CN113658080B - 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 - Google Patents
一种基于特征点匹配的线扫圆柱体几何校正方法及装置 Download PDFInfo
- Publication number
- CN113658080B CN113658080B CN202110965409.7A CN202110965409A CN113658080B CN 113658080 B CN113658080 B CN 113658080B CN 202110965409 A CN202110965409 A CN 202110965409A CN 113658080 B CN113658080 B CN 113658080B
- Authority
- CN
- China
- Prior art keywords
- point
- matching
- image
- points
- reference 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 50
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 230000001131 transforming effect Effects 0.000 claims abstract description 6
- 230000001629 suppression Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征点匹配的线扫圆柱体几何校正方法及装置,该方法包括:步骤S1,使用线扫相机对待校正的圆柱体工件进行线扫采集展开的图像作为待校正图像,并采集获取参考图像;步骤S2,对参考图像与待校正图像进行特征点提取;步骤S3,对提取的特征点生成描述子;步骤S4,利用生成的描述子得到参考图像各特征点的自响应值,并根据自响应值对参考图像的特征点过滤;步骤S5,对参考图像上的每一个特征点,在待校正图像上寻找候选对应点;步骤S6,对参考图像上的每个特征点及其对应的待校正图像上的候选特征点进行寻找最优匹配;步骤S7,利用得到的最优匹配点对将待校正图像进行变换得到与参考图像相对齐的图像。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种基于特征点匹配的线扫圆柱体几何校正方法及装置。
背景技术
工业领域中,为了检测一些圆柱体工件的表面缺陷,需要对其表面进行成像。常见的应用有口红、圆柱铅笔等表面的缺陷检测。
目前针对圆柱体成像的主要方法是:将工件置于一个能够使工件转动的机构上,同时固定一个线扫相机于圆柱体工件的上方,通过机构匀速旋转圆柱体工件并给信号到线扫相机来采集图像。然而,按照该方式采集的圆柱体成像存在两个问题:
a.每次圆柱体展开起始位置不同。
原因:工件摆放时面朝线扫相机的位置对应着展开的起始位置,实际上圆柱工件很难每次摆放到相同的位置。
b.圆柱体图像沿展开的方向存在畸变。
原因:由于机构的旋转角速度并非绝对的匀速,这样会导致线扫相机得到的图像存在着变形。按照该方式圆柱体展开图像会被不同程度地拉长或缩短,而且这种拉伸是非线性。
基于这两个问题的存在,圆柱体工件很难像平面工件成像那样使用传统的图像匹配技术进行对齐,从而无法使用机器视觉进行大规模检测。
针对上述问题,目前也有技术通过采用超高精密机构设备使其角速度更加均匀来减少图像畸变,但是成本过高难以普及。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种基于特征点匹配的线扫圆柱体几何校正方法及装置,实现了将线扫得到的圆柱体图像对齐到参考图像上的目的,使得同一批圆柱体物料能够合理地进行对齐,令圆柱体物料也能够像平面物料进行大规模的视觉缺陷检测。
为达上述及其它目的,本发明提出一种基于特征点匹配的线扫圆柱体几何校正方法,包括如下步骤:
步骤S1,使用线扫相机对一个完好无损的圆柱体工件采集展开后的图像,进行预处理以得到理想图像作为参考图像,并使用线扫相机对待校正的圆柱体工件进行线扫采集展开的图像作为待校正图像;
步骤S2,对所述参考图像与待校正图像进行特征点提取;
步骤S3,利用特征点所在位置处且垂直于展开方向的系列像素灰度值作为该特征点的描述子对步骤S2提取的特征点生成描述子;
步骤S4,利用生成的描述子得到参考图像各特征点的自响应值,并根据自响应值将参考图像上的可靠性低的特征点进行过滤;
步骤S5,对参考图像上的每一个特征点,在待校正图像上寻找与其相对应的候选对应点;
步骤S6,对参考图像上的每个特征点及其对应的待校正图像上的候选特征点进行寻找最优匹配,获得最优匹配点对;
步骤S7,利用得到的最优匹配点对将待校正图像进行变换得到与参考图像相对齐的图像,从而实现几何校正。
优选地,于步骤S1中,若是圆柱体侧面则沿图像Y方向变化,则所述参考图像与待校正图像宽相同,高不同;若是圆柱体侧面则沿图像X方向变化,则所述参考图像与待校正图像高相同,宽不同。
优选地,步骤S4进一步包括:
步骤S400,对于所述参考图像各特征点,利用其生成的描述子的梯度变化或方差值计算得到各特征点的自响应值;
步骤S401,利用特征点的自响应值对所述参考图像沿着圆柱体展开方向对特征点进行非极大值抑制。
优选地,于步骤S401中,设定一个抑值半径r,对于第i个特征点PR(i),将以该特征点PR(i)为中心,抑值半径r为半径的范围内除了PR(i)以外的所有特征点的自响应值与特征点PR(i)的自响应值FR(i)进行比较:若响应值FR(i)最大,则保留特征点PR(i);若响应值FR(i)并非最大,则丢掉特征点PR(i)。
优选地,于步骤S5中,通过对所述参考图像上的每一个特征点,通过描述子的距离来计算待校正图像上各特征点与其距离,选择与其距离最近的若干特征点作为所述参考图像上当前特征点对应的候选对应点。
优选地,步骤S6进一步包括:
步骤S600,从所述参考图像中的第一个特征点选择一个候选对应点,得到一组匹配点并初始化匹配能量为E=0,记录成功匹配点对数目s=1,其中/>表示第i个特征点选中的候选对应点编号;
步骤S601,依次对所述参考图像的第i个特征点,i=2,3,…,m,根据其对应的候选对应点与上一个匹配点的距离与基准距离的比较结果筛选候选对应点,并更新匹配能量E和成功匹配点对数目s,最终得到一组配对结果;
步骤S602,返回步骤S600从所述参考图像中的第一个特征点选择另一个候选对应点并继续执行步骤S600-步骤S601,直至参考图像第一特征点的所有候选对应点选择完毕,得到若干组配对结果;
步骤S603,从若干组配对中选择匹配点对数最多的一组配对作为最优匹配。
优选地,于步骤S601中,依次对所述参考图像的第i个特征点选择最优匹配点,执行如下步骤:
步骤S601a,计算当前第一候选对应点和第二候选对应点/>与上一个匹配点/>的距离,并与基准距离进行比较,所述基准距离为所述参考图像中相邻的两个特征点的距离fd(PR(i),PR(i-1));
步骤S601b,根据步骤S601a的结果与设定阈值比较,对候选对应点进行筛选,得到匹配结果;
步骤S601c,当匹配成功,则更新成功匹配点对,令s=s+1,并令i=i+1,返回步骤S601a进行下一次匹配,直到所述参考图像中所有的特征点都查找完毕,最终得到一组配对结果。
优选地,于步骤S601b中,比较过程如下:
i.若且/>则当前两个候选对应点都不是匹配点,令i=i+1,并跳到步骤S601a进行下一次匹配;
ii.若且/>则第1个候选点/>为匹配点,记/>并更新能量为:
iii.若且/>则第2个候选点/>为匹配点,记/>并更新能量为:
iii.若且/>则进一步比较/>与/>的关系,选择值较小的一方作为匹配点,并更新能量为:/>
其中,为当前第一候选对应点/>与上一个匹配点的距离与所述基准距离的绝对差值,/>为当前第二候选对应点/>与上一个匹配点的距离与所述基准距离的绝对差值。
优选地,于步骤S603中,若匹配点对数相同,选择能量最小的一组配对作为最优匹配。
为达到上述目的,本发明还提供一种基于特征点匹配的线扫圆柱体几何校正装置,包括:
图像采集处理单元,用于使用线扫相机对一个完好无损的圆柱体工件采集展开后的图像,并进行预处理以得到理想图像作为参考图像,并使用线扫相机对待校正的圆柱体工件进行线扫采集展开的图像作为待校正图像;
特征点提取单元,用于对所述参考图像与待校正图像进行特征点提取;
描述子生成单元,用于利用特征点所在位置处且垂直于展开方向的系列像素灰度值作为该特征点的描述子对所述特征点提取单元提取的特征点生成描述子;
参考图像特征点过滤单元,用于利用生成的描述子得到参考图像各特征点的自响应值,并根据自响应值将参考图像上的可靠性低的特征点进行过滤;
粗匹配单元,用于对参考图像上的每一个特征点,在待校正图像上寻找与其相对应的候选对应点;
精匹配单元,用于对参考图像上的每个特征点及其对应的待校正图像上的候选对应点进行寻找最优匹配,获得最优匹配点对;
几何校正单元,用于利用得到的最优匹配点对将待校正图像进行变换得到与所述参考图像相对齐的图像,从而实现几何校正。
与现有技术相比,本发明一种基于特征点匹配的线扫圆柱体几何校正方法及装置通过利用线扫相机获得参考图像及待校正图像,对参考图像与待校正图像进行特征点提取以及对提取的特征点生成描述子,然后利用生成的描述子得到参考图像各特征点的自响应值,根据自响应值对参考图像的特征点过滤,对对参考图像上的每一个特征点在待校正图像上寻找候选对应点,并对参考图像上的每个特征点及其对应的待校正图像上的候选特征点进行寻找最优匹配,最后利用得到的最优匹配点对将待校正图像进行变换得到与参考图像相对齐的图像,从而实现了将线扫得到的圆柱体图像对齐到参考图像上的目的,使得同一批圆柱体物料能够合理地进行对齐,令圆柱体物料也能够像平面物料进行大规模的视觉缺陷检测。
附图说明
图1为本发明一种基于特征点匹配的线扫圆柱体展开几何校正方法的步骤流程图;
图2为本发明具体实施例之基于特征点匹配的线扫圆柱体展开几何校正流程图;
图3为本发明一种基于特征点匹配的线扫圆柱体展开几何校正装置的结构示意图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种基于特征点匹配的线扫圆柱体几何校正方法的步骤流程图,图2为本发明具体实施例之基于特征点匹配的线扫圆柱体展开几何校正流程图。如图1及图2所示,本发明一种基于特征点匹配的线扫圆柱体几何校正方法,包括如下步骤:
步骤S1,使用线扫相机对一个完好无损的圆柱体工件采集展开后的图像,并进行预处理以得到理想图像作为参考图像,并使用线扫相机对待校正的圆柱体工件进行线扫采集展开的图像作为待校正图像。
在本发明中,利用线扫相机对圆柱体工件进行线扫采集展开后的图像,采集的图像则为待校正图像,记为W,本发明具体实施例中,为了保证圆柱体所有的信息都被采集且避免过度重复,对圆柱体工件采集大于1.5圈且小于2圈的数据。
同样,使用线扫相机对一个完好无损的圆柱体工件采集展开后的图像,通过手动平移、裁剪等操作得到最终想要的理想图像作为参考图像,记为R(需说明的是,参考图像采集的是大于1.5圈且小于2圈的数据,但经手动平移、裁剪等操作后参考图像大小为1圈的数据)。参考图像恰好包含了圆柱体工件的展开内容,待校正图像则包含了重复的圆柱体侧面内容。两者只是沿着展开的方向上有差异,但是成像的内容不会发生变化。本发明的目标就是以参考图像为基准,对待校正图像进行校正。
在本发明具体实施例中,若是圆柱体侧面则沿图像Y方向变化,则参考图像与待校正图像宽相同,高不同;若是圆柱体侧面则沿图像X方向变化,则参考图像与待校正图像高相同,宽不同。
步骤S2,对参考图像与待校正图像进行特征点提取。
在本发明中,可使用任意一种特征点提取算法对参考图像及待校正图像提取特点。目前常用的特征点提取算法有:HARRIS、SUSAN、SIFT、SURF、FAST算子等等,原则上凡是能够在从图像上提取特征点的算法都可以使用,本发明不以此为限。
经过特征点提取后,参考图像及待校正图像都会得到一些坐标点位置信息。假设参考图像提取到m’个特征点,且第i个特征点记为PR(i),表示图像R中的坐标位置为待校正图像提取到n’个特征点,且第j个特点记为PW(j),表示图像W中的坐标位置为/>
步骤S3,利用特征点所在位置处且垂直于展开方向的系列像素灰度值作为该特征点的描述子对步骤S2提取的特征点生成描述子。
线扫相机得到的圆柱体展开图像只是在展开方向上存在伸缩变化,但就内容而言不会发生变化,故本发明使用特征点所在位置处且垂直于展开方向的系列像素灰度值作为该特征点的描述子。
由于特征点的坐标值会为小数,故需要对灰度值进行线性插值操作。以参考图像R为例,假设圆柱体侧面则沿图像Y方向变化,对于特征点PR(i),其描述子DR(i)为一个长度为图像宽的向量,通过灰度线性插值获得,其中第j个元素的值DR(i,j)为:
上式中,中的R表示参考图像,/>表示坐标点,/>表示参考图像R上坐标位置为/>处的灰度值,其中,/>表示向下取整操作。
待校正图像上特征点PW(i)的描述子DW(i)的计算方式与PR(i)相同,且所有描述子的长度相同。
步骤S4,利用生成的描述子得到参考图像各特征点的自响应值,并根据自响应值将参考图像上的可靠性低的特征点进行过滤。
具体地,步骤S4进一步包括:
步骤S400,对于参考图像各特征点,利用其生成的描述子计算得到各特征点的自响应值。
由于每种特征点对匹配的贡献是不同的,原则上是其描述子变化越剧烈则图像中对应位置处的内容越丰富。因此本发明具体实施例中,利用描述子的梯度变化作为特征点的自响应。以线扫按Y方向展开为例,假设描述子的长度为l,对于第i个特征点PR(i)的自响应值FR(i)计算为:
需说明的是,虽然上式是按照线扫按Y方向展开给出的,但实际上,本发明也可以适用于线扫按照X方向展开的情况。如果线扫按X方向展开,则第j个特征点PR(j)的自响应值FR(j)计算为:
也就是说,本发明同样适用于按照X方向展开的情况,只是公式上,行列处理略有一点差异。
由于线扫描图像按照X方向展开时的操作与Y方向展开的情况类似,后续的说明均以线扫图像按Y方向展开为例,按照X方向展开时的操作与Y方向展开的情况类似,本发明将不再予以赘述。
当然,本发明中自响应值并不限于这里提出的梯度绝对值和,利用描述子的方差值等也可以作为特征点的自响应值。
步骤S401,利用特征点的自响应值将参考图像上的可靠性低的特征点进行过滤。
通常图像上提取的特征点非常多,全部使用会导致后期匹配耗时巨大。因此,在本发明中,需要利用自响应值将参考图像上的可靠性低的特征点进行过滤。
具体地说,在参考图像上,沿着圆柱体展开方向对特征点进行非极大值抑制。假设圆柱体侧面则沿图像的Y方向变化,用户设定一个抑值半径r(通常取值为2~10),以线扫描图像按照Y方向展开为例,对于第i个特征点PR(i)仅考虑Y方向的坐标将范围以内且除了PR(i)以外的所有特征点的自响应值与特征点PR(i)的自响应值FR(i)进行比较:若响应值FR(i)最大,则保留特征点PR(i);若响应值FR(i)并非最大,则丢掉特征点PR(i);按照X方向展开时的操作与Y方向展开的情况类似,在此不再赘述。
这里需说明的是,非极大值抑制仅在参考图像上执行。因为非极大值抑制会丢掉一些特征点,若在待校正图像上也执行非极大值抑制会使一些对应点丢失导致参考图像上的部分特征点在校正图像上无法正确匹配。
步骤S5,对参考图像上的每一个特征点,在待校正图像上寻找与其相对应的候选对应点。
本步骤即粗匹配,在本发明具体实施例中,通过对参考图像上的每一个特征点,计算待校正图像上各特征点与其距离,选择与其距离最近的若干特征点作为候选对应点,具体地,可通过计算描述子的距离来度量特征点之间的相似性(即距离),定义特征点PR(i)与特征点PW(k)的距离B(i,k)为:
考虑到可能存在误匹配及待校正图像有重复内容等因素,则参考图像上的每一个特征点在待校正图像上记录多个与其距离最近的特征点作为候选对应点。为了避免参考图像上第一个特征点匹配错误,相对于其它特征点可以多保留一些候选对应点。
步骤S6,对参考图像上的每个特征点及其对应的待校正图像上的候选特征点进行寻找最优匹配,获得最优匹配点对。
由于经过步骤S5粗匹配后,参考图像上的每一个特征点都会得到若干个候选对应点,因此需要从全局考虑在待校正图像上找到与参考图像特征点相对应的最优特征点,这些特征点是后面几何校正的关键点。
同样,假设圆柱体侧面则沿图像Y方向变化,非极大值抑制后参考图像剩余的特征点共有m个,并按照Y坐标从小到大进行编号。令第1个特征点保留4个候选对应点,其余的特征点均保留2个候选对应点,那么,粗匹配之后可以得到对应关系为表1所示:
表1
其中,表示参数图像上第a个特征点,在待校正图像上的第b个候选对应点的编号,其在待校正图像上对应的特征点为/>
在本发明具体实施例中,寻找最优匹配由参考图像上的第一个特征点的第一个候选对应点开始遍历,并计算能量值,每次选择能量增加最小的候选对应点作为匹配点,具体地,步骤S6进一步包括:
步骤S600,从参图像中的第一个特征点选择一个候选对应点,得到一组匹配点并初始化匹配能量为E=0,记录成功匹配点对数目s=1。/>表示第i个特征点选中的候选对应点编号。例如:/>只能是/>中的一个,而且是确定的。
步骤S601,对参考图像的第i个特征点选择最优匹配点,其中i依次为2,3,…,m,执行如下步骤:
步骤S601a,计算当前候选对应点和/>与上一个匹配点/>的距离,并与基准距离进行比较:
其中,fd表示计算两个坐标点的欧式距离。
在本发明具体实施例中,计算参考图像中相邻的两个特征点的距离为一个基准距离,一般来说,待校正图像上正确匹配的两个特征点其距离应该与基准距离相差不大。
步骤S601b,根据步骤S601a的结果与设定阈值比较,对候选对应点进行筛选。
如果参考图像上两对点与待校正图像上的两对点完全匹配,那么它们的距离相差较小,因此在本发明中设定阈值ε,对候选对应点进行如下筛选:
i.若且/>则当前两个候选对应点都不是匹配点,此时说明当前参考图像上的第i个特征点在待校正图像上没有匹配点对,令i=i+1并跳到步骤S601进行下一次匹配。
ii.若且/>则第1个候选点/>为匹配点,记/>并更新能量为:
iii.若且/>则第2个候选点/>为匹配点,记/>并更新能量为:
iii.若且/>则进一步比较/>与/>的关系,选择值较小的一方作为匹配点,并更新能量为:/>
步骤S601c,当匹配成功,则更新成功匹配点对,令s=s+1,并令i=i+1返回步骤S601进行下一次匹配,直到参考图像中所有的特征点都查找完毕,得到一组配对结果。
步骤S602,返回步骤S600从参图像中的第一个特征点选择另一个候选对应点并继续执行步骤S600-步骤S601,直至参考图像第一特征点的所有候选对应点选择完毕。
步骤S603,优先选择匹配点对数最多的一组配对作为最优匹配,若匹配点对数相同,则选择能量最小的一组作为最优匹配。
在本发明中,是从参考图像的第一个特征点开始寻找匹配对的,由于参考图像的第一个特征点有4个候选对应特征点,每选择一个候选对应特征点,执行一次S601,故最终得到4组匹配对应关系,优先选择匹配点对数最多的一组作为最优匹配,若匹配点对数相同,则选择能量最小的一组作为最优匹配。这样就可以得到一组匹配点对。
步骤S7,利用得到的最优匹配点对将待校正图像进行变换得到与参考图像相对齐的图像,从而实现几何校正。
假设圆柱体侧面则沿图像Y方向变化,共得到n对匹配点对,仅保留匹配点对的Y坐标,并由小到大排序进行排序。为方便描述记为 几何校正的目的就是利用匹配点对将待校正图像W进行变换得到与参考图像相对齐的图像C。对齐的图像C的第u行在待校正图像W上对应行位置u’为:
a.当时,
需要用第1和第2个特征点的距离比例关系来推测在待校正图像W上与其对应的行u’:
b.当时,i=1,2,…n-1
需要用第i和第i+1个特征点的距离比例关系来推测在待校正图像W上与其对应的行u’:
c.当时,
需要用第n-1和第n个特征点的距离比例关系来推测在待校正图像W上与其对应的行u’:
得到对应关系后,行u’可能为小数值,需要通过线性插值得到对齐图像C第u行所有数据的灰度值:
其中,v取值为1,2,…,图像的宽。
图3为本发明一种基于特征点匹配的线扫圆柱体几何校正装置的结构示意图。如图3所示,本发明一种基于特征点匹配的线扫圆柱体几何校正装置,包括:
图像采集处理单元201,用于使用线扫相机对一个完好无损的圆柱体工件采集展开后的图像,并进行预处理以得到理想图像作为参考图像,并使用线扫相机对待校正的圆柱体工件进行线扫采集展开的图像作为待校正图像。
在本发明中,图像采集处理单元201利用线扫相机对圆柱体工件进行线扫采集展开后的图像,采集的图像则为待校正图像,记为W,本发明具体实施例中,为了保证圆柱体所有的信息都被采集且避免过度重复,对圆柱体工件采集大于1.5圈且小于2圈的数据。
同样,图像采集处理单元201使用线扫相机对一个完好无损的圆柱体工件采集展开后的图像,通过手动平移、裁剪等操作得到最终想要的理想图像作为参考图像,记为R。参考图像恰好包含了圆柱体工件的展开内容,待校正图像则包含了重复的圆柱体侧面内容。两者只是沿着展开的方向上有差异,但是成像的内容不会发生变化。本发明的目标就是以参考图像为基准,对待校正图像进行校正。
在本发明具体实施例中,若是圆柱体侧面则沿图像Y方向变化,则参考图像与待校正图像宽相同,高不同;若是圆柱体侧面则沿图像X方向变化,则参考图像与待校正图像高相同,宽不同。
特征点提取单元202,用于对参考图像与待校正图像进行特征点提取。
在本发明中,特征点提取单元202可使用任意一种特征点提取算法对参考图像及待校正图像提取特点。目前常用的特征点提取算法有:HARRIS、SUSAN、SIFT、SURF、FAST算子等等,原则上凡是能够在从图像上提取特征点的算法都可以使用,本发明不以此为限。
经过特征点提取后,参考图像及待校正图像都会得到一些坐标点位置信息。假设参考图像提取到m’个特征点,且第i个特征点记为PR(i),表示图像R中的坐标位置为待校正图像提取到n’个特征点,且第j个特点记为PW(j),表示图像W中的坐标位置为/>
描述子生成单元203,用于利用特征点所在位置处且垂直于展开方向的系列像素灰度值作为该特征点的描述子对特征点提取单元202提取的特征点生成描述子。
线扫相机得到的圆柱体展开图像只是在展开方向上存在伸缩变化,但就内容而言不会发生变化,故本发明使用特征点所在位置处且垂直于展开方向的系列像素灰度值作为该特征点的描述子。
由于特征点的坐标值会为小数,故需要对灰度值进行线性插值操作。以参考图像R为例,假设圆柱体侧面则沿图像Y方向变化,对于特征点PR(i),其描述子DR(i)为一个长度为图像宽的向量,通过灰度线性插值获得,其中第j个元素的值DR(i,j)为:
其中,表示向下取整操作。
待校正图像上特征点PW(i)的描述子DW(i)的计算方式与PR(i)相同,且所有描述子的长度相同。
参考图像特征点过滤单元204,用于利用生成的描述子得到参考图像各特征点的自响应值,并根据自响应值将参考图像上的可靠性低的特征点进行过滤。
由于每种特征点对匹配的贡献是不同的,原则上是其描述子变化越剧烈则图像中对应位置处的内容越丰富。因此本发明具体实施例中,利用描述子的梯度变化作为特征点的自响应。以线扫按Y方向展开为例,假设描述子的长度为l,对于参考图像第i个特征点PR(i)的自响应值FR(i)计算为:
需说明的是,虽然上式是按照线扫按Y方向展开给出的,但实际上,本发明也可以适用于线扫按照X方向展开的情况。如果线扫按X方向展开,则第j个特征点PR(jj)的自响应值FR(j)计算为:
当然,本发明中自响应值并不限于这里提出的梯度绝对值和,利用描述子的方差值等也可以作为特征点的自响应值。
通常图像上提取的特征点非常多,全部使用会导致后期匹配耗时巨大。因此,在本发明中,需要利用自响应值将参考图像上的可靠性低的特征点进行过滤。
具体地说,在参考图像上,沿着圆柱体展开方向对特征点进行非极大值抑制。假设圆柱体侧面则沿图像的Y方向变化,用户设定一个抑值半径r(通常取值为2~10),以线扫描图像按照Y方向展开为例,对于第i个特征点PR(i)仅考虑Y方向的坐标将范围以内且除了PR(i)以外的所有特征点的自响应值与特征点PR(i)的自响应值FR(i)进行比较:若响应值FR(i)最大,则保留特征点PR(i);若响应值FR(i)并非最大,则丢掉特征点PR(i)。
这里需说明的是,非极大值抑制仅在参考图像上执行。因为非极大值抑制会丢掉一些特征点,若在待校正图像上也执行非极大值抑制会使一些对应点丢失导致参考图像上的部分特征点在校正图像上无法正确匹配。
粗匹配单元205,用于对参考图像上的每一个特征点,在待校正图像上寻找与其相对应的候选对应点。
在本发明具体实施例中,粗匹配单元205通过对参考图像上的每一个特征点,计算待校正图像上各特征点与其距离,选择与其距离最近的若干特征点作为候选对应点,具体地,可通过计算描述子的距离来度量特征点之间的相似性(即距离),定义特征点PR(i)与特征点PW(k)的距离B(i,k)为:
考虑到可能存在误匹配及待校正图像有重复内容等因素,则参考图像上的每一个特征点在待校正图像上记录多个与其距离最近的特征点作为候选对应点。为了避免参考图像上第一个特征点匹配错误,相对于其它特征点可以多保留一些候选对应点。
精匹配单元206,用于对参考图像上的每个特征点及其对应的待校正图像上的候选对应点进行寻找最优匹配,获得最优匹配点对。
由于经过粗匹配单元205的粗匹配后,参考图像上的每一个特征都会得到若干个候选对应点,因此需要从全局考虑在待校正图像上找到与参考图像特征点相对应的最优特征点,这些特征点是后面几何校正的关键点。
假设圆柱体侧面则沿图像Y方向变化,非极大值抑制后参考图像剩余的特征点共有m个,并按照Y坐标从小到大进行编号。令第1个特征点保留4个候选对应点,其余的特征点均保留2个候选对应点,那么,粗匹配之后可以得到对应关系为表2所示:
表2
其中,表示参数图像上第a个特征点,在待校正图像上的第b个候选对应点的编号,其在待校正图像上对应的特征点为/>
在本发明具体实施例中,寻找最优匹配由参考图像上的第一个特征点的第一个候选对应点开始遍历,并计算能量值,每次选择能量增加最小的候选对应点作为匹配点,精匹配单元206具体用于:
首先从参考图像中的第一个特征点选择一个候选对应点,得到一组匹配点并初始化匹配能量为E=0,记录成功匹配点对数目s=1。/>表示第i个特征点选中的候选对应点编号。例如:/>只能是/>中的一个,而且是确定的。
对参考图像的第i个特征点选择最优匹配点,其中i依次为2,3,…,m,执行如下步骤:
步骤a,计算当前候选对应点和/>与上一个匹配点的距离,并与基准距离进行比较:
其中,fd表示计算两个坐标点的欧式距离。
在本发明具体实施例中,计算参考图像中相邻的两个特征点的距离fd(PR(i),PR(i-1))为一个基准距离,一般来说,待校正图像上正确匹配的两个特征点其距离应该与基准距离相差不大。
步骤b,根据步骤a的结果与设定阈值比较,对候选对应点进行筛选。
如果参考图像上两对点与待校正图像上的两对点完全匹配,那么它们的距离相差较小,因此在本发明中设定阈值ε,对候选对应点进行筛选:
i.若且/>则当前两个候选对应点都不是匹配点,则返回特征点依序选择处理模块进行下一次匹配。
ii.若且/>则第1个候选点/>为匹配点,记/>并更新能量为:/>
iii.若且/>则第2个候选点/>为匹配点,记/>并更新能量为:
iii.若且/>则进一步比较/>与/>的关系,选择值较小的一方作为匹配点,并更新能量为:/>
步骤c,当匹配成功,则更新成功匹配点对,令s=s+1,并令i=i+1返回特征点依序选择处理模块进行下一次匹配,直到参考图像中所有的特征点都查找完毕,得到一组配对结果。
从参考图像中的第一个特征点选择另一个候选对应点并继续对参考图像的第i个特征点选择最优匹配点,执行步骤a-步骤c,直至参考图像第一特征点的所有候选对应点选择完毕,得到若干组配对结果。
优先选择匹配点对数最多的一组配对作为最优匹配,若匹配点对数相同,则选择能量最小的一组作为最优匹配。
本发明从参考图像的第一个特征点开始寻找匹配对的,参考图像的第一个特征点有4个候选对应特征点,故有4组匹配对应关系。优先选择匹配点对数最多的一组作为最优匹配,若匹配点对数相同,则选择能量最小的一组作为最优匹配。这样就可以得到一组匹配点对。
几何校正单元207,用于利用得到的最优匹配点对将待校正图像进行变换得到与参考图像相对齐的图像,从而实现几何校正。
假设圆柱体侧面则沿图像Y方向变化,共得到n对匹配点对,仅保留匹配点对的Y坐标,并由小到大排序进行排序。为方便描述记为 几何校正的目的就是利用匹配点对将待校正图像W进行变换得到与参考图像相对齐的图像C。对齐的图像C的第u行在待校正图像W上对应行位置u’为:
a.当时,
需要用第1和第2个特征点的距离比例关系来推测在待校正图像W上与其对应的行u’:
b.当时,i=1,2,…n-1
需要用第i和第i+1个特征点的距离比例关系来推测在待校正图像W上与其对应的行u’:
c.当时,
需要用第n-1和第n个特征点的距离比例关系来推测在待校正图像W上与其对应的行u’:
得到对应关系后,行u’可能为小数值,需要通过线性插值得到对齐图像C第u行所有数据的灰度值:
其中,v取值为1,2,…,图像的宽,表示图像W上/>的灰度值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (7)
1.一种基于特征点匹配的线扫圆柱体几何校正方法,包括如下步骤:
步骤S1,使用线扫相机对一个完好无损的圆柱体工件采集展开后的图像,进行预处理以得到理想图像作为参考图像,并使用线扫相机对待校正的圆柱体工件进行线扫采集展开的图像作为待校正图像;
步骤S2,对所述参考图像与待校正图像进行特征点提取;
步骤S3,利用特征点所在位置处且垂直于展开方向的系列像素灰度值作为该特征点的描述子对步骤S2提取的特征点生成描述子;
步骤S4,利用生成的描述子得到参考图像各特征点的自响应值,并根据自响应值将参考图像上的可靠性低的特征点进行过滤;
步骤S5,对参考图像上的每一个特征点,在待校正图像上寻找与其相对应的候选对应点;
步骤S6,对参考图像上的每个特征点及其对应的待校正图像上的候选特征点进行寻找最优匹配,获得最优匹配点对;
步骤S7,利用得到的最优匹配点对将待校正图像进行变换得到与参考图像相对齐的图像,从而实现几何校正,
其中,步骤S6进一步包括:
步骤S600,从所述参考图像中的第一个特征点选择一个候选对应点,得到一组匹配点并初始化匹配能量为E=0,记录成功匹配点对数目s=1,其中/>表示第i个特征点选中的候选对应点编号,其中,PR(1)表示第一个特征点,/>表示第1个特征点选中的候选对应点;
步骤S601,依次对所述参考图像的第i个特征点,i=2,3,…,m,根据其对应的候选对应点与上一个匹配点的距离与基准距离的比较结果筛选候选对应点,并更新匹配能量E和成功匹配点对数目s,最终得到一组配对结果,于步骤S601中,依次对所述参考图像的第i个特征点选择最优匹配点,执行如下步骤:
步骤S601a,计算当前第一候选对应点和第二候选对应点/>与上一个匹配点/>的距离,并与基准距离进行比较,所述基准距离为所述参考图像中相邻的两个特征点的距离fd(PR(i),PR(i-1)),其中,PR(i)表示第i个特征点,PR(i-1)表示第i-1个特征点,
步骤S601b,根据步骤S601a的结果与设定阈值ε比较,对候选对应点进行筛选,得到匹配结果,于步骤S601b中,比较过程如下:
i.若且/>则当前两个候选对应点都不是匹配点,令i=i+1,并跳到步骤S601a进行下一次匹配,其中,ε为设定阈值;
ii.若且/>则第1个候选点/>为匹配点,记/>并更新能量为:其中,/>表示第i个特征点PR(i)与第i个特征点选中的候选点的距离;
iii.若且/>则第2个候选点/>为匹配点,记/>并更新能量为:
iv.若且/>则进一步比较/>与/>的关系,选择值较小的一方作为匹配点,并更新能量为:/>
其中,表示第i个特征点PR(i)与第1个候选点/>的距离,/>表示第i个特征点PR(i)与第2个候选点/>的距离,/>为当前第一候选对应点/>与上一个匹配点的距离与所述基准距离的绝对差值,/>为当前第二候选对应点/>与上一个匹配点的距离与所述基准距离的绝对差值,/>表示第i个特征点选中的候选对应点与上一个匹配点的距离与所述基准距离的绝对差值;
步骤S601c,当匹配成功,则更新成功匹配点对,令s=s+1,并令i=i+1,返回步骤S601a进行下一次匹配,直到所述参考图像中所有的特征点都查找完毕,最终得到一组配对结果;
步骤S602,返回步骤S600从所述参考图像中的第一个特征点选择另一个候选对应点并继续执行步骤S600-步骤S601,直至参考图像第一特征点的所有候选对应点选择完毕,得到若干组配对结果;
步骤S603,从若干组配对中选择匹配点对数最多的一组配对作为最优匹配。
2.如权利要求1所述的一种基于特征点匹配的线扫圆柱体几何校正方法,其特征在于:于步骤S1中,若是圆柱体侧面则沿图像Y方向变化,则所述参考图像与待校正图像宽相同,高不同;若是圆柱体侧面则沿图像X方向变化,则所述参考图像与待校正图像高相同,宽不同。
3.如权利要求1所述的一种基于特征点匹配的线扫圆柱体几何校正方法,其特征在于,步骤S4进一步包括:
步骤S400,对于所述参考图像各特征点,利用其生成的描述子的梯度变化或方差值计算得到各特征点的自响应值;
步骤S401,利用特征点的自响应值对所述参考图像沿着圆柱体展开方向对特征点进行非极大值抑制。
4.如权利要求3所述的一种基于特征点匹配的线扫圆柱体几何校正方法,其特征在于:于步骤S401中,设定一个抑值半径r,对于第i个特征点PR(i),将以该特征点PR(i)为中心,抑值半径r为半径的范围内除了PR(i)以外的所有特征点的自响应值与特征点PR(i)的自响应值FR(i)进行比较:若响应值FR(i)最大,则保留特征点PR(i);若响应值FR(i)并非最大,则丢掉特征点PR(i)。
5.如权利要求3所述的一种基于特征点匹配的线扫圆柱体几何校正方法,其特征在于:于步骤S5中,通过对所述参考图像上的每一个特征点,通过描述子的距离来计算待校正图像上各特征点与其距离,选择与其距离最近的若干特征点作为所述参考图像上当前特征点对应的候选对应点。
6.如权利要求1所述的一种基于特征点匹配的线扫圆柱体几何校正方法,其特征在于:于步骤S603中,若匹配点对数相同,选择能量最小的一组配对作为最优匹配。
7.一种基于特征点匹配的线扫圆柱体几何校正装置,包括:
图像采集处理单元,用于使用线扫相机对一个完好无损的圆柱体工件采集展开后的图像,并进行预处理以得到理想图像作为参考图像,并使用线扫相机对待校正的圆柱体工件进行线扫采集展开的图像作为待校正图像;
特征点提取单元,用于对所述参考图像与待校正图像进行特征点提取;
描述子生成单元,用于利用特征点所在位置处且垂直于展开方向的系列像素灰度值作为该特征点的描述子对所述特征点提取单元提取的特征点生成描述子;
参考图像特征点过滤单元,用于利用生成的描述子得到参考图像各特征点的自响应值,并根据自响应值将参考图像上的可靠性低的特征点进行过滤;
粗匹配单元,用于对参考图像上的每一个特征点,在待校正图像上寻找与其相对应的候选对应点;
精匹配单元,用于对参考图像上的每个特征点及其对应的待校正图像上的候选对应点进行寻找最优匹配,获得最优匹配点对;
几何校正单元,用于利用得到的最优匹配点对将待校正图像进行变换得到与所述参考图像相对齐的图像,从而实现几何校正,其中
所述精匹配单元执行如下步骤:
步骤S600,从所述参考图像中的第一个特征点选择一个候选对应点,得到一组匹配点并初始化匹配能量为E=0,记录成功匹配点对数目s=1,其中/>表示第i个特征点选中的候选对应点编号,其中,PR(1)表示第一个特征点,/>表示第1个特征点选中的候选对应点;
步骤S601,依次对所述参考图像的第i个特征点,i=2,3,…,m,根据其对应的候选对应点与上一个匹配点的距离与基准距离的比较结果筛选候选对应点,并更新匹配能量E和成功匹配点对数目s,最终得到一组配对结果,于步骤S601中,依次对所述参考图像的第i个特征点选择最优匹配点,执行如下步骤:
步骤S601a,计算当前第一候选对应点和第二候选对应点/>与上一个匹配点/>的距离,并与基准距离进行比较,所述基准距离为所述参考图像中相邻的两个特征点的距离fd(PR(i),PR(i-1)),其中,PR(i)表示第i个特征点,PR(i-1)表示第i-1个特征点,
步骤S601b,根据步骤S601a的结果与设定阈值ε比较,对候选对应点进行筛选,得到匹配结果,于步骤S601b中,比较过程如下:
i.若且/>则当前两个候选对应点都不是匹配点,令i=i+1,并跳到步骤S601a进行下一次匹配,其中,ε为设定阈值;
ii.若且/>则第1个候选点/>为匹配点,记/>并更新能量为:其中,/>表示第i个特征点PR(i)与第i个特征点选中的候选点的距离;
iii.若且/>则第2个候选点/>为匹配点,记/>并更新能量为:
iv.若 则进一步比较/>与/>的关系,选择值较小的一方作为匹配点,并更新能量为:/>
其中,表示第i个特征点PR(i)与第1个候选点/>的距离,/>表示第i个特征点PR(i)与第2个候选点/>的距离,/>为当前第一候选对应点/>与上一个匹配点的距离与所述基准距离的绝对差值,/>为当前第二候选对应点/>与上一个匹配点的距离与所述基准距离的绝对差值,/>表示第i个特征点选中的候选对应点与上一个匹配点的距离与所述基准距离的绝对差值;
步骤S601c,当匹配成功,则更新成功匹配点对,令s=s+1,并令i=i+1,返回步骤S601a进行下一次匹配,直到所述参考图像中所有的特征点都查找完毕,最终得到一组配对结果;
步骤S602,返回步骤S600从所述参考图像中的第一个特征点选择另一个候选对应点并继续执行步骤S600-步骤S601,直至参考图像第一特征点的所有候选对应点选择完毕,得到若干组配对结果;
步骤S603,从若干组配对中选择匹配点对数最多的一组配对作为最优匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110965409.7A CN113658080B (zh) | 2021-08-23 | 2021-08-23 | 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110965409.7A CN113658080B (zh) | 2021-08-23 | 2021-08-23 | 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658080A CN113658080A (zh) | 2021-11-16 |
CN113658080B true CN113658080B (zh) | 2023-12-22 |
Family
ID=78491959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110965409.7A Active CN113658080B (zh) | 2021-08-23 | 2021-08-23 | 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658080B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519794A (zh) * | 2022-02-17 | 2022-05-20 | 浙江商汤科技开发有限公司 | 特征点匹配方法及装置、电子设备和存储介质 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6671400B1 (en) * | 2000-09-28 | 2003-12-30 | Tateyama R & D Co., Ltd. | Panoramic image navigation system using neural network for correction of image distortion |
JP2005216191A (ja) * | 2004-01-30 | 2005-08-11 | Canon Inc | ステレオ画像処理装置およびステレオ画像処理方法 |
KR20100008886A (ko) * | 2008-07-17 | 2010-01-27 | 서울대학교산학협력단 | 크기불변특징변환을 이용한 다중해상도 위성영상간자동기하보정 방법 |
CN102592124A (zh) * | 2011-01-13 | 2012-07-18 | 汉王科技股份有限公司 | 文本图像的几何校正方法、装置和双目立体视觉系统 |
KR20130015452A (ko) * | 2011-08-03 | 2013-02-14 | 부산대학교 산학협력단 | 지역 정렬을 이용한 부분 이미지 검색 방법 |
CN103136760A (zh) * | 2013-03-26 | 2013-06-05 | 华北电力大学(保定) | 一种基于fast与daisy的多传感器图像匹配方法 |
CN105488775A (zh) * | 2014-10-09 | 2016-04-13 | 东北大学 | 一种基于六摄像机环视的柱面全景生成装置及方法 |
CN105551058A (zh) * | 2016-02-02 | 2016-05-04 | 天津大学 | 一种结合surf特征提取和曲线拟合的柱面图像匹配方法 |
KR101692227B1 (ko) * | 2015-08-18 | 2017-01-03 | 광운대학교 산학협력단 | Fast를 이용한 파노라마 영상 생성 방법 |
CN106548462A (zh) * | 2016-11-02 | 2017-03-29 | 西安电子科技大学 | 基于薄板样条插值的非线性sar图像几何校正方法 |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN106683045A (zh) * | 2016-09-28 | 2017-05-17 | 深圳市优象计算技术有限公司 | 一种基于双目像机的全景图像拼接方法 |
CN107958250A (zh) * | 2017-10-16 | 2018-04-24 | 燕山大学 | 一种基于机器视觉的西林瓶药品标签识别方法 |
CN108053370A (zh) * | 2017-11-29 | 2018-05-18 | 合肥工业大学 | 一种基于匹配误差抑制的成像坐标校正方法 |
CN108596867A (zh) * | 2018-05-09 | 2018-09-28 | 五邑大学 | 一种基于orb算法的图片校正方法及系统 |
CN109118544A (zh) * | 2018-07-17 | 2019-01-01 | 南京理工大学 | 基于透视变换的合成孔径成像方法 |
CN109166077A (zh) * | 2018-08-17 | 2019-01-08 | 广州视源电子科技股份有限公司 | 图像对齐方法、装置、可读存储介质及计算机设备 |
CN110070568A (zh) * | 2019-04-28 | 2019-07-30 | 重庆学析优科技有限公司 | 一种图片矫正方法及系统 |
CN110246161A (zh) * | 2019-06-04 | 2019-09-17 | 哈尔滨工程大学 | 一种360度全景图像无缝拼接的方法 |
DE102018208996A1 (de) * | 2018-06-07 | 2019-12-12 | Zeng Hsing Industrial Co., Ltd. | Bildverarbeitungsverfahren |
CN111047513A (zh) * | 2019-11-27 | 2020-04-21 | 中国人民解放军国防科技大学 | 一种用于柱面全景拼接的鲁棒性图像对齐方法及装置 |
CN111815517A (zh) * | 2020-07-09 | 2020-10-23 | 苏州万店掌网络科技有限公司 | 一种基于球机抓拍图片的自适应全景拼接方法 |
CN112837257A (zh) * | 2019-11-06 | 2021-05-25 | 广州达普绅智能设备有限公司 | 一种基于机器视觉的曲面标签拼接检测方法 |
CN113192113A (zh) * | 2021-04-30 | 2021-07-30 | 山东产研信息与人工智能融合研究院有限公司 | 双目视觉特征点匹配方法、系统、介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233422A1 (en) * | 2018-06-04 | 2019-12-12 | Shanghai United Imaging Healthcare Co., Ltd. | Devices, systems, and methods for image stitching |
-
2021
- 2021-08-23 CN CN202110965409.7A patent/CN113658080B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6671400B1 (en) * | 2000-09-28 | 2003-12-30 | Tateyama R & D Co., Ltd. | Panoramic image navigation system using neural network for correction of image distortion |
JP2005216191A (ja) * | 2004-01-30 | 2005-08-11 | Canon Inc | ステレオ画像処理装置およびステレオ画像処理方法 |
KR20100008886A (ko) * | 2008-07-17 | 2010-01-27 | 서울대학교산학협력단 | 크기불변특징변환을 이용한 다중해상도 위성영상간자동기하보정 방법 |
CN102592124A (zh) * | 2011-01-13 | 2012-07-18 | 汉王科技股份有限公司 | 文本图像的几何校正方法、装置和双目立体视觉系统 |
KR20130015452A (ko) * | 2011-08-03 | 2013-02-14 | 부산대학교 산학협력단 | 지역 정렬을 이용한 부분 이미지 검색 방법 |
CN103136760A (zh) * | 2013-03-26 | 2013-06-05 | 华北电力大学(保定) | 一种基于fast与daisy的多传感器图像匹配方法 |
CN105488775A (zh) * | 2014-10-09 | 2016-04-13 | 东北大学 | 一种基于六摄像机环视的柱面全景生成装置及方法 |
KR101692227B1 (ko) * | 2015-08-18 | 2017-01-03 | 광운대학교 산학협력단 | Fast를 이용한 파노라마 영상 생성 방법 |
CN105551058A (zh) * | 2016-02-02 | 2016-05-04 | 天津大学 | 一种结合surf特征提取和曲线拟合的柱面图像匹配方法 |
CN106683045A (zh) * | 2016-09-28 | 2017-05-17 | 深圳市优象计算技术有限公司 | 一种基于双目像机的全景图像拼接方法 |
CN106548462A (zh) * | 2016-11-02 | 2017-03-29 | 西安电子科技大学 | 基于薄板样条插值的非线性sar图像几何校正方法 |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN107958250A (zh) * | 2017-10-16 | 2018-04-24 | 燕山大学 | 一种基于机器视觉的西林瓶药品标签识别方法 |
CN108053370A (zh) * | 2017-11-29 | 2018-05-18 | 合肥工业大学 | 一种基于匹配误差抑制的成像坐标校正方法 |
CN108596867A (zh) * | 2018-05-09 | 2018-09-28 | 五邑大学 | 一种基于orb算法的图片校正方法及系统 |
DE102018208996A1 (de) * | 2018-06-07 | 2019-12-12 | Zeng Hsing Industrial Co., Ltd. | Bildverarbeitungsverfahren |
CN109118544A (zh) * | 2018-07-17 | 2019-01-01 | 南京理工大学 | 基于透视变换的合成孔径成像方法 |
CN109166077A (zh) * | 2018-08-17 | 2019-01-08 | 广州视源电子科技股份有限公司 | 图像对齐方法、装置、可读存储介质及计算机设备 |
CN110070568A (zh) * | 2019-04-28 | 2019-07-30 | 重庆学析优科技有限公司 | 一种图片矫正方法及系统 |
CN110246161A (zh) * | 2019-06-04 | 2019-09-17 | 哈尔滨工程大学 | 一种360度全景图像无缝拼接的方法 |
CN112837257A (zh) * | 2019-11-06 | 2021-05-25 | 广州达普绅智能设备有限公司 | 一种基于机器视觉的曲面标签拼接检测方法 |
CN111047513A (zh) * | 2019-11-27 | 2020-04-21 | 中国人民解放军国防科技大学 | 一种用于柱面全景拼接的鲁棒性图像对齐方法及装置 |
CN111815517A (zh) * | 2020-07-09 | 2020-10-23 | 苏州万店掌网络科技有限公司 | 一种基于球机抓拍图片的自适应全景拼接方法 |
CN113192113A (zh) * | 2021-04-30 | 2021-07-30 | 山东产研信息与人工智能融合研究院有限公司 | 双目视觉特征点匹配方法、系统、介质及电子设备 |
Non-Patent Citations (9)
Title |
---|
Feature Correspondence Finding with Vertical Cylinder and Epipolar Geometry for Indoor Environments;Yu Fu;Proceedings of the 4th International Conference on Autonomous Robots and Agents;全文 * |
付强 ; 姚江云 ; .基于FPGA的全景相机系统的软件设计.科技创新导报.2020,(第12期),全文. * |
冯春 ; 吴洪涛 ; 乔兵 ; 张家驹 ; .基于改进形状上下文的双焦图像深度估计.电子科技大学学报.2013,(第02期),全文. * |
基于FPGA的全景相机系统的软件设计;付强;姚江云;;科技创新导报(第12期);全文 * |
基于改进形状上下文的双焦图像深度估计;冯春;吴洪涛;乔兵;张家驹;;电子科技大学学报(第02期);全文 * |
基于柱面反投影算法的三维物体表面纹理重建;钱炜燕;胡晓彤;;天津科技大学学报(第03期);全文 * |
折反射全向图像柱面展开校正算法研究;陈旺;徐玮;熊志辉;张茂军;;中国图象图形学报(第12期);全文 * |
钱炜燕 ; 胡晓彤 ; .基于柱面反投影算法的三维物体表面纹理重建.天津科技大学学报.2009,(第03期),全文. * |
陈旺 ; 徐玮 ; 熊志辉 ; 张茂军 ; .折反射全向图像柱面展开校正算法研究.中国图象图形学报.2009,(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113658080A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4280153A1 (en) | Defect detection method, apparatus and system | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN106803244B (zh) | 缺陷识别方法及系统 | |
CN108596867A (zh) | 一种基于orb算法的图片校正方法及系统 | |
CN109726746B (zh) | 一种模板匹配的方法及装置 | |
JP2002516440A (ja) | 画像認識および相関システム | |
CN108537832B (zh) | 基于局部不变灰度特征的图像配准方法、图像处理系统 | |
CN113658080B (zh) | 一种基于特征点匹配的线扫圆柱体几何校正方法及装置 | |
WO2015035462A1 (en) | Point feature based 2d-3d registration | |
CN112559791A (zh) | 一种基于深度学习的布匹分类检索方法 | |
CN107945120B (zh) | 基于样本块的旋转及缩放图像修复方法 | |
CN111256607B (zh) | 一种基于三通道标志点的变形测量方法 | |
CN107169498B (zh) | 一种融合局部和全局稀疏的图像显著性检测方法 | |
CN114998216A (zh) | 透明件表面缺陷快速检测方法及装置 | |
KR20080056149A (ko) | 미지 품질의 패턴을 사용하여 기준 이미지를 생성하기 위한시스템 및 방법 | |
US7113652B2 (en) | System and method for using normalized gray scale pattern find | |
CN113569679B (zh) | 测量断裂伸长率的方法、装置和系统 | |
CN113674174B (zh) | 一种基于显著行匹配的线扫圆柱体几何校正方法及装置 | |
CN112819842B (zh) | 适用于工件质检的工件轮廓曲线拟合方法、装置及介质 | |
CN109508623A (zh) | 基于图像处理的物品识别方法和装置 | |
CN115564734A (zh) | 一种产品检测方法、电子设备及存储介质 | |
JP6919758B2 (ja) | 画像照合装置 | |
CN116311391A (zh) | 一种高低精度混合的多维度特征融合指纹检索方法 | |
CN104615994B (zh) | 一种监控图像实时处理方法 | |
CN109472279B (zh) | 基于图像处理的物品识别方法和装置 |
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 |