CN117237679A - 一种提高图像特征匹配准确率方法、系统、设备及介质 - Google Patents
一种提高图像特征匹配准确率方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117237679A CN117237679A CN202310930445.9A CN202310930445A CN117237679A CN 117237679 A CN117237679 A CN 117237679A CN 202310930445 A CN202310930445 A CN 202310930445A CN 117237679 A CN117237679 A CN 117237679A
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- feature
- points
- images
- 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 28
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 230000009466 transformation Effects 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 8
- 238000003379 elimination reaction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 27
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种提高图像特征匹配准确率方法，本发明不光通过引入图像裁切技术，消除梯度值过大或过小的区域对特征点匹配的影响，提高梯度值正常的区域特征点匹配的准确率；还引入对比度增强技术，提高特征点检测数量，进而提高特征点匹配的准确率；并进一步引入特征点去重技术，去掉重复的特征点，提高特征点匹配的准确率，解决了目前现有的图像拼接和叠加技术，面临要么操作简单，但效果欠佳，要么效果较好，但操作复杂、计算量大的技术问题，达到简化的同时，达到了良好的拼接和叠加效果。
Description
技术领域
本发明涉及计算机视觉的技术领域，具体涉及一种提高图像特征匹配准确率方法、系统、设备及介质。
背景技术
计算机视觉就是用各种成像系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释。其中，计算机视觉中图像拼接和叠加技术广泛应用于地图制作、卫星遥感、景观摄影、室内设计、医学图像和焊缝图像等领域，对于图像质量不佳的情况，如模糊、曝光过度、特征不明显等，特征匹配准确率则很低，甚至全部匹配错误，进而导致图像拼接和叠加失败。
因此，目前现有的图像拼接和叠加技术，面临要么操作简单，但效果欠佳，要么效果较好，但操作复杂、计算量大。
发明内容
针对现有技术中所存在的不足，本发明提供了一种提高图像特征匹配准确率方法、系统、设备及介质，以解决现有技术中图像拼接和叠加技术，面临要么操作简单，但效果欠佳，要么效果较好，但操作复杂、计算量大的技术问题。
本发明提供了一种提高图像特征匹配准确率方法，包括：
S1、遍历待叠加图像的行和列，根据各行或各列的梯度值分布，并结合梯度值阈值上限和下限，裁切掉极端的梯度值占比超过比例阈值的行或列；
S2、利用对比度增强对裁切后的图像进行灰度值变换，得到对比度更大的图像；
S3、利用特征提取算法对裁切后对比度增强的图像进行特征提取，获得特征点；
S4、转换所述特征点的坐标，将其映射于裁切之前的待叠加图像；
S5、利用特征点去重算法分别对所述待叠加图像的特征点去重，去掉重复的特征点；
S6、利用特征匹配算法对去重后的特征点进行匹配，得到匹配点，并利用所述匹配点计算两张的待叠加图像之间的透视变换矩阵；
S7、将两张待叠加图像中一张取反，利用透射变换函数和所述透视变换矩阵对其进行透射变换得到配准图，经另一张取反，并与所述配准图相加得到叠加后图像，将所述叠加后图像取反，得到目标图像。
可选地，所述根据各行或各列的梯度值分布，并结合梯度值阈值上限和下限，裁切掉极端的梯度值占比超过比例阈值的行或列，包括：
统计各行或各列的梯度值小于梯度值阈值下限或大于梯度值阈值上限的像素点个数占各行或各列总像素点个数的比例，所述比例若大于比例阈值，则裁切，反之则保留。
可选地，所述统计各行或各列的梯度值小于梯度值阈值下限或大于梯度值阈值上限的像素点个数占各行或各列总像素点个数的比例，所述比例若大于比例阈值，则裁切，反之则保留，包括：
新建两个列表R、C，遍历待叠加图像的所有行时，若所有行中某一行要被裁切掉，则向列表R中添加元素-1，反之则向列表R中添加元素n，n等于行号减去列表R中值为-1的元素的个数；遍历待叠加图像所有列时，如果所有列中某一列要被裁切掉，则向列表C中添加元素-1，反之则向列表C中添加元素n，n等于列号减去列表C中值为-1的元素的个数。
可选地，所述特征提取算法，包括：
所述特征提取算法采用SIFT算法。
可选地，所述转换所述特征点的坐标，将其映射于裁切之前的待叠加图像，包括：
遍历所有特征点，分别找到每个特征点行坐标值和列坐标值在步骤1所得的列表R和列表C中的索引值，即得到该特征点在裁切之前的待叠加图像上的坐标。
可选地，所述特征点去重算法，包括：
所述特征点去重算法采用K-Means聚类算法。
本发明还提供了一种提高图像特征匹配准确率系统，包括：
裁切模块，用于遍历待叠加图像的行和列，根据各行或各列的梯度值分布，并结合梯度值阈值上限和下限，裁切掉极端的梯度值占比超过比例阈值的行或列；
对比度增强模块，用于利用对比度增强对裁切后的图像进行灰度值变换，得到对比度更大的图像；
特征提取模块，用于利用特征提取算法对裁切后对比度增强的图像进行特征提取，获得特征点；
转换模块，用于转换所述特征点坐标，将其映射于裁切之前的待叠加图像；
特征点去重模块，利用特征点去重算法分别对所述待叠加图像的特征点去重，去掉重复的特征点；
特征匹配模块，用于利用特征匹配算法对去重后的特征点进行匹配，得到匹配点，并利用所述匹配点计算两张的待叠加图像之间的透视变换矩阵；
输出模块，用于将两张待叠加图像中一张取反，利用透射变换函数和所述透视变换矩阵对其进行透射变换得到配准图，经另一张取反，并与所述配准图相加得到叠加后图像，将所述叠加后图像取反，得到目标图像。
本发明还提供了一种计算机设备，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计算机程序时实现前述方法的步骤。
本发明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，所述计算机程序被处理器执行时实现前述方法的步骤。
相比于现有技术，本发明具有如下有益效果：
1、本发明通过引入图像裁切技术，消除梯度值过大或过小的区域对特征点匹配的影响，提高梯度值正常的区域特征点匹配的准确率。
2、本发明通过引入对比度增强技术，提高特征点检测数量，进而提高特征点匹配的准确率。
3、本发明通过引入特征点去重技术，去掉重复的特征点，提高特征点匹配的准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中的方法流程示意图；
图2为本发明中待叠加图像；
图3为本发明中待叠加图像梯度图；
图4为本发明中待叠加图像裁切之后图像；
图5为本发明中待叠加图像裁切之后对比度增强前后图像及其灰度分布示意图；
图6为本发明中待叠加图像特征点位置标识图；
图7为本发明中待叠加图像特征点匹配结果标识图；
图8为本发明中待叠加图像叠加效果示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。本发明实例中相同标号的功能单元具有相同和相似的结构和功能。
参见图1，本发明提供了一种提高图像特征匹配准确率方法，包括：
S1、遍历待叠加图像的行和列，根据各行或各列的梯度值分布，并结合梯度值阈值上限和下限，裁切掉极端的梯度值占比超过比例阈值的行或列；
S2、利用对比度增强对裁切后的图像进行灰度值变换，得到对比度更大的图像；
S3、利用特征提取算法对裁切后对比度增强的图像进行特征提取，获得特征点；
S4、转换所述特征点的坐标，将其映射于裁切之前的待叠加图像；
S5、利用特征点去重算法分别对所述待叠加图像的特征点去重，去掉重复的特征点；
S6、利用特征匹配算法对去重后的特征点进行匹配，得到匹配点，并利用所述匹配点计算两张的待叠加图像之间的透视变换矩阵；
S7、将两张待叠加图像中一张取反，利用透射变换函数和所述透视变换矩阵对其进行透射变换得到配准图，经另一张取反，并与所述配准图相加得到叠加后图像，将所述叠加后图像取反，得到目标图像。
本实施例中，S1、遍历待叠加图像的行和列，根据各行或各列的梯度值分布，并结合梯度值阈值上限和下限，裁切掉极端的梯度值占比超过比例阈值的行或列。
本发明所述的待叠加图像是焊缝射线数字图像，参见图2，两张图像拍摄的是同一个焊缝，但第二张图像相比于第一张图像存在一些平移和旋转。首先，参见图3，统计各行或各列梯度值小于等于梯度值阈值下限(梯度值阈值下限＝梯度值极小值*系数，如系数等于1，1.1，1.2，……)或大于等于梯度值阈值上限(梯度值阈值上限＝梯度值极大值*系数，如系数等于1，0.9，0.8，……)的像素点个数占各行或各列总像素点个数的比例，所述比例若大于比例阈值，则裁切，反之则保留。所述比例阈值优选为10％,并可根据需求调整，最后参见图4，得到裁切之后的待叠加图案。在进行前述梯度值判断时，需新建两个列表R、C，遍历梯度图所有行时，若所有行中某一行要被裁切掉，则向列表R中添加元素-1，反之则向列表R中添加元素n，n等于行号减去列表R中值为-1的元素的个数；遍历待叠加图像所有列时，如果所有列中某一列要被裁切掉，则向列表C中添加元素-1，反之则向列表C中添加元素n，n等于列号减去列表C中值为-1的元素的个数。
假设一张8×8的图像，第1、2、6行和第1、5、6列需要裁切掉，则列表R的值为[-1，-1，1，2，3，-1，4，5]，列表C的值为[-1，1，2，3，-1，-1，4，5]，这里行号和列号都是从1开始计数的。
S2、利用对比度增强对裁切后的图像进行灰度值变换，得到对比度更大的图像
参见图5，利用对比度增强技术(如直方图均衡化)对裁切之后的待叠加图像进行灰度值变换，得到对比度更大的图像，如图所示，a1和b1是原始图像裁切之后图像，a2和b2是原始图像裁切之后图像的灰度值分布图，a3和b3是原始图像裁切之后对比度增强之后图像，a4和b4是原始图像裁切之后对比度增强之后图像的灰度值分布图。通过对比发现，对比度增强之后，图像灰度分布更均匀。
S3、利用特征提取算法对裁切后对比度增强的图像进行特征提取，获得特征点。
利用特征提取算法(如SIFT算法)对裁切之后对比度增强的图像进行特征提取，得到若干个特征点。SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性，且信息量丰富，适用于在海量特征数据库中进行快速、准确的。
S4、转换所述特征点的坐标，将其映射于裁切之前的待叠加图像。
遍历所有特征点，分别找到每个特征点行坐标值和列坐标值在所述列表R和列表C中的索引值，即得到该特征点在裁切之前的待叠加图像上的坐标。继续使用步骤S1中的例子，假设转换之前的特征点为(1，3)和(4，2)，则转换之后的特征点为(3，4)和(7，3)。
S5、利用特征点去重算法分别对所述待叠加图像的特征点去重，去掉重复的特征点。
参见图6，我们用圆圈标识出特征点位置，a1和b1是原始图像特征点检测效果，a2和b2是原始图像裁切之后特征点检测效果，a3和b3是原始图像裁切之后对比度增强之后特征点检测效果，a4和b4是原始图像裁切之后对比度增强之后特征点去重之后特征点检测效果。
S6、利用特征匹配算法对去重后的特征点进行匹配，得到匹配点，并利用所述匹配点计算两张的待叠加图像之间的透视变换矩阵。
利用特征匹配算法(暴力匹配器)对上述特征点进行匹配，得到匹配点。并利用所述匹配点计算两张未经处理的待叠加图像之间的透视变换矩阵。
参见图7，我们用直线标识出匹配点，7-1是原始图像特征匹配效果，7-2是原始图像裁切之后特征匹配效果，7-3是原始图像裁切之后对比度增强之后特征匹配效果，7-4是原始图像裁切之后对比度增强之后特征点去重之后特征匹配效果。
S7、将两张待叠加图像中一张取反，利用透射变换函数和所述透视变换矩阵对其进行透射变换得到配准图，经另一张取反，并与所述配准图相加得到叠加后图像，将所述叠加后图像取反，得到目标图像。
其中，一张待叠加图像取反时，因为本例选取图像为8位图像，故用255减去该图像进行取反操作，另一张待叠加图像取反并与配准图相加时，若相加和大于255，则取255作为该像素点的灰度值，将叠加后图像取反，则得到最终需要的目标图像，参见图8，8-1是利用原始图像特征匹配效果进行叠加的效果，8-2是利用原始图像裁切之后特征匹配效果进行叠加的效果，8-3是利用原始图像裁切之后对比度增强之后特征匹配效果进行叠加的效果，8-4是利用原始图像裁切之后对比度增强之后特征点去重之后特征匹配效果进行叠加的效果。
本发明不光通过引入图像裁切技术，消除梯度值过大或过小的区域对特征点匹配的影响，提高梯度值正常的区域特征点匹配的准确率；还引入对比度增强技术，提高特征点检测数量，进而提高特征点匹配的准确率；并进一步引入特征点去重技术，去掉重复的特征点，提高特征点匹配的准确率，解决了目前现有的图像拼接和叠加技术，面临要么操作简单，但效果欠佳，要么效果较好，但操作复杂、计算量大的技术问题，达到简化的同时，达到了良好的拼接和叠加效果。
本发明还提供了一种提高图像特征匹配准确率系统，包括：
裁切模块，用于遍历待叠加图像的行和列，根据各行或各列的梯度值分布，并结合梯度值阈值上限和下限，裁切掉极端的梯度值占比超过比例阈值的行或列；
对比度增强模块，用于利用对比度增强对裁切后的图像进行灰度值变换，得到对比度更大的图像；
特征提取模块，用于利用特征提取算法对裁切后对比度增强的图像进行特征提取，获得特征点；
转换模块，用于转换所述特征点坐标，将其映射于裁切之前的待叠加图像；
特征点去重模块，利用特征点去重算法分别对所述待叠加图像的特征点去重，去掉重复的特征点；
特征匹配模块，用于利用特征匹配算法对去重后的特征点进行匹配，得到匹配点，并利用所述匹配点计算两张的待叠加图像之间的透视变换矩阵；
输出模块，用于将两张待叠加图像中一张取反，利用透射变换函数和所述透视变换矩阵对其进行透射变换得到配准图，经另一张取反，并与所述配准图相加得到叠加后图像，将所述叠加后图像取反，得到目标图像。
本发明还提供了一种计算机设备，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计算机程序时实现前述方法的步骤。
本发明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，所述计算机程序被处理器执行时实现前述方法的步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种提高图像特征匹配准确率方法，其特征在于，包括：
S1、遍历待叠加图像的行和列，根据各行或各列的梯度值分布，并结合梯度值阈值上限和下限，裁切掉极端的梯度值占比超过比例阈值的行或列；
S2、利用对比度增强对裁切后的图像进行灰度值变换，得到对比度更大的图像；
S3、利用特征提取算法对裁切后对比度增强的图像进行特征提取，获得特征点；
S4、转换所述特征点的坐标，将其映射于裁切之前的待叠加图像；
S5、利用特征点去重算法分别对所述待叠加图像的特征点去重，去掉重复的特征点；
S6、利用特征匹配算法对去重后的特征点进行匹配，得到匹配点，并利用所述匹配点计算两张的待叠加图像之间的透视变换矩阵；
S7、将两张待叠加图像中一张取反，利用透射变换函数和所述透视变换矩阵对其进行透射变换得到配准图，经另一张取反，并与所述配准图相加得到叠加后图像，将所述叠加后图像取反，得到目标图像。
2.如权利要求1所述的提高图像特征匹配准确率方法，其特征在于，所述根据各行或各列的梯度值分布，并结合梯度值阈值上限和下限，裁切掉极端的梯度值占比超过比例阈值的行或列，包括：
统计各行或各列的梯度值小于梯度值阈值下限或大于梯度值阈值上限的像素点个数占各行或各列总像素点个数的比例，所述比例若大于比例阈值，则裁切，反之则保留。
3.如权利要求2所述的提高图像特征匹配准确率方法，其特征在于，所述统计各行或各列的梯度值小于梯度值阈值下限或大于梯度值阈值上限的像素点个数占各行或各列总像素点个数的比例，所述比例若大于比例阈值，则裁切，反之则保留，包括：
新建两个列表R、C，遍历待叠加图像的所有行时，若所有行中某一行要被裁切掉，则向列表R中添加元素-1，反之则向列表R中添加元素n，n等于行号减去列表R中值为-1的元素的个数；遍历待叠加图像所有列时，如果所有列中某一列要被裁切掉，则向列表C中添加元素-1，反之则向列表C中添加元素n，n等于列号减去列表C中值为-1的元素的个数。
4.如权利要求3所述的提高图像特征匹配准确率方法，其特征在于，所述特征提取算法，包括：
所述特征提取算法采用SIFT算法。
5.如权利要求3所述的提高图像特征匹配准确率方法，其特征在于，所述转换所述特征点的坐标，将其映射于裁切之前的待叠加图像，包括：
遍历所有特征点，分别找到每个特征点行坐标值和列坐标值在步骤1所得的列表R和列表C中的索引值，即得到该特征点在裁切之前的待叠加图像上的坐标。
6.如权利要求1所述的提高图像特征匹配准确率方法，其特征在于，所述特征点去重算法，包括：
所述特征点去重算法采用K-Means聚类算法。
7.一种提高图像特征匹配准确率系统，其特征在于，包括：
裁切模块，用于遍历待叠加图像的行和列，根据各行或各列的梯度值分布，并结合梯度值阈值上限和下限，裁切掉极端的梯度值占比超过比例阈值的行或列；
对比度增强模块，用于利用对比度增强对裁切后的图像进行灰度值变换，得到对比度更大的图像；
特征提取模块，用于利用特征提取算法对裁切后对比度增强的图像进行特征提取，获得特征点；
转换模块，用于转换所述特征点坐标，将其映射于裁切之前的待叠加图像；
特征点去重模块，利用特征点去重算法分别对所述待叠加图像的特征点去重，去掉重复的特征点；
特征匹配模块，用于利用特征匹配算法对去重后的特征点进行匹配，得到匹配点，并利用所述匹配点计算两张的待叠加图像之间的透视变换矩阵；
输出模块，用于将两张待叠加图像中一张取反，利用透射变换函数和所述透视变换矩阵对其进行透射变换得到配准图，经另一张取反，并与所述配准图相加得到叠加后图像，将所述叠加后图像取反，得到目标图像。
8.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6任一项所述方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930445.9A CN117237679A (zh) | 2023-07-27 | 2023-07-27 | 一种提高图像特征匹配准确率方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930445.9A CN117237679A (zh) | 2023-07-27 | 2023-07-27 | 一种提高图像特征匹配准确率方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117237679A true CN117237679A (zh) | 2023-12-15 |
Family
ID=89085106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310930445.9A Pending CN117237679A (zh) | 2023-07-27 | 2023-07-27 | 一种提高图像特征匹配准确率方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237679A (zh) |
-
2023
- 2023-07-27 CN CN202310930445.9A patent/CN117237679A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| US7702131B2 (en) | Segmenting images and simulating motion blur using an image sequence | |
| Negru et al. | Exponential contrast restoration in fog conditions for driving assistance | |
| CN110188747A (zh) | 一种文本图像的倾斜校正方法、装置以及图像处理设备 | |
| CN101976436B (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
| Thajeel et al. | A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern. | |
| Novozámský et al. | Detection of copy-move image modification using JPEG compression model | |
| CN112183325B (zh) | 基于图像对比的公路车辆检测方法 | |
| CN112767358A (zh) | 基于图像特征配准的铁路电力机车故障检测方法 | |
| CN113744142B (zh) | 图像修复方法、电子设备及存储介质 | |
| CN114078153B (zh) | 面向散射场景的光场编码摄像方法及装置 | |
| CN115375917A (zh) | 一种目标边缘特征提取方法、装置、终端及存储介质 | |
| CN114155285B (zh) | 基于灰度直方图的图像配准方法 | |
| CN114267029A (zh) | 一种车道线检测方法、装置、设备及存储介质 | |
| CN112164006A (zh) | 一种影像匀色方法、装置、电子设备及存储介质 | |
| CN117237679A (zh) | 一种提高图像特征匹配准确率方法、系统、设备及介质 | |
| CN114267076B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
| Banerjee et al. | Bacterial foraging-fuzzy synergism based image Dehazing | |
| CN110660091A (zh) | 一种图像配准处理方法、装置和拍照批改作业系统 | |
| CN113505860B (zh) | 盲区检测训练集的筛选方法、装置、服务器及存储介质 | |
| CN112669360B (zh) | 一种基于非封闭多维轮廓特征序列的多源图像配准方法 | |
| CN112541507B (zh) | 多尺度卷积神经网络特征提取方法、系统、介质及应用 | |
| CN114219706A (zh) | 基于网格分区特征点约减的图像快速拼接方法 | |
| CN111079624B (zh) | 一种样本信息采集的方法、装置、电子设备以及介质 | |
| CN110363723B (zh) | 改进图像边界效果的图像处理方法及装置 |
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 |