CN115601407A - 一种红外与可见光图像配准方法 - Google Patents

一种红外与可见光图像配准方法 Download PDF

Info

Publication number
CN115601407A
CN115601407A CN202211115537.3A CN202211115537A CN115601407A CN 115601407 A CN115601407 A CN 115601407A CN 202211115537 A CN202211115537 A CN 202211115537A CN 115601407 A CN115601407 A CN 115601407A
Authority
CN
China
Prior art keywords
image
infrared
visible light
enhanced
degrees
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
Application number
CN202211115537.3A
Other languages
English (en)
Inventor
任龙
阮仲聆
王�华
廖加文
黄继江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XiAn Institute of Optics and Precision Mechanics of CAS
Original Assignee
XiAn Institute of Optics and Precision Mechanics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by XiAn Institute of Optics and Precision Mechanics of CAS filed Critical XiAn Institute of Optics and Precision Mechanics of CAS
Priority to CN202211115537.3A priority Critical patent/CN115601407A/zh
Publication of CN115601407A publication Critical patent/CN115601407A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种图像配准方法，具体涉及一种红外与可见光图像配准方法。解决了现有红外和可见光的图像配准方法存在红外图像对比度较低，使图像特征点提取困难，导致匹配精度较差的技术问题。本发明包括以下步骤：1)分别采集同一场景的红外图像和可见光图像；2)通过图像增强算法对红外图像进行像素增强处理得到增强图像；3)分别对可见光图像和增强图像进行轮廓提取，得到红外轮廓图像和可见光轮廓图像；4)利用特征提取算法分别提取得到增强图像和可见光图像的所有特征点，再从所有特征点中获取增强图像和可见光图像的最终特征点；5)使用动态点匹配算法对增强图像和可见光图像的最终特征点进行匹配，完成图像配准。

Description

一种红外与可见光图像配准方法
技术领域
本发明涉及一种图像配准方法，具体涉及一种红外与可见光图像配准方法。
背景技术
图像配准是计算机视觉、模式识别和医学图像分析领域的一个重要研究方向，包括单模图像和多模图像配准，其中多模图像配准指的是采用不同图像传感器采集的异源图像进行配准，从而满足图像在坐标轴下的对齐。图像配准的目的在于获取不同图像的空间映射关系，对齐相同目标在不同图像中的空间位置，图像配准是图像融合以及三维重建技术必不可少的预处理步骤。
现有的红外和可见光的图像配准方法可分为基于标定参数、基于区域和基于特征三类。基于标定参数的方法是一种非自动配准方法，只能配准同一时刻拍摄的一组图像，并且其配准精度依赖标定参数精度。基于区域的配准方法依赖图像灰度的线性相关程度和视野重叠程度，对存在视角差异、光谱差异以及畸变的复杂场景的适应能力差，且计算复杂度高，如基于梯度互信息的配准方法。相较于前面两种配准方法，基于特征的配准方法性能稳定性较强，应对各类复杂场景的图像配准效果更佳，其中，基于点特征的配准方法被广泛应用和研究。现有点特征提取方法有SIFT、Harris、SURF以及PIIFD等，但是由于红外通常采集的图像对比度较低，导致图像特征点提取困难，从而导致匹配精度较差。
发明内容
本发明的目的是解决现有红外和可见光的图像配准方法，由于采集的红外图像对比度较低，使图像特征点提取困难，导致匹配精度较差的技术问题，而提供一种红外与可见光图像配准方法。本发明是通过图像增强算法提升红外图像的对比度，利用轮廓提取方法提取红外图像与可见光图像的轮廓图，再使用SURF特征提取算法提取特征点，最后使用动态点匹配算法完成特征点的匹配。
本发明的技术解决方案是：
一种红外与可见光图像配准方法，其特殊之处在于，包括以下步骤：
1)分别采集同一场景的红外图像和可见光图像；
2)通过图像增强算法对红外图像进行像素增强处理得到增强图像；
3)采用多方向梯度均值方法分别对可见光图像和增强图像进行轮廓提取，得到红外轮廓图像和可见光轮廓图像；
4)利用特征提取算法通过红外轮廓图像和可见光轮廓图像分别提取得到增强图像和可见光图像的所有特征点，再从所有特征点中获取增强图像和可见光图像的最终特征点；
5)使用动态点匹配算法对增强图像和可见光图像的最终特征点进行匹配，完成图像配准。
进一步地，步骤2)中，所述图像增强算法包括以下步骤：
A)通过引导滤波公式对红外图像中每个像素点的像素值Pr(i,j)进行滤波处理，得到对应像素点的基层图像像素值
Figure BDA0003845222010000021
Figure BDA0003845222010000022
GF(·)函数是引导滤波器；
(i,j)是像素点的坐标；
s是滤波器的滤波半径；
ε是滤波系数；
B)通过以下公式得到红外图像中每个像素点的细节层图像像素值
Figure BDA0003845222010000031
Figure BDA0003845222010000032
C)通过以下公式分别对每个像素点的基层图像像素值
Figure BDA0003845222010000033
和细节层图像像素值
Figure BDA0003845222010000034
进行像素增强，得到增强后的基层图像像素值
Figure BDA0003845222010000035
和细节层图像像素值
Figure BDA0003845222010000036
Figure BDA0003845222010000037
Figure BDA0003845222010000038
α是增强系数；
μ是图像内所有像素点灰度值的平均值；
β是细节增强系数，取值为2；
abs(·)表示绝对值；
D)通过以下公式得到每个像素点增强后的最终图像像素值Pr E(i,j)：
Figure BDA0003845222010000039
E)通过红外图像中所有像素点增强后的最终图像像素值Pr E(i,j)，得到增强图像。
进一步地，步骤3中，所述多方向梯度均值方法采用七个方向，对应角度分别为0°、30°、60°、90°、120°、150°、180°；
通过多方向梯度均值方法对图像进行轮廓提取具体为：先分别计算图像在0°、30°、60°、90°、120°、150°、180°共七个方向的梯度值，再通过mean()函数计算得到图像在该七个方向的梯度值均值，通过以下公式得到轮廓图像GM：
Figure BDA0003845222010000041
θ：梯度方向；
gθ：梯度方向对应的梯度值；
mean()函数：多个方向梯度值的均值。
进一步地，步骤4)中，所述特征提取算法采用SURF特征点提取算法。
进一步地，步骤5)中，所述动态点匹配算法具体包括以下步骤：
S1)通过单一的高斯模型来消除增强图像和可见光图像的特征点异常值；
所述高斯模型如下：
Figure BDA0003845222010000042
E(f,σ2)为关于仿射变换的能量函数；
f是放射变换函数；
σ为滤波尺度；
M和N分别表示可见光图像和增强图像的最终特征点个数；
xj为增强图像的特征点，j是对应特征点序号；
yi为可见光图像的特征点，i是对应特征点序号；
η为特征匹配点之间的对应关系，当两个特征点是匹配关系时其值为1，否则为0；
φ为高斯函数；
S2)使用加权正则化的最小二乘法对高斯模型的能量函数进行迭代计算，能量函数最小时得到投影变换矩阵；
S3)通过投影变换矩阵获取增强图像和可见光图像的所有匹配特征点，再经过投影变换矩阵将增强图像投影到可见光图像，得到红外旋转图像，完成图像配准。
进一步地，步骤4)中，采用3×3×3邻域非最大值抑制方法获取最终特征点。
本发明的有益效果：
1、本发明一种红外与可见光图像配准方法，通过图像增强算法增强红外图像的像素，提升红外图像的对比度，使图像特征点提取准确高效，提升红外与可见光图像配准的匹配精度。
2、本发明一种红外与可见光图像配准方法，提供了一种图像增强的算法，首先使用引导滤波器对图像进行分解，对分解后的基层图像进行增强，对细节层图像进行增强，再将处理后的基层图像和细节层图像相加获取最终的增强图像，增强效果显著。
3、本发明一种红外与可见光图像配准方法的轮廓提取采用七个方向梯度均值方法分别获取红外与可见光的轮廓图像，以30°为间隔，七个方向对应角度分别为0°、30°、60°、90°、120°、150°、180°，间隔大了无法准确表达图像信息，间隔小了，计算量变大。本发明在减小计算量的基础上，七个方向梯度均值方法能够完整保留红外图像与可见光图像的轮廓特征信息，方便快速提取特征点。
附图说明
图1是本发明红外与可见光图像配准流程图；
图2是本发明实施例中红外原始图像与增强图像对比图(a为红外图像，b为增强图像)；
图3是本发明实施例中增强图像、可见光原始图像、红外轮廓图像和可见光轮廓图像(b为增强图像，c为可见光图像，d为红外轮廓图像，e为可见光轮廓图像)；
图4是本发明实施例中使用SURF特征提取算法提取到的红外图像特征点和可见光图像特征点(f为增强图像特征点，g为可见光图像特征点)；
图5是本发明实施例中经迭代计算后得到的红外图像与可见光图像的特征点匹配图(b为增强图像，c为可见光图像)；
图6是本发明实施例中通过投影变换得到的红外旋转图像；
图7是本发明实施例中经过配准后的红外与可见光融合图像。
具体实施方式
下面将结合本发明实施例和附图对本发明进行清楚详细的描述，显然所描述的实施例为本发明中的一部分实施例，而不是全部实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的其他实施例，都属于本发明的保护范围。
本发明一种红外与可见光图像配准方法，配准过程如图1所示，包括以下步骤：
1)分别采集同一场景的红外图像和可见光图像；
通过红外图像采集设备和可见光图像采集设备分别集同一场景的原始图像。
2)通过图像增强算法对红外图像进行像素增强处理得到增强图像；
首先是通过引导滤波器对图像进行分解，将原始红外图像分解为基层图像和细节层图像，之后分别对基层图像和细节层图像的像素进行增强，再将处理后的基层图像和细节层图像相加获取最终的增强图像从而实现红外图像的像素增强，提升图像的对比度。图像增强算法具体包括以下步骤：
A)通过引导滤波公式对红外图像中每个像素点的像素值Pr(i,j)进行滤波处理，得到对应像素点的基层图像像素值
Figure BDA0003845222010000071
Figure BDA0003845222010000072
GF(·)函数是引导滤波器；
(i,j)是像素点的坐标；
s是滤波器的滤波半径；
ε是滤波系数；
B)通过以下公式得到红外图像中每个像素点的细节层图像像素值
Figure BDA0003845222010000073
Figure BDA0003845222010000074
C)通过以下公式分别对每个像素点的基层图像像素值
Figure BDA0003845222010000075
和细节层图像像素值
Figure BDA0003845222010000076
进行增强，得到增强后的基层图像像素值
Figure BDA0003845222010000077
和细节层图像像素值
Figure BDA0003845222010000078
Figure BDA0003845222010000079
Figure BDA00038452220100000710
α是增强系数；
μ是图像内所有像素点灰度值的平均值；
β是细节增强系数，取值为2；
abs(·)表示绝对值；
D)通过以下公式得到每个像素点增强后的最终图像像素值Pr E(i,j)：
Figure BDA00038452220100000711
E)通过红外图像中所有像素点增强后的最终图像像素值Pr E(i,j)，得到增强图像，如图2所示，图像经过像素点增强后，明显的提高了图像的对比度，便于后续特征点的提取。
3)为了降低特征点提取的复杂度，采用多方向梯度均值方法分别对可见光图像和增强图像进行轮廓提取，得到红外轮廓图像和可见光轮廓图像；
本发明实施例中多方向梯度均值方法采用七个方向，对应角度分别为0°、30°、60°、90°、120°、150°、180°。本发明中梯度间的间隔为30°，其他实施例中也可采取其他间隔且覆盖0-180°的梯度均值法，但需注意间隔太小，图像轮廓提取的算法变得复杂，计算量变大，提取速率大大减慢，而间隔过大，则可能无法准确表达图像信息，使轮廓提取模糊或者有误，增加特征点提取的困难。
上述多方向梯度均值方法对图像进行轮廓提取具体方法为：先分别计算图像在0°、30°、60°、90°、120°、150°、180°共七个方向的梯度值，再通过mean()函数计算得到图像在该七个方向的梯度值均值，通过以下公式得到轮廓图像GM：
Figure BDA0003845222010000081
θ：梯度方向；
gθ：梯度方向对应的梯度值；
mean()函数：多个方向梯度值的均值。
如图3所示，可以看出使用这种方法能够完整保留红外图像与可见光图像的轮廓特征信息，为后续的特征点提取奠定基础。
4)利用特征提取算法通过红外轮廓图像和可见光轮廓图像分别提取得到增强图像和可见光图像的所有特征点；
现有点特征提取方法有SIFT、Harris、SURF以及PIIFD等，本发明实施例中选用SURF特征点提取算法分别提取红外图像和可见光图像的特征点。
SURF特征点提取算子主要是基于海森矩阵的，图像I中任一点u的海森矩阵定义如下：
Figure BDA0003845222010000091
其中，高斯一阶卷积为：
Figure BDA0003845222010000092
G(u,σ)是高斯滤波器，σ是滤波尺度，
Figure BDA0003845222010000093
是卷积算子。Lxx、Lxy和Lyy是图像I分别在水平方向、水平和垂直方向以及垂直方向的高斯二阶卷积。通过以下公式获取高斯差分一阶函数D(u,σ)：D(u,σ)＝L(u,kσ)-L(u,σ)，其中，k是尺度差。通过以下公式获取海森矩阵的行列式det(HL(u,σ))，具体如下：
det(H)＝DxxDyy-(wDxy)2
其中，滤波器响应的相对权重w用于平衡海森矩阵行列式的表达式，Dxx、Dxy和Dyy是原始图像I分别在水平方向、水平和垂直方向以及垂直方向的高斯差分二阶函数。通过计算行列式det(HL(u,σ))，得到增强图像的所有特征点和可见光图像的所有特征点。再使用3×3×3邻域非最大值抑制方法，获取图像不同尺寸中的最终特征点，即每个像素点与其三维邻域中的26个点进行大小比较从而获取最终特征点，获取最终特征点的目的是通过比较，选取图像中最关键的特征点，进而减少特征点数量，降低特征点配准的计算量，增强图像的特征点和可见光图像的特征点如图4所示。
5)使用动态点匹配算法对增强图像和可见光图像的最终特征点进行匹配，完成图像配准。动态点匹配算法包括以下步骤：
S1)通过单一的高斯模型消除增强图像和可见光图像的特征点异常值；高斯模型如下：
Figure BDA0003845222010000101
E(f,σ2)为关于仿射变换的能量函数；
f是放射变换函数；
σ为滤波尺度；
M和N分别表示可见光图像和增强图像的最终特征点个数；
xj为增强图像的特征点，j是对应特征点序号；
yi为可见光图像的特征点，i是对应特征点序号；
η为特征匹配点之间的对应关系，当两个特征点是匹配关系时其值为1，否则为0；
φ为高斯函数；
为了计算准确，假设yi-f(xj)满足单个高斯分布。
S2)通过使用加权正则化的最小二乘法对高斯模型的能量函数进行迭代计算，能量函数最小时得到投影变换矩阵(即对应匹配特征点关系)。本实施例中，如图5所示，经过迭代计算，最终增强图像与可见光图像得到9组匹配特征点，通过该9组匹配特征点可以获取红外图像的投影变换矩阵，具体定义如下：
Figure BDA0003845222010000102
其中，[x,y]是原始图像坐标，[u,v]是变换后图像坐标，a、b、c、d、e、g是投影变换系数。上式可知，位置系数共六个，因此通过迭代计算后，需得到至少六个以上的匹配特征点即可获取上述投影变换矩阵。
S3)通过投影变换矩阵获取增强图像和可见光图像所有匹配特征点，再经过投影变换将增强图像投影到可见光图像，如图6所示，是通过投影变换得到的红外旋转图像，可以看出，红外图像进行像素增强后得到的增强图像，与可见光图像匹配精度较高，两图像基本重叠对齐。
为了验证本发明的配准效果，将经过配准后的图像进行融合，得到融合图像，如图7所示，可以看出，融合图像已经完全对齐，表明前期的配准效果较好。

Claims (6)

1.一种红外与可见光图像配准方法，其特征在于，包括以下步骤：
1)分别采集同一场景的红外图像和可见光图像；
2)通过图像增强算法对红外图像进行像素增强处理得到增强图像；
3)采用多方向梯度均值方法分别对可见光图像和增强图像进行轮廓提取，得到红外轮廓图像和可见光轮廓图像；
4)利用特征提取算法通过红外轮廓图像和可见光轮廓图像分别提取得到增强图像和可见光图像的所有特征点，再从所有特征点中获取增强图像和可见光图像的最终特征点；
5)使用动态点匹配算法对增强图像和可见光图像的最终特征点进行匹配，完成图像配准。
2.根据权利要求1所述的一种红外与可见光图像配准方法，其特征在于：
步骤2)中，所述图像增强算法包括以下步骤：
A)通过引导滤波公式对红外图像中每个像素点的像素值Pr(i,j)进行滤波处理，得到对应像素点的基层图像像素值
Figure FDA0003845219000000011
Figure FDA0003845219000000012
GF(·)函数是引导滤波器；
(i,j)是像素点的坐标；
s是滤波器的滤波半径；
ε是滤波系数；
B)通过以下公式得到红外图像中每个像素点的细节层图像像素值
Figure FDA0003845219000000013
Figure FDA0003845219000000014
C)通过以下公式分别对每个像素点的基层图像像素值
Figure FDA0003845219000000015
和细节层图像像素值
Figure FDA0003845219000000021
进行像素增强，得到增强后的基层图像像素值
Figure FDA0003845219000000022
和细节层图像像素值
Figure FDA0003845219000000023
Figure FDA0003845219000000024
Figure FDA0003845219000000025
α是增强系数；
μ是图像内所有像素点灰度值的平均值；
β是细节增强系数，取值为2；
abs(·)表示绝对值；
D)通过以下公式得到每个像素点增强后的最终图像像素值Pr E(i,j)：
Figure FDA0003845219000000026
E)通过红外图像中所有像素点增强后的最终图像像素值Pr E(i,j)，得到增强图像。
3.根据权利要求1或2所述的一种红外与可见光图像配准方法，其特征在于：
步骤3中，所述多方向梯度均值方法采用七个方向，对应角度分别为0°、30°、60°、90°、120°、150°、180°；
通过多方向梯度均值方法对图像进行轮廓提取具体为：先分别计算图像在0°、30°、60°、90°、120°、150°、180°共七个方向的梯度值，再通过mean()函数计算得到图像在该七个方向的梯度值均值，通过以下公式得到轮廓图像GM：
Figure FDA0003845219000000027
θ：梯度方向；
gθ：梯度方向对应的梯度值；
mean()函数：多个方向梯度值的均值。
4.根据权利要求3所述的一种红外与可见光图像配准方法，其特征在于：步骤4)中，所述特征提取算法采用SURF特征点提取算法。
5.根据权利要求4所述的一种红外与可见光图像配准方法，其特征在于：
步骤5)中，所述动态点匹配算法具体包括以下步骤：
S1)通过单一的高斯模型来消除增强图像和可见光图像的特征点异常值；
所述高斯模型如下：
Figure FDA0003845219000000031
E(f,σ2)为关于仿射变换的能量函数；
f是放射变换函数；
σ为滤波尺度；
M和N分别表示可见光图像和增强图像的最终特征点个数；
xj为增强图像的特征点，j是对应特征点序号；
yi为可见光图像的特征点，i是对应特征点序号；
η为特征匹配点之间的对应关系，当两个特征点是匹配关系时其值为1，否则为0；
φ为高斯函数；
S2)使用加权正则化的最小二乘法对高斯模型的能量函数进行迭代计算，能量函数最小时得到投影变换矩阵；
S3)通过投影变换矩阵获取增强图像和可见光图像的所有匹配特征点，再经过投影变换矩阵将增强图像投影到可见光图像，得到红外旋转图像，完成图像配准。
6.根据权利要求5所述的一种红外与可见光图像配准方法，其特征在于：
步骤4)中，采用3×3×3邻域非最大值抑制方法获取最终特征点。
CN202211115537.3A 2022-09-14 2022-09-14 一种红外与可见光图像配准方法 Pending CN115601407A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211115537.3A CN115601407A (zh) 2022-09-14 2022-09-14 一种红外与可见光图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211115537.3A CN115601407A (zh) 2022-09-14 2022-09-14 一种红外与可见光图像配准方法

Publications (1)

Publication Number Publication Date
CN115601407A true CN115601407A (zh) 2023-01-13

Family

ID=84842207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211115537.3A Pending CN115601407A (zh) 2022-09-14 2022-09-14 一种红外与可见光图像配准方法

Country Status (1)

Country Link
CN (1) CN115601407A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309569A (zh) * 2023-05-18 2023-06-23 中国民用航空飞行学院 基于红外与可见光图像配准的机场环境异常识别系统
CN117351049A (zh) * 2023-12-04 2024-01-05 四川金信石信息技术有限公司 热成像与可见光融合的测点配准引导方法、设备和介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309569A (zh) * 2023-05-18 2023-06-23 中国民用航空飞行学院 基于红外与可见光图像配准的机场环境异常识别系统
CN116309569B (zh) * 2023-05-18 2023-08-22 中国民用航空飞行学院 基于红外与可见光图像配准的机场环境异常识别系统
CN117351049A (zh) * 2023-12-04 2024-01-05 四川金信石信息技术有限公司 热成像与可见光融合的测点配准引导方法、设备和介质
CN117351049B (zh) * 2023-12-04 2024-02-13 四川金信石信息技术有限公司 热成像与可见光融合的测点配准引导方法、设备和介质

Similar Documents

Publication Publication Date Title
CN109544456B (zh) 基于二维图像和三维点云数据融合的全景环境感知方法
CN106651942B (zh) 基于特征点的三维旋转运动检测与旋转轴定位方法
CN106709950B (zh) 一种基于双目视觉的巡线机器人跨越障碍导线定位方法
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
CN115601407A (zh) 一种红外与可见光图像配准方法
CN111080529A (zh) 一种加强鲁棒性的无人机航拍图像拼接方法
CN106981077B (zh) 基于dce和lss的红外图像和可见光图像配准方法
CN111784770A (zh) 基于shot和icp算法的无序抓取中的三维姿态估计方法
CN106919944A (zh) 一种基于orb算法的大视角图像快速识别方法
CN110992263B (zh) 一种图像拼接方法及系统
CN108765476B (zh) 一种偏振图像配准方法
CN111462198B (zh) 一种尺度、旋转和辐射不变性的多模态影像配准方法
CN114897705A (zh) 一种基于特征优化的无人机遥感图像拼接方法
CN103353941A (zh) 基于视角分类的自然标志物注册方法
CN112241964A (zh) 一种用于线结构光非接触测量的光条中心提取方法
CN113642397A (zh) 一种基于手机视频的物体长度测量方法
CN117173437A (zh) 多维定向自相似特征的多模态遥感影像混合匹配方法和系统
CN104700359A (zh) 像平面不同极轴方向图像序列进行超分辨率重建的方法
CN112232249A (zh) 一种基于深度特征的遥感图像变化检测方法及装置
CN114565653B (zh) 一种存在旋转变化和尺度差异的异源遥感图像匹配方法
CN106228593B (zh) 一种图像密集匹配方法
CN116823671A (zh) 一种基于锁眼解密历史影像的自动精准定位以及校正方法
CN112183596B (zh) 结合局部网格约束和几何约束的直线段匹配方法与系统
CN115511928A (zh) 多光谱图像的匹配方法
CN116091562A (zh) 基于二维投影线段的建筑物点云自动配准的方法

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