CN106204601A - 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 - Google Patents
一种基于波段扫描形式的活体高光谱序列图像并行配准方法 Download PDFInfo
- Publication number
- CN106204601A CN106204601A CN201610555827.8A CN201610555827A CN106204601A CN 106204601 A CN106204601 A CN 106204601A CN 201610555827 A CN201610555827 A CN 201610555827A CN 106204601 A CN106204601 A CN 106204601A
- Authority
- CN
- China
- Prior art keywords
- reference picture
- image
- registration
- interval
- characteristic 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于波段扫描形式的活体高光谱序列图像并行配准方法,包括以下步骤:读取高光谱图像,采用中值滤波法去除高光谱图像的异常点;以5‑10波段数为步长将高光谱序列图像划分为多个区间,每个区间任意选取一个波段图像作为区间参考图像;以前一个相邻区间参考图像为基准依次对所有区间参考图像采用改进的基于特征点的方法进行配准,并提取配准后区间参考图像的特征点;采用并行算法同步实现所有区间内除参考图像的其他波段图像的特征点提取,并利用对应区间配准后区间参考图像的特征点进行配准。本发明通过并行算法以固定参考图像为基准进行基于特征点的配准,能够大幅度提高高光谱序列图像的配准效率与配准精度。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及一种基于波段扫描形式的活体高光谱序列图像并行配准方法。
背景技术
高光谱成像技术结合了光学成像与光谱技术,能够在电磁波谱的紫外、可见光、近红外和中红外光谱范围内连续获取多波段的图像,被广泛应用于遥感、军事领域中。高光谱图像包含有图像信息和光谱信息,在生物医学领域同样显示出广阔的应用前景,能够实现生物组织形态、结构以及成分含量与分布的综合分析与描述,目前已被应用到组织样本病理检测、中西医疾病诊断、肿瘤发生发展机理探索等方面。然而,应用高光谱成像技术采集活体组织的高光谱图像数据时,例如小鼠、人体等,尽管采用固定装置或进行麻醉处理,但由于测量对象本身的呼吸或不自主的抽搐等,采集部位不可避免的会产生移动。对于基于波段扫描形式的高光谱成像***,例如基于AOTF(Acousto-optic Turnable Filter)分光形式的***,实现连续波段的图像扫描,图像数量达到几十个甚至几百个,采集需要耗费时间长,导致不同波段间图像之间存在不匹配的现象。为了确保提取到正确的光谱信息,需要对高光谱图像进行配准。
现有图像配准方法中,基于区域的配准方法,实现简单且具备较高的配准精度,但这种方法适用于配准灰度信息、尺度和旋转角差别不大的图像,对于高光谱图像不同波段灰度差异较大这种特性难以适用,另外这种方法需要利用全部的图像灰度信息,对高空间分辨率的高光谱图像而言无法满足实时性的要求。基于特征的配准方法,将对整个图像的分析转化为某种特征分析,大大降低了计算量。尺度不变特征变换(scale invariantfeature transform,SIFT)算法对灰度变化、旋转、缩放甚至放射变换等具有不变性的优点,但计算量较大,耗时长。在SIFT基础上提出的SURF(Speed-up robust features)配准算法,性能较好且提高了配准速度,但对于几十甚至几百个图像配准时,仍然难以满足实时性的要求,且配准的精度也需要进一步提高。
发明内容
本发明的发明目的在于提供一种基于波段扫描形式的活体高光谱序列图像并行配准方法,该方法能够有效地提高光谱序列图像配准的精度与速度。
实现本发明的技术方案是:
一种基于波段扫描形式的活体高光谱序列图像并行配准方法,所述方法包括以下步骤:
(1)读取高光谱图像,采用中值滤波法去除高光谱图像的异常点;
(2)以5-10波段数为步长将高光谱序列图像划分为多个区间,每个区间任意选取一个波段图像作为区间参考图像;
(3)以前一个相邻区间参考图像为基准依次对所有区间参考图像采用改进的基于特征点的方法进行配准,并提取配准后区间参考图像的特征点;
(4)采用并行算法同步实现所有区间内除参考图像的其他波段图像的特征点提取,并利用对应区间配准后区间参考图像的特征点采用所述改进的基于特征点的方法进行配准。
所述读取高光谱图像,采用中值滤波法去除高光谱图像的异常点的步骤具体为:
读取高光谱图像I0(x,y,λ),其中λ为波段号;
采用中值滤波法对每个波段的高光谱图像I0 λ(x,y)进行滤波去除异常点,其中中值滤波的窗口大小设置为3×3。
所述以5-10波段数为步长将高光谱序列图像划分为多个区间,每个区间任意选取一个波段图像作为区间参考图像的步骤具体为:
以5-10波段数为步长将所述高光谱图像划分为n个区间,每个区间的高光谱图像表示为I1(x,y,λ)、I2(x,y,λ)、…In(x,y,λ);
每个区间任意选取一个波段图像作为区间参考图像,记为Ir1(x,y)、Ir2(x,y)、…、Irn(x,y)。
所述以前一个相邻区间参考图像为基准依次对所有区间参考图像采用改进的基于特征点的方法进行配准,并提取配准后区间参考图像的特征点的步骤具体为:
所述区间参考图像Ir1(x,y)不进行配准;
所述区间参考图像Ir2(x,y)作为待配准图像,以Ir1(x,y)为基准图像采用改进的基于特征点的方法进行配准,配准后的参考图像为Ir2(x,y)’,并保存参考图像Ir1(x,y)的特征点,记为FR1;
所述区间参考图像Ir3(x,y)作为待配准图像,以所述配准后的参考图像Ir2(x,y)’为基准图像采用改进的基于特征点的方法进行配准,配准后的参考图像为Ir3(x,y)’,并保存配准后的参考图像Ir2(x,y)’的特征点,记为FR2,其他区间参考图像的配准依次类推;
最后,提取并保存配准后的参考图像Irn(x,y)’的特征点,记为FRn。
进一步,所述改进的基于特征点的方法进行配准,具体过程为:
采用SURF(Speed-up robust features)算法提取所述基准图像与所述待配准图像的特征点,若已提取特征点,此步骤省略;
通过相似性度量准则进行所述特征点的粗匹配;
判断匹配特征点数目是否小于预设值,若小于则对待匹配图像进行增强处理,并重复所述特征提取与所述粗匹配的过程;
预设两幅图像之间偏移的范围,并以此进一步删除错误匹配特征点;
通过匹配的特征点计算图像空间几何变换矩阵,并实现所述待配准图像的配准。
所述采用并行算法同步实现所有区间内除参考图像的其他波段图像的特征点提取,并利用对应区间配准后区间参考图像的特征点采用所述改进的基于特征点的方法进行配准的步骤具体为:
对于所有区间内除参考图像的其他波段图像通过所述SURF(Speed-up robustfeatures)算法提取特征点;
以对应区间配准后区间参考图像为基准图像,利用配准后区间参考图像的特征点(FR1、FR2、…、FRn),进一步采用所述改进的基于特征点的方法对除参考图像外其他波段图像进行配准;
对于所有区间内除区间参考图像外的其他波段图像的配准,采用并行算法同步实现。
本发明提供的技术方案的有益效果是:本发明所提出的一种基于波段扫描形式的活体高光谱序列图像并行配准方法,在配准方法上基于SURF算法,进一步通过图像增强方法提高高光谱图像的特征点,根据图像不匹配程度去除误匹配点,提高配准精度;在高光谱序列图像配准方法上,通过将高光谱序列图像划分为多个区间,以区间内固定参考图像为基准进行配准,与序列相邻图像配准方法相比进一步降低求取特征点次数,且能够通过并行算法同步实现所有区间内图像配准,从而大幅度提高高光谱序列图像的配准效率。
附图说明
图1为本发明的流程图;
图2为本发明提供的区间参考图像配准方法流程图;
图3为本发明提供的改进的基于特征点的配准方法流程图;
图4为本发明提供的采用并行算法同步实现所有区间内除参考图像外的其他波段图像配准的流程图。
具体实施方式
为了更加清楚明白地说明本发明所述的技术手段、技术改进及有益效益,以下结合附图对本发明进行详细的说明。
本发明所提供的一种基于波段扫描形式的活体高光谱序列图像并行配准方法,参见图1、图2、图3和图4,包括以下步骤:
S101:读取高光谱图像,采用中值滤波法去除高光谱图像的异常点。
该步骤具体为:
读取高光谱图像I0(x,y,λ),其中λ为波段号;
采用中值滤波法依次对每个波段的高光谱图像I0 λ(x,y)进行滤波去除异常点,其中中值滤波的窗口大小设置为3×3。
S102:以5-10波段数为步长将高光谱序列图像划分为多个区间,每个区间选取任意一个波段图像作为区间参考图像。
该步骤具体为:
以5-10波段数为步长将所述高光谱图像划分为n个区间,每个区间的高光谱图像表示为I1(x,y,λ)、I2(x,y,λ)、…In(x,y,λ);
每个区间选取一个波段图像作为区间参考图像,记为Ir1(x,y)、Ir2(x,y)、…、Irn(x,y)。
S103:以前一个相邻区间参考图像为基准依次对所有区间参考图像采用改进的基于特征点的方法进行配准,并提取配准后区间参考图像的特征点。
该步骤参见图2所示流程图,具体过程为:
所述区间参考图像Ir1(x,y)不进行配准,直接保存到配准结果I(x,y,λ)’的对应波段位置;
所述区间参考图像Ir2(x,y)作为待配准图像,以Ir1(x,y)为基准图像采用改进的基于特征点的方法进行配准,配准后的参考图像为Ir2(x,y)’,保存到配准结果I(x,y,λ)’的对应波段位置,并保存参考图像Ir1(x,y)的特征点,记为FR1;
所述区间参考图像Ir3(x,y)作为待配准图像,以所述配准后的参考图像Ir2(x,y)’为基准图像采用改进的基于特征点的方法进行配准,配准后的参考图像为Ir3(x,y)’,保存到配准结果I(x,y,λ)’的对应波段位置,并保存配准后的参考图像Ir2(x,y)’的特征点,记为FR2,其他区间参考图像的配准依次类推;
最后,提取并保存配准后的参考图像Irn(x,y)’的特征点,记为FRn。
进一步,所述改进的基于特征点的方法进行配准,参见图3所示流程图,具体过程为:
采用SURF(Speed-up robust features)算法提取所述基准图像与所述待配准图像的特征点,若已提取特征点,此步骤省略,其步骤为:使用Hessian矩阵来确定图像中特征点的位置,其中矩阵中的高斯二阶偏导数用方框卷积滤波器来近似代替,并利用积分图像来提高方框滤波器的运算速度;再运用三维尺度空间和非最大值抑制,确定特征点;最后运用Haar小波,确定特征点方向特征和特征点描述子向量;若事先已提取特征点,则不需要再进行特征点的提取。
通过相似性度量准则进行所述特征点的粗匹配,其步骤为:设两幅图像的特征点描述子向量集合为F1、F2,对于F1中特征点描述子向量f1i,计算它到F2的所有特征点描述子向量的欧式距离,并取最小欧式距离为dij(对应F2中的特征点描述子向量f2j)、次最小欧式距离为dij’(对应F2中的特征点描述子向量f2j’)。当dij和dij’的比值小于某一阈值(如可设为0.6)时,认为该特征点与对应f2j的特征点是匹配的。
判断匹配特征点数目是否小于预设值,若小于则对待匹配图像进行增强处理,并重复所述特征提取与所述粗匹配的过程;其中,所述图像增强处理采用对比度受限自适应直方图均衡方法。
根据活体组织高光谱图像特性,预设两幅图像之间偏移的范围,记为Thr,并以Thr为阈值进一步删除错误匹配特征点,提高配准的准确率;
通过匹配的特征点计算图像空间几何变换矩阵,并实现对所述待配准图像的配准。几何变换矩阵计算方法如下:
设p=(x1,y1),q=(x2,y2)是匹配的特征点对,其中x1和y1是基准图像特征点在图像中对应横坐标和纵坐标的值,x2和y2是待配准图像特征点在图像中对应横坐标和纵坐标的值,则有:
从而可得几何变换矩阵为:
S104:采用并行算法同步实现所有区间内除参考图像的其他波段图像的特征点提取,并利用对应区间配准后区间参考图像的特征点采用所述改进的基于特征点的方法进行配准。
参见图4所示流程图,该步骤具体为:
对于所有区间内除参考图像的其他波段图像通过所述SURF(Speed-up robustfeatures)算法提取特征点;
以对应区间配准后区间参考图像为基准图像,利用配准后区间参考图像的特征点(FR1、FR2、…、FRn),进一步采用所述改进的基于特征点的方法对该区间除参考图像外其他波段图像进行配准,并保存到配准结果I(x,y,λ)’的对应位置;
对于所有区间内除区间参考图像外的其他波段图像的配准,采用并行算法同步实现。
综上所述,本发明所提出的一种基于波段扫描形式的活体高光谱序列图像并行配准方法,在配准方法上基于SURF算法,进一步通过图像增强方法提高高光谱图像的特征点,并根据图像不匹配程度去除误匹配点,从而提高配准精度;在高光谱序列图像配准方法上,通过将高光谱序列图像划分为多个区间,以区间内固定参考图像进行配准,与序列相邻图像配准方法相比进一步降低求取特征点次数,且能够通过并行算法同步实现区间内图像配准,大幅度提高高光谱序列图像的配准效率。利用本发明方法为后续利用高光谱数据进行组织分析提供有效数据。根据不同的应用背景,本发明经过适当的修改同样适用于其他相关领域的高光谱图像配准。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于波段扫描形式的活体高光谱序列图像并行配准方法,其特征在于,所述方法包括以下步骤:
(1)读取高光谱图像,采用中值滤波法去除高光谱图像的异常点;
(2)以5-10波段数为步长将高光谱序列图像划分为多个区间,每个区间任意选取一个波段图像作为区间参考图像;
(3)以前一个相邻区间参考图像为基准依次对所有区间参考图像采用改进的基于特征点的方法进行配准,并提取配准后区间参考图像的特征点;
(4)采用并行算法同步实现所有区间内除参考图像的其他波段图像的特征点提取,并利用对应区间配准后区间参考图像的特征点采用所述改进的基于特征点的方法进行配准。
2.根据权利要求1所述的一种基于波段扫描形式的活体高光谱序列图像并行配准方法,其特征在于,所述读取高光谱图像,采用中值滤波法去除高光谱图像的异常点的步骤具体为:
读取高光谱图像I 0(x, y, λ),其中λ为波段号;
采用中值滤波法对每个波段的高光谱图像I 0 λ (x, y)进行滤波去除异常点,其中中值滤波的窗口大小设置为3×3。
3.根据权利要求1所述的一种基于波段扫描形式的活体高光谱序列图像并行配准方法,其特征在于,所述以5-10波段数为步长将高光谱序列图像划分为多个区间,每个区间任意选取一个波段图像作为区间参考图像的步骤具体为:
以5-10波段数为步长将所述高光谱图像划分为n个区间,每个区间的高光谱图像表示为I 1(x, y, λ)、I 2(x, y, λ)、…I n (x, y, λ);
每个区间任意选取一个波段图像作为区间参考图像,记为I r1(x, y)、I r2(x, y)、…、I rn (x, y)。
4.根据权利要求1所述的一种基于波段扫描形式的活体高光谱序列图像并行配准方法,其特征在于,所述以前一个相邻区间参考图像为基准依次对所有区间参考图像采用改进的基于特征点的方法进行配准,并提取配准后区间参考图像的特征点的步骤具体为:
所述区间参考图像I r1(x, y)不进行配准;
所述区间参考图像I r2(x, y)作为待配准图像,以I r1(x, y)为基准图像采用改进的基于特征点的方法进行配准,配准后的参考图像为I r2(x, y)’,并保存参考图像I r1(x, y)的特征点,记为F R1;
所述区间参考图像I r3(x, y)作为待配准图像,以所述配准后的参考图像I r2(x, y)’为基准图像采用改进的基于特征点的方法进行配准,配准后的参考图像为I r3(x, y)’,并保存配准后的参考图像I r2(x, y)’的特征点,记为F R2,其他区间参考图像的配准依次类推;
最后,提取并保存配准后的参考图像I rn(x, y)’的特征点,记为F Rn ;
进一步,所述改进的基于特征点的方法进行配准,具体过程为:
采用SURF算法提取所述基准图像与所述待配准图像的特征点,若已提取特征点,此步骤省略;
通过相似性度量准则进行所述特征点的粗匹配;
判断匹配特征点数目是否小于预设值,若小于则对待匹配图像进行增强处理,并重复所述特征提取与所述粗匹配的过程;
预设两幅图像之间偏移的范围,并以此进一步删除错误匹配特征点;
通过匹配的特征点计算图像空间几何变换矩阵,并实现所述待配准图像的配准。
5.根据权利要求1所述的一种基于波段扫描形式的活体高光谱序列图像并行配准方法,其特征在于,所述采用并行算法同步实现所有区间内除参考图像的其他波段图像的特征点提取,并利用对应区间配准后区间参考图像的特征点采用所述改进的基于特征点的方法进行配准的步骤具体为:
对于所有区间内除参考图像的其他波段图像通过所述SURF算法提取特征点;
以对应区间配准后区间参考图像为基准图像,利用配准后区间参考图像的特征点(F R1、 F R2、…、F Rn ),进一步采用所述改进的基于特征点的方法对除参考图像外其他波段图像进行配准;
对于所有区间内除区间参考图像外的其他波段图像的配准,采用并行算法同步实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610555827.8A CN106204601B (zh) | 2016-07-15 | 2016-07-15 | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610555827.8A CN106204601B (zh) | 2016-07-15 | 2016-07-15 | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204601A true CN106204601A (zh) | 2016-12-07 |
CN106204601B CN106204601B (zh) | 2018-09-28 |
Family
ID=57475226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610555827.8A Active CN106204601B (zh) | 2016-07-15 | 2016-07-15 | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204601B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194960A (zh) * | 2017-05-22 | 2017-09-22 | 中国农业科学院农业资源与农业区划研究所 | 一种用于高光谱图像的配准方法 |
CN107274441A (zh) * | 2017-06-14 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的波段校准方法和*** |
CN109165628A (zh) * | 2018-09-12 | 2019-01-08 | 首都师范大学 | 提高动目标检测精度的方法、装置、电子设备及存储介质 |
CN109196518A (zh) * | 2018-08-23 | 2019-01-11 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的手势识别方法及装置 |
CN112598717A (zh) * | 2020-12-14 | 2021-04-02 | 珠海欧比特宇航科技股份有限公司 | 高光谱卫星影像全谱段配准方法及介质 |
WO2022041627A1 (zh) * | 2020-08-31 | 2022-03-03 | 奥比中光科技集团股份有限公司 | 一种活体人脸检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7181055B2 (en) * | 2003-08-15 | 2007-02-20 | Holger Lange | Systems and methods for registering reflectance and fluorescence hyperspectral imagery |
CN101697231A (zh) * | 2009-10-29 | 2010-04-21 | 西北工业大学 | 一种基于小波变换和多通道pcnn的高光谱图像融合方法 |
WO2013070945A1 (en) * | 2011-11-08 | 2013-05-16 | Lockheed Martin Corporation | Image analysis systems having image sharpening capabilities and methods using same |
CN103218811A (zh) * | 2013-03-29 | 2013-07-24 | 中国资源卫星应用中心 | 一种基于统计分布的卫星多光谱图像波段配准方法 |
CN103247029A (zh) * | 2013-03-26 | 2013-08-14 | 中国科学院上海技术物理研究所 | 一种用于拼接式探测器生成的高光谱图像几何配准方法 |
CN105184736A (zh) * | 2015-09-09 | 2015-12-23 | 山东大学 | 一种窄重叠双视场高光谱成像仪的图像配准的方法 |
-
2016
- 2016-07-15 CN CN201610555827.8A patent/CN106204601B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7181055B2 (en) * | 2003-08-15 | 2007-02-20 | Holger Lange | Systems and methods for registering reflectance and fluorescence hyperspectral imagery |
CN101697231A (zh) * | 2009-10-29 | 2010-04-21 | 西北工业大学 | 一种基于小波变换和多通道pcnn的高光谱图像融合方法 |
WO2013070945A1 (en) * | 2011-11-08 | 2013-05-16 | Lockheed Martin Corporation | Image analysis systems having image sharpening capabilities and methods using same |
CN103247029A (zh) * | 2013-03-26 | 2013-08-14 | 中国科学院上海技术物理研究所 | 一种用于拼接式探测器生成的高光谱图像几何配准方法 |
CN103218811A (zh) * | 2013-03-29 | 2013-07-24 | 中国资源卫星应用中心 | 一种基于统计分布的卫星多光谱图像波段配准方法 |
CN105184736A (zh) * | 2015-09-09 | 2015-12-23 | 山东大学 | 一种窄重叠双视场高光谱成像仪的图像配准的方法 |
Non-Patent Citations (4)
Title |
---|
MARIA VAKALOPOULOU 等: "Automatic Descriptor-based Co-Registration of Frame Hyperspectral Data", 《REMOTE SENSING》 * |
YUNFENG GAO 等: "AOTF based Molecular Hyperspectral Imaging System and Its Image Pre-processing Method", 《2015 8TH INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS》 * |
ZVI FIGOV 等: "CO-REGISTRATION OF HYPERSPECTRAL BANDS", 《IMAGE AND SIGNAL PROCESSING FOR REMOTE SENSING XIII》 * |
陈杭 等: "基于控制点的一种高光谱图像配准方法", 《装备学院学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194960A (zh) * | 2017-05-22 | 2017-09-22 | 中国农业科学院农业资源与农业区划研究所 | 一种用于高光谱图像的配准方法 |
CN107194960B (zh) * | 2017-05-22 | 2019-04-09 | 中国农业科学院农业资源与农业区划研究所 | 一种用于高光谱图像的配准方法 |
CN107274441A (zh) * | 2017-06-14 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的波段校准方法和*** |
CN107274441B (zh) * | 2017-06-14 | 2020-07-03 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的波段校准方法和*** |
CN109196518A (zh) * | 2018-08-23 | 2019-01-11 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的手势识别方法及装置 |
WO2020037594A1 (zh) * | 2018-08-23 | 2020-02-27 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的手势识别方法及装置 |
CN109196518B (zh) * | 2018-08-23 | 2022-06-07 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的手势识别方法及装置 |
CN109165628A (zh) * | 2018-09-12 | 2019-01-08 | 首都师范大学 | 提高动目标检测精度的方法、装置、电子设备及存储介质 |
WO2022041627A1 (zh) * | 2020-08-31 | 2022-03-03 | 奥比中光科技集团股份有限公司 | 一种活体人脸检测方法及*** |
CN112598717A (zh) * | 2020-12-14 | 2021-04-02 | 珠海欧比特宇航科技股份有限公司 | 高光谱卫星影像全谱段配准方法及介质 |
CN112598717B (zh) * | 2020-12-14 | 2024-05-17 | 珠海欧比特卫星大数据有限公司 | 高光谱卫星影像全谱段配准方法及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106204601B (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204601A (zh) | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 | |
Yue et al. | Image super-resolution: The techniques, applications, and future | |
Zhao et al. | Hyperspectral image denoising via sparse representation and low-rank constraint | |
CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
CN103310453B (zh) | 一种基于子图像角点特征的快速图像配准方法 | |
US20170337686A1 (en) | Kind of x-ray chest image rib suppression method based on poisson model | |
Chen et al. | Denoising magnetic resonance images using collaborative non-local means | |
CN108921062B (zh) | 一种联合多步态特征协同字典的步态识别方法 | |
CN109191416A (zh) | 基于稀疏字典学习和剪切波的图像融合方法 | |
CN107066961B (zh) | 指纹配准方法及装置 | |
US20080193001A1 (en) | Visual Enhancement of Interval Changes Using Temporal Subtraction | |
Du et al. | Transformer and GAN-based super-resolution reconstruction network for medical images | |
Li et al. | Transformer meets GAN: Cloud-free multispectral image reconstruction via multi-sensor data fusion in satellite images | |
US20080193005A1 (en) | Visual Enhancement of Interval Changes Using Temporal Subtraction | |
EP1956552A1 (en) | Visual enhancement of interval changes using a temporal subtraction technique | |
Pinel-Puysségur et al. | Experimental comparison of registration methods for multisensor sar-optical data | |
CN100550056C (zh) | 在图像序列中进行运动校正的方法及*** | |
CN109190506A (zh) | 一种基于核稀疏和空间约束的高光谱目标检测方法 | |
Ko et al. | Illumination-insensitive skin depth estimation from a light-field camera based on cgans toward haptic palpation | |
CN115222878A (zh) | 一种应用于肺支气管镜手术机器人的场景重建方法 | |
CN108986027A (zh) | 基于改进的联合三边滤波器的深度图像超分辨重建方法 | |
Cao et al. | Cross-attention induced multilayer domain adaptation network for extraction of sub-kilometer craters from HiRIC images | |
CN110363738B (zh) | 一种具有仿射不变性的视网膜图像配准方法及其装置 | |
Zheng | Current Technologies and Applications of Digital Image Processing | |
Gormus et al. | Exploiting spatial domain and wavelet domain cumulants for fusion of SAR and optical images |
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 |