CN107424181A - 一种改进的图像拼接关键帧快速提取方法 - Google Patents
一种改进的图像拼接关键帧快速提取方法 Download PDFInfo
- Publication number
- CN107424181A CN107424181A CN201710236832.7A CN201710236832A CN107424181A CN 107424181 A CN107424181 A CN 107424181A CN 201710236832 A CN201710236832 A CN 201710236832A CN 107424181 A CN107424181 A CN 107424181A
- Authority
- CN
- China
- Prior art keywords
- mrow
- point
- image
- mtd
- key frame
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- BBEAQIROQSPTKN-UHFFFAOYSA-N pyrene Chemical compound C1=CC=C2C=CC3=CC=CC4=CC=C1C2=C43 BBEAQIROQSPTKN-UHFFFAOYSA-N 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- GVEPBJHOBDJJJI-UHFFFAOYSA-N fluoranthrene Natural products C1=CC(C2=CC=CC=C22)=C3C2=CC=CC3=C1 GVEPBJHOBDJJJI-UHFFFAOYSA-N 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种改进的图像拼接关键帧快速提取方法,其涉及计算机视觉领域。该方法通过图像预处理消除了图像畸变的影响,采用SIFT检测特征点,依据相邻帧特征点匹配率作为图像的相似性度量实现自动提取关键帧,对关键帧图像进行拼接,大幅压缩了序列图像的拼接时间,并用改进的RANSAC算法对初始匹配对进行筛选,并计算出图像间的准确的变换矩阵,从而实现图像配准,最后使用加权平滑的融合方法实现图像的无缝拼接。具有较强的鲁棒性,拼接图像自然、清晰。
Description
技术领域
本发明涉及计算机视觉领域,特指一种改进的图像拼接关键帧快速提取方法。
背景技术
图像拼接是计算机视觉和图像处理领域的研究热点,它是将多幅相互间存在重叠部分的图像序列进行空间匹配对准,经重采样融合后形成一幅包含各图像序列信息的、宽视角场景的、高清晰的新图像。
图像配准作为图像拼接技术的关键与核心,它是依据两幅图像重叠区域的一致性求解出图像间的几何变换模型,即将一幅图像经几何模型变化到另一幅图像的坐标平面上并将图像的重叠区域对准。目前,基于特征的图像配准方法是研究的主要趋势,此方法是通过对特征属性的直接比较来实现,即通过两幅图像的特征来判断它们之间的相似程度,该方法不仅计算量较小,而且具有仿射不变性与稳定性等优点。在图像的精确匹配方面,最常用的是RANSAC(Random Sample Consensus)算法,但是由于初始特征点对的数量往往较多,匹配特征点对的内点比例相对较少,使得RANSAC算法执行效率较低。
在车载摄像平台***中为拍摄道路面图像,相机以固定的倾斜角度和高度安装在车载平台上,不同于全景图拍摄或航拍方式。另外在车辆行驶过程中会采集大量序列图像,按传统方式依次对全部图像拼接,计算量偏大,耗时较长。而且由于车辆行驶过程中变速、转弯、颠簸等因素的影响会导致相机拍摄视角的改变,这些因素都加大了车载摄像平台序列图像的拼接难度。
发明内容
本发明所要解决的技术问题在于提出一种具有良好的鲁棒性、能够实现高质量的图像拼接的图像拼接关键帧快速提取方法,该方法对车辆直线行驶或转弯变速行驶均可实现快速拼接,具有较强的鲁棒性,拼接图像自然、清晰。
本发明提出的改进的图像拼接关键帧快速提取方法,其技术方案具体如下,包括如下步骤:
第一步,输入原始图像,进行图像预处理;
第二步,SIFT特征提取;
第三步,特征点的匹配;
第四步,自动提取关键帧;
第五步,全局配准和融合。
作为本发明技术方案的进一步改进,所述第一步包括:
S1.1对原始序列图像进行镜头畸变校正;
S1.2根据车辆的姿态信息和相机的安装参数计算出相机在地面坐标系的旋转矩阵,将图像校正为俯视图;
作为本发明技术方案的进一步改进,所述第二步包括:
S2.1尺度空间极值的检测;
利用不同尺度的高斯差分核与图像进行卷积构成高斯差分尺度空间,进而得到多尺度空间内的稳定关键点,
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ)*I(x,y))=L(x,y,kσ)-L(x,y,σ) (1)
其中,k是相邻尺度空间的常数,G(x,y,σ)为尺度可变高斯函数,I(x,y)为图像位于(x,y)的像素值,D(x,y,σ)为高斯差分尺度空间,σ是尺度坐标,L(x,y,σ)是二维图像的尺度空间;
检测尺度空间的极值点时,每个采样点和与其同尺度的8个相邻点以及上下相邻尺度的18个点进行比较,将比较得到的极值点作为候选点提取出来;
S2.2精确定位极值点;
通过拟合三维二次函数精确定位极值点的位置和尺度,并利用Hessian矩阵方法计算去除不稳定的边缘响应点,并过滤对比度特征点;
S2.3确定关键点的主方向;
选取关键点邻域梯度像素的分布特性为每个关键点指定方向参数,
m(x,y)=((L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2)1/2 (4)
上述公式(3)和公式(4)分别为关键点(x,y)处梯度的方向和模值公式,m(x,y)为每幅图像L(x,y)在(x,y)点的梯度值,θ(x,y)则为方向,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,利用直方图统计邻域像素的梯度方向,直方图峰值为特征点的主方向;
S2.4生成特征向量描述子点;
首先将坐标轴旋转为关键点的主方向,以确保旋转不变性,然后以关键点为中心取8×8的窗口,并将其分为16个小块,在每个小块的8个方向的梯度直方图上绘制方向的累加值,形成一个种子点;
作为本发明技术方案的进一步改进,所述第三步包括:
根据匹配对之间映射关系的对称性,采用双向互匹配的方法来进行初始匹配;
假设有匹配点对由匹配映射可知,存在p、q两点间的映射关系和m为第一幅图像与第二幅图像进行匹配的结果,n为第二幅图像与第一幅图像进行匹配的结果,最终的匹配结果为m与n的交集。
作为本发明方法的进一步改进,所述第四步包括:
定义两帧图像提取SIFT特征点数目分别为Ni、Nj,min(Ni,Nj)视为特征点总样本数allNum,记为allNum=min(Ni,Nj),匹配后的特征点数目记为matchNum;
定义特征点匹配率为匹配特征点数目占特征点总样本数的比值,记为R,以R值来作为图像相似性的度量,R的表达式为:
从而以匹配率R作为图像的相似性度量,通过限定R值的范围来提取关键帧,如果匹配率R过高则增加步长,反之则减少步长;
定义Num为输入图像数目,i为图像序号,j为检测两帧图像的次数,h为提取关键帧数,step为检测步长,初始i=j=h=1;
图像Ii、Ii+step提取SIFT特征点数目分别为Ni,Ni+step,此时特征点总样本数为allNum=min(Ni,Ni+step);
限定R的阈值范围在[a,b]之间,其中0<a<b<1,以特征点匹配率R为图像相似性度量,变步长自动提取关键帧的判定条件如下:
1)若a≤R≤b,在阈值范围内,步长合适不改变,i=i+step,j=j+1,h=h+1,保存当前匹配特征点对及特征描述子,为后续相邻关键帧特征点匹配做准备;
2)若R>a,低于阈值下限,步长过小应增大,step=step+1,i=i+step,j=j+1;
3)若R<b,高于阈值上限,步长过大应减少,step=step-1,i=i+step,j=j+1;
如果满足条件1)则步长合适,提取当前帧为关键帧,继续按当前步长step检测下一帧图像Ni+step,并根据上述条件进行判定,重复操作直至最后一帧,为保证图像具有代表性,最后一帧即便不满足关键帧提取的条件也作为关键帧。
作为本发明技术方案的进一步改进,所述第五步包括:
选取相似变换模型为:
式中:s为缩放因子;α为旋转角度;x1和y1为平移量;
随机采样次数使用下面的公式表示:
其中:t表示模型估计需要的匹配点对数,本发明取t=4;u表示采样的t对匹配点懂事内点的概率,ω表示匹配点为外点的概率;
先利用相邻特征点之间的关系对误匹配点进行剔除,再利用RANSAC算法进行提纯并计算变换矩阵H;
其中,剔除原理如下:
假设(Pi,Qi)和(Pj,Qj)是两两正确的匹配对,pi和Pj的距离d(Pi,Pj)相似于Qi和Qj的距离d(Qi,Qj),利用Pi与第一幅图像中所有兴趣点Pj的关系和Qi与第二幅图像中所有兴趣点Qj的相似性来评价两点的对应关系,提出如下评价函数:
其中:D(i,j)=[d(Pi,Pj)+d(Qi,Qj)]/2是Pi和Qi与每对兴趣点的平均距离;r(i,j)=exp(-uij),uij=|d(Pi,Pj)-d(Qi,Qj)|/D(i,j)是Pi和Qi与每对兴趣点距离的相对差异;
其中,RANSAC算法步骤如下:
(1)计算评价函数ω(i)的所有值;
(2)求出所有的ω(i)的均值σ;
(3)对ω(i)进行判断,如果ω(i)>0.8ω,Pi和Qi作为正确的匹配点保留,否则删除;
(4)将筛选过滤后的特征点对作为RANSAC算法的初始迭代特征点对,计算出稳定的变换矩阵H;
其中,全局配准策略的步骤包括:以第一帧为基准图像,利用全局变换模型,将每帧图像进行插值,变换到基准图像坐标下,完成全局配准;
最后,根据计算出的图像变换模型参数实现图像之间的融合,并采用加权平滑算法实现图像内容的平滑过渡。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种改进的图像拼接关键帧快速提取方法,通过图像预处理消除了图像畸变的影响,采用SIFT检测特征点,依据相邻帧特征点匹配率作为图像的相似性度量实现自动提取关键帧,对关键帧图像进行拼接,大大地提高了图像拼接的速度;并对现有技术中的RANSAC算法进行改进,利用改进的RANSAC算法对初始匹配对进行筛选,并计算出图像间的准确的变换矩阵,从而实现图像配准,最后使用加权平滑的融合方法实现图像的无缝拼接。该方法以特征点匹配率作为图像相似性度量,实现了关键帧的自动提取,大幅压缩了序列图像的拼接时间,提升了最后拼接图像的质量。
附图说明
图1是本发明改进的图像拼接关键帧快速提取方法流程图;
图2是本发明图像预处理前后对比图;
图3是本发明改进的图像拼接关键帧快速提取方法与其他方法的效果对比图。
具体实施方式
下面结合附图对本发明的面向图像拼接的关键帧快速提取方法的具体实施方式作详细说明。
本发明的面向图像拼接的关键帧快速提取方法的流程如图1所示,其具体可分为五个步骤。
第一步,图像预处理
相机倾斜架设在车载平台上对地面进行拍摄时,相机所采集到的图像会存在镜头畸变和透视畸变,因此需要对采集到的图像进行预处理。
预处理过程包括:
首先,对原始序列图像进行镜头畸变校正。
其次,根据车辆的姿态信息和相机的安装参数计算出相机在地面坐标系的旋转矩阵,将图像校正为俯视图,所述车辆的姿态信息通过架设在车载平台上的姿态角传感器实时测量得到。
经预处理后的序列图像消除了畸变的影响,作为图像拼接的输入图像。图像预处理前后的对比情况具体如图2所示。
第二步,SIFT特征提取
SIFT算法是一种基于尺度空间的、对图像缩放、旋转具有不变性,对仿射变换具有一定鲁棒性的图像局部特征匹配算法。
SIFT特征提取具体分为如下4个步骤:
Step1:尺度空间极值的检测
利用不同尺度的高斯差分核与图像进行卷积构成高斯差分尺度空间,进而得到多尺度空间内的稳定关键点。
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ)*I(x,y))=L(x,y,kσ)-L(x,y,σ) (1)
其中,k是相邻尺度空间的常数,G(x,y,σ)为尺度可变高斯函数,I(x,y)为图像位于(x,y)的像素值,D(x,y,σ)为高斯差分尺度空间,σ是尺度坐标,L(x,y,σ)是二维图像的尺度空间。
检测尺度空间的极值点时,每个采样点和与其同尺度的8个相邻点以及上下相邻尺度的18个点进行比较,通过上述比较过程,将比较得到的极值点作为候选点提取出来。
Step2:精确定位极值点
通过拟合三维二次函数精确定位极值点的位置和尺度,并利用Hessian矩阵方法计算去除不稳定的边缘响应点,并过滤对比度特征点,以增强匹配的稳定性,提高抗噪声能力。
Step3:确定关键点的主方向
为了使SIFT特征点具备局部旋转不变形,本发明选取关键点邻域梯度像素的分布特性为每个关键点指定方向参数。
m(x,y)=((L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2)1/2 (4)
上述公式(3)和公式(4)分别为关键点(x,y)处梯度的方向和模值公式,m(x,y)为每幅图像L(x,y)在(x,y)点的梯度值,θ(x,y)则为方向;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,利用直方图统计邻域像素的梯度方向,选取梯度方向直方图峰值作为特征点的主方向,并将大于直方图最大值的80%的极值保留下来作为该特征点的辅方向。
Step4:生成特征向量描述子点
首先将坐标轴旋转为关键点的主方向,以确保旋转不变性,然后以关键点为中心取8×8的窗口,并将其分为16个小块,在每个小块的8个方向的梯度直方图上绘制方向的累加值,形成一个种子点,则每个种子点含有8个方向的向量信息。一个特征点用16个种子点描述,即由128维向量来描述。
第三步,特征点的匹配
本发明根据匹配对之间映射关系的对称性,采用双向互匹配的方法来进行初始匹配:假设有匹配点对由匹配映射可知,存在p、q两点间的映射关系和m=(第一幅图像与第二幅图像进行匹配的结果),n=(第二幅图像与第一幅图像进行匹配的结果),最终的匹配结果为m与n的交集,双向互匹配的方法有效地提高了正确匹配对的数目,从而增强了匹配精度。
第四步,自动提取关键帧
自动提取关键帧的基本思想为:图像特征点匹配数目与图像重叠比例成正比关系,特征点匹配数目可反映图像间的重叠比例和相似程度。在特征点匹配后,加入限定匹配特征点数目的条件,满足条件,则认为重叠比例合适,提取为关键帧,不改变当前步长进行后续处理;不满足条件则改变步长继续检测其他图像,由此可见,自动提取关键帧有效地避免了检测全部图像,大大节省了运算时间。
自动提取关键帧的具体包括:
定义两帧图像提取SIFT特征点数目分别为Ni、Nj,min(Ni,Nj)视为特征点总样本数allNum,记为allNum=min(Ni,Nj)。匹配后的特征点数目记为matchNum。
定义特征点匹配率为匹配特征点数目占特征点总样本数的比值,记为R,以R值来作为图像相似性的度量,R的表达式为:
从而以匹配率R作为图像的相似性度量,通过限定R值的范围来提取关键帧,如果匹配率R过高则增加步长,反之则减少步长。
定义Num为输入图像数目,i为图像序号,j为检测两帧图像的次数,h为提取关键帧数,step为检测步长,初始i=j=h=1。
图像Ii、Ii+step提取SIFT特征点数目分别为Ni,Ni+step,此时特征点总样本数为allNum=min(Ni,Ni+step),由(3)式可求出当前图像间的特征点匹配率R。
为提取关键帧,本发明限定R的阈值范围在[a,b]之间,其中0<a<b<1,a,b可依据实际情况取合理的值。以特征点匹配率R为图像相似性度量,变步长自动提取关键帧的判定条件如下:
4)若a≤R≤b,在阈值范围内,步长合适不改变,i=i+step,j=j+1,h=h+1,保存当前匹配特征点对及特征描述子,为后续相邻关键帧特征点匹配做准备;
5)若R>a,低于阈值下限,步长过小应增大,step=step+1,i=i+step,j=j+1;
6)若R<b,高于阈值上限,步长过大应减少,step=step-1,i=i+step,j=j+1。
如果满足条件1)则步长合适,提取当前帧为关键帧,继续按当前步长step检测下一帧图像Ni+step,并根据上述条件进行判定,重复操作直至最后一帧,为保证图像具有代表性,最后一帧即便不满足关键帧提取的条件也作为关键帧。
第五步,全局配准和融合
图像经透视畸变校正后生成俯视图,可认为相邻帧仅存在旋转、缩放、平移关系,选取相似变换模型为:
式中:s为缩放因子;α为旋转角度;x1和y1为平移量。
采用双向互匹配方法进行初始匹配时,误匹配点仍然比较多,因此需要对误匹配点进行剔除,进而估计变换矩阵。RANSAC算法充分利用了所有的初始匹配点对,根据一个容许的误差将所有匹配对分为内点和外点,利用内点数据比较准的特点来进行参数估计,但如果直接使用RANSAC算法进行估计,算法运行效率较低。RANSAC算法的随机采样次数直接体现出了RANSAC算法的运行效率。随机采样次数使用下面的公式表示:
其中:t表示模型估计需要的匹配点对数,本发明取t=4;u表示采样的t对匹配点懂事内点的概率,根据经验值设置u=0.99;ω表示匹配点为外点的概率。由公式(5)可以得知,当匹配点中外点比例过高时,RANSAC算法的随机采样次数也会增多,导致其运行效率低下,并且求出的变换矩阵精度不高。
本发明对RANSAC算法进行改进,先利用相邻特征点之间的关系对误匹配点进行剔除,再利用RANSAC算法进行提纯并计算变换矩阵H。剔除原理如下:
如果(Pi,Qi)和(Pj,Qj)是两两正确的匹配对,那么Pi和Pj的距离d(Pi,Pj)应该相似于Qi和Qj的距离d(Qi,Qj)。利用Pi与第一幅图像中所有兴趣点Pj的关系和Qi与第二幅图像中所有兴趣点Qj的相似性来评价两点的对应关系,提出如下评价函数:
其中:D(i,j)=[d(Pi,Pj)+d(Qi,Qj)]/2是Pi和Qi与每对兴趣点的平均距离;r(i,j)=exp(-uij),uij=|d(Pi,Pj)-d(Qi,Qj)|/D(i,j)是Pi和Qi与每对兴趣点距离的相对差异。
改进后的RANSAC算法步骤如下:
(1)计算评价函数ω(i)的所有值;
(2)求出所有的ω(i)的均值σ;
(3)对ω(i)进行判断,如果ω(i)>0.8σ,Pi和Qi作为正确的匹配点保留,否则删除;
经过以上步骤(1)-(3)对初始特征点的筛选,排除了大部分外点,内点比例进一步提高。
(4)将筛选过滤后的特征点对作为RANSAC算法的初始迭代特征点对,计算出稳定的变换矩阵H。
完成相邻关键帧的配准后,需要进一步求解全局配准模型。传统的全局配准策略,通过变换矩阵连乘,得到每帧图像的全局变换关系,但矩阵连乘会造成配准误差的累积和传播。针对上述情况,本发明采用一种改进的全局配准策略,避免了变换矩阵连乘导致的误差累积,具体为以第一帧为基准图像,利用全局变换模型,将每帧图像进行插值,变换到基准图像坐标下,完成全局配准。
根据计算出的图像变换模型参数,可以实现图像之间的融合,为实现图像内容的平滑过渡,本发明采用加权平滑算法,使颜色逐步过渡,消除图像模糊和缝合线,合成新图像,拼接结果具体如图3所示。
表1
表1为现有技术的拼接方法与本发明方法的耗时对比,对同一组序列图像进行拼接时,采用本发明的面向图像拼接的关键帧快速提取方法运算仅12.742s,相比基于SIFT算法未提取关键帧的拼接方法耗时48.683s,本发明方法在速度上提升了近4倍,由此可见,本发明方法计算时间短,测量精度高,能满足自主车辆实时环境测量的要求。
本发明中提出的方法实际上可嵌入FPGA实现,开发具有图像拼接功能的相机或摄像机。以上实施例仅起到解释本发明技术方案的作用,本发明所要求的保护范围并不局限于上述实施例所述的实现***和具体实施步骤。因此,仅对上述实施例中具体的公式及算法进行简单替换,但其实质内容仍与本发明所述方法相一致的技术方案,均应属于本发明的保护范围。
Claims (6)
1.一种改进的图像拼接关键帧快速提取方法,其特征在于,包括以下五个步骤,
第一步,输入原始图像,进行图像预处理;
第二步,SIFT特征提取;
第三步,特征点的匹配;
第四步,自动提取关键帧;
第五步,全局配准和融合。
2.根据权利要求1所述的一种改进的图像拼接关键帧快速提取方法,其特征在于,所述第一步包括:
S1.1对原始序列图像进行镜头畸变校正;
S1.2根据车辆的姿态信息和相机的安装参数计算出相机在地面坐标系的旋转矩阵,将图像校正为俯视图。
3.根据权利要求1所述的一种改进的图像拼接关键帧快速提取方法,其特征在于,所述第二步包括:
S2.1尺度空间极值的检测;
利用不同尺度的高斯差分核与图像进行卷积构成高斯差分尺度空间,进而得到多尺度空间内的稳定关键点,
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ)*I(x,y))=L(x,y,kσ)-L(x,y,σ) (1)
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,k是相邻尺度空间的常数,G(x,y,σ)为尺度可变高斯函数,I(x,y)为图像位于(x,y)的像素值,D(x,y,σ)为高斯差分尺度空间,σ是尺度坐标,L(x,y,σ)是二维图像的尺度空间;
检测尺度空间的极值点时,每个采样点和与其同尺度的8个相邻点以及上下相邻尺度的18个点进行比较,将比较得到的极值点作为候选点提取出来;
S2.2精确定位极值点;
通过拟合三维二次函数精确定位极值点的位置和尺度,并利用Hessian矩阵方法计算去除不稳定的边缘响应点,并过滤对比度特征点;
S2.3确定关键点的主方向
选取关键点邻域梯度像素的分布特性为每个关键点指定方向参数,
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
m(x,y)=((L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2)1/2 (4)
上述公式(3)和公式(4)分别为关键点(x,y)处梯度的方向和模值公式,m(x,y)为每幅图像L(x,y)在(x,y)点的梯度值,θ(x,y)则为方向,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,利用直方图统计邻域像素的梯度方向,选取梯度方向直方图峰值作为特征点的主方向;
S2.4生成特征向量描述子点;
首先将坐标轴旋转为关键点的主方向,以确保旋转不变性,然后以关键点为中心取8×8的窗口,并将其分为16个小块,在每个小块的8个方向的梯度直方图上绘制方向的累加值,形成一个种子点。
4.根据权利要求3所述的一种改进的图像拼接关键帧快速提取方法,其特征在于,所述第三步包括:
根据匹配对之间映射关系的对称性,采用双向互匹配的方法来进行初始匹配;
假设有匹配点对由匹配映射可知,存在p、q两点间的映射关系p→q和p←q;m为第一幅图像与第二幅图像进行匹配的结果,n为第二幅图像与第一幅图像进行匹配的结果,最终的匹配结果为m与n的交集。
5.根据权利要求4所述的一种改进的图像拼接关键帧快速提取方法,其特征在于,所述第四步包括:
定义两帧图像提取SIFT特征点数目分别为Ni、Nj,min(Ni,Nj)视为特征点总样本数allNum,记为allNum=min(Ni,Nj),匹配后的特征点数目记为matchNum;
定义特征点匹配率为匹配特征点数目占特征点总样本数的比值,记为R,以R值来作为图像相似性的度量,R的表达式为:
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>t</mi>
<mi>c</mi>
<mi>h</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
<mrow>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
从而以匹配率R作为图像的相似性度量,通过限定R值的范围来提取关键帧,如果匹配率R过高则增加步长,反之则减少步长;
定义Num为输入图像数目,i为图像序号,j为检测两帧图像的次数,h为提取关键帧数,step为检测步长,初始i=j=h=1;
图像Ii、Ii+step提取SIFT特征点数目分别为Ni,Ni+step,此时特征点总样本数为allNum=min(Ni,Ni+step);
限定R的阈值范围在[a,b]之间,其中0<a<b<1,以特征点匹配率R为图像相似性度量,变步长自动提取关键帧的判定条件如下:
1)若a≤R≤b,在阈值范围内,步长合适不改变,i=i+step,j=j+1,h=h+1,保存当前匹配特征点对及特征描述子,为后续相邻关键帧特征点匹配做准备;
2)若R>a,低于阈值下限,步长过小应增大,step=step+1,i=i+step,j=j+1;
3)若R<b,高于阈值上限,步长过大应减少,step=step-1,i=i+step,j=j+1;
如果满足条件1)则步长合适,提取当前帧为关键帧,继续按当前步长step检测下一帧图像Ni+step,并根据上述条件进行判定,重复操作直至最后一帧,为保证图像具有代表性,最后一帧即便不满足关键帧提取的条件也作为关键帧。
6.根据权利要求5所述的一种改进的图像拼接关键帧快速提取方法,其特征在于,所述第五步包括:
选取相似变换模型为:
<mrow>
<mi>H</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&alpha;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&alpha;</mi>
</mrow>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&alpha;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi> </mi>
<mi>cos</mi>
<mi>&alpha;</mi>
</mrow>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
2
式中:s为缩放因子;α为旋转角度;x1和y1为平移量;
随机采样次数使用下面的公式表示:
<mrow>
<mi>N</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mi>t</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:t表示模型估计需要的匹配点对数,本发明取t=4;u表示采样的t对匹配点懂事内点的概率,ω表示匹配点为外点的概率;
先利用相邻特征点之间的关系对误匹配点进行剔除,再利用RANSAC算法进行提纯并计算变换矩阵H;
其中,剔除原理如下:
假设(Pi,Qi)和(Pj,Qj)是两两正确的匹配对,Pi和Pj的距离d(Pi,Pj)相似于Qi和Qj的距离d(Qi,Qj),利用Pi与第一幅图像中所有兴趣点Pj的关系和Qi与第二幅图像中所有兴趣点Qj的相似性评价两点的对应关系,提出如下评价函数:
<mrow>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mfrac>
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:D(i,j)=[d(Pi,Pj)+d(Qi,Qj)]/2是Pi和Qi与每对兴趣点的平均距离;r(i,j)=exp(-uij),uij=|d(Pi,Pj)-d(Qi,Qj)|/D(i,j)是Pi和Qi与每对兴趣点距离的相对差异;
其中,RANSAC算法步骤如下:
(1)计算评价函数ω(i)的所有值;
(2)求出所有的ω(i)的均值σ;
(3)对ω(i)进行判断,如果ω(i)>0.8σ,Pi和Qi作为正确的匹配点保留,否则删除;
(4)将筛选过滤后的特征点对作为RANSAC算法的初始迭代特征点对,计算出稳定的变换矩阵H;
其中,全局配准策略的步骤包括:以第一帧为基准图像,利用全局变换模型,将每帧图像进行插值,变换到基准图像坐标下,完成全局配准;
最后,根据计算出的图像变换模型参数实现图像之间的融合,并采用加权平滑算法实现图像内容的平滑过渡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710236832.7A CN107424181A (zh) | 2017-04-12 | 2017-04-12 | 一种改进的图像拼接关键帧快速提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710236832.7A CN107424181A (zh) | 2017-04-12 | 2017-04-12 | 一种改进的图像拼接关键帧快速提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107424181A true CN107424181A (zh) | 2017-12-01 |
Family
ID=60423241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710236832.7A Pending CN107424181A (zh) | 2017-04-12 | 2017-04-12 | 一种改进的图像拼接关键帧快速提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107424181A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886530A (zh) * | 2017-12-11 | 2018-04-06 | 哈尔滨理工大学 | 一种改进的基于sift特征的图像配准算法 |
CN108921787A (zh) * | 2018-06-11 | 2018-11-30 | 东北电力大学 | 基于红外视频的光伏组件图像拼接方法 |
CN109598678A (zh) * | 2018-12-25 | 2019-04-09 | 维沃移动通信有限公司 | 一种图像处理方法、装置和终端设备 |
CN109801212A (zh) * | 2018-12-26 | 2019-05-24 | 南京信息职业技术学院 | 一种基于sift特征的鱼眼图像拼接方法 |
CN109949220A (zh) * | 2019-01-29 | 2019-06-28 | 国网河南省电力公司郑州供电公司 | 全景无人机图像拼接方法 |
CN109949218A (zh) * | 2017-12-21 | 2019-06-28 | 富士通株式会社 | 图像处理装置和方法 |
CN110019531A (zh) * | 2017-12-29 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种获取相似对象集合的方法和装置 |
CN110111248A (zh) * | 2019-03-15 | 2019-08-09 | 西安电子科技大学 | 一种基于特征点的图像拼接方法、虚拟现实***、照相机 |
CN110111372A (zh) * | 2019-04-16 | 2019-08-09 | 昆明理工大学 | 基于sift+ransac算法的医学图像配准和融合方法 |
CN110307829A (zh) * | 2019-06-27 | 2019-10-08 | 浙江大学 | 一种基于无人机视频的起重设备垂直度检测方法及*** |
CN110363706A (zh) * | 2019-06-26 | 2019-10-22 | 杭州电子科技大学 | 一种大面积桥面图像拼接方法 |
CN110443838A (zh) * | 2019-07-09 | 2019-11-12 | 中山大学 | 一种用于立体图像拼接的关联图构造方法 |
CN111083456A (zh) * | 2019-12-24 | 2020-04-28 | 成都极米科技股份有限公司 | 投影校正方法、装置、投影仪及可读存储介质 |
CN111355928A (zh) * | 2020-02-28 | 2020-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于多摄像头内容分析的视频拼接方法及其*** |
CN111693254A (zh) * | 2019-03-12 | 2020-09-22 | 纬创资通股份有限公司 | 车载镜头偏移检测方法与车载镜头偏移检测*** |
CN111915544A (zh) * | 2020-07-03 | 2020-11-10 | 三峡大学 | 基于图像融合的保护压板运行状态辨识方法 |
CN111968243A (zh) * | 2020-06-28 | 2020-11-20 | 成都威爱新经济技术研究院有限公司 | 一种ar图像生成方法、***、设备以及存储介质 |
CN113406628A (zh) * | 2021-05-12 | 2021-09-17 | 中国科学院国家空间科学中心 | 一种用于干涉成像高度计的数据重采样方法 |
US20210323544A1 (en) * | 2018-01-31 | 2021-10-21 | Boe Technology Group Co., Ltd. | Method and apparatus for vehicle driving assistance |
CN113724176A (zh) * | 2021-08-23 | 2021-11-30 | 广州市城市规划勘测设计研究院 | 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质 |
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 |
CN115330598A (zh) * | 2022-08-05 | 2022-11-11 | 苏州深捷信息科技有限公司 | 基于cpu并行计算加速的显微镜图像拼接方法、设备、介质及产品 |
CN115829833A (zh) * | 2022-08-02 | 2023-03-21 | 爱芯元智半导体(上海)有限公司 | 一种图像生成方法及移动设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279522A (zh) * | 2015-09-30 | 2016-01-27 | 华南理工大学 | 一种基于sift的场景物体实时配准方法 |
CN106204429A (zh) * | 2016-07-18 | 2016-12-07 | 合肥赑歌数据科技有限公司 | 一种基于sift特征的图像配准方法 |
-
2017
- 2017-04-12 CN CN201710236832.7A patent/CN107424181A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279522A (zh) * | 2015-09-30 | 2016-01-27 | 华南理工大学 | 一种基于sift的场景物体实时配准方法 |
CN106204429A (zh) * | 2016-07-18 | 2016-12-07 | 合肥赑歌数据科技有限公司 | 一种基于sift特征的图像配准方法 |
Non-Patent Citations (3)
Title |
---|
孙艳丽等: ""基于SIFT的多焦距图像特征点提取算法"", 《自动化技术》 * |
杨云涛等: ""车载摄像平台序列图像快速拼接方法"", 《应用光学》 * |
郭文静等: ""基于改进SIFT的图像拼接算法"", 《工业控制计算机》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886530A (zh) * | 2017-12-11 | 2018-04-06 | 哈尔滨理工大学 | 一种改进的基于sift特征的图像配准算法 |
CN109949218B (zh) * | 2017-12-21 | 2023-04-18 | 富士通株式会社 | 图像处理装置和方法 |
CN109949218A (zh) * | 2017-12-21 | 2019-06-28 | 富士通株式会社 | 图像处理装置和方法 |
CN110019531B (zh) * | 2017-12-29 | 2021-11-02 | 北京京东尚科信息技术有限公司 | 一种获取相似对象集合的方法和装置 |
CN110019531A (zh) * | 2017-12-29 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种获取相似对象集合的方法和装置 |
US20210323544A1 (en) * | 2018-01-31 | 2021-10-21 | Boe Technology Group Co., Ltd. | Method and apparatus for vehicle driving assistance |
CN108921787A (zh) * | 2018-06-11 | 2018-11-30 | 东北电力大学 | 基于红外视频的光伏组件图像拼接方法 |
CN109598678B (zh) * | 2018-12-25 | 2023-12-12 | 维沃移动通信有限公司 | 一种图像处理方法、装置和终端设备 |
CN109598678A (zh) * | 2018-12-25 | 2019-04-09 | 维沃移动通信有限公司 | 一种图像处理方法、装置和终端设备 |
CN109801212A (zh) * | 2018-12-26 | 2019-05-24 | 南京信息职业技术学院 | 一种基于sift特征的鱼眼图像拼接方法 |
CN109949220A (zh) * | 2019-01-29 | 2019-06-28 | 国网河南省电力公司郑州供电公司 | 全景无人机图像拼接方法 |
CN111693254A (zh) * | 2019-03-12 | 2020-09-22 | 纬创资通股份有限公司 | 车载镜头偏移检测方法与车载镜头偏移检测*** |
CN110111248A (zh) * | 2019-03-15 | 2019-08-09 | 西安电子科技大学 | 一种基于特征点的图像拼接方法、虚拟现实***、照相机 |
CN110111248B (zh) * | 2019-03-15 | 2023-03-24 | 西安电子科技大学 | 一种基于特征点的图像拼接方法、虚拟现实***、照相机 |
CN110111372A (zh) * | 2019-04-16 | 2019-08-09 | 昆明理工大学 | 基于sift+ransac算法的医学图像配准和融合方法 |
CN110363706B (zh) * | 2019-06-26 | 2023-03-21 | 杭州电子科技大学 | 一种大面积桥面图像拼接方法 |
CN110363706A (zh) * | 2019-06-26 | 2019-10-22 | 杭州电子科技大学 | 一种大面积桥面图像拼接方法 |
CN110307829B (zh) * | 2019-06-27 | 2020-12-11 | 浙江大学 | 一种基于无人机视频的起重设备垂直度检测方法及*** |
CN110307829A (zh) * | 2019-06-27 | 2019-10-08 | 浙江大学 | 一种基于无人机视频的起重设备垂直度检测方法及*** |
CN110443838A (zh) * | 2019-07-09 | 2019-11-12 | 中山大学 | 一种用于立体图像拼接的关联图构造方法 |
CN110443838B (zh) * | 2019-07-09 | 2023-05-05 | 中山大学 | 一种用于立体图像拼接的关联图构造方法 |
CN111083456A (zh) * | 2019-12-24 | 2020-04-28 | 成都极米科技股份有限公司 | 投影校正方法、装置、投影仪及可读存储介质 |
CN111083456B (zh) * | 2019-12-24 | 2023-06-16 | 成都极米科技股份有限公司 | 投影校正方法、装置、投影仪及可读存储介质 |
CN111355928A (zh) * | 2020-02-28 | 2020-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于多摄像头内容分析的视频拼接方法及其*** |
CN111968243A (zh) * | 2020-06-28 | 2020-11-20 | 成都威爱新经济技术研究院有限公司 | 一种ar图像生成方法、***、设备以及存储介质 |
CN111915544A (zh) * | 2020-07-03 | 2020-11-10 | 三峡大学 | 基于图像融合的保护压板运行状态辨识方法 |
CN113406628A (zh) * | 2021-05-12 | 2021-09-17 | 中国科学院国家空间科学中心 | 一种用于干涉成像高度计的数据重采样方法 |
CN113724176A (zh) * | 2021-08-23 | 2021-11-30 | 广州市城市规划勘测设计研究院 | 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质 |
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 |
CN114565516B (zh) * | 2022-03-03 | 2024-05-14 | 上海核工程研究设计院股份有限公司 | 一种融合传感器数据的安全壳表面区域鲁棒拼接方法 |
CN115829833A (zh) * | 2022-08-02 | 2023-03-21 | 爱芯元智半导体(上海)有限公司 | 一种图像生成方法及移动设备 |
CN115829833B (zh) * | 2022-08-02 | 2024-04-26 | 爱芯元智半导体(上海)有限公司 | 一种图像生成方法及移动设备 |
CN115330598A (zh) * | 2022-08-05 | 2022-11-11 | 苏州深捷信息科技有限公司 | 基于cpu并行计算加速的显微镜图像拼接方法、设备、介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424181A (zh) | 一种改进的图像拼接关键帧快速提取方法 | |
CN104134200B (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
CN106651942B (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN107480727B (zh) | 一种sift和orb相结合的无人机影像快速匹配方法 | |
CN111080529A (zh) | 一种加强鲁棒性的无人机航拍图像拼接方法 | |
CN106485690A (zh) | 基于点特征的点云数据与光学影像的自动配准融合方法 | |
CN103106688B (zh) | 基于双层配准方法的室内三维场景重建方法 | |
CN103530881B (zh) | 适用于移动终端的户外增强现实无标志点跟踪注册方法 | |
CN104200523B (zh) | 一种融合附加信息的大场景三维重建方法 | |
CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
CN106683173A (zh) | 一种基于邻域块匹配提高三维重建点云稠密程度的方法 | |
CN103593832A (zh) | 一种基于高斯二阶差分特征检测算子的图像拼接方法 | |
CN105957007A (zh) | 基于特征点平面相似度的图像拼接方法 | |
CN109409292A (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
CN106910242A (zh) | 基于深度相机进行室内完整场景三维重建的方法及*** | |
CN110992263B (zh) | 一种图像拼接方法及*** | |
CN107833179A (zh) | 一种红外图像的快速拼接方法及*** | |
CN107833181A (zh) | 一种基于变焦立体视觉的三维全景图像生成方法及*** | |
CN107063228A (zh) | 基于双目视觉的目标姿态解算方法 | |
CN109685732A (zh) | 一种基于边界捕捉的深度图像高精度修复方法 | |
CN103034982A (zh) | 一种基于变焦视频序列的图像超分辨率重建方法 | |
CN108921895A (zh) | 一种传感器相对位姿估计方法 | |
CN102903101B (zh) | 使用多台相机进行水面数据采集与重建的方法 | |
CN105427333A (zh) | 视频序列图像的实时配准方法、***及拍摄终端 | |
CN109255808A (zh) | 基于倾斜影像的建筑物纹理提取方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |
|
RJ01 | Rejection of invention patent application after publication |