CN101350101A - 多幅深度图像自动配准方法 - Google Patents
多幅深度图像自动配准方法 Download PDFInfo
- Publication number
- CN101350101A CN101350101A CNA2008102220956A CN200810222095A CN101350101A CN 101350101 A CN101350101 A CN 101350101A CN A2008102220956 A CNA2008102220956 A CN A2008102220956A CN 200810222095 A CN200810222095 A CN 200810222095A CN 101350101 A CN101350101 A CN 101350101A
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- consistent
- amplitude deepness
- cycle
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
多幅深度图像自动配准方法。(1)使用SIFT特征对任意两幅深度图像配准并判断结果正确性。首先计算两幅深度图像的SIFT特征,双向交叉匹配对应点,然后用RANSAC算法求极线约束,过滤错误匹配,之后用ICP算法精确配准并判断结果正确性(2)搜索模型图的圈空间,计算全局一致的配准结果。首先求得模型图的导出圈基并构建导出圈基的邻接关系图,然后,求得一致圈空间的一组基,进而得到一致的配准结果。该方法可以有效地提高圈空间的搜索速度,理想情况下,可以将指数时间复杂度提高到线性时间复杂度。(3)圈的一致性判断,使用一种相对误差判断方法判断圈中配准结果的一致性。本发明可以可靠的自动配准多幅深度图像,通过搜索一致圈,去掉错误配准,得到一致的配准结果。
Description
技术领域
本发明属于计算机虚拟现实技术领域,具体地说是涉及多幅深度图像自动配准,得到完整模型,该方法可用于三维模型的几何建模。
背景技术
近些年来,三维扫描技术快速发展,使得自动配准技术变得越来越重要。深度图像是三维扫描设备扫描后得到的带有深度信息的图像。配准是指将从不同位置、不同角度扫描到的深度图像通过刚性变换变到同一坐标系的过程。通过配准,将多幅深度图像拼接到一起,从而获得完整的三维模型。配准计算过程主要可分为两幅深度图像配准和多幅深度图像配准。两幅深度图像配准是计算两幅图像之间的相对位置关系进行配准;多幅深度图像配准也称全局配准是在两幅深度图像配准的基础上,去除错误的两两配准结果,计算全局一致的配准结果,然后优化全局配准的总体误差。
两幅深度图像配准主要包括粗略两两配准和精确两两配准两步。精确两两配准主要采用ICP(Iterative Closest Point)算法(参见P.J.Besl,N.D.McKay.A Method for Registration of 3DShapes.IEEE Trans.Pattern Anal[J].and Machine Intell.Vol.14,pp.239-256,1992和Y.Chen,G.Medioni.Object Modeling by Registration of Multiple Range Images[J].IEEE Conference onRobotics and Automation,pp.2724-2729,1991.和[Rusinkiewicz 2001]Rusinkiewicz,S.,Levoy,M.Efficient Variants of the ICP Algorithm[J].In International Conference on 3D Digital Imagingand Modeling,2001.),已经取得了很好的效果,但是,由于ICP算法是局部收敛的,所以在采用ICP算法之前,先要进行两两粗略配准,以获得较好的初始位置,避免陷入局部最优。两两粗略配准主要利用特征描述符,如旋转图像、积分球体等,匹配至少三对或者更多对应点,进而求得刚性变换。
全局匹配是在两两配准基础上,判断两两配准的正确性,去掉错误结果,得到整体一致的配准结果。Huber(参见Huber D.Automatic Three-dimensional Modeling from Reality.CarnegieMellon University,2002)提出了第一个全局匹配算法。他利用可见性标准,判断深度图像之间是否存在遮挡,进而判断配准是否正确,并利用贝叶斯概率得到每个配准的可靠性系数,然后,使用贪心法,生成一颗配准整个模型的最小生成树。但每次遮挡判断之前都要优化总体误差,而且遮挡计算复杂度也比较高,因此计算效率比较低。而且在计算生成树开始阶段,由于只有较少的深度图像聚合到一起,所以遮挡性判断的可靠性也较低。Hunag(参见HuangQ X,Flory S,Gelfand N,Hofer M,Pottmann H.Reassembling fractured objects by geometricmatching.ACM Transactions on Graphics(SIGGRAPH),2006:569-578)改进了Huber的方法,他注意到两个多幅深度图像合并的子模型之间可能存在多个两两配准关系,这比单一关系要可靠,因此他优先合并有更多相容配准关系的子图,而不是仅仅依赖单一配准结果求最小生成树,但该方法还是要多次优化总误差,计算复杂度高,在模型合并初期同样可靠性不高。注意到子模型间的多个相容配准关系,实质上是构成了回路,而且两两配准结果在回路中要满足一致性约束。
全局匹配后需要优化总体误差。与ICP算法类似,通过迭代逐渐减小误差,但由于涉及到多幅深度图像,所以计算更为复杂。全局配准算法主要分为两类,两两优化Bergevin和Pulli(参见Bergevin R.,Soucy M.,Gagnon H.,et al.Towards a General Multi-View RegistrationTechnique.IEEE Trans.Pattern Anal.and Machine Intell,1996,18(5):540-547和Pulli K.Multiview Registration for Large Data Sets.nternational Conference on 3D Digital Imaging andModeling)和同时优化Krishnan和Neugebauer算法(参见Krishnan S.,Lee P.Y.,Moore J.,etal.Global Registration of Multiple 3D Point Sets via Optimization-on-a-Manifold.Proc.ofSymposium on Geometry Processing,2005:187-196和Neugebauer P.J.Geometrical Cloning of3D Objects via Simultaneous Registration of Multiple Range Images[C].Proceed-ings of the 1997International Conference on Shape Modeling and Applications(SMA’97),1997,130)。两两优化反复采用ICP算法优化两幅图像,因此收敛速度慢而且可能无法收敛,同时优化的方法直接优化总误差,收敛速度较快,但复杂的优化计算稳定性较差。
发明内容
本发明的技术解决问题:克服现有技术的不足,提供一种多幅深度图像自动配准方法,该方法进行多幅深度图像配准速度快,且匹配准确。
本发明的技术解决方案:多幅深度图像自动配准方法,包括两幅深度图像配准和多幅深度图像全局匹配过程,其中:
所述的两幅深度图像配准如下:
(1)在两幅图像上分别计算SIFT特征,得到每个特征点对应一个128维特征向量;
(2)根据步骤(1)所述的特征向量,匹配对应点;
(3)确定匹配对应点之后,采用RANSAC算法求解基础矩阵,然后采用基础矩阵剔除匹配错误的对应点;
(4)将剔除匹配错误后的对应点按SIFT特征距离排序,去掉两幅图像的特征向量之间距离最大的20%的对应点;
(5)根据两幅图像的对应点采用四元数法求得变换矩阵,从而得到两两粗略配准;
(6)两两粗略配准后,使用ICP算法精确配准两幅深度图像;
所述的多幅深度图像全局匹配过程如下:
(7)根据步骤(6)得到的两两精确配准的两幅深度图像,建立多幅图像的模型图;
(8)求得模型图的导出圈基,建立导出圈基的邻接关系图Г,所述的导出圈基是指没有弦的导出圈构成的基;
(9)搜索圈空间,所述的圈空间为模型图中所有回路的集合,在搜索时只搜索导出圈基的邻接关系图Г中的连通顶点生成的圈,并且得到一个一致圈时,就删掉一个圈基,直到Г所剩余的顶点个数小于要搜索的顶点个数为止,得到多幅图像的全局匹配。
所述步骤(2)中采用双向交叉方法匹配对应点,其步骤为:匹配对应点时,对于第一幅图像上的特征点p,其有一个特征向量,在第二幅深度图像的所有特征向量中找到距离特征点p的特征向量最近的特征点p′,反过来对于p′,在第一幅深度图像的所有特征向量中找到距离特征点p′的特征向量最近的特征点p″,如果p=p″,则p与p′为匹配对应点。
所述的步骤(6)后还要判断两两配准结果是否正确,判断步骤为:首先,在根据SIFT特征匹配对应点时,如果匹配成功的对应点数小于设定阈值,则判定配准不正确;其次,使用ICP算法精确配准时,如果误差过大,大于设定阈值,则判定配准不正确;如果以上两个条件均无法判定配准结果错误,则认为结果正确。
所述步骤(7)中所述的模型图G=<V,E>是一个无向图,V是顶点的集合,E是边的集合,每个顶点vi∈V表示一幅深度图像,每一条边eij=(vi,vj)∈E,当且仅当深度图像vi和vj的两两配准结果Tij存在,并且Tij作为边eij的属性,其中vi和vj是模型图的两个顶点。
所述步骤(8)中的对于得到一个一致圈的判断方法:从圈中任取一幅深度图像,求得它的直径d,将该深度图像沿着圈中的两两变换变换一周,得到一幅新的深度图像,计算新的深度图像和初始深度图像对应点之间的误差e,将e/d作为圈的误差,如果圈的误差小于设定阈值圈就是一致的,否则,是不一致的。
本发明与现有技术相比的优点在于:
(1)本发明基于SIFT的特征配准计算速度快,交叉匹配对应点可靠性高,用RANSAC算法过滤对应点,最大程度提高了对应点的可靠性。
(2)本发明建立多幅图像的模型图,求得模型图的导出圈基,建立导出圈基的邻接关系图Г,在搜索圈空间时只搜索导出圈基的邻接关系图Г中的连通顶点生成的圈,并且得到一个一致圈时,就删掉一个圈基,直到Г所剩余的顶点个数小于要搜索的顶点个数为止,得到多幅图像的全局匹配,大大提高了搜索速度,从而快速可靠地得到多幅图像全局一致的配准结果。
(3)而且本发明通过圈的一致性判断,进一步提高了多幅图像的可靠性。
附图说明
图1为本发明方法的流程图;
图2为本发明中建立模型图的示意图;
图3为本发明中采用64个圈的误差分布图;
图4为图3的局部放大图;
图5为采用本发明方法进行自动配准的弥勒下生经变相窟图。
具体实施方式
如图1所示,本发明分为两幅深度图像配准和多幅深度图像全局匹配过程。
1、两幅深度图像配准
两幅深度图像粗略配准是对处在任意位置的部分重叠的两幅深度图像粗略配准的过程。目的是为精确配准提供较好的初始位置,以确保其收敛。由于深度图像中包含颜色信息,因此本发明采用图像对应点匹配方法进行配准,其步骤为:
(1)首先,分别在两幅图像上计算SIFT特征,每个特征点对应一个128维特征向量,采用欧氏距离度量两个SIFT特征之间的距离;在此步骤中计算SIFT特征采用Lowe,D.Distinctive image features from scale-invariant keypoints.Int.J.of Computer Vision 60,2,91-110.2004.文中介绍了方法即可。
(2)采用双向交叉匹配对应点,即匹配对应点时,对于第一幅图像上的特征点p,其有一个特征向量,在第二幅深度图像的所有特征向量中找到距离特征点p的特征向量最近的特征点p′,反过来对于p′,在第一幅深度图像的所有特征向量中找到距离特征点p′的特征向量最近的特征点p″,如果p=p″,则p与p′为匹配对应点。
(3)匹配之后,采用RANSAC算法求解基础矩阵,以剔除误差点,采用RANSAC算法求解基础矩阵可以参见Hartley,R.I.,AND ZISSERMAN,A.2004.Multiple View Geometry inComputer Vision.Cambridge University Press,Cambridge,UK。
(4)然后,将对应点按SIFT特征距离排序,去掉距离最大的20%的对应点。
(5)最后,根据对应点使用四元数法求得变换矩阵,使用四元数法的求解变换矩阵的过程可以参见Horn,B.Closed Form Solutions of Absolute Orientation Using Unit Quaternions.Journal of the Optical Society,Vol.4,629-642,1987。
(6)两两粗略配准后,使用ICP(Iterative Closest Point)算法精确配准两幅深度图像。ICP算法参见P.J.Besl,N.D.McKay.A Method for Registration of 3D Shapes.IEEE Trans.Pattern Anal[J].and Machine Intell.Vol.14,pp.239-256,1992.,每次迭代根据误差动态修改距离阈值,这样得到了两幅深度图像精确的配准的结果。
(7)对两幅深度图像精确的配准的结果进行两两配准的一致性判断。特征点匹配错误或两幅深度图像没有部分重叠,都可能造成两两配准结果错误。因此要两两配准是要判断其结果是否正确,判断步骤为:首先,在根据SIFT特征匹配对应点时,如果匹配成功的对应点数小于设定阈值,则判定配准不正确;其次,使用ICP算法精确配准时,如果误差过大,大于设定阈值,则判定配准不正确。如果以上两个条件均无法判定配准结果错误,则认为结果正确,并且将两两配准结果加入到后面多幅图像全局匹配的模型图中。
2、多幅深度图像全局匹配
(1)根据得到的两两精确配准的两幅深度图像,建立多幅图像的模型图;
两两配准之后,得到模型图G,但仅仅依靠两两配准的一致性判断得到的结果是不可靠的,例如由于模型的自对称性,造成配准错误,但通过两两配准难以判断出来。因此,两两配准之后,要进行全局一致性判断。由于模型图G的任意回路都应满足一致性约束,否则就是不正确的,这样在一条回路中的配准结果可以自我校验,本发明提出基于回路的全局匹配方法。
模型图G=<V,E>是一个无向图,每个顶点vi∈V表示一幅深度图像,边eij=(vi,vj)∈E当且仅当深度图像vi和vj的两两配准结果Tij存在,并且Tij作为边eij的属性。值得注意的是,任何一条回路都要满足一致性约束,即总的变换应为单位变换。如图2,在回路16521中,应满足T12·T25·T56·T61=I。一条回路如果满足一致性约束,则称为一致回路,否则称为不一致。
(2)求得模型图的导出圈基,建立导出圈基的邻接关系图Г;
先简单介绍有关图、圈和圈空间的概念。一个图G=<V,E>,其中V=v(G)表示顶点集合,E=ε(G)表示边的集合。每个顶点出现不超过一次的通路称为基本通路(Path)。起点和终点为同一顶点的基本通路称为圈(Cycle)。一条边连接一个圈中的两个顶点,但它并不是圈中的边,称为弦(Chord)。一个没有弦的圈称为导出圈(Induced Cycle)。如果图G1和G2没有公共边,则 称为图G1和G2的边不重并。环路是指圈与圈的边不重并。显然圈是环路,圈是连通的,但环路不一定连通。图G1和G2的对称差(Symmetric Difference)运算定义为 对称差运算满***换律和结合律。
连通图G=<V,E>的所有环路及空集组成的集合为C={C1,C2…,Cn),在其上定义对称差运算与数乘运算0Ci=Φ,1·Ci=Ci,则其构成数域上的一个|E|-|V|+1维线性空间,记作C(G),称为圈空间(Cycle Space)。任何圈空间都可以由导出圈基以生成整个圈空间。
(3)搜索圈空间;
设模型图G的导出圈基为整个圈空间C(G)由张成,因此C(G)的大小为2|E|-|V|+1,是指数复杂度,搜索效率太低。模型图中所有一致圈构成了一个线性子空间,称为一致子空间。本发明提出一种快速求得一致子空间的一组基的方法,大大提高了圈空间的搜索效率,理想情况下是线性复时间杂度。
注意到如果两个圈的对称差仍为圈,那么这两个圈必有公共边。为了加速搜索,首先定义圈基的邻接关系图边(Bi,Bj)∈L当且仅当ε(Bi)⌒ε(Bj)≠Φ。因此有以下结论:设 如果C是圈,那么在中是连通的。注意由Г中连通的顶点所对应的圈基生成的环路也可能不是圈,因此还要检验其是不是圈。这样在搜索圈空间时,只要搜索由任意多个连通的基生成的所有圈,判断它们的一致性,这样可以大大减少搜索次数。
在搜索一致圈时,首先根据两两配准的模型图G求出导出圈基并且生成的邻接关系图采用导出圈基是因为它的长度较小,因而一致的可能性较大,有助于提高搜索效率。然后求S(G)的一组基,首先,判断每个圈C=Bi是否一致,如果一致,则将C加入到S(G)的基中,并从Г中删除Bi;然后判断由任何两个连通的圈基生成的圈 是否一致,如果一致,将C加入到S(G)的基中,并从Г中删除Bi;然后判断由任何三个连通的圈基生成的圈,这样下去,直到Г中剩余的顶点小于要搜索的连通顶点个数为止。然后,将所有一致圈的边合并得到一致模型图G′,详细算法在算法1中给出。该算法在最好情况下是线性复杂度,与指数复杂度相比,大大提高了计算效率。如果G′只有一个连通子图,则全局配准计算完成。如果G′有多个连通子图,则连通子图之间不再存在一致回路,本发明采用基于可见性的判断方法——自由空问冲突(Free Space Violation)继续全局配准[Huber 2002],生成连通子图之间的最小生成树,以合并更多的子图。因为一般情况下,每个连通子图都含有多幅深度图像,所以,相对于单幅图像而言,可见性判断具有更高的可靠性。
算法1: |
输入:两两配准的模型图G输出:全局一致的模型图G’Procedure求出G的导出圈基B建立B的邻接关系图Г<B,L>consistent_cycle←ΦN←1while Г中顶点数>=Nfor each Г中N个连通顶点生成的圈Cif C一致then将C***到consistent_cycle中删除这N个顶点中的一个IfГ中顶点数<Nthenbreakend ifend ifend forN←N+1end whileG’←Φ将G中的顶点加到G’中将consistent_cycle中所有圈的所有边加到G’中 |
(4)圈的一致性判断;
求得一个圈之后,要判断其是否一致。一个圈是一致的,是指圈中的总的两两变换近似单位变换。设圈C=V1V2…VnV1,任取一幅深度图像Vi,求得Vi到Vi回路中总变换T=Ti,i+1…Tn,1…Ti-1,i,Ti,j表示Vj到Vi的变换矩阵。计算圈中总的变换误差为 其中pk∈Vi为深度图像Vi中的点,n表示Vi中点的个数。
设深度图像Vi的包围球直径为d。如果ε<<d,那么圈C是一致的,否则圈C是不一致的。定义r=ε/d为圈中的误差,r是缩放不变的,这样它与深度图像的缩放变换无关。如果r小于设定阈值圈就是一致的,否则,是不一致的。
(5)试验结果;
圈的一致性判断时,每个回路的误差分布如图3、4所示,可以看出误差分布在0.03和0.3之间存在明显断裂,因此,本发明设定判断一致圈的误差阈值为0.03。
如图5所示,大足石刻弥勒下生经变相窟模型共有81幅深度图像,包含22477248个点,平均每幅深度图像约27.7万个点。采用同上的参数设定,共进行了3240次两两配准后,得到模型图包含217条边,因此圈空间的维数为137。搜索圈空间时,共搜索了140个圈后完成搜索,得到124个一致圈,即一致子空间为124维,得到的一致模型图包含184条边且已经连通,搜索圈空间用时42.5秒。整个配准计算用时约35分钟,可见绝大部分时间都用于两两配准,最后得到的完整模型。
总之,本发明可以可靠的自动配准多幅深度图像,通过搜索一致圈,去掉错误配准,得到一致的配准结果。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式,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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1、多幅深度图像自动配准方法,两幅深度图像配准和多幅深度图像全局匹配过程,其特征在于步骤如下:
所述的两幅深度图像配准如下:
(1)在两幅图像上分别计算SIFT特征,得到每个特征点对应一个128维特征向量;
(2)根据步骤(1)所述的特征向量,匹配对应点;
(3)确定匹配对应点之后,采用RANSAC算法求解基础矩阵,然后采用基础矩阵剔除匹配错误的对应点;
(4)将剔除匹配错误后的对应点按SIFT特征距离排序,去掉两幅图像的特征向量之间距离最大的20%的对应点;
(5)根据两幅图像的对应点采用四元数法求得变换矩阵,从而得到两两粗略配准;
(6)两两粗略配准后,使用ICP算法精确配准两幅深度图像;
所述的多幅深度图像全局匹配过程如下:
(7)根据步骤(6)得到的两两精确配准的两幅深度图像,建立多幅图像的模型图;
(8)求得模型图的导出圈基,建立导出圈基的邻接关系图Γ,所述的导出圈基是指没有弦的导出圈构成的基;
(9)搜索圈空间,所述的圈空间为模型图中所有回路的集合,在搜索时只搜索导出圈基的邻接关系图Γ中的连通顶点生成的圈,并且得到一个一致圈时,就删掉一个圈基,直到Γ所剩余的顶点个数小于要搜索的顶点个数为止,得到多幅图像的全局匹配。
2、根据权利要求1所述多幅深度图像自动配准方法,其特征在于:所述步骤(2)中采用双向交叉方法匹配对应点,其步骤为:匹配对应点时,对于第一幅图像上的特征点p,其有一个特征向量,在第二幅深度图像的所有特征向量中找到距离特征点p的特征向量最近的特征点p′,反过来对于p′,在第一幅深度图像的所有特征向量中找到距离特征点p′的特征向量最近的特征点p″,如果p=p″,则p与p′为匹配对应点。
3、根据权利要求1所述多幅深度图像自动配准方法,其特征在于:所述的步骤(6)后还要判断两两配准结果是否正确,判断步骤为:首先,在根据SIFT特征匹配对应点时,如果匹配成功的对应点数小于设定阈值,则判定配准不正确;其次,使用ICP算法精确配准时,如果误差过大,大于设定阈值,则判定配准不正确;如果以上两个条件均无法判定配准结果错误,则认为结果正确。
4、根据权利要求1所述多幅深度图像自动配准方法,其特征在于:所述步骤(7)中所述的模型图G=<V,E>是一个无向图,V是顶点的集合,E是边的集合,每个顶点vi∈V表示一幅深度图像,每一条边eij=(vi,vj)∈E,当且仅当深度图像vi和vj的两两配准结果Tij存在,并且Tij作为边eij的属性,其中vi和vj是模型图的两个顶点。
5、根据权利要求1所述多幅深度图像自动配准方法,其特征在于:所述步骤(8)中的对于得到一个一致圈的判断方法:从圈中任取一幅深度图像,求得它的直径d,将该深度图像沿着圈中的两两变换变换一周,得到一幅新的深度图像,计算新的深度图像和初始深度图像对应点之间的误差e,将e/d作为圈的误差,如果圈的误差小于设定阈值圈就是一致的,否则,是不一致的。
6、根据权利要求1所述多幅深度图像自动配准方法,其特征在于:所述步骤(9)中搜索圈空间的方法如下:
输入:两两配准的模型图G
输出:全局一致的模型图G’
Procedure
求出G的导出圈基B
建立B的邻接关系图Г<B,L>
consistent_cycle←Φ
N←1
while Γ中顶点数>=N
for each Γ中N个连通顶点生成的圈C
ifC一致then
将C***到consistent_cycle中
删除这N个顶点中的一个
IfΓ中顶点数<N then
break
end if
end if
end for
N←N+1
end while
G’←Φ
将G中的顶点加到G’中
将consistent_cycle中所有圈的所有边加到G’中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102220956A CN101350101B (zh) | 2008-09-09 | 2008-09-09 | 多幅深度图像自动配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102220956A CN101350101B (zh) | 2008-09-09 | 2008-09-09 | 多幅深度图像自动配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101350101A true CN101350101A (zh) | 2009-01-21 |
CN101350101B CN101350101B (zh) | 2011-12-07 |
Family
ID=40268880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102220956A Expired - Fee Related CN101350101B (zh) | 2008-09-09 | 2008-09-09 | 多幅深度图像自动配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101350101B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894272A (zh) * | 2010-08-10 | 2010-11-24 | 福州展旭电子有限公司 | 两凝胶图像间的蛋白质点自动匹配方法 |
CN102034267A (zh) * | 2010-11-30 | 2011-04-27 | 中国科学院自动化研究所 | 基于关注度的目标物三维重建方法 |
CN102034274A (zh) * | 2010-12-10 | 2011-04-27 | 中国人民解放军国防科学技术大学 | 3d点云序列中帧与帧之间对应关系的计算方法 |
CN102065313A (zh) * | 2010-11-16 | 2011-05-18 | 上海大学 | 平行式相机阵列的未标定多视点图像校正方法 |
CN102208033A (zh) * | 2011-07-05 | 2011-10-05 | 北京航空航天大学 | 基于数据聚类的鲁棒sift特征匹配方法 |
CN101697232B (zh) * | 2009-09-18 | 2012-03-07 | 浙江大学 | 面向近重复图像匹配的sift特征裁减方法 |
CN102496183A (zh) * | 2011-11-03 | 2012-06-13 | 北京航空航天大学 | 基于互联网照片集的多视角立体重构方法 |
CN101807297B (zh) * | 2009-02-16 | 2012-07-25 | 海信集团有限公司 | 医学超声图像直线检测方法 |
CN101567051B (zh) * | 2009-06-03 | 2012-08-22 | 复旦大学 | 一种基于特征点的图像配准方法 |
CN103065329A (zh) * | 2013-01-15 | 2013-04-24 | 西北工业大学 | 一种空间绳系机器人相机自运动检测与补偿方法 |
CN103065311A (zh) * | 2012-12-26 | 2013-04-24 | 中国土地勘测规划院 | 基于基准影像库的卫星影像自动配准方法 |
CN101989352B (zh) * | 2009-08-06 | 2013-05-01 | 宋智礼 | 基于改进的sift算法与李萨如图轨迹的图像配准方法 |
CN103247040A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于分层拓扑结构的多机器人***地图拼接方法 |
CN103390273A (zh) * | 2013-07-19 | 2013-11-13 | 哈尔滨工程大学 | 一种基于gps定位辅助的多波束侧扫声纳图像配准方法 |
CN103927742A (zh) * | 2014-03-21 | 2014-07-16 | 北京师范大学 | 基于深度图像的全局自动配准建模方法 |
CN104217209A (zh) * | 2013-06-03 | 2014-12-17 | 核工业北京地质研究院 | 一种遥感图像自动配准点错误匹配消除方法 |
CN104680516A (zh) * | 2015-01-08 | 2015-06-03 | 南京邮电大学 | 一种图像优质特征匹配集的获取方法 |
CN104778463A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于sift和多子图匹配的遥感影像城区提取方法 |
CN105139428A (zh) * | 2015-08-11 | 2015-12-09 | 鲁东大学 | 一种基于四元数的彩色图像surf特征描述方法和*** |
CN105787424A (zh) * | 2014-12-26 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN103927785B (zh) * | 2014-04-22 | 2016-08-24 | 同济大学 | 一种面向近景摄影立体影像数据的特征点匹配方法 |
CN106204530A (zh) * | 2016-06-27 | 2016-12-07 | 西安交通大学 | 基于图像配准的古代西夏文活字印刷术鉴别方法 |
CN106355576A (zh) * | 2016-09-08 | 2017-01-25 | 西安电子科技大学 | 基于mrf图像分割算法的sar图像配准方法 |
US9712808B2 (en) | 2015-01-05 | 2017-07-18 | Boe Technology Group Co., Ltd. | Image acquisition device and image processing method and system |
CN107851303A (zh) * | 2015-07-17 | 2018-03-27 | 皇家飞利浦有限公司 | 组织病理学图像的配准 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
CN110697373A (zh) * | 2019-07-31 | 2020-01-17 | 湖北凯瑞知行智能装备有限公司 | 一种基于图像识别技术的传送皮带跑偏故障检测方法 |
CN117911287A (zh) * | 2024-03-20 | 2024-04-19 | 中国科学院西安光学精密机械研究所 | 一种大幅壁画图像的交互式拼接修复方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2798761B1 (fr) * | 1999-09-17 | 2002-03-29 | Thomson Multimedia Sa | Procede de construction d'un modele de scene 3d par analyse de sequence d'images |
CN100388319C (zh) * | 2006-07-25 | 2008-05-14 | 深圳大学 | 三维主动视觉传感器的多视点姿态估计和自标定方法 |
CN100553347C (zh) * | 2006-10-26 | 2009-10-21 | 上海交通大学 | 立体视觉***的场景深度恢复和三维重建方法 |
-
2008
- 2008-09-09 CN CN2008102220956A patent/CN101350101B/zh not_active Expired - Fee Related
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807297B (zh) * | 2009-02-16 | 2012-07-25 | 海信集团有限公司 | 医学超声图像直线检测方法 |
CN101567051B (zh) * | 2009-06-03 | 2012-08-22 | 复旦大学 | 一种基于特征点的图像配准方法 |
CN101989352B (zh) * | 2009-08-06 | 2013-05-01 | 宋智礼 | 基于改进的sift算法与李萨如图轨迹的图像配准方法 |
CN101697232B (zh) * | 2009-09-18 | 2012-03-07 | 浙江大学 | 面向近重复图像匹配的sift特征裁减方法 |
CN101894272A (zh) * | 2010-08-10 | 2010-11-24 | 福州展旭电子有限公司 | 两凝胶图像间的蛋白质点自动匹配方法 |
CN101894272B (zh) * | 2010-08-10 | 2012-06-20 | 福州展旭电子有限公司 | 两凝胶图像间的蛋白质点自动匹配方法 |
CN102065313B (zh) * | 2010-11-16 | 2012-10-31 | 上海大学 | 平行式相机阵列的未标定多视点图像校正方法 |
CN102065313A (zh) * | 2010-11-16 | 2011-05-18 | 上海大学 | 平行式相机阵列的未标定多视点图像校正方法 |
CN102034267A (zh) * | 2010-11-30 | 2011-04-27 | 中国科学院自动化研究所 | 基于关注度的目标物三维重建方法 |
CN102034274A (zh) * | 2010-12-10 | 2011-04-27 | 中国人民解放军国防科学技术大学 | 3d点云序列中帧与帧之间对应关系的计算方法 |
CN102208033A (zh) * | 2011-07-05 | 2011-10-05 | 北京航空航天大学 | 基于数据聚类的鲁棒sift特征匹配方法 |
CN102496183A (zh) * | 2011-11-03 | 2012-06-13 | 北京航空航天大学 | 基于互联网照片集的多视角立体重构方法 |
CN102496183B (zh) * | 2011-11-03 | 2013-12-25 | 北京航空航天大学 | 基于互联网照片集的多视角立体重构方法 |
CN103065311A (zh) * | 2012-12-26 | 2013-04-24 | 中国土地勘测规划院 | 基于基准影像库的卫星影像自动配准方法 |
CN103065329A (zh) * | 2013-01-15 | 2013-04-24 | 西北工业大学 | 一种空间绳系机器人相机自运动检测与补偿方法 |
CN103065329B (zh) * | 2013-01-15 | 2015-05-06 | 西北工业大学 | 一种空间绳系机器人相机自运动检测与补偿方法 |
CN103247040A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于分层拓扑结构的多机器人***地图拼接方法 |
CN103247040B (zh) * | 2013-05-13 | 2015-11-25 | 北京工业大学 | 基于分层拓扑结构的多机器人***地图拼接方法 |
CN104217209A (zh) * | 2013-06-03 | 2014-12-17 | 核工业北京地质研究院 | 一种遥感图像自动配准点错误匹配消除方法 |
CN104217209B (zh) * | 2013-06-03 | 2017-06-20 | 核工业北京地质研究院 | 一种遥感图像自动配准点错误匹配消除方法 |
CN103390273A (zh) * | 2013-07-19 | 2013-11-13 | 哈尔滨工程大学 | 一种基于gps定位辅助的多波束侧扫声纳图像配准方法 |
CN103390273B (zh) * | 2013-07-19 | 2015-12-02 | 哈尔滨工程大学 | 一种基于gps定位辅助的多波束侧扫声纳图像配准方法 |
CN103927742A (zh) * | 2014-03-21 | 2014-07-16 | 北京师范大学 | 基于深度图像的全局自动配准建模方法 |
CN103927785B (zh) * | 2014-04-22 | 2016-08-24 | 同济大学 | 一种面向近景摄影立体影像数据的特征点匹配方法 |
CN105787424A (zh) * | 2014-12-26 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN105787424B (zh) * | 2014-12-26 | 2019-06-07 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
US9712808B2 (en) | 2015-01-05 | 2017-07-18 | Boe Technology Group Co., Ltd. | Image acquisition device and image processing method and system |
CN104680516B (zh) * | 2015-01-08 | 2017-09-29 | 南京邮电大学 | 一种图像优质特征匹配集的获取方法 |
CN104680516A (zh) * | 2015-01-08 | 2015-06-03 | 南京邮电大学 | 一种图像优质特征匹配集的获取方法 |
CN104778463A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于sift和多子图匹配的遥感影像城区提取方法 |
CN107851303A (zh) * | 2015-07-17 | 2018-03-27 | 皇家飞利浦有限公司 | 组织病理学图像的配准 |
CN105139428A (zh) * | 2015-08-11 | 2015-12-09 | 鲁东大学 | 一种基于四元数的彩色图像surf特征描述方法和*** |
CN105139428B (zh) * | 2015-08-11 | 2018-02-27 | 鲁东大学 | 一种基于四元数的彩色图像surf特征描述方法和*** |
CN106204530A (zh) * | 2016-06-27 | 2016-12-07 | 西安交通大学 | 基于图像配准的古代西夏文活字印刷术鉴别方法 |
CN106355576A (zh) * | 2016-09-08 | 2017-01-25 | 西安电子科技大学 | 基于mrf图像分割算法的sar图像配准方法 |
CN106355576B (zh) * | 2016-09-08 | 2019-05-21 | 西安电子科技大学 | 基于mrf图像分割算法的sar图像配准方法 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
CN110697373A (zh) * | 2019-07-31 | 2020-01-17 | 湖北凯瑞知行智能装备有限公司 | 一种基于图像识别技术的传送皮带跑偏故障检测方法 |
CN117911287A (zh) * | 2024-03-20 | 2024-04-19 | 中国科学院西安光学精密机械研究所 | 一种大幅壁画图像的交互式拼接修复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101350101B (zh) | 2011-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101350101B (zh) | 多幅深度图像自动配准方法 | |
Mian et al. | Three-dimensional model-based object recognition and segmentation in cluttered scenes | |
Guo et al. | View-volume network for semantic scene completion from a single depth image | |
Kwitt et al. | Statistical topological data analysis-a kernel perspective | |
Rothermel et al. | SURE: Photogrammetric surface reconstruction from imagery | |
Tevs et al. | Isometric registration of ambiguous and partial data | |
CN104036480B (zh) | 基于surf算法的快速消除误匹配点方法 | |
Livesu et al. | Reconstructing the curve-skeletons of 3D shapes using the visual hull | |
CN104462163B (zh) | 一种三维模型表征方法、检索方法及检索*** | |
CN105005755A (zh) | 三维人脸识别方法和*** | |
CN104167000B (zh) | 一种仿射不变的宽基线图像密集匹配方法 | |
CN105184786B (zh) | 一种浮点型三角形特征描述方法 | |
Varley et al. | A new algorithm for finding faces in wireframes | |
Yang et al. | Sac-cot: Sample consensus by sampling compatibility triangles in graphs for 3-d point cloud registration | |
Li et al. | GGM-net: Graph geometric moments convolution neural network for point cloud shape classification | |
Wang et al. | Roof plane segmentation from lidar point cloud data using region expansion based l 0 gradient minimization and graph cut | |
Sreevalsan-Nair et al. | Contour extraction in buildings in airborne lidar point clouds using multiscale local geometric descriptors and visual analytics | |
Kustra et al. | Probabilistic view-based 3D curve skeleton computation on the GPU | |
Chum et al. | Homography estimation from correspondences of local elliptical features | |
Cao et al. | Stable image matching for 3D reconstruction in outdoor | |
Biasotti et al. | Quantifying 3D Shape Similarity Using Maps: Recent Trends, Applications and Perspectives. | |
Xu | An algorithm for comparing similarity between two trees | |
CN103093011A (zh) | 基于cad模型的特征识别算法 | |
Sun et al. | Object detection, shape recovery, and 3d modelling by depth-encoded hough voting | |
Gao et al. | Three Dimensional Reconstruction of Watermelon for Multimedia Traceability System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111207 Termination date: 20140909 |
|
EXPY | Termination of patent right or utility model |