CN117541764B - 一种图像拼接方法、电子设备及存储介质 - Google Patents
一种图像拼接方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117541764B CN117541764B CN202410029536.XA CN202410029536A CN117541764B CN 117541764 B CN117541764 B CN 117541764B CN 202410029536 A CN202410029536 A CN 202410029536A CN 117541764 B CN117541764 B CN 117541764B
- Authority
- CN
- China
- Prior art keywords
- feature point
- ijr
- ixr
- list set
- image
- 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 29
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 30
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像拼接方法、电子设备及存储介质,涉及图像处理领域,所述方法包括如下步骤:获取待拼接视频列表,基于待拼接视频列表和目标神经网络模型,获取待拼接视频对应的第一图像和第二图像,获取第一图像对应的第一特征点列表集和第二图像对应的第二特征点列表集,基于第一特征点列表集和第二特征点列表集进行拼接,获取目标视频,从而完成图像的拼接,提高拼接过程中的准确性和速度。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种图像拼接方法、电子设备及存储介质。
背景技术
图像拼接的基本技术包括图像匹配和图像融合等。图像匹配指的是处理在视频或场景中找到的图像之间的相似特征,并将其视为相同的结果。图像融合指的是从多幅图像中收集所有相关信息,以创建一幅描述所有相关图像的图像,该过程包括图像配准、重投影、拼接和混合。传统拼接算法包括AutoStitch算法、双单应性变换(DHW)算法等,图像配准算法包括尺度不变特征变换算法(SIFT)、加速鲁棒特征算法(SURF)等;不同算法各有优势和劣势,如何提高图像匹配的准确性和速度非常重要。
发明内容
针对上述技术问题,本发明采用的技术方案为:一种图像拼接方法,所述方法包括如下步骤:
S100,获取待拼接视频列表A={A1,A2,…,Ai,…,Am},Ai是第i个待拼接视频,i的取值范围是1到m,m是待拼接视频的数量。
S200,基于待拼接视频列表A和目标神经网络模型,获取Ai对应的第一图像Bi和第二图像Ci。
其中,所述第一图像Bi和第二图像Ci+1的相似度大于预设相似度阈值,且第一图像Bi是Ai和Ai+1进行拼接时的视频帧,第二图像Ci是Ai和Ai-1进行拼接时的视频帧,其中,Ci+1是Ai+1对应的第二图像。
S300,获取Bi对应的第一特征点列表集和Ci对应的第二特征点列表集,所述第一特征点列表集是第一图像Bi包含的特征点的列表集,所述第二特征点列表集是第二图像Ci包含的特征点的列表集。
S400,基于Ci对应的第二特征点列表集和Bi-1对应的第一特征点列表集,将Ci和Bi-1进行拼接,从而获取目标视频,其中,Bi-1是Ai-1对应的第一图像。
根据本发明的另一个方面,提供了一种非瞬时性计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现前述的方法。
根据本发明的又一个方面,提供了一种电子设备,包括处理器和前述的非瞬时性计算机可读存储介质。
本发明至少具有以下有益效果:综上,获取待拼接视频列表,基于待拼接视频列表和目标神经网络模型,获取待拼接视频对应的第一图像和第二图像,获取第一图像对应的第一特征点列表集和第二图像对应的第二特征点列表集,基于第一特征点列表集和第二特征点列表集进行拼接,获取目标视频,从而完成图像的拼接,通过目标神经网络、第一特征点列表集和第二特征点列表集,提高拼接过程中的准确性和速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图进行简单介绍,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为本发明实施例提供的一种图像拼接方法的流程图。
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、完整的描述,显然,所描述的实施例仅仅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,本领域技术人员在没有作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。
本发明实施例提供了一种图像拼接方法,如图1所示,所述方法包括如下步骤:
S100,获取待拼接视频列表A={A1,A2,…,Ai,…,Am},Ai是第i个待拼接视频,i的取值范围是1到m,m是待拼接视频的数量。可以理解为,所述待拼接视频为等待拼接成完整视频的视频,例如,在视频剪辑中,将多个待拼接视频拼接成完整视频。
S200,基于待拼接视频列表A和目标神经网络模型,获取Ai对应的第一图像Bi和第二图像Ci。
其中,所述第一图像Bi和第二图像Ci+1的相似度大于预设相似度阈值,且第一图像Bi是Ai和Ai+1进行拼接时的视频帧,第二图像Ci是Ai和Ai-1进行拼接时的视频帧,其中,Ci+1是Ai+1对应的第二图像。
当i=1时,第二图像C1为预设图像;当i=m时,第一图像Bm为预设图像,在本发明一个实施例中,所述预设图像为像素值为255的图像,在本发明另一个实施例中,所述预设图像为像素值为0的图像。
具体的,使用目标神经网络模型对待拼接视频Ai-1、Ai、Ai+1进行识别,获取Ai对应的第一图像Bi和第二图像Ci。所述目标神经网络模型用于判断图像的相似程度。
S300,获取Bi对应的第一特征点列表集和Ci对应的第二特征点列表集,所述第一特征点列表集是第一图像Bi包含的特征点的列表集,所述第二特征点列表集是第二图像Ci包含的特征点的列表集。
S400,基于Ci对应的第二特征点列表集和Bi-1对应的第一特征点列表集,将Ci和Bi-1进行拼接,从而获取目标视频,其中,Bi-1是Ai-1对应的第一图像。
综上,获取待拼接视频列表,基于待拼接视频列表和目标神经网络模型,获取待拼接视频对应的第一图像和第二图像,获取第一图像对应的第一特征点列表集和第二图像对应的第二特征点列表集,基于第一特征点列表集和第二特征点列表集进行拼接,获取目标视频,从而完成了图像的拼接,通过目标神经网络、第一特征点列表集和第二特征点列表集,提高拼接过程中的准确性和速度。
具体的,基于Ci对应的第二特征点列表集和Bi-1对应的第一特征点列表集,使用SURF模型将Ci和Bi-1进行对齐拼接,从而获取目标视频。本领域技术人员知晓,使用SURF模型进行拼接的具体步骤均属于本发明保护范围,此处不再赘述。
进一步的,本发明还包括:基于Ci对应的第二特征点列表集、Bi-1对应的第一特征点列表集和预设缝合形状,使用预设缝合线模型将Ci和Bi-1进行拼接,获取目标视频。
更进一步的,当预设缝合形状覆盖的特征点对应的像素点的数量>预设数量阈值,基于预设缝合线模型将Ci和Bi-1进行拼接,获取目标视频;否则,基于SURF模型获取目标视频。例如,当预设缝合形状为扇形时,基于扇形进行拼接,获取目标视频。可以理解为,当预设缝合形状覆盖的特征点对应的像素点的数量较少时,为避免损失第一图像和第二图像上的特征,使用SURF模型进行拼接,若预设缝合形状覆盖的特征点对应的像素点的数量较多时,使用预设缝合模型进行拼接。
具体的,本发明还包括通过如下步骤获取Bi对应的第一特征点列表集:
S310,获取预设特征点提取算法列表D={D1,D2,…,Dj,…,Dn},Dj是第j个预设特征点提取算法,j的取值范围是1到n,n是预设特征点提取算法的数量。
S320,对第一图像Bi,使用Dj进行特征点提取,获取提取的关键特征点的归一距离ECij和特征点的归一数量Fij,其中,所述归一距离ECij是经过归一化的关键特征点距离的均值,所述归一数量Fij是经过归一化的关键特征点的数量,所述关键特征点是使用Dj进行特征点提取获取的特征点。
具体的,0≤ECij≤1;0≤Fij≤1。
S330,获取目标特征值G0=min{Gi1,Gi2,…,Gij,…,Gin},将G0对应的预设特征点提取算法作为目标特征点提取算法,其中,特征值Gij=1/2×ECij+1/2×(1/Fij)。具体的,基于关键特征点的之间距离和数量两个维度确定出特征值,从而获取到最小的特征值作为目标特征值,可以理解为最小的特征值对应的预设特征点提取算法提取的关键特征点紧密且数量少。
S340,将目标特征点提取算法对第一图像Bi提取的特征点的列表集作为Bi对应的第一特征点列表集。
具体的,本发明还包括:对第二图像Ci,使用目标特征点提取算法进行提取,获取Ci对应的第二特征点列表集。
综上,获取预设特征点提取算法列表,对第一图像Bi,使用Dj进行特征点提取,获取提取的关键特征点的归一距离和特征点的归一数量,获取目标特征值,将目标特征值对应的预设特征点提取算法作为目标特征点提取算法,将目标特征点提取算法对第一图像Bi提取的特征点的列表集作为Bi对应的第一特征点列表集。基于关键特征点的距离和数量两个维度,确定目标特征点提取算法,从而确定第一特征点列表集。
具体的,S320包括:
S321,对第一图像Bi,使用Dj进行特征点提取,获取关键特征点列表集Hij={Hij1,Hij2,…,Hijr,…,Hijs},Hijr是第一图像Bi使用Dj进行特征点提取的第r个关键特征点列表,r的取值范围是1到s,s是关键特征点列表的数量。
Hijr={Hijr,1,Hijr,2,…,Hijr,g,…,Hijr,z(r)},Hijr,g是关键特征点列表Hijr中第g个特征点,g的取值范围是1到z(r),z(r)是关键特征点的数量。
S322,获取Hijr,g和Hijr,g+1的关键距离Jijr,g,从而获取Hijr对应的关键距离列表Jijr={Jijr,1,Jijr,2,…,Jijr,g,…,Jijr,z(r)-1}。具体的,本领域技术人员知晓,现有技术中任何一种获取两个关键特征点的距离的方法均属于本发明保护范围,此处不再赘述。
S323,获取第一平均距离EDij=1/(z(r)-1)×(1/s)×∑s r=1∑z(r)-1 g=1Jijr,g,将EDij进行归一化处理获取第一归一距离ECij。
S324,获取关键数量EFij=∑s r=1z(r),将EFij进行归一化处理获取归一数量Fij。
基于S321-S324,对第一图像,使用预设特征点提取算法进行特征点提取,获取关键特征点列表集,获取相邻两个关键特征点的关键距离,从而获取关键距离列表,从而获取第一归一距离和第一归一数量,从而获取目标特征点提取算法。
进一步的,若EFix>EF0,x的取值范围是1到n且Dx不是目标特征点提取算法,EF0是G0对应的关键数量,S330还包括如下步骤:
S331,对使用Dx获取的关键特征点列表集Hix中的关键特征点进行筛选,获取候选特征点列表集Lix={Lix1,Lix2,…,Lixr,…,Lixs},Lixr是第一图像Bi使用Dx进行特征点提取的第r个候选特征点列表。
Lixr={Lixr,1,Lixr,1,…,Lixr,p,…,Lixr,q(r)},Lixr,p是候选特征点列表Lixr中第p个候选特征点,p的取值范围是1到q(r),q(r)是候选特征点的数量且∑s r=1q(r)=EF0。
在本发明一个实施例中,将关键特征点列表集中的关键特征点按照预设规则进行筛选,具体的,所述预设规则为距离规则,可以理解为,将不满足距离要求的关键特征点进行筛选掉,从而获取候选特征点列表集。
S332,获取Lixr,p和Lixr,p+1的距离作为候选距离Mixr,p,从而获取Lixr对应的候选距离列表Mixr={Mixr,1,Mixr,2,…,Mixr,p,…,Mixr,q(r)-1}。
S333,获取第二平均距离EMix=1/(q(r)-1)×(1/s)×∑s r=1∑q(r)-1 p=1Mixr,p;将EMix进行归一化处理获取第二归一距离ENix。
S334,获取候选特征值Gix=1/3×ECix+1/3×(1/Fix)+1/3×(1/ENix)。可以理解为,所述候选特征值考虑了距离、数量和筛选完后的距离三个维度,在将关键特征点进行筛选后,候选特征点更为集中,进行筛选,相当于将部分噪音或者有影响的关键特征点筛选掉。
S335,若Gix<G0,将Dx作为目标特征点提取算法。
基于S331-S335,对使用Dx获取的关键特征点列表集Hix中的关键特征点进行筛选,获取候选特征点列表集,获取候选距离,从而获取第二归一距离,获取候选特征值,若候选特征值小于目标特征值,将Dx作为目标特征点提取算法,从而更加准确地获取目标特征点提取算法。
本发明的实施例还提供了一种非瞬时性计算机可读存储介质,该存储介质可设置于电子设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的方法。
本发明的实施例还提供了一种电子设备,包括处理器和前述的非瞬时性计算机可读存储介质。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。
Claims (8)
1.一种图像拼接方法,其特征在于,所述方法包括如下步骤:
S100,获取待拼接视频列表A={A1,A2,…,Ai,…,Am},Ai是第i个待拼接视频,i的取值范围是1到m,m是待拼接视频的数量;
S200,基于待拼接视频列表A和目标神经网络模型,获取Ai对应的第一图像Bi和第二图像Ci,Bi是Ai和Ai+1进行拼接时的视频帧,Ci是Ai和Ai-1进行拼接时的视频帧;
其中,Bi和Ci+1的相似度大于预设相似度阈值,其中,Ci+1是Ai+1对应的第二图像;
S300,获取Bi对应的第一特征点列表集和Ci对应的第二特征点列表集,所述第一特征点列表集是Bi包含的特征点的列表集,所述第二特征点列表集是Ci包含的特征点的列表集;
S400,基于Ci对应的第二特征点列表集和Bi-1对应的第一特征点列表集,将Ci和Bi-1进行拼接,从而获取目标视频,其中,Bi-1是Ai-1对应的第一图像;
具体的,通过如下步骤获取Bi对应的第一特征点列表集:
S310,获取预设特征点提取算法列表D={D1,D2,…,Dj,…,Dn},Dj是第j个预设特征点提取算法,j的取值范围是1到n,n是预设特征点提取算法的数量;
S320,对Bi,使用Dj进行特征点提取,获取提取的关键特征点的第一归一距离ECij和特征点的归一数量Fij,其中,所述第一归一距离ECij是经过归一化的关键特征点距离的均值,所述归一数量Fij是经过归一化的关键特征点的数量,所述关键特征点是使用Dj进行特征点提取获取的特征点;
S330,获取目标特征值G0=min{Gi1,Gi2,…,Gij,…,Gin},将G0对应的预设特征点提取算法作为目标特征点提取算法,其中,特征值Gij=1/2×ECij+1/2×(1/Fij);
S340,将目标特征点提取算法对Bi提取的特征点的列表集作为Bi对应的第一特征点列表集;
具体的,对Ci,使用目标特征点提取算法进行提取,获取Ci对应的第二特征点列表集。
2.根据权利要求1所述的图像拼接方法,其特征在于,基于Ci对应的第二特征点列表集和Bi-1对应的第一特征点列表集,使用SURF模型将Ci和Bi-1进行对齐拼接,从而获取目标视频。
3.根据权利要求1所述的图像拼接方法,其特征在于,S320具体包括:
S321,对Bi,使用Dj进行特征点提取,获取关键特征点列表集Hij={Hij1,Hij2,…,Hijr,…,Hijs},Hijr是Bi使用Dj进行特征点提取的第r个关键特征点列表,r的取值范围是1到s,s是关键特征点列表的数量;
Hijr={Hijr,1,Hijr,2,…,Hijr,g,…,Hijr,z(r)},Hijr,g是关键特征点列表Hijr中第g个特征点,g的取值范围是1到z(r),z(r)是关键特征点的数量;
S322,获取Hijr,g和Hijr,g+1的关键距离Jijr,g,从而获取Hijr对应的关键距离列表Jijr={Jijr,1,Jijr,2,…,Jijr,g,…,Jijr,z(r)-1};
S323,获取第一平均距离EDij=1/(z(r)-1)×(1/s)×∑s r=1∑z(r)-1 g=1Jijr,g,将EDij进行归一化处理获取第一归一距离ECij;
S324,获取关键数量EFij=∑s r=1z(r),将EFij进行归一化处理获取归一数量Fij。
4.根据权利要求3所述的图像拼接方法,其特征在于,若EFix>EF0,x的取值范围是1到n且Dx不是目标特征点提取算法,EF0是G0对应的关键数量,S330还包括如下步骤:
S331,对使用Dx获取的关键特征点列表集Hix中的关键特征点进行筛选,获取候选特征点列表集Lix={Lix1,Lix2,…,Lixr,…,Lixs},Lixr是Bi使用Dx进行特征点提取的第r个候选特征点列表;
Lixr={Lixr,1,Lixr,1,…,Lixr,p,…,Lixr,q(r)},Lixr,p是候选特征点列表Lixr中第p个候选特征点,p的取值范围是1到q(r),q(r)是候选特征点的数量且∑s r=1q(r)=EF0;
S332,获取Lixr,p和Lixr,p+1的距离作为候选距离Mixr,p,从而获取Lixr对应的候选距离列表Mixr={Mixr,1,Mixr,2,…,Mixr,p,…,Mixr,q(r)-1};
S333,获取第二平均距离EMix=1/(q(r)-1)×(1/s)×∑s r=1∑q(r)-1 p=1Mixr,p;将EMix进行归一化处理获取第二归一距离ENix;
S334,获取候选特征值Gix=1/3×ECix+1/3×(1/Fix)+1/3×(1/ENix);
S335,若Gix<G0,将Dx作为目标特征点提取算法。
5.根据权利要求2所述的图像拼接方法,其特征在于,基于Ci对应的第二特征点列表集、Bi-1对应的第一特征点列表集和预设缝合形状,使用预设缝合线模型将Ci和Bi-1进行拼接,获取目标视频。
6.根据权利要求5所述的图像拼接方法,其特征在于,还包括:
当预设缝合形状覆盖的特征点对应的像素点的数量>预设数量阈值,基于预设缝合线模型将Ci和Bi-1进行拼接,获取目标视频;否则,基于SURF模型获取目标视频。
7.一种非瞬时性计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,其特征在于,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-6中任意一项的所述的图像拼接方法。
8.一种电子设备,其特征在于,包括处理器和权利要求7中所述的非瞬时性计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029536.XA CN117541764B (zh) | 2024-01-09 | 2024-01-09 | 一种图像拼接方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029536.XA CN117541764B (zh) | 2024-01-09 | 2024-01-09 | 一种图像拼接方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541764A CN117541764A (zh) | 2024-02-09 |
CN117541764B true CN117541764B (zh) | 2024-04-05 |
Family
ID=89784639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410029536.XA Active CN117541764B (zh) | 2024-01-09 | 2024-01-09 | 一种图像拼接方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541764B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006425A (zh) * | 2010-12-13 | 2011-04-06 | 交通运输部公路科学研究所 | 一种基于多摄像机的视频实时拼接方法 |
CN105100640A (zh) * | 2015-01-23 | 2015-11-25 | 武汉智源泉信息科技有限公司 | 一种局部配准并行视频拼接方法及系统 |
WO2017113818A1 (zh) * | 2015-12-31 | 2017-07-06 | 深圳市道通智能航空技术有限公司 | 一种无人机及其全景拼接方法、装置和系统 |
CN107305683A (zh) * | 2016-04-22 | 2017-10-31 | 富士通株式会社 | 图像处理方法、图像处理设备及图像处理装置 |
CN108520547A (zh) * | 2018-04-26 | 2018-09-11 | 青岛海信电器股份有限公司 | 图像处理方法、装置、设备及存储介质 |
TWI639136B (zh) * | 2017-11-29 | 2018-10-21 | 國立高雄科技大學 | 即時視訊畫面拼接方法 |
CN109146832A (zh) * | 2018-08-02 | 2019-01-04 | 广州市鑫广飞信息科技有限公司 | 一种视频图像的拼接方法、装置、终端设备及存储介质 |
CN112487242A (zh) * | 2020-11-27 | 2021-03-12 | 百度在线网络技术(北京)有限公司 | 用于识别视频的方法、装置、电子设备及可读存储介质 |
CN114187180A (zh) * | 2021-12-13 | 2022-03-15 | 广州品唯软件有限公司 | 一种图片拼接方法及装置 |
CN114565516A (zh) * | 2022-03-03 | 2022-05-31 | 上海核工程研究设计院有限公司 | 一种融合传感器数据的安全壳表面区域鲁棒拼接方法 |
CN114708530A (zh) * | 2022-03-18 | 2022-07-05 | 电子科技大学 | 神经网络模型的预训练数据处理、装置、存储介质、识别方法 |
WO2022233223A1 (zh) * | 2021-05-07 | 2022-11-10 | 北京字跳网络技术有限公司 | 图像拼接方法、装置、设备及介质 |
CN115406416A (zh) * | 2022-08-24 | 2022-11-29 | 张忠雨 | 一种自然资源管理用测绘仪及使用方法 |
WO2023011013A1 (zh) * | 2021-08-04 | 2023-02-09 | 北京旷视科技有限公司 | 视频图像的拼缝搜索方法、视频图像的拼接方法和装置 |
CN115829843A (zh) * | 2023-01-09 | 2023-03-21 | 深圳思谋信息科技有限公司 | 图像拼接方法、装置、计算机设备及存储介质 |
CN116132636A (zh) * | 2023-02-08 | 2023-05-16 | 北京天玛智控科技股份有限公司 | 煤矿综采工作面视频拼接方法和装置 |
CN116364064A (zh) * | 2023-05-19 | 2023-06-30 | 北京大学 | 一种音频拼接方法、电子设备及存储介质 |
CN116523748A (zh) * | 2023-04-28 | 2023-08-01 | 广州海格通信集团股份有限公司 | 图像拼接方法、设备、存储介质及无人机 |
CN116883235A (zh) * | 2023-05-11 | 2023-10-13 | 中国电子科技集团公司第十一研究所 | 一种面向分布式光电的图像拼接方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111385490B (zh) * | 2018-12-28 | 2021-07-13 | 清华大学 | 视频拼接方法及装置 |
-
2024
- 2024-01-09 CN CN202410029536.XA patent/CN117541764B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006425A (zh) * | 2010-12-13 | 2011-04-06 | 交通运输部公路科学研究所 | 一种基于多摄像机的视频实时拼接方法 |
CN105100640A (zh) * | 2015-01-23 | 2015-11-25 | 武汉智源泉信息科技有限公司 | 一种局部配准并行视频拼接方法及系统 |
WO2017113818A1 (zh) * | 2015-12-31 | 2017-07-06 | 深圳市道通智能航空技术有限公司 | 一种无人机及其全景拼接方法、装置和系统 |
CN107305683A (zh) * | 2016-04-22 | 2017-10-31 | 富士通株式会社 | 图像处理方法、图像处理设备及图像处理装置 |
TWI639136B (zh) * | 2017-11-29 | 2018-10-21 | 國立高雄科技大學 | 即時視訊畫面拼接方法 |
CN108520547A (zh) * | 2018-04-26 | 2018-09-11 | 青岛海信电器股份有限公司 | 图像处理方法、装置、设备及存储介质 |
CN109146832A (zh) * | 2018-08-02 | 2019-01-04 | 广州市鑫广飞信息科技有限公司 | 一种视频图像的拼接方法、装置、终端设备及存储介质 |
CN112487242A (zh) * | 2020-11-27 | 2021-03-12 | 百度在线网络技术(北京)有限公司 | 用于识别视频的方法、装置、电子设备及可读存储介质 |
WO2022233223A1 (zh) * | 2021-05-07 | 2022-11-10 | 北京字跳网络技术有限公司 | 图像拼接方法、装置、设备及介质 |
WO2023011013A1 (zh) * | 2021-08-04 | 2023-02-09 | 北京旷视科技有限公司 | 视频图像的拼缝搜索方法、视频图像的拼接方法和装置 |
CN114187180A (zh) * | 2021-12-13 | 2022-03-15 | 广州品唯软件有限公司 | 一种图片拼接方法及装置 |
CN114565516A (zh) * | 2022-03-03 | 2022-05-31 | 上海核工程研究设计院有限公司 | 一种融合传感器数据的安全壳表面区域鲁棒拼接方法 |
CN114708530A (zh) * | 2022-03-18 | 2022-07-05 | 电子科技大学 | 神经网络模型的预训练数据处理、装置、存储介质、识别方法 |
CN115406416A (zh) * | 2022-08-24 | 2022-11-29 | 张忠雨 | 一种自然资源管理用测绘仪及使用方法 |
CN115829843A (zh) * | 2023-01-09 | 2023-03-21 | 深圳思谋信息科技有限公司 | 图像拼接方法、装置、计算机设备及存储介质 |
CN116132636A (zh) * | 2023-02-08 | 2023-05-16 | 北京天玛智控科技股份有限公司 | 煤矿综采工作面视频拼接方法和装置 |
CN116523748A (zh) * | 2023-04-28 | 2023-08-01 | 广州海格通信集团股份有限公司 | 图像拼接方法、设备、存储介质及无人机 |
CN116883235A (zh) * | 2023-05-11 | 2023-10-13 | 中国电子科技集团公司第十一研究所 | 一种面向分布式光电的图像拼接方法及装置 |
CN116364064A (zh) * | 2023-05-19 | 2023-06-30 | 北京大学 | 一种音频拼接方法、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Image stitching by line-guided local warping with global similarity constraint;Tian-Zhu Xiang;《ELSEVIER》;20181130;第83卷;全文 * |
基于动态规划拉普拉斯超声图像融合算法研究;陆正大;《中国医疗设备》;20231110;第38卷(第11期);全文 * |
基于改进旋转不变性二进制描述算法的 电力场景图像拼接;苑朝;《电力科学与工程》;20240108;第40卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117541764A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN110782445A (zh) | 无参考图像质量评价方法及系统 | |
CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN111079816A (zh) | 图像的审核方法、装置和服务器 | |
CN110909663A (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN111199197A (zh) | 一种人脸识别的图像提取方法及处理设备 | |
CN111523497B (zh) | 一种人脸纠正方法、装置和电子设备 | |
JP2005196678A (ja) | テンプレートマッチング方法および対象画像領域抽出装置 | |
CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
CN111241924A (zh) | 基于尺度估计的人脸检测及对齐方法、装置、存储介质 | |
CN114663686A (zh) | 物体特征点匹配方法及装置、训练方法及装置 | |
CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
CN111368763A (zh) | 基于头像的图像处理方法、装置及计算机可读存储介质 | |
CN114267029A (zh) | 一种车道线检测方法、装置、设备及存储介质 | |
CN117541764B (zh) | 一种图像拼接方法、电子设备及存储介质 | |
CN116304179B (zh) | 一种获取目标视频的数据处理系统 | |
CN112070181A (zh) | 一种基于图像流的协同检测方法及装置、存储介质 | |
CN108665455B (zh) | 图像显著性预测结果的评价方法和装置 | |
CN111091577B (zh) | 基于伪孪生网络的线特征描述方法 | |
CN111524098B (zh) | 一种基于自组织聚类的神经网络输出层裁剪及模板框尺寸确定方法 | |
Tan et al. | Image Manipulation Detection Using the Attention Mechanism and Faster R-CNN [J] | |
CN114219706A (zh) | 基于网格分区特征点约减的图像快速拼接方法 | |
CN114118203A (zh) | 图像特征提取匹配的方法、装置和电子设备 | |
CN111783624A (zh) | 一种保留平移不变性的行人重识别方法、装置及存储介质 | |
CN114821128B (zh) | 一种尺度自适应的模板匹配方法 |
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 |