CN104599258A - 一种基于各向异性特征描述符的图像拼接方法 - Google Patents
一种基于各向异性特征描述符的图像拼接方法 Download PDFInfo
- Publication number
- CN104599258A CN104599258A CN201410808344.5A CN201410808344A CN104599258A CN 104599258 A CN104599258 A CN 104599258A CN 201410808344 A CN201410808344 A CN 201410808344A CN 104599258 A CN104599258 A CN 104599258A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- sampling
- anisotropic
- unique point
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于各向异性特征描述符的图像拼接方法,适用于拼接多幅具有一定重叠关系的图像。本发明的方法包括如下步骤:A、检测参考图像和待配准图像的特征点,求取特征点的主方向;B、采用各向异性的点对点抽样模型,构成多组二值测试,得到特征描述符;C、采用最近邻方法对特征描述符进行匹配,利用PROSAC方法求取单应性矩阵;D、通过求解误差函数获得光照增益补偿矩阵,利用多波段融合获得过渡自然的全景图。本发明既能够准确地配准不同视角、视点拍摄的图像,获得清晰自然的宽视角的场景图像,又具有简单的复杂度与较快的运行速度,从而为监控***或遥感***提供很好的应用价值。
Description
技术领域
本发明属于图像信息处理的技术领域,本发明是一种基于各向异性特征描述符的图像拼接方法,适用于拼接在不同视角或视点拍摄的多幅具有一定重叠关系的图像。
背景技术
图像拼接已经成为一个日益流行的研究领域,在户外监控***、医学图像分析、遥感图像处理等领域得到了广泛的应用。当使用普通相机来获取宽视野的场景图像时,必须通过调节焦距才可以获得完整的场景,但这样会以损失场景图像的分辨率为代价。而利用价钱昂贵、操作复杂的广角镜头和扫描式相机可以解决视角不足这一问题,但是广角镜头的边缘很容易产生扭曲变形。图像拼接技术是将几路普通图像或视频图像进行无缝拼接,得到更宽视角的场景图像,从而可把普通相机拍摄的多幅不同视角的图片拼接为全景图。图像拼接的目的就是提供一种自动匹配的方法,将具有一定重叠区域的多幅图片合成一副广视角图片,来扩大视区的范围,具有重要的现实意义。
图像获取、图像预处理、图像配准和图像融合这四步是图像拼接的整体流程。其中图像配准是图像拼接的核心部分,其目标是找出几幅重叠图像之间的相对变换关系,直接影响整个***的成功率和运行速度。
基于特征点匹配的图像拼接算法是目前图像拼接算法的研究热门。Harris算法是最早提出的特征点检测模型,该特征具有旋转不变性,对光照和噪声也具有很好的鲁棒性。David G low于2004年提出的尺度不变变换特征的算法对平移、旋转和缩放等操作均有较好的鲁棒性,同时对光照和噪声具有很高的抗干扰性能。
论文名:Automatic Panoramic Image Stitching using Invariant Features,期刊: International Journal of Computer Vision(IJCV),年份:2007年。Brown等人提出了一种基于SIFT特征点匹配的全景图拼接方法,该算法利用Low等人提出的尺度不变特征,通过检测、描述和匹配SIFT特征点进行图像配准,然后利用增益误差函数估算出图像块的光照增益,对光圈或光线影响造成的亮度差问题进行补偿,最后利用多频段融合方法来消除拼接形成的缝合线,达到了较好的拼接效果。但由于SIFT算法运算量庞大,耗时长,导致该算法很难应用到实际的场合。
论文名:ORB:An Efficient Alternative To SIFT or SURF,会议:International Conference on Computer Vision(ICCV),年份:2011年。Ethan等人采用了FAST作为特征点检测算子,提出了一种具有旋转不变性的二值特征描述符。特征点的主方向通过计算矩得到,在特征点附近随机选取若干点对,将点对点灰度值比较的二值测试组合成一个二进制串特征描述子。二值描述符之间的距离利用汉明距离计算。该特征点方法具有较快的速度。但是由于FAST特征点鲁棒性较差,当应用到图像拼接中时,受非重叠区域特征点以及其他外点的影响,匹配正确率急剧下降。而且当图像有变形扭曲时,各向同性的二值描述符匹配性能也受到很大的影响。
针对上述背景内容,研究一种快且有效的特征点配准方法,从而应用到全景图拼接中,具有重要的意义。
发明内容
本发明的目的是为了克服现有图像拼接算法的不足,提供一种基于各向异性特征描述符的图像拼接方法,既能够准确的提取和匹配特征,精确的实现图像配准,从而清晰自然地合并多幅具有一定重叠区域的图像,扩大图像视区的范围,又具有简单的复杂度与较快的运行速度,从而为监控***或遥感***提供很好的应用价值。
本发明提供的技术方案包括如下步骤:
A、检测图像中的特征点,求取特征点的主方向和Hessian阵;
B、采用各向异性的点对点抽样模型,抽取点对构成多组二值测试,最终组成特征描述符;
C、采用最近邻方法对特征描述符进行匹配,利用PROSAC方法去除错误匹配对,求得图像之间单应性变换矩阵;
D、利用重叠区域光照强度误差函数获得光照补偿增益矩阵;消除图片融合的缝合线,利用多波段融合获得过渡自然的全景图;
所述步骤A为:
A1、采用Hessian矩阵行列式近似值图像,构造高斯金字塔尺度空间。图像中某个像素点的Hessian矩阵定义为
其中,Lxx、Lxy、Lyy是选用二阶标准高斯函数作为滤波器,通过特定核间的卷积计算二阶偏导数。Bay等人提出用方框滤波近似代替二阶高斯滤波,用积分图像来加速卷积计算,并通过改变方框的大小形成不同尺度的图像金字塔。每个像素的Hessian矩阵行列式近似公式如下:
Δ(H)=DxxDyy-(0.9Dxy)2 (2)
其中Dxx、Dyy,Dxy分别为方框滤波模板同图像卷积后的二阶偏导近似值。
A2、特征点的搜索是通过在同一组内各相邻层之间比较完成的,在3×3×3的立体领域内进行非极大值抑制,然后在尺度空间中进行亚像素插值运算,得到精确的位置坐标;
A3、为保证特征点的旋转不变性,需计算特征点的主方向,以特征点为中心,统计邻域内点的Haar小波响应。
所述步骤B为:
B1、确定每个特征点的抽样模型,这里采用各向异性的点对点抽样模型。经典的二值描述符ORB、FREAK的抽样模型的定义如下:
Λi=Rθ·Φi, (3)
Φi=[ri cosθi ri sinθi]T
其中Rθ为特征点的主方向,为保证特征点的旋转不变性。ri,θi分别为随机抽样模型Φi中任一点i的半径和角度。当图像出现扭曲变形时,抽样模型必须跟随做出修正。Schmid等人在论文《Scale and Affine Invariant Interest Point Detectors》中证明了特征点附近的仿射模型可以通过与Hessian阵的平方根矩阵相乘得到纠正。
因此,某一特征点的随机抽样模型将被修正为:
Λi′=H-1/2·Rθ·Φi (4)
其中H-1/2为任一特征点的Hessian阵的平方根矩阵的逆。
B2、特征点的二值描述符是由特征点附近的多组点对对比构成,即通过比较两点像素的强度形成一位二值测试,最终由多个二值测试组成二值描述符F: 其中N是描述符的长度,pi,pj表示一个点对,Τ(Λ′;pi,pj)是一位二值测试,其表达形式如下所示
其中I(Λ′,pi)和I(Λ′,pj)为各向异性随机抽样模型Λ′上的随机取样点对pi和pj的强度。
所述步骤C为:
C1、由步骤B获得参考图像I1与待配准图像I2的特征描述符后,进行特性匹配,对于二值描述符,Hamming距离是一个理想的相似度测量工具。采用最近邻匹配法,对I1中任一个特征点n1i,I1中与之汉明距离最小的两个特征点分别为n2j、n2j′,(对应距离为dij、dij′),如果dij≤a*dij′,则认为是匹配的点对。
C2、估算图像间的变换关系,采用的变换模型为单应性矩阵,它符合平面目标 在不同视点或视角成像的变换关系。变换关系如下:
其中(xi,yi),(xi′,yi′)分别为图像和待配准图像上匹配点对的坐标。这里采用PROSAC(progressive sample consensus)算法来去除误匹配点,求取变换矩阵。
所述步骤D为:
D1、将图像进行分块,并且求出任意两块图像的重叠区域的平均光强,其数学表达式为:
式中,N(i,j)为图像块i与图像块j相交区域的像素总数目,R、G、B为图像块i在相交区域任一点R、G、B三通道的像素值。建立误差函数如下:
式中,gi为某一图像块的光照增益系数。δN和δg分别为亮度和增益系数的标准差。
D2、根据步骤D1,将对应区域乘以gi进行增益补偿。然后设定层数Nbands,对每幅图像构建金字塔。具体流程如下:首先调整图像的宽和高,使之可被除尽,这样才能下采样Nbands次,然后再由最底部的图像上采样Nbands次。把对应层上采样和下采样的差放入金子塔相应层中。最后将各层金字塔叠加,得到完整的全景图。
本发明的有益效果:
(1)采用各向异性的特征描述符,对特征点处的点对点抽样模型进行合理正确的修正,在图片有扭曲变形的恶劣情况下,依然具备较好的描述和匹配性能。与FREAK、ORB等算法相比,本发明可以计算出准确的单应性变换矩阵。另外由于 各向异性的特征描述符是二值描述符,具备二值描述符计算快速、匹配算法复杂度低的优点。与SIFT、SURF等算法相比,本发明具有更快的速度。在实时性***中具有很好的实际应用价值。
(2)增加了光照补偿和多波段融合的方法,在下采样的情况下计算增益矩阵,该方法不仅计算快速而且非常有效,与加权平均的图像融合方法相比,图像交叉区域过渡自然,保留了更多的细节。
附图说明
图1为一种基于各向异性特征描述符的拼接流程示意图。
图2为计算特征点描述符的流程示意图。
图3为计算特征点描述符的点对点抽样模型。其中(a)和(b)分别为FREAK抽样模型和本发明采用的各向异性采样模型。
图4为PROSAC方法计算单应性矩阵的流程示意图。
图5为两幅待拼接图像及三种拼接方法的处理结果。
其中,(a)和(b)为参考图像和待配准图像;(c)和(d)检测的特征点;(e)为加权融合方法的拼接结果;(f)为本发明对(a)和(b)的拼接结果。
具体实施方式
下面结合具体实施例和附图详细阐述本发明。
A、检测参考图像和待配准图像(见附图5(a)、5(b)所示)的特征点,并计算特征点的主方向。
A1、对参考图像和待配准图像先做灰度化处理,采用Hessian矩阵行列式的近似值图像,构造高斯金子塔空间。具体操作见公式(1)(2)。
A2、在同一组内各相邻层3×3×3的空间邻域内搜索特征点,在尺度空间中进行亚像插值运算,得到特征点的准确位置坐标。
A3、以特征点为中心、6δ为半径做圆,计算圆形区域上任一点在x和y方向 上大小为4δ的Haar小波响应,其中δ为特征点所在尺度空间的尺度。最后以60°范围作为一个区域,遍历一周得到6个扇形区域,每个区域的响应相加得到新的矢量,把具有最大模值的矢量方向作为该特征点的主方向。由此求得的两幅图的特征点(部分特征点见附图5(c)(d))。
B、采用各向异性的抽样模型抽取点对构成二值描述符,方法的流程示意图见附图2所示:
B1、这里采用FREAK方法的7层Retina抽样模型(见图3(a)),按照公式(4)修正Retina抽样模型得到各向异性的抽样模型(示例见图3(b))。
B2、按照步骤B1求取的各向异性的点对点抽样模型,形成N组二值测试,最终组成二值描述符F。这里N取值为128,即二值描述符F的维数为128。
C、利用最近邻方法对特征描述符进行匹配,然后采用PROSAC方法去除误匹配点对,求出单应性矩阵。
C1、按照公式dij≤a*dij′,比较I1中任一特征描述符与I1中距离最小和次最小的汉明距离,实验中取a*=0.7,满足则认为是匹配的点对。
C2、采用PROSAC方法去除误匹配对,方法的流程示意图见附图4所示。由此求得的图1(a)与图1(b)的单应性矩阵为:
D、采用光照增益补偿和多波段融合获得清晰而且过渡自然的全景图。
D1、将图像进行分块,在具体实施中,为了对算法加速,首先对图像下采样,将图像下采样到总像素面积S的尺度上,由大量实验经验值选取S为105。将图像分成32×32的图像块,按照公式(7)计算平均光强,最后按照公式(8)求解误差函数。具体实施中,分别选取δN和δg为10和0.1。
D2、利用步骤D1求得的增益矩阵对图像进行增益补偿,然后对每幅图像构建 金字塔,设置金子塔层数为5。调整图像的宽和高,使其可被32整除。将图像下采样5次,然后由最底部的图像上采样5次,将对应层上采样和下采样的差放入金字塔中,将各层金字塔叠加,得到最终的全景图。实施步骤D1和D2前后的对比效果见附图5(e)和5(f)。
经过上述步骤,图5(f)为本发明对不同视角图像5(a)和5(b)的拼接结果。
上述实施例的实施平台为Windows 7(64位)操作***、处理器主频为3.2GHz、***内存4G的PC上,Microsoft Visual C++2010软件。图5(f)使用sift特征点配准与使用本发明各向异性特征描述符配准的两种方法对图5(a)和图5(b)的拼接结果。
对于图像大小为1000×562的图5(a)和5(b),本发明的图像配准处理时间为0.279s,而sift与surf的图像配准处理时间分别为2.83s和0.86s。
本发明若移植于FPGA硬件平台,采取并行运算,则可进一步加速。
Claims (1)
1.一种基于各向异性特征描述符的图像拼接方法,其特征在于以下步骤:
A、检测参考图像和待配准图像的特征点,计算特征点的主方向和Hessian阵;
(1)对图像进行下采样初始化处理,将图像下采样到总像素面积0.6×106的尺度上;然后对图像做灰度化处理,采用Hessian矩阵行列式的近似值图像构造高斯金字塔空间,表达式为:Δ(H)=DxxDyy-(0.9Dxy)2;用积分图像来加速卷积计算;
(2)在同一组内各相邻层3×3×3的立体领域内搜索候选特征点;并在尺度空间上进行亚像素插值得到精确的位置坐标;
(3)以特征点为中心,计算半径6s邻域内的点的Haar小波响应;以60度范围作为一个区域,遍历一周得到6个扇形区域,每个区域的响应相加得到新的矢量,把具有最大模值的矢量方向作为该特征点的主方向;
B、采用各向异性的点对点抽样模型构造二值测试对,组成多维特征描述符;具体步骤如下:
(1)采用FREAK的7层Retina抽样模型,计算每个特征点i的Hessian矩阵和主方向,修正FREAK抽样模型,其表达式为:Λi′=H-1/2·Rθ·Φi,式中Rθ为特征点的主方向,H-1/2为任一特征点的Hessian阵的平方根矩阵的逆;通过上述公式,将FREAK模型Λi=Rθ·Φi修正为各向异性的抽样模型Λi′,在图像出现扭曲变形的恶劣情况下,该描述符依然具备很好的描述性能;
(2)在抽样模型Λi′上随机抽样一组点对,比较两点像素的强度值形成一位二值测试,其表达式为: 式中I(Λ′,pi)和I(Λ′,pj)为抽样模型Λ′上的随机取样点对pi和pj的强度;最终由512个二值测试组成二值描述符F:
C、采用最近邻方法对特征描述符进行匹配,采用PROSAC去除误匹配对,求取单应性矩阵;
(1)比较图像I1中任一特征描述符与图像I2中汉明距离最小和次最小的描述符,按照公式dij≤a*dij′,实验中取a*=0.7,满足则认为是匹配的点对;
(2)采用PROSAC去除误匹配对,首先按照最小与次最小汉明距离比a*将匹配数据排序,设置最大迭代次数和内外点的误差门限,在前n-1个数据中抽取m-1个数据和第n个数据组成样本计算单应性矩阵,内点个数大于设定的阈值则迭代结束,否则继续迭代,在前n个数据中抽取m-1个数据和第n+1个数据组成样本计算单应性矩阵和内点个数,直至满足内点个数大于设定阈值或者迭代次数超过阈值为止;
D、采用光照增益补偿和多波段融合获得清晰而且过渡自然的全景图;具体步骤如下:
(1)将图像下采样到总像素面积为0.1×106的尺度上,将图像分成32×32的图像块,计算平均强度,其表达式为:式中N(i,j)为图像块i与图像块j相交区域的像素总数目;建立误差函数表达式为: 式中gi为图像块i的光照增益系数;δN和δg分别为亮度和增益系数的标准差分别取10和0.1;
(2)求取的增益矩阵对参考图像和待配准图像进行增益补偿,然后进行多波段融合,具体流程如下,建立拉普拉斯金子塔,设定层数为5;首先调整图像的宽和高,使其可被32整除,向下采样5次,然后由最底部的图像向上采样5次,将对应层上下采样的差放入金字塔中;最后将5层金字塔叠加,得到最终的全景图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410808344.5A CN104599258B (zh) | 2014-12-23 | 2014-12-23 | 一种基于各向异性特征描述符的图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410808344.5A CN104599258B (zh) | 2014-12-23 | 2014-12-23 | 一种基于各向异性特征描述符的图像拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104599258A true CN104599258A (zh) | 2015-05-06 |
CN104599258B CN104599258B (zh) | 2017-09-08 |
Family
ID=53125008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410808344.5A Active CN104599258B (zh) | 2014-12-23 | 2014-12-23 | 一种基于各向异性特征描述符的图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104599258B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205781A (zh) * | 2015-08-24 | 2015-12-30 | 电子科技大学 | 输电线路航拍图像拼接方法 |
CN105245841A (zh) * | 2015-10-08 | 2016-01-13 | 北京工业大学 | 一种基于cuda的全景视频监控*** |
CN105374010A (zh) * | 2015-09-22 | 2016-03-02 | 江苏省电力公司常州供电公司 | 全景图像的生成方法 |
CN105809626A (zh) * | 2016-03-08 | 2016-07-27 | 长春理工大学 | 一种自适应光线补偿的视频图像拼接方法 |
CN105931185A (zh) * | 2016-04-20 | 2016-09-07 | 中国矿业大学 | 一种多视角图像自动拼接方法 |
CN106454152A (zh) * | 2016-12-02 | 2017-02-22 | 北京东土军悦科技有限公司 | 视频图像拼接方法、装置和*** |
CN107040783A (zh) * | 2015-10-22 | 2017-08-11 | 联发科技股份有限公司 | 视频编码***的非拼接图片的视频编码、解码方法及装置 |
CN108154526A (zh) * | 2016-12-06 | 2018-06-12 | 奥多比公司 | 突发模式图像的图像对准 |
CN109376744A (zh) * | 2018-10-17 | 2019-02-22 | 中国矿业大学 | 一种surf和orb相结合的图像特征匹配方法及装置 |
WO2019184719A1 (zh) * | 2018-03-29 | 2019-10-03 | 青岛海信移动通信技术股份有限公司 | 一种拍照的方法和装置 |
CN111369495A (zh) * | 2020-02-17 | 2020-07-03 | 珀乐(北京)信息科技有限公司 | 一种基于视频的全景图像的变化检测方法 |
CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理*** |
CN111784576A (zh) * | 2020-06-11 | 2020-10-16 | 长安大学 | 一种基于改进orb特征算法的图像拼接方法 |
CN113496505A (zh) * | 2020-04-03 | 2021-10-12 | 广州极飞科技股份有限公司 | 图像配准方法、装置、多光谱相机、无人设备及存储介质 |
CN113689332A (zh) * | 2021-08-23 | 2021-11-23 | 河北工业大学 | 高度重复特征场景下高鲁棒性的图像拼接方法 |
Citations (4)
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 |
CN102867298A (zh) * | 2012-09-11 | 2013-01-09 | 浙江大学 | 一种基于人眼视觉特性的遥感图像拼接方法 |
US20130301931A1 (en) * | 2009-12-28 | 2013-11-14 | Picscout (Israel) Ltd. | Robust and efficient image identification |
CN103516995A (zh) * | 2012-06-19 | 2014-01-15 | 中南大学 | 一种基于orb特征的实时全景视频拼接方法和装置 |
-
2014
- 2014-12-23 CN CN201410808344.5A patent/CN104599258B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130301931A1 (en) * | 2009-12-28 | 2013-11-14 | Picscout (Israel) Ltd. | Robust and efficient image identification |
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 |
CN103516995A (zh) * | 2012-06-19 | 2014-01-15 | 中南大学 | 一种基于orb特征的实时全景视频拼接方法和装置 |
CN102867298A (zh) * | 2012-09-11 | 2013-01-09 | 浙江大学 | 一种基于人眼视觉特性的遥感图像拼接方法 |
Non-Patent Citations (2)
Title |
---|
ETHAN RUBLEE 等: "ORB: an efficient alternative to SIFT or SURF", 《IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
蔡丽欣 等: "图像拼接方法及其关键技术研究", 《计算机技术与发展》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205781B (zh) * | 2015-08-24 | 2018-02-02 | 电子科技大学 | 输电线路航拍图像拼接方法 |
CN105205781A (zh) * | 2015-08-24 | 2015-12-30 | 电子科技大学 | 输电线路航拍图像拼接方法 |
CN105374010A (zh) * | 2015-09-22 | 2016-03-02 | 江苏省电力公司常州供电公司 | 全景图像的生成方法 |
CN105245841A (zh) * | 2015-10-08 | 2016-01-13 | 北京工业大学 | 一种基于cuda的全景视频监控*** |
CN105245841B (zh) * | 2015-10-08 | 2018-10-09 | 北京工业大学 | 一种基于cuda的全景视频监控*** |
CN107040783A (zh) * | 2015-10-22 | 2017-08-11 | 联发科技股份有限公司 | 视频编码***的非拼接图片的视频编码、解码方法及装置 |
CN105809626A (zh) * | 2016-03-08 | 2016-07-27 | 长春理工大学 | 一种自适应光线补偿的视频图像拼接方法 |
CN105931185A (zh) * | 2016-04-20 | 2016-09-07 | 中国矿业大学 | 一种多视角图像自动拼接方法 |
CN106454152A (zh) * | 2016-12-02 | 2017-02-22 | 北京东土军悦科技有限公司 | 视频图像拼接方法、装置和*** |
CN106454152B (zh) * | 2016-12-02 | 2019-07-12 | 北京东土军悦科技有限公司 | 视频图像拼接方法、装置和*** |
CN108154526B (zh) * | 2016-12-06 | 2023-09-22 | 奥多比公司 | 突发模式图像的图像对准 |
CN108154526A (zh) * | 2016-12-06 | 2018-06-12 | 奥多比公司 | 突发模式图像的图像对准 |
WO2019184719A1 (zh) * | 2018-03-29 | 2019-10-03 | 青岛海信移动通信技术股份有限公司 | 一种拍照的方法和装置 |
CN109376744A (zh) * | 2018-10-17 | 2019-02-22 | 中国矿业大学 | 一种surf和orb相结合的图像特征匹配方法及装置 |
CN111369495A (zh) * | 2020-02-17 | 2020-07-03 | 珀乐(北京)信息科技有限公司 | 一种基于视频的全景图像的变化检测方法 |
CN113496505A (zh) * | 2020-04-03 | 2021-10-12 | 广州极飞科技股份有限公司 | 图像配准方法、装置、多光谱相机、无人设备及存储介质 |
CN113496505B (zh) * | 2020-04-03 | 2022-11-08 | 广州极飞科技股份有限公司 | 图像配准方法、装置、多光谱相机、无人设备及存储介质 |
CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理*** |
CN111695858B (zh) * | 2020-06-09 | 2022-05-31 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理*** |
CN111784576A (zh) * | 2020-06-11 | 2020-10-16 | 长安大学 | 一种基于改进orb特征算法的图像拼接方法 |
CN111784576B (zh) * | 2020-06-11 | 2024-05-28 | 上海研视信息科技有限公司 | 一种基于改进orb特征算法的图像拼接方法 |
CN113689332A (zh) * | 2021-08-23 | 2021-11-23 | 河北工业大学 | 高度重复特征场景下高鲁棒性的图像拼接方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104599258B (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104599258A (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
Hu et al. | Revisiting single image depth estimation: Toward higher resolution maps with accurate object boundaries | |
Ye et al. | Robust registration of multimodal remote sensing images based on structural similarity | |
CN105245841B (zh) | 一种基于cuda的全景视频监控*** | |
CN103310453B (zh) | 一种基于子图像角点特征的快速图像配准方法 | |
CN111080529A (zh) | 一种加强鲁棒性的无人机航拍图像拼接方法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN102507592B (zh) | 表面缺陷仿蝇视觉在线检测装置及检测方法 | |
CN105957007A (zh) | 基于特征点平面相似度的图像拼接方法 | |
CN104134200B (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
CN106940876A (zh) | 一种基于surf的快速无人机航拍图像拼接算法 | |
CN103914847A (zh) | 基于相位一致性和sift的sar图像配准方法 | |
CN108765476A (zh) | 一种偏振图像配准方法 | |
CN103793894A (zh) | 基于云模型元胞自动机角点检测的变电站遥视图像拼接方法 | |
CN103955888A (zh) | 一种基于sift的高清视频图像拼接方法及装置 | |
CN107154017A (zh) | 一种基于sift特征点匹配的图像拼接方法 | |
Misra et al. | Feature based remote sensing image registration techniques: a comprehensive and comparative review | |
CN109658366A (zh) | 基于改进ransac和动态融合的实时视频拼接方法 | |
CN107967477A (zh) | 一种改进的sift特征联合匹配方法 | |
Ji et al. | An evaluation of conventional and deep learning‐based image‐matching methods on diverse datasets | |
Lati et al. | Robust aerial image mosaicing algorithm based on fuzzy outliers rejection | |
Zhang et al. | Optical and SAR image dense registration using a robust deep optical flow framework | |
Li | Stereo vision and Lidar based dynamic occupancy grid mapping: Application to scenes analysis for intelligent vehicles | |
Sun et al. | Small-target ship detection in SAR images based on densely connected deep neural network with attention in complex scenes | |
CN104700359A (zh) | 像平面不同极轴方向图像序列进行超分辨率重建的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |