CN117173391B - 一种基于深度学习和多视几何的倾斜图像矫正方法及系统 - Google Patents
一种基于深度学习和多视几何的倾斜图像矫正方法及系统 Download PDFInfo
- Publication number
- CN117173391B CN117173391B CN202311445279.XA CN202311445279A CN117173391B CN 117173391 B CN117173391 B CN 117173391B CN 202311445279 A CN202311445279 A CN 202311445279A CN 117173391 B CN117173391 B CN 117173391B
- Authority
- CN
- China
- Prior art keywords
- image
- oblique
- inclined image
- typesetting
- view geometry
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000003702 image correction Methods 0.000 title claims description 22
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007557 optical granulometry Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习和多视几何的倾斜图像矫正方法及系统，通过基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，能够自动学习和捕捉倾斜图像中的特征，提高了倾斜图像处理的准确性，同时，通过基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，能够为后续矫正提供准确的基础，从而进一步提高了整体的矫正精度，降低人工干预，减少处理的步骤，使得地质数据编录和倾斜图像处理的效率和准确性得到显著提升。
Description
技术领域
本发明涉及倾斜图像矫正技术领域，尤其涉及一种基于深度学习和多视几何的倾斜图像矫正方法及系统。
背景技术
工程勘察地质数据采集工作涉及到大量的地质信息收集、分析和记录，其中倾斜图像的获取和处理是关键步骤之一，但在地质数字编录过程中，倾斜图像往往存在几何失真、姿态变化等问题，因此，需要对倾斜图像进行矫正处理，然而，传统的倾斜图像矫正方法通常需要大量的人工干预和复杂的处理步骤，导致数据采集工作效率低下和数据更新滞后，限制了地质数据采集和处理的效率和准确性。
发明内容
有鉴于此，本发明提出一种基于深度学习和多视几何的倾斜图像矫正方法及系统，可以解决现有技术所存在的需要大量的人工干预和复杂的处理步骤的缺陷。
本发明的技术方案是这样实现的：
一种基于深度学习和多视几何的倾斜图像矫正方法，具体包括：
获取倾斜图像；
基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；
基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；
依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正。
作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述方法还包括：
对矫正后的倾斜图像进行排版。
作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，具体包括：
对倾斜图像进行预处理，得到预处理后的倾斜图像；
将经过预处理的图像输入到卷积神经网络中，得到倾斜图像的特征图；
将倾斜图像的特征图进行转换，得到倾斜图像的矩阵；
将倾斜图像的矩阵进行规范化，得到倾斜图像的特征向量。
作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述将倾斜图像的矩阵进行规范化之后，还包括将规范化后的倾斜图像的矩阵进行降维操作。
作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，具体包括：
使用特征匹配算法对所述倾斜图像的特征向量进行匹配，得到倾斜图像的特征点；
基于倾斜图像的特征点进行基础矩阵或本质矩阵计算，得到特征点的基础矩阵或本质矩阵；
基于多视几何原理对特征点的基础矩阵或本质矩阵进行姿态估计，得到倾斜图像的姿态信息。
作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述方法还包括依据最小化重投影误差法对倾斜图像的姿态信息进行姿态优化。
作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述依据所述倾斜图像的姿态信息进行几何矫正，具体包括：
所述倾斜图像的姿态信息进行几何矫正计算，得到几何变换参数；
依据几何变换参数对倾斜图像进行调整，得到初步矫正后的倾斜图像；
对初步矫正后的倾斜图像进行质量调整，得到最终矫正后的倾斜图像。
作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述对矫正后的倾斜图像进行排版，具体包括：
对矫正后的倾斜图像进行裁剪对齐操作，得到裁剪对齐后的倾斜图像；
对裁剪对齐后的倾斜图像按照预设的排版规则进行排列，得到排版后的倾斜图像；
依据排版后的倾斜图像生成排版报告，从而实现对矫正后的倾斜图像进行排版。
一种基于深度学习和多视几何的倾斜图像矫正系统，包括：
获取模块，用于获取倾斜图像；
特征提取模块，用于基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；
多视几何处理模块，用于基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；
矫正模块，用于依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正。
一种计算设备，包括存储器、处理器以及存储在所述存储器中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任意一项基于深度学习和多视几何的倾斜图像矫正方法的步骤。
本发明的有益效果是：通过基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，能够自动学习和捕捉倾斜图像中的特征，提高了倾斜图像处理的准确性，同时，通过基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，能够为后续矫正提供准确的基础，从而进一步提高了整体的矫正精度，降低人工干预，减少处理的步骤，使得地质数据编录和倾斜图像处理的效率和准确性得到显著提升。
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为本发明一种基于深度学习和多视几何的倾斜图像矫正方法的流程示意图；
图2为本发明一种基于深度学习和多视几何的倾斜图像矫正系统的组成示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。
参考图1-2，一种基于深度学习和多视几何的倾斜图像矫正方法，具体包括：
获取倾斜图像；
基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；
基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；
依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正。
在本实施例中，通过基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，能够自动学习和捕捉倾斜图像中的特征，提高了倾斜图像处理的准确性，同时，通过基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，能够为后续矫正提供准确的基础，从而进一步提高了整体的矫正精度，降低人工干预，减少处理的步骤，使得地质数据编录和倾斜图像处理的效率和准确性得到显著提升。
需要说明的是，结合多视几何原理，该方法可以更准确地估计图像的姿态和位置信息，从而实现更高精度的图像几何矫正，减少几何失真，同时，多视几何原理允许从不同角度捕捉地物信息，即使在复杂地形和遮挡情况下，也能更好地还原地物形态，另外，使用深度学习模型进行特征提取和匹配，可以更精确地识别图像中的特征点，提高匹配的准确性，从而提升后续矫正步骤的效果，此外，借助深度学习的高效计算能力，结合多视几何，可以优化算法流程，提高处理速度，满足实时性要求。
优选的，所述方法还包括：
对矫正后的倾斜图像进行排版。
优选的，所述基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，具体包括：
对倾斜图像进行预处理，得到预处理后的倾斜图像；
将经过预处理的图像输入到卷积神经网络中，得到倾斜图像的特征图；
将倾斜图像的特征图进行转换，得到倾斜图像的矩阵；
将倾斜图像的矩阵进行规范化，得到倾斜图像的特征向量。
优选的，所述将倾斜图像的矩阵进行规范化之后，还包括将规范化后的倾斜图像的矩阵进行降维操作。
在本实施例中，基于卷积神经网络从倾斜图像中提取有意义的、能够代表图像内容的特征，以便后续的操作能够在这些特征的基础上进行，具体步骤为：
图像预处理：对输入的倾斜图像进行预处理，包括尺寸调整、归一化、去噪等，以使图像适合深度学习模型的输入要求；
加载深度学习模型：加载预训练的深度学习模型，该模型通常在大规模图像数据集上进行训练，以学习抽取图像中的特征；
特征提取：将经过预处理的图像输入到深度学习模型中的卷积层，通过前向传播获取中间层的特征图；
特征图选择：从卷积层中选择一个或多个特征图，这些特征图代表图像在不同抽象层次上的特征，这些特征图捕捉了图像的边缘、纹理、形状等信息；
特征表示：将选定的特征图展平为一维向量或矩阵，以便后续的处理能够使用这些特征，这个表示会保留图像的高级抽象特征；
特征向量规范化：对特征向量进行规范化，以确保特征的尺度和范围一致，这有助于提高后续特征匹配的效果；
特征向量降维：在某些情况下，可能会对特征向量进行降维操作，以减少计算复杂性和提高匹配的速度；
特征向量输出：将经过预处理、提取、规范化和降维的特征向量作为输出，以供后续的特征匹配和姿态估计模块使用。
需要说明的是，在上述步骤中，关键环节/参数包括选择适合任务的深度学习模型、合适的预处理操作（如图像尺寸调整、归一化方式等）、选择特定层次的特征图、规范化方法、是否需要降维等，这些选择和参数会直接影响从图像中提取的特征质量和表达能力。
优选的，所述基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，具体包括：
使用特征匹配算法对所述倾斜图像的特征向量进行匹配，得到倾斜图像的特征点；
基于倾斜图像的特征点进行基础矩阵或本质矩阵计算，得到特征点的基础矩阵或本质矩阵；
基于多视几何原理对特征点的基础矩阵或本质矩阵进行姿态估计，得到倾斜图像的姿态信息。
优选的，所述方法还包括依据最小化重投影误差法对倾斜图像的姿态信息进行姿态优化。
在本实施例中，通过特征匹配和多视几何原理，估计出两个倾斜图像之间的几何关系，以便进行准确的图像矫正，具体步骤为：
特征匹配准备：从图像特征提取模块中获取到的特征向量作为输入，准备好特征向量用于特征匹配；
特征匹配：使用特征匹配算法（如SIFT、ORB、SURF等）对提取的特征向量进行匹配，该步骤旨在找到两个图像中对应的特征点对，从而建立两个图像之间的关联；
基础矩阵或本质矩阵计算：基于匹配的特征点，计算基础矩阵或本质矩阵。这些矩阵表示了图像之间的几何关系，有助于估计图像的姿态；
姿态估计：利用基础矩阵或本质矩阵，根据多视几何原理进行姿态估计，以确定两个图像之间的相对旋转和平移关系；
姿态优化：在某些情况下，可能会进行姿态优化，通过最小化重投影误差来进一步提高姿态估计的准确性；
输出姿态信息：输出估计的姿态信息，包括旋转矩阵、平移向量等，以供后续的图像矫正模块使用。
需要说明的是，关键环节/参数包括选择合适的特征匹配算法、参数调整（如匹配阈值、匹配数量等）、选择基础矩阵或本质矩阵的计算方法、姿态估计方法等，这些选择和参数会直接影响图像匹配的准确性和姿态估计的精度。
优选的，所述依据所述倾斜图像的姿态信息进行几何矫正，具体包括：
所述倾斜图像的姿态信息进行几何矫正计算，得到几何变换参数；
依据几何变换参数对倾斜图像进行调整，得到初步矫正后的倾斜图像；
对初步矫正后的倾斜图像进行质量调整，得到最终矫正后的倾斜图像。
在本实施例中，实现了对倾斜图像的自动化矫正，从而消除因图像角度和位置引起的几何失真，不仅减少了传统手工矫正的繁琐性，还能够在保持准确性的同时提高处理速度，为工程勘察领域提供更高效、精确的技术支持，具体步骤为：
图像矫正计算：利用估计得到的姿态和位置信息，对输入图像进行几何矫正计算，这涉及到将图像进行旋转、缩放和平移等操作，以恢复图像在真实场景中的几何形态；
矫正后图像生成：根据矫正计算得到的几何变换参数，对输入图像进行变换，生成矫正后的图像，此时，图像中的地物应当具备更准确的形态和尺寸；
图像质量调整：在矫正后的图像中，可能需要进行一些调整以保持图像的质量和可视化效果，这可能涉及颜色调整、对比度增强等操作；
输出矫正图像：完成图像矫正后，生成矫正后的图像作为输出，这些图像可以用于后续的地质数据编录、岩芯照片分析等工作。
优选的，所述对矫正后的倾斜图像进行排版，具体包括：
对矫正后的倾斜图像进行裁剪对齐操作，得到裁剪对齐后的倾斜图像；
对裁剪对齐后的倾斜图像按照预设的排版规则进行排列，得到排版后的倾斜图像；
依据排版后的倾斜图像生成排版报告，从而实现对矫正后的倾斜图像进行排版。
在本实施例中，将矫正后的倾斜图像按照规定的方式进行排版，以便后续地质数字编录等工作能够在统一的图像框架下进行，倾斜图像的自动矫正和排版将大大提高地质数据处理的效率和准确性，具体步骤为：
裁剪和对齐：可能需要对矫正后的倾斜图像进行裁剪，以去除无效区域或边缘，此外，对齐所有岩芯图像的底部或顶部，以确保它们在排版时能够对齐；
排版岩芯照片：将矫正后的倾斜图像按照一定的排版规则进行排列，可以是按深度顺序排列，也可以按照地层等级排列，排版时需要考虑倾斜图像之间的间距、对齐、分辨率等；
生成排版报告：可以根据排版后的倾斜图像生成自动化的排版报告，包括岩芯的深度范围、地层信息等；
输出矫正和排版结果：输出经过矫正和排版的倾斜图像，以供后续的地质数字编录或其他处理使用。
需要说明的是，关键环节/参数包括矫正参数的准确性（来自图像匹配和姿态估计模块）、裁剪的方式和范围、排版规则、倾斜图像之间的间距和对齐方法等，这些选择和参数会直接影响矫正和排版后岩芯图像的准确性和可视化效果。
一种基于深度学习和多视几何的倾斜图像矫正系统，包括：
获取模块，用于获取倾斜图像；
特征提取模块，用于基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；
多视几何处理模块，用于基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；
矫正模块，用于依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正。
在本实施例中，通过基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，能够自动学习和捕捉倾斜图像中的特征，提高了倾斜图像处理的准确性，同时，通过基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，能够为后续矫正提供准确的基础，从而进一步提高了整体的矫正精度，降低人工干预，减少处理的步骤，使得地质数据编录和倾斜图像处理的效率和准确性得到显著提升。
需要说明的是，结合多视几何原理，该方法可以更准确地估计图像的姿态和位置信息，从而实现更高精度的图像几何矫正，减少几何失真，同时，多视几何原理允许从不同角度捕捉地物信息，即使在复杂地形和遮挡情况下，也能更好地还原地物形态，另外，使用深度学习模型进行特征提取和匹配，可以更精确地识别图像中的特征点，提高匹配的准确性，从而提升后续矫正步骤的效果，此外，借助深度学习的高效计算能力，结合多视几何，可以优化算法流程，提高处理速度，满足实时性要求。
一种计算设备，包括存储器、处理器以及存储在所述存储器中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任意一项基于深度学习和多视几何的倾斜图像矫正方法的步骤。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，具体包括：
获取倾斜图像；
基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；
基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；
依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正；
其中，所述方法还包括：
对矫正后的倾斜图像进行排版；
所述对矫正后的倾斜图像进行排版，具体包括：
对矫正后的倾斜图像进行裁剪对齐操作，得到裁剪对齐后的倾斜图像，所述裁剪对齐后的倾斜图像为岩芯图像；
对裁剪对齐后的倾斜图像按照预设的排版规则进行排列，得到排版后的倾斜图像，所述按照预设的排版规则进行排列包括按照岩芯深度顺序进行排列或者按照地层等级排列；
依据排版后的倾斜图像生成排版报告，从而实现对矫正后的倾斜图像进行排版，所述排版报告包括岩芯的深度范围和地层信息。
2.根据权利要求1所述的一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，所述基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，具体包括：
对倾斜图像进行预处理，得到预处理后的倾斜图像；
将经过预处理的图像输入到卷积神经网络中，得到倾斜图像的特征图；
将倾斜图像的特征图进行转换，得到倾斜图像的矩阵；
将倾斜图像的矩阵进行规范化，得到倾斜图像的特征向量。
3.根据权利要求2所述的一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，所述将倾斜图像的矩阵进行规范化之后，还包括将规范化后的倾斜图像的矩阵进行降维操作。
4.根据权利要求3所述的一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，所述基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，具体包括：
使用特征匹配算法对所述倾斜图像的特征向量进行匹配，得到倾斜图像的特征点；
基于倾斜图像的特征点进行基础矩阵或本质矩阵计算，得到特征点的基础矩阵或本质矩阵；
基于多视几何原理对特征点的基础矩阵或本质矩阵进行姿态估计，得到倾斜图像的姿态信息。
5.根据权利要求4所述的一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，所述方法还包括依据最小化重投影误差法对倾斜图像的姿态信息进行姿态优化。
6.根据权利要求5所述的一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，所述依据所述倾斜图像的姿态信息进行几何矫正，具体包括：
依据所述倾斜图像的姿态信息进行几何矫正计算，得到几何变换参数；
依据几何变换参数对倾斜图像进行调整，得到初步矫正后的倾斜图像；
对初步矫正后的倾斜图像进行质量调整，得到最终矫正后的倾斜图像。
7.一种基于深度学习和多视几何的倾斜图像矫正系统，其特征在于，包括：
获取模块，用于获取倾斜图像；
特征提取模块，用于基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；
多视几何处理模块，用于基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；
矫正模块，用于依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正；
排版模块，用于对矫正后的倾斜图像进行排版；
其中，所述排版模块包括：
裁剪对齐模块，用于对矫正后的倾斜图像进行裁剪对齐操作，得到裁剪对齐后的倾斜图像，所述裁剪对齐后的倾斜图像为岩芯图像；
排列模块，用于对裁剪对齐后的倾斜图像按照预设的排版规则进行排列，得到排版后的倾斜图像，所述按照预设的排版规则进行排列包括按照岩芯深度顺序进行排列或者按照地层等级排列；
排版报告生成模块，用于依据排版后的倾斜图像生成排版报告，从而实现对矫正后的倾斜图像进行排版，所述排版报告包括岩芯的深度范围和地层信息。
8.一种计算设备，其特征在于，包括存储器、处理器以及存储在所述存储器中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权利要求1-6中任意一项基于深度学习和多视几何的倾斜图像矫正方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311445279.XA CN117173391B (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度学习和多视几何的倾斜图像矫正方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311445279.XA CN117173391B (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度学习和多视几何的倾斜图像矫正方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173391A CN117173391A (zh) | 2023-12-05 |
| CN117173391B true CN117173391B (zh) | 2024-03-19 |
Family
ID=88937899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311445279.XA Active CN117173391B (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度学习和多视几何的倾斜图像矫正方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173391B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194397A (zh) * | 2017-05-09 | 2017-09-22 | 珠海赛纳打印科技股份有限公司 | 卡片放置方向的识别方法、装置以及图像处理装置 |
| CN107230184A (zh) * | 2016-03-24 | 2017-10-03 | 核工业北京地质研究院 | 一种成像高光谱岩芯扫描图像自动裁剪方法 |
| CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
| KR20210071280A (ko) * | 2019-12-06 | 2021-06-16 | 경북대학교 산학협력단 | 시추코어 자료와 물리검층 자료를 이용하여 암상을 분류하는 암상 분류 시스템 및 이를 위한 데이터베이스 구축 장치 및 방법 |
| CN116363332A (zh) * | 2023-01-17 | 2023-06-30 | 广东工业大学 | 基于医学图像分割和特征匹配的前列腺超声矫正方法 |
| CN116934806A (zh) * | 2023-07-18 | 2023-10-24 | 杭州电子科技大学 | 基于点线特征的边缘分布式视觉里程计方法 |
-
2023
- 2023-11-02 CN CN202311445279.XA patent/CN117173391B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107230184A (zh) * | 2016-03-24 | 2017-10-03 | 核工业北京地质研究院 | 一种成像高光谱岩芯扫描图像自动裁剪方法 |
| CN107194397A (zh) * | 2017-05-09 | 2017-09-22 | 珠海赛纳打印科技股份有限公司 | 卡片放置方向的识别方法、装置以及图像处理装置 |
| CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
| KR20210071280A (ko) * | 2019-12-06 | 2021-06-16 | 경북대학교 산학협력단 | 시추코어 자료와 물리검층 자료를 이용하여 암상을 분류하는 암상 분류 시스템 및 이를 위한 데이터베이스 구축 장치 및 방법 |
| CN116363332A (zh) * | 2023-01-17 | 2023-06-30 | 广东工业大学 | 基于医学图像分割和特征匹配的前列腺超声矫正方法 |
| CN116934806A (zh) * | 2023-07-18 | 2023-10-24 | 杭州电子科技大学 | 基于点线特征的边缘分布式视觉里程计方法 |
Non-Patent Citations (2)
| Title |
|---|
| Subsetting hyperspectral core imaging data using a graphic identification based IDL program;Jun-Ting Qiu et al.;Computers & Geosciences;20170524;第68-76页 * |
| 论煤田地质钻探工程岩芯的编录方法及注意事项;雷喜荣;技术与市场;20151231;第22卷(第9期);第202页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173391A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112270249B (zh) | 一种融合rgb-d视觉特征的目标位姿估计方法 | |
| CN111028177A (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
| CN112184577B (zh) | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 | |
| CN112508015A (zh) | 一种铭牌识别方法、计算机设备、存储介质 | |
| CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
| CN113052109A (zh) | 一种3d目标检测系统及其3d目标检测方法 | |
| CN112613097A (zh) | 一种基于计算机视觉的bim快速化建模方法 | |
| CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
| CN113592735A (zh) | 文本页面图像还原方法及系统、电子设备和计算机可读介质 | |
| CN113657528A (zh) | 图像特征点提取方法、装置、计算机终端及存储介质 | |
| CN117173391B (zh) | 一种基于深度学习和多视几何的倾斜图像矫正方法及系统 | |
| CN113065400A (zh) | 基于无锚框两阶段网络检测发票印章的方法及装置 | |
| CN112801923A (zh) | 文字处理方法、系统、可读存储介质及计算机设备 | |
| CN111612802A (zh) | 一种基于现有图像语义分割模型的再优化训练方法及应用 | |
| CN116823748A (zh) | 一种基于深度学习和Halcon的螺栓拧紧工业检测方法和装置 | |
| CN116664608A (zh) | 基于图像增强的目标检测与定位方法 | |
| CN113793264B (zh) | 一种基于卷积模型的档案图像处理方法、系统和电子设备 | |
| CN112950787B (zh) | 一种基于图像序列的目标物体三维点云生成方法 | |
| CN113205102B (zh) | 一种基于忆阻神经网络的车辆标志识别方法 | |
| CN112200850B (zh) | 一种基于成熟特征点的orb提取方法 | |
| CN115035193A (zh) | 一种基于双目视觉与图像分割技术的散装粮随机扦样方法 | |
| CN110533030B (zh) | 基于深度学习的太阳胶片图像时间戳信息提取方法 | |
| CN112819823A (zh) | 一种面向家具板材的圆孔检测方法、系统及装置 | |
| CN117809310B (zh) | 基于机器学习的港口集装箱号识别方法及系统 | |
| CN112308870B (zh) | 基于深度学习的边缘检测滤波器优化方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |