当前遍历的元素记为种子点Seed',对{NR}上的Seed'N8邻域元素根据式(4)计算dRGBk(1≤k≤8),将dRGBk≤tRGB的N8邻域元素加入队列{RB'},tRGB为颜色信息欧式距离阈值,直到在{NR}-{RB'}中队列里所有元素的N8邻域元素都不符合加入队列{RB'}的条件,停止遍历{RB'},形成最终聚合体;当所有聚合体都完成扩充时,目标提取完毕,得到扩充后的聚合体序列{RB′1},{RB'2},{RB′3},…,{RB'n};
式中:N8(Seed')为Seed'的N8邻域;(xk,yk)为Seed'周围N8邻域某一元素的坐标;(xseed',yseed')为Seed'的坐标;{E}R(xk,yk)、{E}G(xk,yk)、{E}B(xk,yk)为{E}(xk,yk)的R、G、B信息;dRGBk为{E}(xk,yk)与{E}(xseed',yseed')的颜色信息欧式距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764447.6A CN113470049B (zh) | 2021-07-06 | 2021-07-06 | 一种基于结构化彩色点云分割的完整目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764447.6A CN113470049B (zh) | 2021-07-06 | 2021-07-06 | 一种基于结构化彩色点云分割的完整目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470049A true CN113470049A (zh) | 2021-10-01 |
CN113470049B CN113470049B (zh) | 2022-05-20 |
Family
ID=77878625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764447.6A Active CN113470049B (zh) | 2021-07-06 | 2021-07-06 | 一种基于结构化彩色点云分割的完整目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470049B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114488073A (zh) * | 2022-02-14 | 2022-05-13 | 中国第一汽车股份有限公司 | 激光雷达采集到的点云数据的处理方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955920A (zh) * | 2014-04-14 | 2014-07-30 | 桂林电子科技大学 | 基于三维点云分割的双目视觉障碍物检测方法 |
US20140307952A1 (en) * | 2013-04-15 | 2014-10-16 | Microsoft Corporation | Mixing infrared and color component data point clouds |
CN105989604A (zh) * | 2016-02-18 | 2016-10-05 | 合肥工业大学 | 一种基于kinect的目标物体三维彩色点云生成方法 |
CN106683173A (zh) * | 2016-12-22 | 2017-05-17 | 西安电子科技大学 | 一种基于邻域块匹配提高三维重建点云稠密程度的方法 |
CN109118500A (zh) * | 2018-07-16 | 2019-01-01 | 重庆大学产业技术研究院 | 一种基于图像的三维激光扫描点云数据的分割方法 |
US20190287254A1 (en) * | 2018-03-16 | 2019-09-19 | Honda Motor Co., Ltd. | Lidar noise removal using image pixel clusterings |
US20190362178A1 (en) * | 2017-11-21 | 2019-11-28 | Jiangnan University | Object Symmetry Axis Detection Method Based on RGB-D Camera |
CN110853037A (zh) * | 2019-09-26 | 2020-02-28 | 西安交通大学 | 一种基于球面投影的轻量化彩色点云分割方法 |
CN111127622A (zh) * | 2019-11-25 | 2020-05-08 | 浙江大学 | 基于图像分割的三维点云离群点剔除方法 |
CN111275052A (zh) * | 2020-01-13 | 2020-06-12 | 南京林业大学 | 基于多层次聚合特征提取与融合的点云分类方法 |
CN111723721A (zh) * | 2020-06-15 | 2020-09-29 | 中国传媒大学 | 基于rgb-d的三维目标检测方法、系统及装置 |
CN111951197A (zh) * | 2020-08-14 | 2020-11-17 | 中国科学院自动化研究所苏州研究院 | 一种基于结构光的点云分割方法 |
CN111968133A (zh) * | 2020-07-31 | 2020-11-20 | 上海交通大学 | 自动驾驶场景下的三维点云数据实例分割方法及系统 |
US20210192271A1 (en) * | 2019-12-23 | 2021-06-24 | Beijing Institute Of Technology | Method and Apparatus for Pose Planar Constraining on the Basis of Planar Feature Extraction |
-
2021
- 2021-07-06 CN CN202110764447.6A patent/CN113470049B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140307952A1 (en) * | 2013-04-15 | 2014-10-16 | Microsoft Corporation | Mixing infrared and color component data point clouds |
CN103955920A (zh) * | 2014-04-14 | 2014-07-30 | 桂林电子科技大学 | 基于三维点云分割的双目视觉障碍物检测方法 |
CN105989604A (zh) * | 2016-02-18 | 2016-10-05 | 合肥工业大学 | 一种基于kinect的目标物体三维彩色点云生成方法 |
CN106683173A (zh) * | 2016-12-22 | 2017-05-17 | 西安电子科技大学 | 一种基于邻域块匹配提高三维重建点云稠密程度的方法 |
US20190362178A1 (en) * | 2017-11-21 | 2019-11-28 | Jiangnan University | Object Symmetry Axis Detection Method Based on RGB-D Camera |
US20190287254A1 (en) * | 2018-03-16 | 2019-09-19 | Honda Motor Co., Ltd. | Lidar noise removal using image pixel clusterings |
CN109118500A (zh) * | 2018-07-16 | 2019-01-01 | 重庆大学产业技术研究院 | 一种基于图像的三维激光扫描点云数据的分割方法 |
CN110853037A (zh) * | 2019-09-26 | 2020-02-28 | 西安交通大学 | 一种基于球面投影的轻量化彩色点云分割方法 |
CN111127622A (zh) * | 2019-11-25 | 2020-05-08 | 浙江大学 | 基于图像分割的三维点云离群点剔除方法 |
US20210192271A1 (en) * | 2019-12-23 | 2021-06-24 | Beijing Institute Of Technology | Method and Apparatus for Pose Planar Constraining on the Basis of Planar Feature Extraction |
CN111275052A (zh) * | 2020-01-13 | 2020-06-12 | 南京林业大学 | 基于多层次聚合特征提取与融合的点云分类方法 |
CN111723721A (zh) * | 2020-06-15 | 2020-09-29 | 中国传媒大学 | 基于rgb-d的三维目标检测方法、系统及装置 |
CN111968133A (zh) * | 2020-07-31 | 2020-11-20 | 上海交通大学 | 自动驾驶场景下的三维点云数据实例分割方法及系统 |
CN111951197A (zh) * | 2020-08-14 | 2020-11-17 | 中国科学院自动化研究所苏州研究院 | 一种基于结构光的点云分割方法 |
Non-Patent Citations (1)
Title |
---|
王雯等: "一种改进的区域增长彩色3D点云分割算法", 《理论与方法》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114488073A (zh) * | 2022-02-14 | 2022-05-13 | 中国第一汽车股份有限公司 | 激光雷达采集到的点云数据的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113470049B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271937B (zh) | 基于图像处理的运动场地标志物识别方法及系统 | |
CN106803286A (zh) | 基于多视点图像的虚实遮挡实时处理方法 | |
CN104240229B (zh) | 一种红外双目相机自适应极线校正方法 | |
WO2017059620A1 (zh) | 用于led显示屏的图像处理方法和装置 | |
CN103389042A (zh) | 基于深度图像的地面自动检测以及场景高度计算的方法 | |
CN109712232B (zh) | 一种基于光场的物体表面轮廓三维成像方法 | |
CN105335977B (zh) | 摄像系统及目标对象的定位方法 | |
CN108171715A (zh) | 一种图像分割方法及装置 | |
JP2014112055A (ja) | カメラ姿勢の推定方法およびカメラ姿勢の推定システム | |
CN104299220A (zh) | 一种对Kinect深度图像中的空洞进行实时填充的方法 | |
CN113470049B (zh) | 一种基于结构化彩色点云分割的完整目标提取方法 | |
CN112907573B (zh) | 一种基于3d卷积的深度补全方法 | |
CN108090877A (zh) | 一种基于图像序列的rgb-d相机深度图像修复方法 | |
CN108109148A (zh) | 图像立体分配方法、移动终端 | |
Xu et al. | Dynamic obstacle detection based on panoramic vision in the moving state of agricultural machineries | |
CN112489193A (zh) | 一种基于结构光的三维重建方法 | |
CN110555822B (zh) | 一种面向实时视频融合的颜色一致性调整方法 | |
CN109919957A (zh) | 一种基于动态视觉传感器的角点检测方法 | |
CN104484647B (zh) | 一种高分辨率遥感图像云高度检测方法 | |
CN114339064B (zh) | 一种基于熵权图像梯度的贝叶斯优化曝光控制方法 | |
CN109166079A (zh) | 一种混合合成运动矢量与亮度聚类的去遮挡方法 | |
CN114004895A (zh) | 一种基于多目视觉的运动物体图像特征点识别与重建方法 | |
CN105139428B (zh) | 一种基于四元数的彩色图像surf特征描述方法和系统 | |
JP2011113177A (ja) | 被写体3次元モデルを構築する方法およびプログラム | |
CN113393569A (zh) | 一种基于距离优先策略的拟合方法及其应用 |
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 |