CN116128734A - 一种基于深度学习的图像拼接方法、装置、设备和介质 - Google Patents
一种基于深度学习的图像拼接方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116128734A CN116128734A CN202310402878.7A CN202310402878A CN116128734A CN 116128734 A CN116128734 A CN 116128734A CN 202310402878 A CN202310402878 A CN 202310402878A CN 116128734 A CN116128734 A CN 116128734A
- Authority
- CN
- China
- Prior art keywords
- point pairs
- image
- matching
- deep learning
- pair
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000013136 deep learning model Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 17
- 238000013139 quantization Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 8
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 101100001678 Emericella variicolor andM gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011426 transformation method Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的图像拼接方法、装置、设备和介质,涉及机器学习领域,其中方法包括:采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点;利用极大值交互相关方法,对含有所述实例特征点的各个所述原始图像进行特征点匹配,得到匹配点对;对所述匹配点对进行误匹配点对消除得到目标匹配点对,根据所述目标匹配点对,对各个所述原始图像进行图像拼接;本发明通过基于深度学习的图像特征提取方法来实现对整个隧道图像的拼接,满足了图像拼接对实时性、准确性和直观性的要求,提高了图像拼接的效率和准确度,极大地提高检测效率,而且对于隧道表观病害的反映也更加直观清楚。
Description
技术领域
本发明涉及机器学习领域,特别涉及一种基于深度学习的图像拼接方法、装置、设备和介质。
背景技术
随着我国交通建设的不断发展,投入运营的隧道数量逐渐增多,但是由于隧道内的监控系统并不完善,同时由于隧道的特殊构造,导致对隧道的健康监测系统并不能完整的反映隧道的整体健康状况,因此,火灾、坍塌、渗漏等引起的交通事故时有发生。
目前对于隧道健康监测问题,通用的解决方法是通过检测车或者人工采用相机或者监控等图像采集设备,采集隧道表面图片,再通过计算机或者人工来逐张的分析辨别图像中的信息,这种监测方式效率很低,而且每一张图片只拍到了隧道的局部信息,不易辨别带有病害信息的图片的具体位置,难以反映隧道整体的表观情况和健康信息,后期还要再对具体的图片进行单独的定位工作,这导致对隧道的健康监测工作效率低下。
发明内容
本发明的目的是提供一种基于深度学习的图像拼接方法、装置、设备和介质,通过基于深度学习的图像特征提取方法来实现对整个隧道图像的拼接,满足了图像拼接对实时性、准确性和直观性的要求,提高了图像拼接的效率和准确度,极大地提高检测效率,而且对于隧道表观病害的反映也更加直观清楚。
依据本发明的一个方面,本发明提供了一种基于深度学习的图像拼接方法,包括:
采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点;
利用极大值交互相关方法,对含有所述实例特征点的各个所述原始图像进行特征点匹配,得到匹配点对;
对所述匹配点对进行误匹配点对消除得到目标匹配点对,根据所述目标匹配点对,对各个所述原始图像进行图像拼接。
可选地,所述采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点,包括:
根据所述原始图像,利用深度学习模型进行量化得到实例信息量化值;
根据所述实例信息量化值,确定所述实例特征点。
可选地,所述根据所述原始图像,利用深度学习模型进行量化得到实例信息量化值,包括:
对所述原始图像进行卷积处理得到实例图像;
利用所述深度学习模型中分类概率函数进行计算,分别得到所述原始图像和所述实例图像的分类概率;
根据所述分类概率,得到与所述实例图像对应的所述实例信息量化值。
可选地,所述利用极大值交互相关方法,对含有所述实例特征点的各个所述原始图像进行特征点匹配,得到匹配点对,包括:
对第一张原始图像和第二张原始图像中的实例特征点进行双向搜索,得到多组特征点对,其中每组特征点对至少包含一对特征点对,所述特征点对为所述第一张原始图像与所述第二张原始图像之间相互对应的实例特征点;
利用极大值交互相关方法,确定所述多组特征点对中所述每组特征点对中每对特征点对中各个实例特征点的相关性概率;
根据所述相关性概率,对所述多组特征点对进行筛选得到匹配点对。
可选地,所述根据所述相关性概率,对所述多组特征点对进行筛选得到匹配点对,其中所述多组特征点对为一组特征点对,包括:
确定一组特征点对中每对特征点对中各个实例特征点的相关性概率是否超过预设阈值;
若超过预设阈值,则确定所述一组特征点中是否存在一对特征点对中同向的相关性概率均超过其余每对特征点对中同向的相关性概率;
若存在,则提取相应的所述一对特征点对作为匹配点对;
若不存在,则根据预设的匹配方法对所述一组特征点对中每对特征点对进行匹配。
可选地,所述根据预设的匹配方法对所述一组特征点对中每对特征点对进行匹配,包括:
确定所述每对特征点对的相关性概率之和的数值是否相同;
若所述数值不相同,则提取所述数值最大的一对特征点对作为匹配点对;
若所述数值相同,则计算所述每对特征点对的相关性概率之差的差值,并提取所述差值最小的一对特征点对作为匹配点对。
可选地,所述对所述匹配点对进行误匹配点对消除得到目标匹配点对,包括:
利用空间变换匹配模型对所述匹配点对进行误匹配点对消除,得到目标匹配点对。
本发明提供一种基于深度学习的图像拼接装置,包括:
特征提取模块,用于采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点;
筛选模块,用于利用极大值交互相关方法对含有所述实例特征点的各个所述原始图像进行特征点匹配,得到匹配点对;
图像拼接模块,用于对所述匹配点对进行误匹配点对消除得到目标匹配点对,根据所述目标匹配点对,对各个所述原始图像进行图像拼接。
本发明提供一种基于深度学习的图像拼接设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的基于深度学习的图像拼接方法。
本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上述所述基于深度学习的图像拼接方法的步骤。
可见,本发明通过基于深度学习的图像特征提取方法来实现对整个隧道图像的拼接,满足了图像拼接对实时性、准确性和直观性的要求,提高了图像拼接的效率和准确度,极大地提高检测效率,而且对于隧道表观病害的反映也更加直观清楚。本申请还提供一种基于深度学习的图像拼接装置、设备及介质,具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种基于深度学习的图像拼接方法的流程图;
图2为本发明实施例所提供的一种实例特征提取的流程图;
图3为本发明实施例所提供的一种具体的基于深度学习的图像拼接方法的流程图;
图4为本发明实施例所提供的一种基于深度学习的图像拼接装置的结构框图;
图5为本发明实施例所提供的一种基于深度学习的图像拼接设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
随着我国交通建设的不断发展,投入运营的隧道数量逐渐增多,但是由于隧道内的监控系统并不完善,同时由于隧道的特殊构造,导致对隧道的健康监测系统并不能完整的反映隧道的整体健康状况,因此,火灾、坍塌、渗漏等引起的交通事故时有发生。
目前对于隧道健康监测问题,通用的解决方法是通过检测车或者人工采用相机或者监控等图像采集设备,采集隧道表面图片,再通过计算机或者人工来逐张的分析辨别图像中的信息,这种监测方式效率很低,而且每一张图片只拍到了隧道的局部信息,不易辨别带有病害信息的图片的具体位置,难以反映隧道整体的表观情况和健康信息,后期还要再对具体的图片进行单独的定位工作,这导致对隧道的健康监测工作效率低下。
鉴于此,本发明提供了一种基于深度学习的图像拼接方法,通过基于深度学习的图像特征提取方法来实现对整个隧道图像的拼接,满足了图像拼接对实时性、准确性和直观性的要求,提高了图像拼接的效率和准确度,极大地提高检测效率,而且对于隧道表观病害的反映也更加直观清楚。
下面进行详细介绍,请参考图1,图1为本发明实施例所提供的一种基于深度学习的图像拼接方法的流程图,本发明实施例一种基于深度学习的图像拼接方法可以包括:
步骤S101:采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点。
本发明实施例中原始图像为不同拍摄角度有相似性的隧道图像,例如以隧道中间行驶的车辆为参照物,采集的隧道图像中可以包含车辆在图像左边的隧道图像和车辆在图像右边的隧道图像,对此不做限制。需要说明的是,本发明实施例中至少需要采集两张原始图像用于后续图像拼接的过程。
本发明实施例中深度学习模型为包含决策框架、概率方法和损失函数等参数信息的特征提取模型,可以利用足够的图像训练数据,对深度学习模型进行训练,并利用训练好的深度学习模型进行实例特征提取。其中,对于损失函数的类型不做限制,本发明实施例中可以采用交叉熵作为深度学习模型的损失函数,其中可以利用公式得到交叉熵,公式如下:
其中,为深度学习模型训练中使用的交叉熵损失函数,z为图像的权重值,x为输入值,y为输出值,n表示层数,σ是网络节点的激活函数,W是卷积核的权重,b是卷积核的偏置。
需要说明的是,本发明实施例中对于深度学习模型的具体实现方式不做限制,可以为利用resnet18结构(神经网络结构)实现深度学习模型,具体的可以基于resnet18结构,设计包含15个卷积层、5个汇聚层和3个全连接层的深度学习模型,相当于该深度学习模型中有18个可训练的深度网络结构,其中,所有的卷积层都使用了3*3大小的卷积核,3*3的卷积核可以捕捉像素八邻域信息的最小尺寸,并且两个3*3卷积核的堆叠卷积层的有限感受野为5*5,三个3*3的卷积核的堆叠卷积层的感受野为7*7,同时,一个以上的3*3的卷积层比一个大尺度的卷积层具有更多的非线性,这使得模型具有更高的特征提取效果。本发明实施例中通过利用resnet18结构可以提高图像实例识别的准确率,使深度学习模型能够提取图像更高级的实例特征,并且可以通过分析深度学习模型的输出获得更多的实例特征信息。
本发明实施例中可以采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点,具体地,利用深度学习模型进行实例特征提取,得到实例特征点的过程可以为根据原始图像,利用深度学习模型进行量化得到实例信息量化值,最后根据实例信息量化值,确定实例特征点。也可以为利用深度学习模型确定实例特征点的数值,根据数值确定实例特征点,对此不做限制。
本发明实施例中通过利用深度学习模型进行实例特征提取得到实例特征点的方式,提高了特征点提取的准确度和精确性。
步骤S102:利用极大值交互相关方法,对含有实例特征点的各个原始图像进行特征点匹配,得到匹配点对。
本发明实施例中可以利用极大值交互相关方法,对含有实例特征点的各个原始图像进行特征点匹配,得到匹配点对。具体地,可以利用极大值交互相关方法,根据实例特征点的像素灰度值的相似度进行图像特征匹配。例如可以假设M1和M2分别为以图片T1的特征点P1和图片T2的特征点P2为中心的两个大小相同的匹配窗口, u1和u2是其相关窗口中像素灰度的平均值,利用公式进行极大值交互相关计算得到特征点P1和P2的相关性概率,并根据相关性概率得到匹配点对。具体公式如下:
其中,
MCC表示极大值交互相关的相关性概率,
x i 为输入值,
y i 为输出值,
i为实例特征点的角标值,
u 1 和
u 2 分别为表示图像T1和图像T2特征点之间的相关窗口中的像素灰度平均值,
M 1 和
M 2 为窗口大小的取值,一般设为7*7大小的窗口。需要说明的是,本发明实施例中可以利用公式得到
u 1 和
u 2 的数值,具体公式如下:
本发明实施例中通过利用极大值交互相关方法,对实例信息点进行特征匹配的方式,消除了低频背景亮度信息的干扰,提高了匹配的准确性。
步骤S103:对匹配点对进行误匹配点对消除得到目标匹配点对,根据目标匹配点对,对各个原始图像进行图像拼接。
本发明实施例中对消除误匹配点对的方式不做限制,可以为利用异常值检测算法消除误匹配点对,其中,利用空间变换匹配模型对匹配点对进行误匹配点对消除,得到目标匹配点对,具体地空间变换方法如下所示:
其中,x和y为参考图像坐标,m和n为目标图像坐标,h11、h12、h21、h22是旋转和缩放系数,h31、h32是水平平移和垂直平移系数,需要说明的是,对于参考图像和目标图像的设置不做限制,可以由设计人员根据需求预先设置例如将第一张原始图像设置为参考图像,将第二张原始图像设置为目标图像,也可以根据实际的使用情况进行设置。
需要说明的是,本发明实施例中在得到目标图像变换的坐标后,可以通过确定变换后坐标与参考图像坐标的关系,对匹配点对进行误匹配点对消除得到目标匹配点对。具体的,可以为确定经过空间变换后目标图像的坐标与参考图像的坐标是否相同,若相同,则确定该匹配点对为目标匹配点对,若不相同,则消除该匹配点对。可以为确定经过空间变换后目标图像的坐标与参考图像的坐标的误差值是否小于预设阈值,若小于预设阈值,则确定该匹配点对为目标匹配点对,若不相同,则消除该匹配点对。也可以为先确定经过空间变换后目标图像的坐标与参考图像的坐标是否相同,若不相同时,再确定经过空间变换后目标图像的坐标与参考图像的坐标的误差值是否小于预设阈值,对此不做限制。
本发明实施例中目标匹配点对为经过消除后正确的匹配点对,可以根据目标匹配点对,对各个原始图像进行图像拼接。具体地在对各个原始图像进行误匹配点对消除后,根据目标匹配点对将各个原始图像进行图像配准和图像融合,将不同的原始图像合并为一张完整的图像。
本发明实施例中利用空间变换匹配的方式对匹配点对进行误匹配点对消除,提高了匹配点对的精确度,保证了图像配准和图像拼接的准确性。
基于上述实施例,本发明实施例提供了一种基于深度学习的图像拼接方法,通过基于深度学习的图像特征提取方法来实现对整个隧道图像的拼接,满足了图像拼接对实时性、准确性和直观性的要求,提高了图像拼接的效率和准确度,极大地提高检测效率,而且对于隧道表观病害的反映也更加直观清楚。
基于上述实施例,本发明实施例将详细说明上述步骤中利用深度学习模型进行实例特征提取的过程,请参考图2,图2为本发明实施例所提供的一种实例特征提取的流程图,包括:
步骤S201:根据原始图像,利用深度学习模型进行量化得到实例信息量化值。
本发明实施例中可以根据原始图像,利用深度学习模型进行量化得到实例信息量化值。需要说明的是,可以先对原始图像进行卷积处理得到实例图像。具体的,可以从原始图像的左上角开始,通过卷积运算遍历原始图像中所有的像素点,破坏每个像素点和它周围的区域,然后评估每个像素点被遮挡的分数值,最后根据被破坏前后像素点的分数值的差值,差值越小像素点越重要,确定重要的像素点得到实例图像。例如原始图像中存在第一像素点和第二像素点的分数值为100,对原始图像进行卷积运算后,第一像素点的分数值变为90,第二像素点的分数值变为85,可见第一像素点被卷积前后分数值的差值小于第二像素点被卷积前后分数值的差值,则第一像素点为重要的像素点。需要说明的是,本发明实施例中对于卷积运算的方式不做限制,优选的可以利用7*7的黑盒相当于用7*7像素的面积乘以0的卷积运算,具体地可以用7*7的黑盒,从左到右,从上到下,一个一个的遍历原始图像中所有的像素点,得到实例图像。
需要说明的是,本发明实施例中可以在得到实例图像后,利用深度学习模型中分类概率函数进行计算,分别得到原始图像和实例图像的分类概率,然后根据分类概率,得到与实例图像对应的所述实例信息量化值。具体地,可以利用深度学习模型中分类概率函数进行计算,分别得到原始图像的第一分类概率和实例图像的第二分类概率,然后根据第一分类概率和第二分类概率,得到与实例图像对应的实例信息量化值。其中,可以利用公式计算得到实例信息量化值,公式如下:
其中,Ii,j是图像坐标i和j区域的实例特征信息量化值。Ps是深度学习模型评估的对原始图像的第一分类概率。Pi,j是深度学习模型对被以i和j为中心的实例特征被破坏的图像的第二分类概率。需要说明的是,可以利用分类概率函数计算第一分类概率,具体公式如下所示:
其中,
P s 为深度学习模型对原始图像的分类概率,
f代表深度学习模型的运算,
img是输入原始图像。需要说明的是,还可以分类概率函数得到实例图像的第二分类概率记为Pi,j,其中i和j是实例信息被破坏的区域的中心点坐标。
本发明实施例中通过利用深度学习模型进行量化得到实例信息量化值的方式,提高了后续特征点提取的准确度和精确性。
步骤S202:根据实例信息量化值,确定实例特征点。
本发明实施例中对于确定实例特征点的方式不做限制,可以为确定实例信息量化值是否超过预设阈值,若超过预设阈值,则提取相应的像素点作为实例特征点,若未超过预设阈值,则相应的像素点不作为实例特征点。也可以为将实例信息量化值从大到小排序,提取预设数值范围内实例信息量化值对应的像素点坐标作为实例特征点,其中,对于预设数值范围不做限制,例如可以设置前100个实例信息量化值对应的像素点作为实例特征点。
基于上述任意实施例,具体的,本发明实施例中原始图像的数量为两张原始图像,即第一张原始图像和第二张原始图像。请参考图3,图3为本发明实施例所提供的一种具体的基于深度学习的图像拼接方法的流程图,可以包括:
步骤S301:采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点。
本发明实施例中为采集第一张原始图像和第二张原始图像,利用深度学习模型进行实例特征提取分别得到第一张原始图像的实例特征点和第二张原始图像的实例特征点。
步骤S302:对第一张原始图像和第二张原始图像中的实例特征点进行双向搜索,得到多组特征点对,其中每组特征点对至少包含一对特征点对,特征点对为第一张原始图像与第二张原始图像之间相互对应的实例特征点。
本发明实施例中由于每张原始图像中存在多个实例特征点,因此多组特征点对可以根据不同实例特征点进行划分得到相对应的一组特征点对,例如第一张原始图像中存在第一实例特征点和第二实例特征点,则可以根据第一实例特征点和第二实例特征点划分成两组特征点对。
需要说明的是,本发明实施例中每组特征点对至少包含一对特征点对,特征点对为第一张原始图像与第二张原始图像之间相互对应的实例特征点。例如根据第一张原始图像中第一实例特征点和第二实例特征点,划分成第一特征点对和第二特征点对,其中第一特征点对为与第一实例特征点相互对应的第二张原始图像中的实例特征点,第二特征点对为与第二实例特征点相互对应的第二张原始图像中的实例特征点。
本发明实施例中可以对第一张原始图像和第二张原始图像中的实例特征点进行双向搜索,得到多组特征点对。具体的,可以为根据第一张原始图像中实例特征点,确定第二张原始图像中相关的实例特征点,再根据第二张原始图像中实例特征点,确定第一张原始图像中相关的实例特征点,若存在相互对应的实例特征点,构成多组特征点对。例如第一张原始图像中存在第一实例特征点,确定第二张原始图像中与所述第一实例特征点相关的实例特征点,当存在第二实例特征点和第三实例特征点时,可以根据第二实例特征点和第三实例特征点,确定第一张原始图像中与第二实例特征点和第三实例特征点相关的实例特征点,若存在第一实例特征点,则第一实例特征点与第二实例特征点构成第一对特征点对,第一实例特征点与第三实例特征点构成第二对特征点对,第一对特征点对和第二对特征点对组成一组特征点对,对第一张原始图像和第二张原始图像中所有的实例特征点进行双向搜索得到多组特征点对。
步骤S303:利用极大值交互相关方法,确定多组特征点对中每组特征点对中每对特征点对中各个实例特征点的相关性概率。
步骤S304:根据相关性概率,对多组特征点对进行筛选得到匹配点对。
本发明实施例中可以上述利用极大值交互相关方法,确定多组特征点对中每组特征点对中每对特征点对中各个实例特征点的相关性概率,然后根据相关性概率,对多组特征点对进行筛选得到匹配点对。具体地,当多组特征点对为一组特征点对时,可以确定一组特征点对中每对特征点对中各个实例特征点的相关性概率是否超过预设阈值,若未超过预设阈值,则舍弃相应的一对特征点对,若超过预设阈值,则确定一组特征点中是否存在一对特征点对中同向的相关性概率均超过其余每对特征点对中同向的相关性概率,若存在,则提取相应的一对特征点对作为匹配点对,若不存在,则根据预设的匹配方法对一组特征点对中每对特征点对进行匹配。需要说明的是,本发明实施例中对每组特征点对的匹配方式均为上述过程,对不同组的特征点对进行筛选得到匹配点对。其中,对于预设阈值的设置不做限制,可以由设计人员根据需求进行设置,也可以根据实际使用情况进行设置。
需要说明的是,本发明实施例中可以确定一组特征点中是否存在一对特征点对中同向的相关性概率均超过其余每对特征点对中同向的相关性概率。其中,同向的相关性概率相当于在同一相似性判断方向上的相关性概率,具体地例如都是从第一张原始图像到第二张原始图像的相关性概率,或者都是从第二张原始图像到第一张原始图像的相关性概率。具体的,可以先确定当都是从第一张原始图像到第二张原始图像的相关性概率时,得到一对特征点对的相关性概率超过其余每对特征点对的相关性概率,再确定当都是从第二张原始图像到第一张原始图像的相关性概率时,得到一对特征点对的相关性概率超过其余每对特征点对的相关性概率,确定前后两次判断后得到的一对特征点对是否相同,若相同,则存在一对特征点对中同向的相关性概率均超过其余每对特征点对中同向的相关性概率,并提取相应的一对特征点对作为匹配点对,若不相同则不存在该特征点对,则根据预设的匹配方法对一组特征点对中每对特征点对进行匹配。
需要说明的是,本发明实施例中可以根据预设的匹配方法对一组特征点对中每对特征点对进行匹配。具体的,可以确定每对特征点对的相关性概率之和的数值是否相同,若数值不相同,则提取数值最大的一对特征点对作为匹配点对,若数值相同,则计算每对特征点对的相关性概率之差的差值,并提取差值最小的一对特征点对作为匹配点对。
具体地例如,本发明实施例中第一张原始图像中存在第一实例特征点,确定第二张原始图像中与所述第一实例特征点相关的实例特征点,若存在第二实例特征点和第三实例特征点,分别计算得到第一实例特征点对于第二实例特征点相关性的第一相关性概率,以及计算得到第一实例特征点对于第三实例特征点相关性的第二相关性概率。然后根据第二实例特征点和第三实例特征点,确定第一张原始图像中与第二实例特征点和第三实例特征点相关的实例特征点,若存在第一实例特征点,可以计算得到第二实例特征点对于第一实例特征点相关性的第三相关性概率,以及计算得到第三实例特征点对于第一实例特征点相关性的第四相关性概率。第一种情况,当第一相关性概率与第二相关性概率中最大的为第一相关性概率,当第三相关性概率与第四相关性概率中最大的为第三相关性概率,由于第一相关性概率和第三相关性概率对应的实例特征点相同,则第一实例特征点与第二实例特征点构成一对匹配点对。第二种情况,当第一相关性概率与第二相关性概率中最大的为第一相关性概率,当第三相关性概率与第四相关性概率中最大的为第四相关性概率,此时对应的实例特征点并不相同,则计算第一相关性概率和第三相关性概率之和得到第一数值,计算第二相关性概率和第四相关性概率之和得到第二数值,当第一数值和第二数值不相同时,取数值最大对应的特征点对,假设第一数值最大,则与第一数值对应的第一实例特征点与第二实例特征点构成一对匹配点对。第三种情况,当第一数值和第二数值相同时,则计算第一相关性概率和第三相关性概率之差得到第三数值,计算第二相关性概率和第四相关性概率之差得到第四数值,取数值最小对应的特征点对,假设第三数值最小,则与第三数值对应的第一实例特征点与第二实例特征点构成一对匹配点对。
步骤S305:对匹配点对进行误匹配点对消除得到目标匹配点对,根据目标匹配点对,对各个原始图像进行图像拼接。
本发明实施例中由于步骤S304中得到的匹配点对包含错误的匹配点对和正确的匹配点对,可以利用上述空间变换匹配模型对第一张原始图像和第二张原始图像中的匹配点对进行消除,得到目标匹配点对,并根据目标匹配点对,将第一张原始图像和第二张原始图像进行拼接,得到完整的一张图像。
基于上述实施例,本发明实施例中通过基于深度学习的图像特征提取方法来实现对整个隧道图像的拼接,满足了图像拼接对实时性、准确性和直观性的要求,提高了图像拼接的效率和准确度,极大地提高检测效率,而且对于隧道表观病害的反映也更加直观清楚。
下面对本发明实施例所提供的一种基于深度学习的图像拼接装置以及设备进行介绍,下文描述的基于深度学习的图像拼接装置以及设备与上文描述的基于深度学习的图像拼接方法可相互对应参照。
请参考图4,图4为本发明实施例所提供的一种基于深度学习的图像拼接装置的结构框图,该装置可以包括:
特征提取模块11,用于采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点;
筛选模块12,用于利用极大值交互相关方法对含有所述实例特征点的各个所述原始图像进行特征点匹配,得到匹配点对;
图像拼接模块13,用于对所述匹配点对进行误匹配点对消除得到目标匹配点对,根据所述目标匹配点对,对各个所述原始图像进行图像拼接。
基于上述实施例,所述特征提取模块11,可以包括:
计算子模块,用于根据所述原始图像,利用深度学习模型进行量化得到实例信息量化值;
提取子模块,用于根据所述实例信息量化值,确定所述实例特征点。
基于上述任意实施例,所述计算子模块,可以包括:
卷积单元,用于对所述原始图像进行卷积处理得到实例图像;
分类计算单元,用于利用所述深度学习模型中分类概率函数进行计算,分别得到所述原始图像和所述实例图像的分类概率;
量化值计算单元,用于根据所述分类概率,得到与所述实例图像对应的所述实例信息量化值。
基于上述任意实施例,所述筛选模块12,可以包括:
搜索子模块,用于对第一张原始图像和第二张原始图像中的实例特征点进行双向搜索,得到多组特征点对,其中一每组特征点对至少包含一对特征点对,所述特征点对为所述第一张原始图像与所述第二张原始图像之间相互对应的实例特征点;
概率计算子模块,用于利用极大值交互相关方法,确定所述多组特征点对中所述每组特征点对中每对特征点对中各个所述实例特征点的相关性概率;
匹配子模块,用于根据所述相关性概率,对所述多组特征点对进行筛选得到匹配点对。
基于上述任意实施例,所述匹配子模块,可以包括:
第一判断单元,用于确定一组特征点对中每对特征点对中各个实例特征点的相关性概率是否超过预设阈值;
第二判断单元,用于若超过预设阈值,则确定所述一组特征点中是否存在一对特征点对中同向的相关性概率均超过其余每对特征点对中同向的相关性概率;若存在,则提取相应的所述一对特征点对作为匹配点对;
匹配单元,用于若不存在,则根据预设的匹配方法对所述一组特征点对中每对特征点对进行匹配。
基于上述任意实施例,所述匹配单元,可以包括:
第一匹配子单元,用于确定所述每对特征点对的相关性概率之和的数值是否相同;若所述数值不相同,则提取所述数值最大的一对特征点对作为匹配点对;
第二匹配子单元,用于若所述数值相同,则计算所述每对特征点对的相关性概率之差的差值,并提取所述差值最小的一对特征点对作为匹配点对。
基于上述任意实施例,所述图像拼接模块13,可以包括:
消除匹配点对子模块,利用空间变换匹配模型对所述匹配点对进行误匹配点对消除,得到目标匹配点对。
本发明实施例中通过基于深度学习的图像特征提取方法来实现对整个隧道图像的拼接,满足了图像拼接对实时性、准确性和直观性的要求,提高了图像拼接的效率和准确度,极大地提高检测效率,而且对于隧道表观病害的反映也更加直观清楚。
请参考图5,图5为本发明实施例所提供的一种基于深度学习的图像拼接设备的结构框图,该设备包括:
存储器10,用于存储计算机程序;
处理器20,用于执行所述计算机程序时,以实现上述的基于深度学习的图像拼接方法。
如图5所示,为基于深度学习的图像拼接设备的结构示意图,可以包括:存储器10、处理器20、通信接口31、输入输出接口32以及通信总线33。
在本发明实施例中,存储器10中用于存放一个或者一个以上程序,程序可以包括程序代码,程序代码包括计算机操作指令,在本申请实施例中,存储器10中可以存储有用于实现以下功能的程序:
采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点;
利用极大值交互相关方法,对含有实例特征点的各个原始图像进行特征点匹配,得到匹配点对;
对匹配点对进行误匹配点对消除得到目标匹配点对,根据目标匹配点对,对各个原始图像进行图像拼接。
在一种可能的实现方式中,存储器10可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统,以及至少一个功能所需的应用程序等;存储数据区可存储使用过程中所创建的数据。
此外,存储器10可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。操作系统可以包括各种系统程序,用于实现各种基础任务以及处理基于硬件的任务。
处理器20可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件,处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
通信接口31可以为用于与其他设备或者系统连接的接口。
输入输出接口32可以为用于获取外界输入数据或向外界输出数据的接口。
当然,需要说明的是,图5所示的结构并不构成对本申请实施例中图像拼接设备的限定,在实际应用中图像拼接设备可以包括比图5所示的更多或更少的部件,或者组合某些部件。
本发明实施例中通过基于深度学习的图像特征提取方法来实现对整个隧道图像的拼接,满足了图像拼接对实时性、准确性和直观性的要求,提高了图像拼接的效率和准确度,极大地提高检测效率,而且对于隧道表观病害的反映也更加直观清楚。
本发明还提供一种可读存储介质,该可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的基于深度学习的图像拼接方法的步骤。
该可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于深度学习的图像拼接方法、装置、设备和介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种基于深度学习的图像拼接方法,其特征在于,包括:
采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点;
利用极大值交互相关方法,对含有所述实例特征点的各个所述原始图像进行特征点匹配,得到匹配点对;
对所述匹配点对进行误匹配点对消除得到目标匹配点对,根据所述目标匹配点对,对各个所述原始图像进行图像拼接;
相应的,所述采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点,包括:
根据所述原始图像,利用所述深度学习模型进行量化得到实例信息量化值;
根据所述实例信息量化值,确定所述实例特征点。
2.如权利要求1所述的基于深度学习的图像拼接方法,其特征在于,所述根据所述原始图像,利用深度学习模型进行量化得到实例信息量化值,包括:
对所述原始图像进行卷积处理得到实例图像;
利用所述深度学习模型中分类概率函数进行计算,分别得到所述原始图像和所述实例图像的分类概率;
根据所述分类概率,得到与所述实例图像对应的所述实例信息量化值。
3.如权利要求1所述的基于深度学习的图像拼接方法,其特征在于,所述利用极大值交互相关方法,对含有所述实例特征点的各个所述原始图像进行特征点匹配,得到匹配点对,包括:
对第一张原始图像和第二张原始图像中的所述实例特征点进行双向搜索,得到多组特征点对,其中每组特征点对至少包含一对特征点对,所述特征点对为所述第一张原始图像与所述第二张原始图像之间相互对应的所述实例特征点;
利用所述极大值交互相关方法,确定所述多组特征点对中所述每组特征点对中每对特征点对中各个所述实例特征点的相关性概率;
根据所述相关性概率,对所述多组特征点对进行筛选得到所述匹配点对。
4.如权利要求3所述的基于深度学习的图像拼接方法,其特征在于,所述根据所述相关性概率,对所述多组特征点对进行筛选得到匹配点对,其中所述多组特征点对为一组特征点对,包括:
确定一组特征点对中每对特征点对中各个所述实例特征点的相关性概率是否超过预设阈值;
若超过所述预设阈值,则确定所述一组特征点中是否存在一对特征点对中同向的相关性概率均超过其余每对特征点对中同向的相关性概率;
若存在,则提取相应的所述一对特征点对作为匹配点对;
若不存在,则根据预设的匹配方法对所述一组特征点对中每对特征点对进行匹配。
5.如权利要求4所述的基于深度学习的图像拼接方法,其特征在于,所述根据预设的匹配方法对所述一组特征点对中每对特征点对进行匹配,包括:
确定所述每对特征点对的相关性概率之和的数值是否相同;
若所述数值不相同,则提取所述数值最大的一对特征点对作为所述匹配点对;
若所述数值相同,则计算所述每对特征点对的相关性概率之差的差值,并提取所述差值最小的一对特征点对作为所述匹配点对。
6.如权利要求1所述的基于深度学习的图像拼接方法,其特征在于,所述对所述匹配点对进行误匹配点对消除得到目标匹配点对,包括:
利用空间变换匹配模型对所述匹配点对进行所述误匹配点对消除,得到所述目标匹配点对。
7.一种基于深度学习的图像拼接装置,其特征在于,包括:
特征提取模块,用于采集多张原始图像,利用深度学习模型进行实例特征提取得到实例特征点;
筛选模块,用于利用极大值交互相关方法对含有所述实例特征点的各个所述原始图像进行特征点匹配,得到匹配点对;
图像拼接模块,用于对所述匹配点对进行误匹配点对消除得到目标匹配点对,根据所述目标匹配点对,对各个所述原始图像进行图像拼接;
相应的,所述特征提取模块,包括:
计算子模块,用于根据所述原始图像,利用深度学习模型进行量化得到实例信息量化值;
提取子模块,用于根据所述实例信息量化值,确定所述实例特征点。
8.一种基于深度学习的图像拼接设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的基于深度学习的图像拼接方法。
9.一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中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至6任一项所述基于深度学习的图像拼接方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402878.7A CN116128734B (zh) | 2023-04-17 | 2023-04-17 | 一种基于深度学习的图像拼接方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402878.7A CN116128734B (zh) | 2023-04-17 | 2023-04-17 | 一种基于深度学习的图像拼接方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128734A true CN116128734A (zh) | 2023-05-16 |
CN116128734B CN116128734B (zh) | 2023-06-23 |
Family
ID=86306627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310402878.7A Active CN116128734B (zh) | 2023-04-17 | 2023-04-17 | 一种基于深度学习的图像拼接方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128734B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021556A (zh) * | 2014-06-13 | 2014-09-03 | 西南交通大学 | 一种基于几何结构相似性的异源遥感影像配准方法 |
CA2934102A1 (en) * | 2015-06-25 | 2016-12-25 | Appropolis Inc. | A system and a method for tracking mobile objects using cameras and tag devices |
CN109785371A (zh) * | 2018-12-19 | 2019-05-21 | 昆明理工大学 | 一种基于归一化互相关和sift的太阳图像配准方法 |
CN109816686A (zh) * | 2019-01-15 | 2019-05-28 | 山东大学 | 基于物体实例匹配的机器人语义slam方法、处理器及机器人 |
CN110428432A (zh) * | 2019-08-08 | 2019-11-08 | 梅礼晔 | 结肠腺体图像自动分割的深度神经网络算法 |
CN110533590A (zh) * | 2019-07-31 | 2019-12-03 | 华南理工大学 | 一种基于特征点的图像拼接方法 |
CN112862692A (zh) * | 2021-03-30 | 2021-05-28 | 煤炭科学研究总院 | 一种应用于煤矿井下巷道的图像拼接方法 |
CN112950466A (zh) * | 2021-01-26 | 2021-06-11 | 北京航空航天大学 | 一种基于语义对象匹配的图像拼接方法 |
CN114202759A (zh) * | 2021-12-10 | 2022-03-18 | 江苏国光信息产业股份有限公司 | 基于深度学习的多币种纸币冠字号识别方法和装置 |
DE102021133638A1 (de) * | 2020-12-31 | 2022-06-30 | Nvidia Corporation | Bildzusammensetzung in multi-view-automobilsystemen und robotersystemen |
CN115035581A (zh) * | 2022-06-27 | 2022-09-09 | 闻泰通讯股份有限公司 | 面部表情识别方法、终端设备及存储介质 |
CN115222946A (zh) * | 2022-09-19 | 2022-10-21 | 南京信息工程大学 | 一种单阶段实例图像分割方法、装置以及计算机设备 |
WO2022265883A1 (en) * | 2021-06-17 | 2022-12-22 | Ventana Medical Systems, Inc. | Digital synthesis of histological stains using multiplexed immunofluorescence imaging |
US20230005160A1 (en) * | 2021-07-02 | 2023-01-05 | Communication University of Zhejiang | Multi-task deep learning-based real-time matting method for non-green-screen portraits |
-
2023
- 2023-04-17 CN CN202310402878.7A patent/CN116128734B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021556A (zh) * | 2014-06-13 | 2014-09-03 | 西南交通大学 | 一种基于几何结构相似性的异源遥感影像配准方法 |
CA2934102A1 (en) * | 2015-06-25 | 2016-12-25 | Appropolis Inc. | A system and a method for tracking mobile objects using cameras and tag devices |
CN109785371A (zh) * | 2018-12-19 | 2019-05-21 | 昆明理工大学 | 一种基于归一化互相关和sift的太阳图像配准方法 |
CN109816686A (zh) * | 2019-01-15 | 2019-05-28 | 山东大学 | 基于物体实例匹配的机器人语义slam方法、处理器及机器人 |
CN110533590A (zh) * | 2019-07-31 | 2019-12-03 | 华南理工大学 | 一种基于特征点的图像拼接方法 |
CN110428432A (zh) * | 2019-08-08 | 2019-11-08 | 梅礼晔 | 结肠腺体图像自动分割的深度神经网络算法 |
DE102021133638A1 (de) * | 2020-12-31 | 2022-06-30 | Nvidia Corporation | Bildzusammensetzung in multi-view-automobilsystemen und robotersystemen |
CN112950466A (zh) * | 2021-01-26 | 2021-06-11 | 北京航空航天大学 | 一种基于语义对象匹配的图像拼接方法 |
CN112862692A (zh) * | 2021-03-30 | 2021-05-28 | 煤炭科学研究总院 | 一种应用于煤矿井下巷道的图像拼接方法 |
WO2022265883A1 (en) * | 2021-06-17 | 2022-12-22 | Ventana Medical Systems, Inc. | Digital synthesis of histological stains using multiplexed immunofluorescence imaging |
US20230005160A1 (en) * | 2021-07-02 | 2023-01-05 | Communication University of Zhejiang | Multi-task deep learning-based real-time matting method for non-green-screen portraits |
CN114202759A (zh) * | 2021-12-10 | 2022-03-18 | 江苏国光信息产业股份有限公司 | 基于深度学习的多币种纸币冠字号识别方法和装置 |
CN115035581A (zh) * | 2022-06-27 | 2022-09-09 | 闻泰通讯股份有限公司 | 面部表情识别方法、终端设备及存储介质 |
CN115222946A (zh) * | 2022-09-19 | 2022-10-21 | 南京信息工程大学 | 一种单阶段实例图像分割方法、装置以及计算机设备 |
Non-Patent Citations (5)
Title |
---|
ZAIFENG SHI ET AL.: "An Image Mosaic Method Based on Convolutional Neural Network Semantic Features Extraction", 《JOURNAL OF SIGNAL PROCESSING SYSTEMS》, no. 92, pages 435 - 444 * |
冯宇平;戴明;孙立悦;张威;: "图像自动拼接融合的优化设计", 光学精密工程, no. 02, pages 470 - 476 * |
张欣鹏;杜伟强;肖志涛;张芳;耿磊;吴骏;苏龙;: "结合SIFT变换与Otsu匹配的彩色眼底图像拼接方法", 计算机工程与应用, no. 18, pages 176 - 181 * |
张波等: "一种改进的Harris特征点匹配算法", 《计算机系统应用》, vol. 22, no. 7, pages 100 - 103 * |
颜普;梁栋;王葵;: "一种基于圈基的谱匹配算法", 安徽大学学报(自然科学版), no. 05, pages 61 - 66 * |
Also Published As
Publication number | Publication date |
---|---|
CN116128734B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948616B (zh) | 图像检测方法、装置、电子设备及计算机可读存储介质 | |
CN107545263B (zh) | 一种物体检测方法及装置 | |
CN112348921A (zh) | 一种基于视觉语义点云的建图方法及系统 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN110852222A (zh) | 一种基于目标检测的校园走廊场景智能监控方法 | |
CN110766007A (zh) | 证件遮挡检测方法、装置、设备及可读存储介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111104941B (zh) | 图像方向纠正方法、装置及电子设备 | |
CN111507119B (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
CN113918744A (zh) | 相似图像检索方法、装置、存储介质及计算机程序产品 | |
CN108664906A (zh) | 一种基于卷积网络的火灾场景中内容的检测方法 | |
CN116128734B (zh) | 一种基于深度学习的图像拼接方法、装置、设备和介质 | |
CN117058624A (zh) | 一种应用于建筑工地的工程检测方法及系统 | |
CN109657678B (zh) | 图像处理的方法、装置、电子设备和计算机存储介质 | |
CN115205793B (zh) | 基于深度学习二次确认的电力机房烟雾检测方法及装置 | |
CN112001453A (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
CN111429727A (zh) | 一种开放式停车位中车牌识别方法及系统 | |
CN114724128B (zh) | 一种车牌识别方法、装置、设备和介质 | |
CN115223173A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN115311632A (zh) | 一种基于多摄像头的车辆重识别方法和设备 | |
CN115311630A (zh) | 区分阈值生成、目标识别模型训练、目标识别方法及装置 | |
CN109934113B (zh) | 一种教室人数清点方法及其系统、装置、存储介质 | |
Vdovjak et al. | Modern CNNs Comparison for Fire Detection in RGB Images | |
CN113869163A (zh) | 目标跟踪方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |