CN106023187B - 一种基于sift特征和角度相对距离的图像配准方法 - Google Patents
一种基于sift特征和角度相对距离的图像配准方法 Download PDFInfo
- Publication number
- CN106023187B CN106023187B CN201610325590.4A CN201610325590A CN106023187B CN 106023187 B CN106023187 B CN 106023187B CN 201610325590 A CN201610325590 A CN 201610325590A CN 106023187 B CN106023187 B CN 106023187B
- Authority
- CN
- China
- Prior art keywords
- angle
- characteristic point
- image
- registration
- matrix
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于SIFT(scale invariant feature transform)特征和角度相对距离的图像配准算法。技术特征在于:首先使用SIFT特征点提取算法提取参考图像和待配准图像中的特征点和特征点描述子。然后通过特征点之间的欧式距离得到图像特征点之间的粗匹配结果,并以上述粗匹配结果为输入,通过计算特征点的角度关系,通过相减得到角度差异筛选出正确匹配的特征点对。本发明能够充分利用粗匹配的特征点对集合自身存在的对应角度不变特性进行正确匹配特征点的筛选,极大提高了筛选正确匹配特征点对的能力,提高了图像配准的准确性。
Description
技术领域
本发明属于计算机图像配准方法,涉及一种基于SIFT(scale invariant featuretransform)特征和角度相对距离的图像配准方法,广泛应用于图像配准、图像拼接领域。
背景技术
图像配准是对有共同场景而在不同时刻或不同角度拍摄的两幅或多幅图像的处理,通常只针对两幅图像。图像配准是一个非常有意义和挑战的工作,是许多应用如图像拼接至关重要的前期处理,而其中异源图像配准更是在军事和医疗方面有着广泛的应用场景,其融合结果可以用于自动目标伪装识别和病变部位的诊断。
目前图像配准方法研究主要分为两个部分:基于区域的图像配准算法和基于特征的图像配准算法。基于区域的配准算法虽然精度和鲁棒性很高,但对图像的灰度、旋转和缩放变化等敏感,且算法复杂度很高。基于特征的配准方法主要利用参考图像和待配准图像中存在的角点、直线、边缘等特征求解彼此间的图像变换模型,对图像平移、旋转、缩放以及灰度变化都具有更强的鲁棒性,且算法计算量小,在近年的研究中得到了快速发展。以往对于图像配准中特征点的筛选已有不少研究,如RANSAC(Random Sample Consensus)算法,利用最大似然估计的贝叶斯模型等,但都存在不能完全筛选出正确匹配点的情况。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于SIFT(scale invariantfeature transform)特征和角度相对距离的图像配准方法,使用图像粗匹配特征点集自身存在的相关角度不变的特性进行正确匹配特征点筛选,并最终得到图像仿射变换参数并进行图像变换和重采样。实验证明,该算法能在存在仿射变换的参考图像和待配准图像中有效的筛选出正确匹配的特征点对,有效提高图像配准的准确性。
技术方案
一种基于SIFT特征和角度相对距离的图像配准方法,其特征在于步骤如下:
步骤1:提取参考图像imgref和待配准图像imgsrc中的尺度不变特征SIFT特征点,得到参考图像imgref的特征向量P和待配准图像imgsrc的特征向量Q,其中特征向量P有M个特征点,特征向量Q有N个特征点;
步骤2:利用欧式距离对参考图像imgref和待配准图像imgsrc进行图像特征点粗匹配,得到特征向量P和Q之间粗匹配的特征点对集合PQ,集合中有L个匹配的特征点对,且pi与qi为对应的特征点;
步骤3、采用角度相对距离进行特征点精匹配:
步骤3.1从PQ中取出pi、qi,i=1,2,…,L;
步骤3.2从PQ中取出pj,qj,j=1,2,…,L且j≠i;
步骤3.3从PQ中取出pk,qk,k=j+1,若k=L+1,k=1,若k=i,k=i+1;
步骤3.4计算∠pipjpk,∠qiqjqk,保存在矩阵Mangle_P和Mangle_Q中,这样每个矩阵均为L×(L-1)维;
步骤3.5计算矩阵Mangle_P和Mangle_Q对应角度值的差,得到矩阵Mangle_out,且Mangle_out=Mangle_P-Mangle_Q;
步骤3.6统计Mangle_out每一行中角度误差小于参数cangle的个数(角度相对距离),即统计每行中Mangle_outi·<cangle的个数,存入矩阵Nnum中;
步骤3.7取出Nnum中的最大值Nmax,然后找出Nnum_i中大于Nmax*Tangle,对应特征点对集合PQ中的特征点pi,qi,放入矩阵PQout中;
步骤4:随机从PQout中选出三个正确的匹配点对,采用仿射变换模型计算参考图像imgref和待配准图像imgsrc之间的仿射矩阵A和平移矩阵[tx,ty]T,重复本步骤的计算多次,得到其中最优的一组参数
步骤5:对待配准图像imgsrc用步骤4得到的最优的一组参数进行仿射变换,与参考图像imgref进行加权融合,得到配准结果图像imgdes。
所述步骤4的计算次数为2000次。
有益效果
本发明提出的一种基于SIFT特征和角度相对距离的图像配准方法,基本思想是:首先利用SIFT特征点检测算法提取参考图像和待配准图像中的特征点,并使用欧式距离对提取的SIFT特征进行粗匹配。然后利用粗匹配后的特征点自身存在的相关角度不变的特性进行正确匹配特征点的筛选,并最终得到图像仿射变换参数并进行图像变换和重采样。实现了准确筛选正确匹配的特征点的功能,提高了图像配准的准确性。
优点在于:首先使用SIFT特征作为特征点,对图像平移、旋转、缩放、光照等具有鲁棒性,且独特性好,信息量丰富;然后使用欧式距离对特征点进行粗匹配,可以减少原始特征点中的无效特征点;再使用图像粗匹配特征点集合自身存在的对应角度不变的特性进行正确匹配特征点筛选,基本可以完全剔除其中的误匹配点对,极大提高了筛选正确匹配特征点对的能力,有效增强了图像配准精度。
附图说明
图1:本发明方法的流程图
图2:DOG空间建立及极值点检测示意图
(a)DOG空间建立示意图;(b)极值点检测示意图
图3:实验所选取的参考图像与待配准图像及精匹配结果图
(a)SIFT特征点欧式距离粗匹配结果图;(b)RANSAC精匹配结果图(c)角度相对距离精匹配结果图;
图4:部分图像变换和重采样结果图
(a)参考图像;(b)待配准图像;(c)图像变换和重采样结果图像。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明方法的特征在于步骤如下:
步骤1提取参考图像imgref和待配准图像imgsrc中的尺度不变特征(SIFT)特征点:对参考图像imgref和待配准图像imgsrc使用不同尺度(σ)的高斯核函数G(x,y,σ)连续滤波和下采样,形成高斯金字塔图像,然后再对相邻尺度的高斯图像相减得到高斯差分(DOG)多尺度空间表示。将样本点和它相邻的26个像素点进行比较,得到DOG(Difference ofGaussian)图像中的极值点(即关键点)的位置和对应的尺度;关键点所在16×16邻域像素内梯度方向直方图最大值所对应的方向作为关键点的方向;在此基础上,将邻域的16×16像素划为4×4共16个子区域,分别统计各个区域的8个梯度方向就可以得到SIFT的128维特征描述子,得到参考图像imgref和待配准图像imgsrc中的特征点集合P和Q(分别有M和N个特征点)。
具体流程如下:
a)高斯查分图像DOG生成
将输入图像imgref和imgsrc通过不同尺度(σ)的高斯核函数(式1)连续滤波和下采样,形成高斯金字塔图像,然后再对相邻尺度的两个高斯图像相减得到高斯差分(DOG)多尺度空间表示。
σ代表了高斯正态分布的方差,(x,y)是图像像素空间坐标。
b)极值点检测
为了得到高斯差分图像中的极值点,样本像素点需要和它相邻的8个像素点进行比较,同时还要分别和金字塔分层图像中上下相邻图像层中的9个像素点进行比较,共需要与26个像素进行比较。如果样本点是这些点中的灰度极值点(极大值或极小值),则把这个点当作特征点,即关键点。
c)指定关键点方向
关键点(x,y)邻域的梯度的模值和方向计算公式如式(2):
m(x,y)为模值,θ(x,y)为方向。其中L所用的尺度为每个关键点各自所在的尺度。
在以关键点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0~360度,其中每10度一个柱,总共36个柱。直方图的峰值则代表了关键点处邻域梯度的主方向。
d)构造SIFT特征描述子
首先将坐标轴旋转为关键点的方向,以确保旋转不变性。接下来以关键点为中心取16×16的邻域,再将此邻域均匀地分为4×4个子区域(每个子区域大小为4像素×4像素),对4×4每个子区域按高斯加权的方式进行梯度方向直方图的统计(直方图均匀分为8个方向)。对4×4个子区域的8方向梯度直方图根据位置依次排序,绘制每个梯度方向的累加值,这样就构成了一个4×4×8=128维的SIFT特征向量,将获得的特征向量分别存入P和Q。
步骤2利用欧式距离进行图像特征点粗匹配:在步骤1中得到了参考图像imgref和待配准图像imgsrc中的SIFT特征点集P和Q,对于P中的任何一个特征pi,在Q中与pi特征向量的欧式距离最小的两个特征点为qj和qk,对应的距离为dij和dik,且dij<dik,如果dij<dik*T,则认为pi与qj为对应的匹配点对(T是一个预定阈值),通常T=0.8。通过计算P和Q中SIFT特征点之间的欧式距离,满足dij<dik*T的特征点pi与qj即为正确匹配的特征点对,得到P和Q之间粗匹配特征点对集合PQ(其中有着L个匹配的特征点对,且pi与qi为对应的特征点)。
步骤3使用角度相对距离进行特征点精匹配:假设步骤2得到的特征点对集合PQ中有着S个正确匹配的特征点。和为对应特征点对的坐标。那么,图像特征点坐标之间存在的仿射变换关系为:
其中θ为旋转角度,[tx,ty]T为平移量,s为缩放尺度,A为仿射矩阵。
平面空间中任意三点pi、pj、pk之间的夹角为:
∠pjpipk=arccos((pjpk)2+(pipj)2-(pipk)2)/(2*(pipj)*(pjpk))
式中pipj代表点pi、pj之间的距离。
这里采用如下的几步完成自相关角度的计算:
a)从PQ中取出pi、qi,i=1,2,…,L;
b)从PQ中取出pj,qj,j=1,2,…,L且j≠i;
c)从PQ中取出pk,qk,k=j+1,若k=L+1,k=1,若k=i,k=i+1;
d)计算∠pipjpk,∠qiqjqk,保存在矩阵Mangle_P和Mangle_Q中,这样每个矩阵均为L×(L-1)维。
e)计算矩阵Mangle_P和Mangle_Q对应角度值的差,得到矩阵Mangle_out,且Mangle_out=Mangle_P-Mangle_Q;
f)统计Mangle_out每一行中角度误差小于参数cangle的个数(角度相对距离),即统计每行中Mangle_outi·<cangle的个数,存入矩阵Nnum中;
g)取出Nnum中的最大值Nmax,然后找出Nnum_i中大于Nmax*Tangle,对应特征点对集合PQ中的特征点pi,qi,放入矩阵PQout中。
步骤4使用仿射变换模型计算参考图像imgref和待配准图像imgsrc之间的仿射矩阵A和平移矩阵[tx,ty]T:随机从PQout中选出三个正确的匹配点对,计算矩阵A和[tx,ty]T,重复上述操作2000次,得到其中最优的一组参数
步骤5对待配准图像imgsrc用参数进行仿射变换,与参考图imgref像进行最简单的加权融合,得到配准结果图像imgdes。
具体实施例:
用于实施的硬件环境是:Intel(R)Core(TM)2 Duo CPU,E7500,4GB RAM,2.94GHz,运行的软件环境是:Mat1ab2014a和Win7。我们用Matlab语言与C++语言混合编程实现了本发明提出的新算法。采用包括可见光图像、近红外与可见光图像、遥感图像进行实验,图像尺寸从384×288到3086×2865大小不等。
步骤1、提取参考图像imgref和待配准图像imgsrc中的尺度不变特征(SIFT)特征点:对参考图像imgref和待配准图像imgsrc使用不同尺度(σ)的高斯核函数G(x,y,σ)连续滤波和下采样,形成高斯金字塔图像,然后再对相邻尺度的高斯图像相减得到高斯差分(DOG)尺度空间表示。将样本点和它相邻的26个像素点进行比较,得到DOG图像中的极值点(即关键点)的位置和对应的尺度;关键点所在16×16邻域像素内梯度方向直方图最大值所对应的方向作为关键点的方向;在此基础上,将邻域的16×16像素划为4×4共16个子区域,分别统计各个区域的8个梯度方向就可以得到SIFT的128维特征描述子,得到参考图像imgref和待配准图像imgsrc中的特征向量P和Q(分别有M和N个特征点)。
步骤2、利用欧式距离进行图像特征点粗匹配:在步骤1中得到了参考图像imgref和待配准图像imgsrc中的SIFT特征向量P和Q,对于P中的任何一个特征pi,在Q中与pi特征向量的欧式距离最小的两个特征点为qj和qk,对应的距离为dij和dik,且dij<dik,如果dij<dik*T,则认为pi与qj为对应的匹配点对(T是一个预定阈值),通常T=0.8。通过计算特征向量P和Q中SIFT特征点之间的欧式距离,满足dij<dik*T的特征点pi与qj即为正确匹配的特征点对,得到特征向量P和Q之间粗匹配的特征点对集合PQ(其中有着L个匹配的特征点对,且pi与qi为对应的特征点)。
步骤3、使用角度相对距离进行特征点精匹配:假设步骤2得到的特征点对集合PQ中有着S个正确匹配的特征点。和为对应特征点对的坐标。那么,图像特征点坐标之间存在的仿射变换关系为:
其中θ为旋转角度,[tx,ty]T为平移量,s为缩放尺度,A为仿射矩阵。
平面空间中任意三点pi、pj、pk之间的夹角为:
∠pjpipk=arccos((pjpk)2+(pipj)2-(pipk)2)/(2*(pipj)*(pjpk))
式中pipj代表点pi、pj之间的距离。
采用如下的几步完成自相关角度的计算:
步骤3.1从PQ中取出pi、qi,i=1,2,…,L;
步骤3.2从PQ中取出pj,qj,j=1,2,…,L且j≠i;
步骤3.3从PQ中取出pk,qk,k=j+1,若k=L+1,k=1,若k=i,k=i+1;
步骤3.4计算∠pipjpk,∠qiqjqk,保存在矩阵Mangle_P和Mangle_Q中,这样每个矩阵均为L×(L-1)维。
步骤3.5计算矩阵Mangle_P和Mangle_Q对应角度值的差,得到矩阵Mangle_out,且Mangle_out=Mangle_P-Mangle_Q;
步骤3.6统计Mangle_out每一行中角度误差小于参数cangle的个数(角度相对距离),存入矩阵Nnum中,即统计每行中Mangle_outi·<cangle的个数;
步骤3.7取出Nnum中的最大值Nmax,然后找出Nnum_i中大于Nmax*Tangle,对应特征点对集合PQ中的特征点pi,qi,放入矩阵PQout中。
步骤4使用仿射变换模型计算参考图像和待配准图像之间的仿射矩阵A和平移矩阵[tx,ty]T:随机从PQout中选出三个正确的匹配点对,计算矩阵A和[tx,ty]T,重复上述操作2000次,得到其中最优的一组参数
步骤5对待配准图像imgsrc用参数进行仿射变换,与参考图imgref像进行最简单的加权融合,得到配准结果图像imgdes。
为进一步说明本发明在图像配准应用中的有效性,本发明与基于RANSAC方法的精匹配结果进行对比分析。其对比结果如下表1所示。可以看出,本方法虽然方法简单,但是显著提高了筛选正确匹配点对的数目。
表1特征点精匹配过程中本方法与RANSAC算法对比
Claims (2)
1.一种基于SIFT特征和角度相对距离的图像配准方法,其特征在于步骤如下:
步骤1:提取参考图像imgref和待配准图像imgsrc中的尺度不变特征SIFT特征点,得到参考图像imgref的特征向量P和待配准图像imgsrc的特征向量Q,其中特征向量P有M个特征点,特征向量Q有N个特征点;
步骤2:利用欧式距离对参考图像imgref和待配准图像imgsrc进行图像特征点粗匹配,得到特征向量P和Q之间粗匹配的特征点对集合PQ,集合中有L个匹配的特征点对,且pi与qi为对应的特征点;
步骤3、采用角度相对距离进行特征点精匹配:
步骤3.1从PQ中取出pi、qi,i=1,2,…,L;
步骤3.2从PQ中取出pj,qj,j=1,2,…,L且j≠i;
步骤3.3从PQ中取出pk,qk,k=j+1,若k=L+1,k=1,若k=i,k=i+1;
步骤3.4计算∠pipjpk,∠qiqjqk,分别保存在矩阵Mangle_P和Mangle_Q中,这样每个矩阵均为L×(L-1)维;
步骤3.5计算矩阵Mangle_P和Mangle_Q中对应角度的差,得到矩阵Mangle_out,且Mangle_out=Mangle_P-Mangle_Q;
步骤3.6统计Mangle_out每一行中角度差小于参数cangle的个数,cangle为角度相对距离,即统计每行中Mangle_out<cangle的个数,存入矩阵Nnum中;
步骤3.7取出Nnum中的最大值Nmax,然后找出Nnum中大于Nmax*Tangle的值所对应的特征点对集合PQ中的特征点pi,qi,放入矩阵PQout中;
步骤4:随机从PQout中选出三个正确的匹配点对,采用仿射变换模型计算参考图像imgref和待配准图像imgsrc之间的仿射矩阵A和平移矩阵[tx,ty]T,重复本步骤的计算多次,得到其中最优的一组参数
步骤5:对待配准图像imgsrc用步骤4得到的最优的一组参数进行仿射变换,与参考图像imgref进行加权融合,得到配准结果图像imgdes。
2.根据权利要求1所述基于SIFT特征和角度相对距离的图像配准方法,其特征在于:所述步骤4的计算次数为2000次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610325590.4A CN106023187B (zh) | 2016-05-17 | 2016-05-17 | 一种基于sift特征和角度相对距离的图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610325590.4A CN106023187B (zh) | 2016-05-17 | 2016-05-17 | 一种基于sift特征和角度相对距离的图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023187A CN106023187A (zh) | 2016-10-12 |
CN106023187B true CN106023187B (zh) | 2019-04-19 |
Family
ID=57097088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610325590.4A Active CN106023187B (zh) | 2016-05-17 | 2016-05-17 | 一种基于sift特征和角度相对距离的图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023187B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090396A (zh) * | 2016-11-21 | 2018-05-29 | 方正国际软件(北京)有限公司 | 一种指纹匹配方法和装置 |
CN106778510B (zh) * | 2016-11-25 | 2020-03-20 | 江西师范大学 | 一种超高分辨率遥感图像中高层建筑特征点匹配方法 |
CN106709941B (zh) * | 2016-12-07 | 2019-09-20 | 中国工程物理研究院流体物理研究所 | 一种用于光谱影像序列配准的关键点筛选方法 |
CN110738222B (zh) * | 2018-07-18 | 2022-12-06 | 深圳兆日科技股份有限公司 | 图像匹配方法、装置、计算机设备和存储介质 |
CN110189368B (zh) * | 2019-05-31 | 2023-09-19 | 努比亚技术有限公司 | 图像配准方法、移动终端及计算机可读存储介质 |
CN113033257B (zh) * | 2019-12-24 | 2023-08-18 | 杭州海康威视数字技术股份有限公司 | 指纹识别方法、装置、电子设备及可读存储介质 |
CN113409370B (zh) * | 2021-06-25 | 2023-04-18 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备 |
CN113409372B (zh) * | 2021-06-25 | 2023-03-24 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备和存储介质 |
CN113963179A (zh) * | 2021-12-21 | 2022-01-21 | 深圳视觉航空科技有限公司 | 一种基于sift的图像特征纹理追踪识别算法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007257287A (ja) * | 2006-03-23 | 2007-10-04 | Tokyo Institute Of Technology | 画像レジストレーション方法 |
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 |
CN103714077B (zh) * | 2012-09-29 | 2017-10-20 | 日电(中国)有限公司 | 物体检索的方法、检索校验的方法及装置 |
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 |
CN103310456B (zh) * | 2013-06-18 | 2016-05-18 | 西北工业大学 | 基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法 |
CN103914847B (zh) * | 2014-04-10 | 2017-03-29 | 西安电子科技大学 | 基于相位一致性和sift的sar图像配准方法 |
CN104200461B (zh) * | 2014-08-04 | 2017-08-25 | 西安电子科技大学 | 基于互信息图像选块和sift特征的遥感图像配准方法 |
CN104318548B (zh) * | 2014-10-10 | 2017-02-15 | 西安电子科技大学 | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 |
CN105303567A (zh) * | 2015-10-16 | 2016-02-03 | 浙江工业大学 | 融合图像尺度不变特征变换和个体熵相关系数的图像配准方法 |
CN105354558B (zh) * | 2015-11-23 | 2018-09-28 | 河北工业大学 | 人脸图像匹配方法 |
CN105551058B (zh) * | 2016-02-02 | 2018-04-03 | 天津大学 | 一种结合surf特征提取和曲线拟合的柱面图像匹配方法 |
-
2016
- 2016-05-17 CN CN201610325590.4A patent/CN106023187B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106023187A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023187B (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
Ma et al. | Non-rigid visible and infrared face registration via regularized Gaussian fields criterion | |
CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
CN108765476B (zh) | 一种偏振图像配准方法 | |
Zhao et al. | Deep lucas-kanade homography for multimodal image alignment | |
CN104504723B (zh) | 基于视觉显著特征的图像配准方法 | |
CN104809731B (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
Legg et al. | Feature neighbourhood mutual information for multi-modal image registration: an application to eye fundus imaging | |
CN103310453A (zh) | 一种基于子图像角点特征的快速图像配准方法 | |
Min et al. | Non-rigid infrared and visible image registration by enhanced affine transformation | |
Li et al. | RIFT: Multi-modal image matching based on radiation-invariant feature transform | |
CN110334762A (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN111462198B (zh) | 一种尺度、旋转和辐射不变性的多模态影像配准方法 | |
CN105631872B (zh) | 基于多特征点的遥感图像配准方法 | |
CN108229500A (zh) | 一种基于函数拟合的sift误匹配点剔除法 | |
Cao et al. | PCNet: A structure similarity enhancement method for multispectral and multimodal image registration | |
CN105678720A (zh) | 一种全景拼接判断图像匹配方法及装置 | |
CN104268502B (zh) | 人体静脉图像特征提取后的认识方法 | |
Hou et al. | POS-GIFT: A geometric and intensity-invariant feature transformation for multimodal images | |
CN103336964A (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 | |
Jin et al. | Registration of UAV images using improved structural shape similarity based on mathematical morphology and phase congruency | |
Zhao | Rapid multimodal image registration based on the local edge histogram | |
Yuan et al. | Structure flow-guided network for real depth super-resolution | |
CN105095901B (zh) | 用于处理尿液沉渣图像的待处理区块的方法和装置 |
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 |