CN114612413A - 图像自相似性的检验方法、装置、计算机设备及存储介质 - Google Patents
图像自相似性的检验方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114612413A CN114612413A CN202210216239.7A CN202210216239A CN114612413A CN 114612413 A CN114612413 A CN 114612413A CN 202210216239 A CN202210216239 A CN 202210216239A CN 114612413 A CN114612413 A CN 114612413A
- Authority
- CN
- China
- Prior art keywords
- block
- picture
- blocks
- value range
- domain
- 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
Images
Classifications
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了图像自相似性的检验方法、装置、计算机设备及存储介质。该方法包括对第一图片和第二图片合并得到的合并图片进行分割,得到对应在第一图片和第二图片中的互不重叠的多个第一值域块和多个第二值域块;再次分割并得到对应在第一图片和第二图片中的交叠的多个第一定域块和多个第二定域块;然后通过匹配性计算,分别得到第一图片和第二图片中最相似的第一值域块和第二值域块、第一定域块和第二定域块、第一值域块和第二定域块以及第二值域块和第一定域块。本发明解决了视频或图像检索中的区域相似性问题,为全景图片的重构、三维模型的建立提供强有力的算法依据。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及图像自相似性的检验方法、装置、计算机设备及存储介质。
背景技术
摄像头采集视频和图像已在众多场景中有大规模应用。由于球机和枪机的平动和转动,势必会造成图像的旋转或者缩放,在视频图像记录中往往没有球机和枪机的精确坐标位置,以及平动和转动的角度等记录信息,或者由于原坐标数据记录误差等问题,大量视频或者图像中找寻到同一拍摄物体或目标成为难点,导致无法实现全景图片的重构或三维模型。
发明内容
本发明的目的是提供一种图像自相似性的检验方法、装置、计算机设备及存储介质,旨在解决现有缺少坐标位置或坐标数据记录误差等情况下,导致在视频或者图像中找寻到同一拍摄物体或目标非常困难的问题。
为解决上述技术问题,本发明的目的是通过以下技术方案实现的:提供一种图像自相似性的检验方法,其包括:
合并第一图片和第二图片,得到合并图片;
分割所述合并图片,得到对应在所述第一图片中的互不重叠的多个第一值域块和对应在所述第二图片中的互不重叠的多个第二值域块;
分割所述合并图片,得到对应在所述第一图片中的交叠的多个第一定域块和对应在所述第二图片中的交叠的多个第二定域块;
当所述第一图片和第二图片为平动采集的图像时,将所述多个第一值域块和多个第二值域块分别进行匹配性计算并得到最匹配的第一区域对,以及将所述多个第一定域块和多个第二定域块分别进行匹配性计算并得到最匹配的第二区域对;
当所述第一图片和第二图片为转动采集的图像时,将所述多个第一值域块和多个第二定域块分别进行匹配性计算并得到最匹配的第三区域对,以及将所述多个第二值域块和多个第一定域块分别进行匹配性计算并得到最匹配的第四区域对。
计算并得到所述第一区域对、第二区域对、第三区域对和第四区域对的位置。
另外,本发明要解决的技术问题是还在于提供一种图像自相似性的检验装置,其包括:
合并单元,用于合并第一图片和第二图片,得到合并图片;
第一分割单元,用于分割所述合并图片,得到对应在所述第一图片中的互不重叠的多个第一值域块和对应在所述第二图片中的互不重叠的多个第二值域块;
第二分割单元,用于分割所述合并图片,得到对应在所述第一图片中的交叠的多个第一定域块和对应在所述第二图片中的交叠的多个第二定域块;
第一匹配计算单元,用于当所述第一图片和第二图片为平动采集的图像时,将所述多个第一值域块和多个第二值域块分别进行匹配性计算并得到最匹配的第一区域对,以及将所述多个第一定域块和多个第二定域块分别进行匹配性计算并得到最匹配的第二区域对;
第二匹配计算单元,用于当所述第一图片和第二图片为转动采集的图像时,将所述多个第一值域块和多个第二定域块分别进行匹配性计算并得到最匹配的第三区域对,以及将所述多个第二值域块和多个第一定域块分别进行匹配性计算并得到最匹配的第四区域对;
位置计算单元,用于计算并得到所述第一区域对、第二区域对、第三区域对和第四区域对的位置。
另外,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的图像自相似性的检验方法。
另外,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的图像自相似性的检验方法。
本发明实施例公开了图像自相似性的检验方法、装置、计算机设备及存储介质。该方法包括对第一图片和第二图片合并得到的合并图片进行分割,得到对应在第一图片和第二图片中的互不重叠的多个第一值域块和多个第二值域块;再次分割并得到对应在第一图片和第二图片中的交叠的多个第一定域块和多个第二定域块;然后通过匹配性计算,分别得到第一图片和第二图片中最相似的第一值域块和第二值域块、第一定域块和第二定域块、第一值域块和第二定域块以及第二值域块和第一定域块。本发明实施例解决了视频或图像检索中的区域相似性问题,为全景图片的重构、三维模型的建立提供强有力的算法依据。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像自相似性的检验方法的流程示意图;
图2为本发明实施例提供的图像自相似性的检验方法的子流程示意图;
图3为本发明实施例提供的图像自相似性的检验装置的示意性框图;
图4为本发明实施例提供的计算机设备的示意性框图。
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1为本发明实施例提供的图像自相似性的检验方法的流程示意图;
如图1所示,该方法包括步骤S101~S106。
S101、合并第一图片和第二图片,得到合并图片;
该步骤中,将待检测的第一图片和第二图片合并为一张图片,若第一图片和第二图片的原尺寸都为P×P,合并后的合并图片的尺寸为2P×P,P表示像素值。
S102、分割合并图片,得到对应在第一图片中的互不重叠的多个第一值域块和对应在第二图片中的互不重叠的多个第二值域块;
该步骤中,定义值域块的尺寸为2R×2R,将合并图片分割成2N-R+1×2N-R个互不重叠的值域块(即第一值域块和第二值域块的总和,且第一值域块和第二值域块的数量相等),其中N=log2 P。举例来说,假设合并图片的像素是8*4,值域块的尺寸为2*2,那么互不重叠的值域块为22-1+1×22-1=8。
S103、分割合并图片,得到对应在第一图片中的交叠的多个第一定域块和对应在第二图片中的交叠的多个第二定域块;
该步骤中,定义定域块的尺寸为2D×2D,将合并图片分割成(2N+1-2D+1+2)×(2N-2D+1)个交叠的定域块(即第一定域块和第二定域块的总和,且第一定域块和第二定域块的数量相等),其中D>R。
S104、当第一图片和第二图片为平动采集的图像时,将多个第一值域块和多个第二值域块分别进行匹配性计算并得到最匹配的第一区域对,以及将多个第一定域块和多个第二定域块分别进行匹配性计算并得到最匹配的第二区域对;
该步骤中,通过匹配性计算得到第一图片和第二图片中最匹配的第一值域块和第二值域块,即最相似的第一值域块和第二值域块;以及最匹配的第一定域块和第二定域块,即最相似的第一定域块和第二定域块;基于此,可以判断出对于平动采集得到的第一图片和第二图片中的相似区域。
S105、当第一图片和第二图片为转动采集的图像时,将多个第一值域块和多个第二定域块分别进行匹配性计算并得到最匹配的第三区域对,以及将多个第二值域块和多个第一定域块分别进行匹配性计算并得到最匹配的第四区域对;
该步骤中,通过匹配性计算得到第一图片和第二图片中最匹配的第一值域块和第二定域块,即最相似的第一值域块和第二定域块;以及最匹配的第二值域块和第一定域块,即最相似的第二值域块和第一定域块;基于此,可以判断出对于旋转采集得到的第一图片和第二图片中的相似区域。
S106、计算并得到第一区域对、第二区域对、第三区域对和第四区域对的位置。
本实施中,基于步骤S101-S106提供的检验方法,解决了视频或图像检索中的区域相似性问题,可为全景图片的重构、三维模型的建立提供强有力的算法依据。
下面具体介绍关于平动采集的图像进行匹配性计算的过程。
在一实施例中,如图2所示,步骤S104包括:
S201、对比多个第一值域块和多个第二值域块之间的欧式距离,筛选出最小欧式距离对应的第一值域块和第二值域块作为最匹配的第一区域对;
S202、对比多个第一定域块和多个第二定域块之间的欧式距离,筛选出最小欧式距离对应的第一定域块和第二定域块作为最匹配的第二区域对。
本实施例中,对于只是摄像头平动采集的第一图片和第二图片,不包含缩放因素,因此只需要找到最匹配的像素矢量对,即像素矢量最匹配的第一值域块和第二值域块,以及像素矢量量最匹配的第一定域块和第二定域块;由于第一图片和第二图片没有缩放,对于第一图片和第二图片来说,欧式距离最短的即像素矢量最为匹配。
具体的,步骤S202为第一区域对的匹配过程,包括:
按如下公式分别计算每一第一值域块和第二值域块之间的欧式距离dRiRj:
其中,ZRi表示第一值域块的灰度或RGB变换的对比度,ZRj表示第二值域块的灰度或RGB变换的对比度,L2表示正则化。
分别将ZRi和ZRj代入上述公式计算即可得到第一值域块和第二值域块的欧式距离,基于此,将所有的第一值域块和第二值域块进行一一对应匹配,即可得到每一第一值域块和第二值域块之间的所有欧式距离,然后按序将这里的欧式距离进行排序,筛选出最小欧式距离对应的第一值域块和第二值域块则作为最匹配的第一区域对,即最相似的第一值域块和第二值域块。
具体的,步骤S203为第二区域对的匹配过程,包括:
按如下公式分别计算每一第一定域块和第二定域块之间的欧式距离dDiDj:
其中,其中,ODi表示第一定域块的灰度或RGB变换的对比度,ODj表示第二定域块的灰度或RGB变换的对比度,L2表示正则化。
分别将ODi和ODj代入上述公式计算即可得到第一定域块和第二定域块的欧式距离,基于此,将所有的第一定域块和第二定域块进行一一对应匹配,即可得到每一第一定域块和第二定域块之间的所有欧式距离,然后按序将这里的欧式距离进行排序,筛选出最小欧式距离对应的第一定域块和第二定域块则作为最匹配的第二区域对,即最相似的第一定域块和第二定域块。
下面具体介绍关于转动采集的图像进行匹配性计算的过程。
首先,对于摄像头转动采集的图像,由于不确定图像检索区域的大小,因此需要完成第一值域块Ri和第二定域块Dj的匹配,以及第一定域块Di和第二值域块Rj的匹配。由于任意一个第一值域块Ri和第二定域块Dj所包含的像素点是不同的,以及第一定域块Di和第二值域块Rj所包含的像素点是不同的,而为了匹配值域块和定域块,需先采用抽样法或者池化,即通过最大值、最小值、平均值等方式,提取定域块中的特征灰度值,使定域块和值域块在维度上匹配。
在一实施例中,步骤S105中的将多个第一值域块和多个第二定域块分别进行匹配性计算并得到最匹配的第三区域对,包括:
按如下公式分别计算每一第一值域块和第二定域块的评测指标ERiDj:
为求得评测指标E的极小值,需满足条件:
通过计算并得到:
在实际应用中,为了避免找到过拟合模型,本发明只考虑线性模型,即检测图片中目标区域的线性压缩或者拉伸;在计算得到ZRi和ZRi后,带入到评测指标公式中进行计算,即可得到第一值域块和第二定域块的评测指标E。
其中,ZRi表示第一值域块的灰度或RGB变换的对比度,ODj表示第二定域块的灰度或RGB变换的对比度,表示求偏倒数,al表示Dj中提取的特征灰度值{a1,a2……an}中的一个,bl表示Ri中各像素点的RGB值{b1,b2……bn}中的一个,1≤l≤n。
将各参数代入上述公式进行计算并得到第一值域块和第二定域块的评测指标,基于此,将所有的第一值域块和第二定域块进行一一对应匹配,即可得到每一第一值域块和第二定域块之间的所有评测指标,然后按序将这里的评测指标进行排序,筛选出最小评测指标对应的第一值域块和第二定域块则作为最匹配的第三区域对,即最相似的第一值域块和第二定域块。
在一实施例中,步骤S105中的将多个第二值域块和多个第一定域块分别进行匹配性计算并得到最匹配的第四区域对,包括:
按如下公式分别计算每一第二值域块和第一定域块的评测指标ERjDi:
为求得评测指标E的极小值,需满足条件:
通过计算并得到:
在实际应用中,为了避免找到过拟合模型,本发明只考虑线性模型,即检测图片中目标区域的线性压缩或者拉伸;在计算得到ZRj和ODi后,带入到评测指标公式中进行计算,即可得到第二值域块和第一定域块的评测指标E。
其中,ZRj表示第二值域块的灰度或RGB变换的对比度,ODi表示第一定域块的灰度或RGB变换的对比度,表示求偏倒数,cl表示Di中提取的特征灰度值{c1,c2……cn}中的一个,dl表示Rj中各像素点的RGB值{d1,d2……dn}中的一个,1≤l≤n;
将各参数代入上述公式进行计算并得到第二值域块和第一定域块的评测指标,基于此,将所有的第二值域块和第一定域块的进行一一对应匹配,即可得到每一第二值域块和第一定域块之间的所有评测指标,然后按序将这里的评测指标进行排序,筛选出最小评测指标对应的第二值域块和第一定域块则作为最匹配的第四区域对,即最相似的第二值域块和第一定域块。
在一实施例中,该方法还包括:
按如下公式分别计算第一区域对、第二区域对、第三区域对和第四区域对的位置:
xi=2R·mod(i/2N-R+1)-2R-1;
yi=2R·floor(i/2N-R+1)-2R-1;
其中,(xi,yi)表示第一区域对中的第一值域块或第二值域块的中心点,或表示第二区域对中的第一定域块或第二定域块的中心点,或表示第三区域对中的第一值域块或第二定域块的中心点,或第四区域对中的第二值域块或第一定域块的中心点;floor(i/2N-R+1)表示值域块或定域块在分割后的合并图片中的行数,mod(i/2N-R+1)表示值域块或定域块在分割后的合并图片中的列数,其中floor(·)表示取整算子,mod(·)表示取余算子。
本实施例中,分别将第一区域对、第二区域对、第三区域对和第四区域对中对于的值域块或定域块的参数代入上述公式中,即可计算并得到对应的值域块或定域块的中心位置,从而得到第一图片和第二图片中的相似区域的具体位置。
以上即为关于两张图像进行匹配性计算并得到相似区域的过程,考虑到两张图像可能不存在相似区域,还可根据多张图像匹配计算结果设定出具体的分位数阈值dθ和Eθ,若dRiRj≤dθ、dDiDj≤dθ,或者ERiDj≤Eθ、ERjDi≤Eθ,则确定最为匹配的区域对为(Ri,Rj),(Di,Dj),(Ri,Dj),(Di,Rj)。
对于每一个第一值域块Ri和第二值域块Rj,搜索的最大自相似块的数目为2N-R×2N-R。
对于每一个第一定域块Di和第二定域块Dj,搜索的最大自相似块的数目为2N-D×2N-D。
对于第一值域块Ri,如果第二定域块Dj的尺寸为2D×2D(D>R),那么搜索的最大自相似块Dj的数目为(2N+1-2D+1+2)×(2N-2D+1);对于每一个第一定域块Di,如果第二值域块Rj的尺寸为2R×2R,那么搜索的最大自相似块Rj的数目为(2N-2D+1)×(2N+1-2D+1+2)。另外,对一个方形像素块,通常要采用8种对称变换方式,总的计算量为以上四个部分的计算量总和乘以8,经过匹配性计算才能找到一个全局最优的匹配结果。
本发明实施例还提供一种图像自相似性的检验装置,该图像自相似性的检验装置用于执行前述图像自相似性的检验方法的任一实施例。具体地,请参阅图3,图3是本发明实施例提供的图像自相似性的检验装置的示意性框图。
如图3所示,图像自相似性的检验装置300,包括:合并单元301、第一分割单元302、第二分割单元303、第一匹配计算单元304、第二匹配计算单元305以及位置计算单元306。
合并单元301,用于合并第一图片和第二图片,得到合并图片;
第一分割单元302,用于分割所述合并图片,得到对应在所述第一图片中的互不重叠的多个第一值域块和对应在所述第二图片中的互不重叠的多个第二值域块;
第二分割单元303,用于分割所述合并图片,得到对应在所述第一图片中的交叠的多个第一定域块和对应在所述第二图片中的交叠的多个第二定域块;
第一匹配计算单元304,用于当所述第一图片和第二图片为平动采集的图像时,将所述多个第一值域块和多个第二值域块分别进行匹配性计算并得到最匹配的第一区域对,以及将所述多个第一定域块和多个第二定域块分别进行匹配性计算并得到最匹配的第二区域对;
第二匹配计算单元305,用于当所述第一图片和第二图片为转动采集的图像时,将所述多个第一值域块和多个第二定域块分别进行匹配性计算并得到最匹配的第三区域对,以及将所述多个第二值域块和多个第一定域块分别进行匹配性计算并得到最匹配的第四区域对。
位置计算单元306,用于计算并得到所述第一区域对、第二区域对、第三区域对和第四区域对的位置。
该装置通过匹配性计算得到第一图片和第二图片中最匹配的四个区域对,解决了视频或图像检索中的区域相似性问题,可为全景图片的重构、三维模型的建立提供强有力的算法依据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述图像自相似性的检验装置可以实现为计算机程序的形式,该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4,图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备400是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图4,该计算机设备400包括通过系统总线401连接的处理器402、存储器和网络接口405,其中,存储器可以包括非易失性存储介质403和内存储器404。
该非易失性存储介质403可存储操作系统4031和计算机程序4032。该计算机程序4032被执行时,可使得处理器402执行图像自相似性的检验方法。
该处理器402用于提供计算和控制能力,支撑整个计算机设备400的运行。
该内存储器404为非易失性存储介质403中的计算机程序4032的运行提供环境,该计算机程序4032被处理器402执行时,可使得处理器402执行图像自相似性的检验方法。
该网络接口405用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图4中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备400的限定,具体的计算机设备400可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域技术人员可以理解,图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图4所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器402可以是中央处理单元(CentralProcessing Unit,CPU),该处理器402还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例的图像自相似性的检验方法。
存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,仅为本发明的具体实施方式,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像自相似性的检验方法,其特征在于,包括:
合并第一图片和第二图片,得到合并图片;
分割所述合并图片,得到对应在所述第一图片中的互不重叠的多个第一值域块和对应在所述第二图片中的互不重叠的多个第二值域块;
分割所述合并图片,得到对应在所述第一图片中的交叠的多个第一定域块和对应在所述第二图片中的交叠的多个第二定域块;
当所述第一图片和第二图片为平动采集的图像时,将所述多个第一值域块和多个第二值域块分别进行匹配性计算并得到最匹配的第一区域对,以及将所述多个第一定域块和多个第二定域块分别进行匹配性计算并得到最匹配的第二区域对;
当所述第一图片和第二图片为转动采集的图像时,将所述多个第一值域块和多个第二定域块分别进行匹配性计算并得到最匹配的第三区域对,以及将所述多个第二值域块和多个第一定域块分别进行匹配性计算并得到最匹配的第四区域对;
计算并得到所述第一区域对、第二区域对、第三区域对和第四区域对的位置。
2.根据权利要求1所述的图像自相似性的检验方法,其特征在于,所述当所述第一图片和第二图片为平动采集的图像时,将所述多个第一值域块和多个第二值域块分别进行匹配性计算并得到最匹配的第一区域对,以及将所述多个第一定域块和多个第二定域块分别进行匹配性计算并得到最匹配的第二区域对,包括:
对比所述多个第一值域块和多个第二值域块之间的欧式距离,筛选出最小欧式距离对应的第一值域块和第二值域块作为最匹配的第一区域对;
对比所述多个第一定域块和多个第二定域块之间的欧式距离,筛选出最小欧式距离对应的第一定域块和第二定域块作为最匹配的第二区域对。
7.根据权利要求1所述的图像自相似性的检验方法,其特征在于,所述计算并得到所述第一区域对、第二区域对、第三区域对和第四区域对的位置,包括:
按如下公式分别计算所述第一区域对、第二区域对、第三区域对和第四区域对的位置:
xi=2R·mod(i/2N-R+1)-2R-1;
yi=2R·floor(i/2N-R+1)-2R-1;
其中,(xi,yi)表示第一区域对中的第一值域块或第二值域块的中心点,或表示第二区域对中的第一定域块或第二定域块的中心点,或表示第三区域对中的第一值域块或第二定域块的中心点,或第四区域对中的第二值域块或第一定域块的中心点;floor(i/2N-R+1)表示值域块或定域块在分割后的合并图片中的行数,mod(i/2N-R+1)表示值域块或定域块在分割后的合并图片中的列数,其中floor(·)表示取整算子,mod(·)表示取余算子。
8.一种图像自相似性的检验装置,其特征在于,包括:
合并单元,用于合并第一图片和第二图片,得到合并图片;
第一分割单元,用于分割所述合并图片,得到对应在所述第一图片中的互不重叠的多个第一值域块和对应在所述第二图片中的互不重叠的多个第二值域块;
第二分割单元,用于分割所述合并图片,得到对应在所述第一图片中的交叠的多个第一定域块和对应在所述第二图片中的交叠的多个第二定域块;
第一匹配计算单元,用于当所述第一图片和第二图片为平动采集的图像时,将所述多个第一值域块和多个第二值域块分别进行匹配性计算并得到最匹配的第一区域对,以及将所述多个第一定域块和多个第二定域块分别进行匹配性计算并得到最匹配的第二区域对;
第二匹配计算单元,用于当所述第一图片和第二图片为转动采集的图像时,将所述多个第一值域块和多个第二定域块分别进行匹配性计算并得到最匹配的第三区域对,以及将所述多个第二值域块和多个第一定域块分别进行匹配性计算并得到最匹配的第四区域对;
位置计算单元,用于计算并得到所述第一区域对、第二区域对、第三区域对和第四区域对的位置。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的图像自相似性的检验方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的图像自相似性的检验方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210216239.7A CN114612413A (zh) | 2022-03-07 | 2022-03-07 | 图像自相似性的检验方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210216239.7A CN114612413A (zh) | 2022-03-07 | 2022-03-07 | 图像自相似性的检验方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612413A true CN114612413A (zh) | 2022-06-10 |
Family
ID=81860354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210216239.7A Pending CN114612413A (zh) | 2022-03-07 | 2022-03-07 | 图像自相似性的检验方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612413A (zh) |
-
2022
- 2022-03-07 CN CN202210216239.7A patent/CN114612413A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961180B (zh) | 红外图像增强方法及系统 | |
JP5538868B2 (ja) | 画像処理装置、その画像処理方法及びプログラム | |
US8098963B2 (en) | Resolution conversion apparatus, method and program | |
KR20140109439A (ko) | 잡음에 강한 영상 정합 방법 및 시스템 | |
JP2009520558A (ja) | ポイント・ベースの適応的弾性画像登録 | |
US9361692B2 (en) | Image registration device and operation method of the same | |
JP7188201B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
KR20130112311A (ko) | 고밀도 삼차원 영상 재구성 장치 및 방법 | |
US20230214981A1 (en) | Method for detecting appearance defects of a product and electronic device | |
KR20170022736A (ko) | 딕셔너리 학습 기반 해상도 향상 장치 및 방법 | |
CN106296587B (zh) | 轮胎模具图像的拼接方法 | |
US8164633B2 (en) | Calibration apparatus and method for imaging devices and computer program | |
CN111179173B (zh) | 一种基于离散小波变换和坡度融合算法的图像拼接方法 | |
CN114332183A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN113177592A (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
CN116012432A (zh) | 立体全景图像的生成方法、装置和计算机设备 | |
Yammine et al. | Novel similarity-invariant line descriptor and matching algorithm for global motion estimation | |
CN110517300A (zh) | 基于局部结构算子的弹性图像配准算法 | |
CN113298187A (zh) | 图像处理方法及装置、计算机可读存储介质 | |
CN113808103A (zh) | 基于图像处理的路面坑洼自动检测方法、设备和存储介质 | |
CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
Fang et al. | Quality assessment for image super-resolution based on energy change and texture variation | |
CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
CN114612413A (zh) | 图像自相似性的检验方法、装置、计算机设备及存储介质 | |
CN111681270A (zh) | 一种实现图像帧之间配准的方法、装置和存储介质 |
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 |