CN113724135A - 图像拼接方法、装置、设备及存储介质 - Google Patents
图像拼接方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113724135A CN113724135A CN202110980600.9A CN202110980600A CN113724135A CN 113724135 A CN113724135 A CN 113724135A CN 202110980600 A CN202110980600 A CN 202110980600A CN 113724135 A CN113724135 A CN 113724135A
- Authority
- CN
- China
- Prior art keywords
- matching
- spliced
- point
- overlapping area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 11
- 230000009466 transformation Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种图像拼接方法、装置、设备及存储介质。获取两张待拼接图像；其中，所述两张待拼接图像包括第一待拼接图像和第二待拼接图像；对所述两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集；对所述第一特征点集和所述第二特征点集进行特征点匹配，获得匹配点对集；根据所述匹配点对集拟合单应性矩阵；根据所述匹配点对集和所述单应性矩阵确定所述两张待拼接图像中的重叠区域；对所述重叠区域进行融合，获得拼接后的图像。本发明实施例公开的图像拼接方法，可以提高图像拼接效率、降低算法计算时间、有效减弱拼接痕迹。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像拼接方法、装置、设备及存储介质。
背景技术
图像拼接是指将光学传感器采集的具有重叠区域的图像拼接成一幅大视野、高分辨率的全景图像，在计算机视觉、遥感图像绘制、医学图像分析、智能视频监控和虚拟现实等领域有着广泛的应用。
图像采集时，受拍摄光照、视角等外界环境影响，待拼接图像在重叠区域可能会有较大差异。如果不进行处理而直接对图像进行简单的叠加拼接，得到的拼接图像中会存在明显的拼缝，图像的重叠区域也可能出现模糊和失真现象。而且受光照不均的影响，拼接后的图像在重叠区域的两侧可能出现亮度不一致的现象。因此图像融合是在待拼接图像和目标图像经配准变换后，利用融合算法，对待拼接图像间的差异进行一定的处理，将多幅图像平滑地过渡融合起来，并较好地处理消除拼接线痕迹，使得融合后的图像可信度更高、模糊较少，可理解性更好。在图像拼接技术中，对于提高图像拼接效率、降低算法计算时间、有效降低对拼接图像由于色差大所造成拼接痕迹明显等问题仍是值得不断研究和解决的方向。
发明内容
本发明实施例提供一种图像拼接方法、装置、设备及存储介质，可以提高图像拼接效率、降低算法计算时间、有效减弱拼接痕迹。
第一方面，本发明实施例提供了一种图像拼接方法，包括：
获取两张待拼接图像；其中，所述两张待拼接图像包括第一待拼接图像和第二待拼接图像；
对所述两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集；
对所述第一特征点集和所述第二特征点集进行特征点匹配，获得匹配点对集；
根据所述匹配点对集拟合单应性矩阵；
根据所述匹配点对集和所述单应性矩阵确定所述两张待拼接图像中的重叠区域；
对所述重叠区域进行融合，获得拼接后的图像。
第二方面，本发明实施例还提供了一种图像拼接装置，包括：
待拼接图像获取模块，用于获取两张待拼接图像；其中，所述两张待拼接图像包括第一待拼接图像和第二待拼接图像；
特征点提取模块，用于对所述两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集；
特征点匹配模块，用于对所述第一特征点集和所述第二特征点集进行特征点匹配，获得匹配点对集；
单应性矩阵拟合模块，用于根据所述匹配点对集拟合单应性矩阵；
重叠区域获取模块，用于根据所述匹配点对集和所述单应性矩阵确定所述两张待拼接图像中的重叠区域；
图像融合模块，用于对所述重叠区域进行融合，获得拼接后的图像。
第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例所述的图像拼接方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例所述的图像拼接方法。
本发明实施例公开了一种图像拼接方法、装置、设备及存储介质。获取两张待拼接图像；其中，两张待拼接图像包括第一待拼接图像和第二待拼接图像；对两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集；对第一特征点集和第二特征点集进行特征点匹配，获得匹配点对集；根据匹配点对集拟合单应性矩阵；根据匹配点对集和单应性矩阵确定两张待拼接图像中的重叠区域；对重叠区域进行融合，获得拼接后的图像。本发明实施例公开的图像拼接方法，可以提高图像拼接效率、降低算法计算时间、有效减弱拼接痕迹。
附图说明
图1是本发明实施例一中的一种图像拼接方法的流程图；
图2是本发明实施例一中的根据匹配点对集拟合单应性矩阵的流程图；
图3是本发明实施例一中的重叠区域的示例图；
图4是本发明实施例二中的一种图像拼接装置的结构示意图；
图5是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像拼接方法的流程图，本实施例可适用于对具有重叠区域的图像进行拼接的情况，该方法可以由图像拼接装置来执行，如图1所示，该方法具体包括如下步骤：
步骤110，获取两张待拼接图像。
其中，两张待拼接图像包括第一待拼接图像和第二待拼接图像。两张待拼接图像可以理解为具有重叠区域的图像，可以是由光学传感器(如摄像头)采集的。
步骤120，对两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集。
本实施例中，可以采用加速稳健特征(Speeded Up Robust Features，SURF)算法对两张待拼接图像进行特征点提取。SURF特征检测算法采用了积分图像以及减少特征点描述子维度的方法来对尺度不变特征转换(Scale-invariant feature transform，SIFT)算法加速，既保证了SIFT算法的高鲁棒性，又大大减少了提取特征点时的计算量。SURF特征点提取算法包括三个步骤，分别是特征点检测、确定特征点方向和生成特征点描述符。其中，特征点描述符可以理解为用于表征特征点的向量，即特征描述向量。
步骤130，对第一特征点集和第二特征点集进行特征点匹配，获得匹配点对集。
其中，对第一特征点集和第二特征点集进行特征点匹配可以理解为从两个特征点集中找到相匹配的特征点对，相匹配的两个特征点间的欧式距离最小。本实施例中，可以采用最近邻次近邻比值法对第一特征点集和第二特征点集进行特征点匹配。
可选的，对第一特征点集和第二特征点集进行特征点匹配，获得匹配点对集的方式可以是：对于第一特征点集中的每个第一特征点，计算第一特征点与第二特征点集中的最邻近特征点的第一距离和与次邻近特征点的第二距离；计算第一距离和第二距离的比值；若比值小于第一设定阈值，将第一特征点和最邻近特征点组成匹配点对。
其中，第一设定阈值可以设置为0.6。本实施例中，当两张待拼接图像采用SURF算法提取特征点后，对提取的特征点的特征描述向量采用欧式距离度量两幅图像之间特征点匹配的相似度标准。通过K-d树可以得到一个特征点到最近邻特征点的距离dND，其到次近邻特征点的距离dNND，如果两个距离的比值小于第一设定阈值，则将该特征点与其最近邻特征点构成匹配点对。计算公式如下：
其中，ε为第一设定阈值。
步骤140，根据匹配点对集拟合单应性矩阵。
本实施例中，可以采用传统的随机抽样一致算法(random sample consensus，RANSAC)对匹配点集拟合，获得单应性矩阵。具体的过程可以是：1)从匹配点对集中随机选取3对点建立方程组，求出初始变换矩阵的参数；2)计算剩余的匹配点对中第一特征点经初始变换矩阵变化后与匹配的第二特征点的欧式距离；3)若欧式距离小于某一阈值，则该匹配点对归为内点，否则为外点；4)统计在初始变换矩阵下的内点数量；5)迭代重读步骤1)-4)，选择内点数量最多的集合作为目标内点集合，对目标内点集合中的匹配点对采用最小二乘法进行拟合获得单应性矩阵。
虽然RANSAC算法可以在很大程度上消除较多错误特征点，但也有缺乏不足之处，对于特征点数量较大时，需要进行多次迭代计算才可得到最优单应性矩阵，计算量大、时间长，若迭代次数不够则无法得到最优变换模型，造成图像配准结果差。同时如果随机选取的随机样本点时间距离太短，导致所求解变换矩阵不准确。
优选的，图2是本实例中根据匹配点对集拟合单应性矩阵的流程图，如图2所示，该方式可以是：将匹配点对集随机拆分为第一子匹配点对集和第二子匹配点对集；采用随机抽样一致算法对第一子匹配点对集进行矩阵拟合，获得初始单应性矩阵；根据初始单应性矩阵计算第二子匹配点对集的平均集合匹配误差；若平均集合匹配误差小于第二设定阈值，则将初始单应性矩阵确定为最终的单应性矩阵；否则，返回执行将匹配点对集随机拆分为第一子匹配点对集和第二子匹配点对集的操作，直到平均集合匹配误差小于第二设定阈值或者迭代次数达到第三设定阈值。
其中，第一子匹配点对集大于第二子匹配点对集，即第一子匹配点对集包含的匹配点对的数量大于第二子匹配点对集包含的匹配点对的数量。例如：第一子匹配点对集中的匹配点对占60％，第二子匹配点对集中的匹配点对占40％。采用随机抽样一致算法对第一子匹配点对集进行矩阵拟合的过程可以是参见上述实施例，此处不再赘述。
其中，根据初始单应性矩阵计算第二子匹配点对集的平均集合匹配误差按照如下公式计算：
其中，n为第二子匹配点对集中的匹配点对数量，xi1表示第二子匹配点对集第i个第一特征点，xi2表示第二子匹配点对集第i个第二特征点，H为初始单应性矩阵，H-1为H的逆矩阵，dist表示点之间的欧氏距离。
步骤150，根据匹配点对集和单应性矩阵确定两张待拼接图像中的重叠区域。
其中，重叠区域可以理解为两张待拼接图像中内容相同的区域。示例性的，图3是本实施例中重叠区域的示例图。匹配点对由第一匹配点和第二匹配点构成，第一匹配点为第一待拼接图像中的特征点，第二匹配点为第二待拼接图像中的特征点。
具体的，根据匹配点对集和单应性矩阵确定两张待拼接图像中的重叠区域的方式可以是：从第一匹配点集中提取设定数量的第一边界特征点；根据设定数量的第一边界特征点在第一待拼接图像中确定第一重叠区域；根据单应性矩阵对第一边界特征点进行映射转换，获得设定数量的第二边界特征点；根据设定数量的第二边界特征点在第二待拼接图像中确定第二重叠区域。
其中，设定数量可以是4，边界特征点可以是位于边界的特征点，在特征点集中横坐标最大或者最小，或者纵坐标最大或者最小。具体的，在第一匹配点集中将横坐标最大、横坐标最小、纵坐标最大和纵坐标最小的4个点提取出来，为4个第一边界特征点。4个第一边界特征点围成的区域为第一待拼接图像中的第一重叠区域。
其中，根据单应性矩阵对第一边界特征点进行映射转换可以按照如下公式计算：
其中，(x1,y1)为第一边界特征点的坐标，(x2,y2)为转换后的第二边界特征点的坐标，H为单应性矩阵。对4个第一边界特征点进行映射转换，获得4个第二边界特征点，4个第二边界特征点围成的区域为第二待拼接图像中的第二重叠区域。
步骤160，对重叠区域进行融合，获得拼接后的图像。
本实施例中，可以采用传统的渐入渐出融合算法对重叠区域进行融合，渐入渐出融合算法基于位置权重对重叠区域进行融合。重叠区域中各像素点的位置权重按照如下公式计算：
其中，j为重叠区域中像素点的列数，R为重叠区域右边界所在的列数，L为重叠区域左边界所在的列数；i为重叠区域中像素点的行数，则U为重叠区域上边界所在的行数，D为重叠区域下边界所在的行数。
则根据位置权重对重叠区域进行融合的公式可以是：Irgb＝d·F1rgb+(1-d)·F2rgb，其中，F1rgb为第一重叠区域中像素点的各颜色通道值，F2rgb为第二重叠区域中像素点的各颜色通道值，Irgb为融合后的像素点的各颜色通道值。
传统渐入渐出法融合算法具有效率高，两幅间色差低时融合效果较好的特点，但是有时采集的图像间色差较大，则存在拼接图像重叠区域色差度高，拼接痕迹明显的问题。因此在此算法基础上提出一种改进的渐入渐出融合算法。
可选的，对重叠区域进行融合，获得拼接后的图像的方式可以是：获取重叠区域中各像素点的位置权重和三角函数权重；根据位置权重和三角函数权重对第一重叠区域和第二重叠区域中的像素点进行融合，获得拼接后的图像。
其中，获取重叠区域中各像素点的三角函数权重按照如下公式计算：
其中，j为重叠区域中像素点的列数，R为重叠区域右边界所在的列数，L为重叠区域左边界所在的列数；i为重叠区域中像素点的行数，则U为重叠区域上边界所在的行数，D为重叠区域下边界所在的行数。
其中，根据位置权重和三角函数权重对第一重叠区域和第二重叠区域中的像素点进行融合按照如下公式计算：
本实施例中，以该像素点的角度的正弦值sin2θ为第一待拼接图像的部分权，根据三角函数定理，求解出余弦值cos2θ作为第二待拼接图像的部分权重值共同线性构成融合像素点的权重值。根据三角函数的正弦曲线和余弦曲线可知，当像素点趋于中心时，正弦和余弦值变化趋于平缓，因此会使得图像像素变化区域平缓，从而这融合效果更佳。
本实施例的技术方案，获取两张待拼接图像；其中，两张待拼接图像包括第一待拼接图像和第二待拼接图像；对两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集；对第一特征点集和第二特征点集进行特征点匹配，获得匹配点对集；根据匹配点对集拟合单应性矩阵；根据匹配点对集和单应性矩阵确定两张待拼接图像中的重叠区域；对重叠区域进行融合，获得拼接后的图像。本发明实施例公开的图像拼接方法，可以提高图像拼接效率、降低算法计算时间、有效减弱拼接痕迹。
实施例二
图4是本发明实施例二提供的一种图像拼接装置的结构示意图。如图4所示，该装置包括：
待拼接图像获取模块210，用于获取两张待拼接图像；其中，两张待拼接图像包括第一待拼接图像和第二待拼接图像；
特征点提取模块220，用于对两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集；
特征点匹配模块230，用于对第一特征点集和第二特征点集进行特征点匹配，获得匹配点对集；
单应性矩阵拟合模块240，用于根据匹配点对集拟合单应性矩阵；
重叠区域获取模块250，用于根据匹配点对集和单应性矩阵确定两张待拼接图像中的重叠区域；
图像融合模块260，用于对重叠区域进行融合，获得拼接后的图像。
可选的，特征点匹配模块230，还用于：
对于第一特征点集中的每个第一特征点，计算第一特征点与第二特征点集中的最邻近特征点的第一距离和与次邻近特征点的第二距离；
计算第一距离和第二距离的比值；
若比值小于第一设定阈值，将第一特征点和最邻近特征点组成匹配点对。
可选的，单应性矩阵拟合模块240，还用于：
将匹配点对集随机拆分为第一子匹配点对集和第二子匹配点对集；其中，第一子匹配点对集大于第二子匹配点对集；
采用随机抽样一致算法对第一子匹配点对集进行矩阵拟合，获得初始单应性矩阵；
根据初始单应性矩阵计算第二子匹配点对集的平均集合匹配误差；
若平均集合匹配误差小于第二设定阈值，则将初始单应性矩阵确定为最终的单应性矩阵；
否则，返回执行将匹配点对集随机拆分为第一子匹配点对集和第二子匹配点对集的操作，直到平均集合匹配误差小于第二设定阈值或者迭代次数达到第三设定阈值。
可选的，根据初始单应性矩阵计算第二子匹配点对集的平均集合匹配误差按照如下公式计算：
可选的，匹配点对由第一匹配点和第二匹配点构成；重叠区域获取模块250，还用于：
从第一匹配点集中提取设定数量的第一边界特征点；
根据设定数量的第一边界特征点在第一待拼接图像中确定第一重叠区域；
根据单应性矩阵对第一边界特征点进行映射转换，获得设定数量的第二边界特征点；
根据设定数量的第二边界特征点在第二待拼接图像中确定第二重叠区域。
可选的，图像融合模块260，还用于：
获取重叠区域中各像素点的位置权重和三角函数权重；
根据位置权重和三角函数权重对第一重叠区域和第二重叠区域中的像素点进行融合，获得拼接后的图像。
可选的，获取重叠区域中各像素点的位置权重按照如下公式计算：
其中，j为重叠区域中像素点的列数，R为重叠区域右边界所在的列数，L为重叠区域左边界所在的列数；i为重叠区域中像素点的行数，则U为重叠区域上边界所在的行数，D为重叠区域下边界所在的行数；
获取重叠区域中各像素点的三角函数权重按照如下公式计算：
其中，j为重叠区域中像素点的列数，R为重叠区域右边界所在的列数，L为重叠区域左边界所在的列数；i为重叠区域中像素点的行数，则U为重叠区域上边界所在的行数，D为重叠区域下边界所在的行数；
根据位置权重和三角函数权重对第一重叠区域和第二重叠区域中的像素点进行融合按照如下公式计算：
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例三
图5为本发明实施例三提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的计算机设备312的框图。图5显示的计算机设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的图像拼接功能的计算设备。
如图5所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的图像拼接方法。
实施例四
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例中的图像拼接方法。本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取两张待拼接图像；其中，所述两张待拼接图像包括第一待拼接图像和第二待拼接图像；对所述两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集；对所述第一特征点集和所述第二特征点集进行特征点匹配，获得匹配点对集；根据所述匹配点对集拟合单应性矩阵；根据所述匹配点对集和所述单应性矩阵确定所述两张待拼接图像中的重叠区域；对所述重叠区域进行融合，获得拼接后的图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像拼接方法，其特征在于，包括：
获取两张待拼接图像；其中，所述两张待拼接图像包括第一待拼接图像和第二待拼接图像；
对所述两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集；
对所述第一特征点集和所述第二特征点集进行特征点匹配，获得匹配点对集；
根据所述匹配点对集拟合单应性矩阵；
根据所述匹配点对集和所述单应性矩阵确定所述两张待拼接图像中的重叠区域；
对所述重叠区域进行融合，获得拼接后的图像。
2.根据权利要求1所述的方法，对所述第一特征点集和所述第二特征点集进行特征点匹配，获得匹配点对集，包括：
对于所述第一特征点集中的每个第一特征点，计算所述第一特征点与第二特征点集中的最邻近特征点的第一距离和与次邻近特征点的第二距离；
计算所述第一距离和所述第二距离的比值；
若所述比值小于第一设定阈值，将所述第一特征点和所述最邻近特征点组成匹配点对。
3.根据权利要求1所述的方法，其特征在于，根据所述匹配点对集拟合单应性矩阵，包括：
将所述匹配点对集随机拆分为第一子匹配点对集和第二子匹配点对集；其中，所述第一子匹配点对集大于所述第二子匹配点对集；
采用随机抽样一致算法对所述第一子匹配点对集进行矩阵拟合，获得初始单应性矩阵；
根据所述初始单应性矩阵计算所述第二子匹配点对集的平均集合匹配误差；
若所述平均集合匹配误差小于第二设定阈值，则将所述初始单应性矩阵确定为最终的单应性矩阵；
否则，返回执行将所述匹配点对集随机拆分为第一子匹配点对集和第二子匹配点对集的操作，直到所述平均集合匹配误差小于第二设定阈值或者迭代次数达到第三设定阈值。
4.根据权利要求3所述的方法，其特征在于，根据所述初始单应性矩阵计算所述第二子匹配点对集的平均集合匹配误差按照如下公式计算：
5.根据权利要求1所述的方法，其特征在于，匹配点对由第一匹配点和第二匹配点构成；根据所述匹配点对集和所述单应性矩阵确定所述两张待拼接图像中的重叠区域，包括：
从第一匹配点集中提取设定数量的第一边界特征点；
根据所述设定数量的第一边界特征点在所述第一待拼接图像中确定第一重叠区域；
根据所述单应性矩阵对第一边界特征点进行映射转换，获得设定数量的第二边界特征点；
根据所述设定数量的第二边界特征点在所述第二待拼接图像中确定第二重叠区域。
6.根据权利要求5所述的方法，其特征在于，对所述重叠区域进行融合，获得拼接后的图像，包括：
获取所述重叠区域中各像素点的位置权重和三角函数权重；
根据所述位置权重和所述三角函数权重对所述第一重叠区域和所述第二重叠区域中的像素点进行融合，获得拼接后的图像。
7.根据权利要求6所述的方法，其特征在于，获取所述重叠区域中各像素点的位置权重按照如下公式计算：
其中，j为重叠区域中像素点的列数，R为重叠区域右边界所在的列数，L为重叠区域左边界所在的列数；i为重叠区域中像素点的行数，则U为重叠区域上边界所在的行数，D为重叠区域下边界所在的行数；
获取所述重叠区域中各像素点的三角函数权重按照如下公式计算：
其中，j为重叠区域中像素点的列数，R为重叠区域右边界所在的列数，L为重叠区域左边界所在的列数；i为重叠区域中像素点的行数，则U为重叠区域上边界所在的行数，D为重叠区域下边界所在的行数；
根据所述位置权重和所述三角函数权重对所述第一重叠区域和所述第二重叠区域中的像素点进行融合按照如下公式计算：
8.一种图像拼接装置，其特征在于，包括：
待拼接图像获取模块，用于获取两张待拼接图像；其中，所述两张待拼接图像包括第一待拼接图像和第二待拼接图像；
特征点提取模块，用于对所述两张待拼接图像分别进行特征点提取，获得第一特征点集和第二特征点集；
特征点匹配模块，用于对所述第一特征点集和所述第二特征点集进行特征点匹配，获得匹配点对集；
单应性矩阵拟合模块，用于根据所述匹配点对集拟合单应性矩阵；
重叠区域获取模块，用于根据所述匹配点对集和所述单应性矩阵确定所述两张待拼接图像中的重叠区域；
图像融合模块，用于对所述重叠区域进行融合，获得拼接后的图像。
9.一种计算机设备，其特征在于，所述设备包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7任一所述的图像拼接方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-7中任一所述的图像拼接方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110980600.9A CN113724135A (zh) | 2021-08-25 | 2021-08-25 | 图像拼接方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110980600.9A CN113724135A (zh) | 2021-08-25 | 2021-08-25 | 图像拼接方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113724135A true CN113724135A (zh) | 2021-11-30 |
Family
ID=78677756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110980600.9A Pending CN113724135A (zh) | 2021-08-25 | 2021-08-25 | 图像拼接方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724135A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511483A (zh) * | 2021-12-27 | 2022-05-17 | 广州极飞科技股份有限公司 | 一种图像处理的方法、装置、设备、系统及存储介质 |
| CN114897676A (zh) * | 2022-03-25 | 2022-08-12 | 北京瀚景锦河科技有限公司 | 一种无人机遥感多光谱图像拼接方法、设备及介质 |
| CN115471403A (zh) * | 2022-10-18 | 2022-12-13 | 如你所视(北京)科技有限公司 | 图像处理方法、装置及存储介质 |
| CN115937050A (zh) * | 2023-03-02 | 2023-04-07 | 图兮数字科技(北京)有限公司 | 图像处理方法、装置、电子设备和存储介质 |
| CN117333368A (zh) * | 2023-10-10 | 2024-01-02 | 南京矩视科技有限公司 | 一种基于局部边缘分析的图像拼接方法、设备和存储介质 |
| CN117372252A (zh) * | 2023-12-06 | 2024-01-09 | 国仪量子技术(合肥)股份有限公司 | 图像拼接方法、装置及存储介质、电子设备 |
| CN118570061A (zh) * | 2024-08-02 | 2024-08-30 | 江苏艾玮得生物科技有限公司 | 图像拼接方法及装置、电子设备、存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316275A (zh) * | 2017-06-08 | 2017-11-03 | 宁波永新光学股份有限公司 | 一种光流辅助的大尺度显微图像拼接算法 |
| CN111275622A (zh) * | 2020-01-18 | 2020-06-12 | 中国人民解放军陆军工程大学 | 图像拼接方法、装置及终端设备 |
| CN112288758A (zh) * | 2020-05-25 | 2021-01-29 | 国网江苏省电力有限公司常州供电分公司 | 一种电力设备红外与可见光图像配准方法 |
-
2021
- 2021-08-25 CN CN202110980600.9A patent/CN113724135A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316275A (zh) * | 2017-06-08 | 2017-11-03 | 宁波永新光学股份有限公司 | 一种光流辅助的大尺度显微图像拼接算法 |
| CN111275622A (zh) * | 2020-01-18 | 2020-06-12 | 中国人民解放军陆军工程大学 | 图像拼接方法、装置及终端设备 |
| CN112288758A (zh) * | 2020-05-25 | 2021-01-29 | 国网江苏省电力有限公司常州供电分公司 | 一种电力设备红外与可见光图像配准方法 |
Non-Patent Citations (2)
| Title |
|---|
| 汪丹;刘辉;李可;周威;: "一种三角函数权重的图像拼接算法", 红外技术, no. 01, 20 January 2017 (2017-01-20), pages 53 - 57 * |
| 耿娟等: "基于CSIFT特性的无人机影像匹配", 国土资源遥感, vol. 28, no. 01, 31 March 2016 (2016-03-31), pages 93 - 100 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511483A (zh) * | 2021-12-27 | 2022-05-17 | 广州极飞科技股份有限公司 | 一种图像处理的方法、装置、设备、系统及存储介质 |
| CN114897676A (zh) * | 2022-03-25 | 2022-08-12 | 北京瀚景锦河科技有限公司 | 一种无人机遥感多光谱图像拼接方法、设备及介质 |
| CN115471403A (zh) * | 2022-10-18 | 2022-12-13 | 如你所视(北京)科技有限公司 | 图像处理方法、装置及存储介质 |
| CN115471403B (zh) * | 2022-10-18 | 2024-02-13 | 如你所视(北京)科技有限公司 | 图像处理方法、装置及存储介质 |
| CN115937050A (zh) * | 2023-03-02 | 2023-04-07 | 图兮数字科技(北京)有限公司 | 图像处理方法、装置、电子设备和存储介质 |
| CN115937050B (zh) * | 2023-03-02 | 2023-10-13 | 图兮数字科技(北京)有限公司 | 图像处理方法、装置、电子设备和存储介质 |
| CN117333368A (zh) * | 2023-10-10 | 2024-01-02 | 南京矩视科技有限公司 | 一种基于局部边缘分析的图像拼接方法、设备和存储介质 |
| CN117333368B (zh) * | 2023-10-10 | 2024-05-21 | 南京矩视科技有限公司 | 一种基于局部边缘分析的图像拼接方法、设备和存储介质 |
| CN117372252A (zh) * | 2023-12-06 | 2024-01-09 | 国仪量子技术(合肥)股份有限公司 | 图像拼接方法、装置及存储介质、电子设备 |
| CN117372252B (zh) * | 2023-12-06 | 2024-02-23 | 国仪量子技术(合肥)股份有限公司 | 图像拼接方法、装置及存储介质、电子设备 |
| CN118570061A (zh) * | 2024-08-02 | 2024-08-30 | 江苏艾玮得生物科技有限公司 | 图像拼接方法及装置、电子设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113724135A (zh) | 图像拼接方法、装置、设备及存储介质 | |
| CN110322500B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN109242913B (zh) | 采集器相对参数的标定方法、装置、设备和介质 | |
| CN102859535B (zh) | 从预先计算的尺度空间产生Daisy描述符 | |
| CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
| CN111368717B (zh) | 视线确定方法、装置、电子设备和计算机可读存储介质 | |
| US20150294490A1 (en) | System and method for relating corresponding points in images with different viewing angles | |
| CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN110796108B (zh) | 一种人脸质量检测的方法、装置、设备及存储介质 | |
| CN105160686B (zh) | 一种基于改进sift算子的低空多视角遥感影像匹配方法 | |
| US9245194B2 (en) | Efficient line detection method | |
| CN113793370B (zh) | 三维点云配准方法、装置、电子设备及可读介质 | |
| CN112149583A (zh) | 烟雾检测方法、终端设备及存储介质 | |
| CN112330576A (zh) | 车载鱼眼摄像头畸变矫正方法、装置、设备及存储介质 | |
| CN112435223B (zh) | 目标检测方法、装置及存储介质 | |
| CN108229281B (zh) | 神经网络的生成方法和人脸检测方法、装置及电子设备 | |
| CN114187333A (zh) | 一种图像对齐方法、图像对齐装置及终端设备 | |
| CN113688928B (zh) | 图像匹配方法、装置、电子设备和计算机可读介质 | |
| CN112800932B (zh) | 海上背景下显著船舶目标的检测方法及电子设备 | |
| CN116188583B (zh) | 相机位姿信息生成方法、装置、设备和计算机可读介质 | |
| WO2023138540A1 (zh) | 边缘提取方法、装置、电子设备及存储介质 | |
| CN116934591A (zh) | 多尺度特征提取的图像拼接方法、装置、设备及存储介质 | |
| CN116912467A (zh) | 图像拼接方法、装置、设备及存储介质 | |
| CN109919998B (zh) | 卫星姿态确定方法、装置和终端设备 | |
| CN109087351B (zh) | 基于深度信息对场景画面进行闭环检测的方法及装置 |
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 |