CN107886530A - 一种改进的基于sift特征的图像配准算法 - Google Patents
一种改进的基于sift特征的图像配准算法 Download PDFInfo
- Publication number
- CN107886530A CN107886530A CN201711308658.9A CN201711308658A CN107886530A CN 107886530 A CN107886530 A CN 107886530A CN 201711308658 A CN201711308658 A CN 201711308658A CN 107886530 A CN107886530 A CN 107886530A
- Authority
- CN
- China
- Prior art keywords
- image
- transformation
- images
- graph
- sift
- 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
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 210000000078 claw Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005242 forging Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种改进的基于SIFT特征的图像配准算法。本发明的目的是为针对现有SIFT算法针对特征点检测,检测阶段耗时较多,检测效率较低的问题,提出基于金字塔结构以及特征点邻域改进的SIFT算法。本发明的算法的具体步骤包括:步骤a、图像采集;步骤b、图像几何校正;步骤c、图像预处理;步骤d、图像配准;步骤e、图像融合。本发明可用于汽车驻车爪零件的自动检测。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种改进的基于SIFT特征的图像配准算法。
背景技术
驻车爪是汽车自动变速箱中的关键零部件,很大程度上影响了汽车的变速性能,是一种非常关键的零部件。驻车爪在自动变速箱中发挥着重要作用,工件的制造误差将会很大程度上决定了驻车爪的使用性能,进而极大影响到汽车的使用性能,甚至可能危害驾驶员的人身安全。但是锻造过程中工件的整体参数和具体尺寸锻造过程中由于模具和压机磨损、变形、振动、偏载及人工操作不当等原因导致锻造成品与模具设计尺寸不一致,所以在锻件生产过程中,需要对其尺寸进行实时在线测量。目前国内锻造车间不论其规模大小及工件尺寸大小,对锻件的测量普遍采用直接接触法进行人工逐件测量或抽样测量,人工测量劳动强度大、劳动条件差、测量精度低、速度慢、测量数据有限、容易受个人因素的影响;抽查测量很容易出现废品。因此,我们采用了高精度、自动化程度高的的计算机测量方法对工件进行尺寸测量,使其尺寸在一定的误差之内,但利用计算机对驻车爪尺寸测量过程中,在获取图像阶段,由于射向设备的视野及角度的限制,不可能一次摄取完整的场景图像,需要采用图像拼接技术将多幅有重叠部分的图像简介在一起,并且消除各图像之间存在的接缝,最终构成一幅包含全部场景的高清晰图像来解决这一问题。在工厂中,工件需要进行实时检测,因此,图像拼接的速度要足够快,但是,采用SIFT算法,针对特征点检测,检测阶段耗时较多,检测效率较低。
发明内容
本发明的目的是为针对现有SIFT算法针对特征点检测,检测阶段耗时较多,检测效率较低的问题,提出基于金字塔结构以及特征点邻域改进的SIFT算法。
本发明为解决上述问题采取的技术方案是:一种改进的基于SIFT特征的图像配准算法,具体步骤包括:
步骤a、图像采集:
将工件固定好,通过旋转照相机拍摄的角度,拍摄带有重叠部分的完整工件图像;
步骤b、图像几何校正:
对步骤a中获取的图像进行几何运算改变图像中物体的形状和空间位置,建立图像变换前与变换后的图像中所有像素点间的映射关系的函数;
步骤c、图像预处理:
对成像***获得的原始图像进行图像的去噪和还灰度处理,去除无关的信息,恢复有用的信息;
步骤d、图像配准:
采用基于图像特征的图像配准方法,首先提取待配准的两幅图像中满足特定应用要求的特征集,将这些特征作为控制结构,寻找两幅图像控制结构的映射关系,这种基于图像特征的方法,在特征提取后得到的特征点的数量将会大大减少,因此可以提高配准的速度。
步骤e、图像融合:
由于拍摄时刻的不同以及传感器自身的物理特性、观察视角和成像机理等各方面的种种限制,待拼接的各个图像之间会存在亮度上的差异,因此在对图像配准之后拼接之前,必须对待拼接图像的重叠区域进行适当的处理。图像融合就是为了消除待拼接图像之间的拼接缝隙,以实现拼接图像的自然过渡,图像融合操作可以采用平均值法或加权平均法。
平均值法:
配准后的图像的重叠区域像素点的灰度值采用参加配准的两幅图像的灰度值。设I(x,y),I1(x,y)和I2(x,y)分别表示融合后的图像、参考图像和待配准图像在(x,y)处的像素灰度值,则融合后的图像中各像素点灰度值如下式表示:
其中,R1表示拼接后图像中原属于第一幅图像的未重叠区域,R2表示两幅图像的重叠区域,R3表示拼接后图像中原属于第二幅图像的未重叠区域。平均值法类似于低通滤波器,算法的速度很快,但是在两幅图像的重叠区域会有明显的带状感觉,从而使拼接图像存在十分明显的拼接缝隙,这通过肉眼就可以很容易观察出区别。
加权平均值法:
加权平均法由平均值法改进而来,是对重叠部分的图像灰度值进行加权后再叠加平均。设I(x,y)、I1(x,y)和I2(x,y)分别表示融合后的图像,参考图像和待配准图像在点(x,y)处的像素灰度值,则有下式:
其中,w1、w2分别表示两幅原始图像在重叠区域的对应像素的权值,且0<w1<1,0<w2<1,w1+w2=1。权值w1和w2选择得当,就能够实现图像间重叠区域的平滑过渡,有效的消除拼接图像的接缝,这种方法简洁直观,并且速度也较快,因此该算法在图像融合较为常用。
进一步地,所述步骤b中几何变换采用齐次坐标表示,齐次坐标含有冗余信息:笛卡儿n维空间中的一点可以用齐次n+1空间中的一条直线表示,还可以方便地用变换矩阵实现对图形的变换。假设二维图形变换前的一点坐标为[x,y,1],变换后为[x*,y*,1],则[x*,y*,1]=[x,y,1]T2D,则:
其中,T2D为变换矩阵,a~i分别代表矩阵中的各个元素,其中,子矩阵是对图形进行缩放、旋转、对称和错切变换,子矩阵[c f]是对图形进行平移变换,子矩阵对图形做投影变换,元素i是对整体图形做伸缩变换。
进一步地,所述步骤c中去噪过程主要采用以下四种滤波方法中的一种:
(1)均值滤波
均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值,即对待处理的当前像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度g(x,y),即g(x,y)=1/m∑f(x,y),m为该模板中包含当前像素在内的像素总个数。
(2)最小均方差滤波
这种滤波方法以方差作为各个邻域灰度均匀性的测度,因此去噪效果与图像的局部方差有关:局部方差越大,则图像的去噪效果越好,反之越弱。最小均方差滤波器要达到的最终目标是使去噪后的图像与输入的原图像的均方误差值最小。这种滤波器的去噪效果要比均值滤波器好,并且不破坏图像的边缘,还可以保留图像其他的高频部分,计算量较大。
(3)中值滤波
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。这种方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。
(4)形态学滤波
形态开启和闭合运算是最基本的形态滤波运算,但是在实际的图像处理中,仅仅采用开运算和闭运算的滤波效果往往并不能令人满意,通常将这两种形态学运算结合起来,发挥其更好的滤波性能。
有益效果:
本发明对SIFT特征点的提取方法进行了改进,通过预处理预先去除了部分不稳定的特征点,提高了匹配的速度和正确匹配的概率。实验结果证明该算法对于旋转、尺度变化均具有不变性、对于噪声以及图像亮度变化具有较好的鲁棒性,且匹配速度比改进前提高了近一倍。
附图说明
图1本发明的算法流程图;
图2本发明的第一组图像的配准效果图;
图3本发明的第二组图像的配准效果图;
图4本发明的第三组图像的配准效果图;
具体实施方式
具体实施方式:本实施例的一种改进的基于SIFT特征的图像配准算法流程如图1所示,具体步骤包括:
步骤a、图像采集:
将工件固定好,通过旋转照相机拍摄的角度,拍摄带有重叠部分的完整工件图像;
步骤b、图像几何校正:
对步骤a中获取的图像进行几何运算改变图像中物体的形状和空间位置,建立图像变换前与变换后的图像中所有像素点间的映射关系的函数;
步骤c、图像预处理:
对成像***获得的原始图像进行图像的去噪和还灰度处理,去除无关的信息,恢复有用的信息;
步骤d、图像配准:
采用基于图像特征的图像配准方法,首先提取待配准的两幅图像中满足特定应用要求的特征集,将这些特征作为控制结构,寻找两幅图像控制结构的映射关系,这种基于图像特征的方法,在特征提取后得到的特征点的数量将会大大减少,因此可以提高配准的速度。
步骤e、图像融合:
由于拍摄时刻的不同以及传感器自身的物理特性、观察视角和成像机理等各方面的种种限制,待拼接的各个图像之间会存在亮度上的差异,因此在对图像配准之后拼接之前,必须对待拼接图像的重叠区域进行适当的处理。图像融合就是为了消除待拼接图像之间的拼接缝隙,以实现拼接图像的自然过渡,本实施方式采用加权平均法。
加权平均法由平均值法改进而来,是对重叠部分的图像灰度值进行加权后再叠加平均。设I(x,y)、I1(x,y)和I2(x,y)分别表示融合后的图像,参考图像和待配准图像在点(x,y)处的像素灰度值,则有下式:
其中,w1、w2分别表示两幅原始图像在重叠区域的对应像素的权值,且0<w1<1,0<w2<1,w1+w2=1。权值w1和w2选择得当,就能够实现图像间重叠区域的平滑过渡,有效的消除拼接图像的接缝,这种方法简洁直观,并且速度也较快,因此该算法在图像融合较为常用。
进一步地,所述步骤b中几何变换采用齐次坐标表示,齐次坐标含有冗余信息:笛卡儿n维空间中的一点可以用齐次n+1空间中的一条直线表示,还可以方便地用变换矩阵实现对图形的变换。假设二维图形变换前的一点坐标为[x,y,1],变换后为[x*,y*,1],则[x*,y*,1]=[x,y,1]T2D,变换矩阵可用下式表示:
进一步地,本实施例中所述步骤c中去噪过程采用中值滤波方法:中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。这种方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。
图2为本发明的第一组图片配准结果,其中,图2(a)和图2(b)为第一组待配准图像,图2(c)为融合后的图像;
图3为本发明的第一组图片配准结果,其中,图3(a)和图3(b)为第二组待配准图像,图3(c)为融合后的图像;
图4为本发明的第一组图片配准结果,其中,图4(a)和图4(b)为第三组待配准图像,图4(c)为融合后的图像;
下表为本发明的图像配准算法与现有SIFT的参数比较:
由上表可见,本发明的配准方法匹配速度比现有的SIFT算法提高了近一倍。
Claims (3)
1.一种改进的基于SIFT特征的图像配准算法,其特征在于,具体步骤包括:
步骤a、图像采集:
将工件固定好,通过旋转照相机拍摄的角度,拍摄带有重叠部分的完整工件图像;
步骤b、图像几何校正:
对步骤a中获取的图像进行几何运算改变图像中物体的形状和空间位置,建立图像变换前与变换后的图像中所有像素点间的映射关系的函数;
步骤c、图像预处理:
对成像***获得的原始图像进行图像的去噪和还灰度处理,去除无关的信息,恢复有用的信息;
步骤d、图像配准:
采用基于图像特征的图像配准方法,提取待配准的两幅图像中满足特定应用要求的特征集,将这些特征作为控制结构,寻找两幅图像控制结构的映射关系;
步骤e、图像融合:
采用加权平均法进行图像融合处理,具体方法为:
对重叠部分的图像灰度值进行加权后再叠加平均,设I(x,y)、I1(x,y)和I2(x,y)分别表示融合后的图像、参考图像和待配准图像在点(x,y)处的像素灰度值,则有下式:
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>R</mi>
<mn>3</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,R1表示拼接后图像中原属于第一幅图像的未重叠区域,R2表示两幅图像的重叠区域,R3表示拼接后图像中原属于第二幅图像的未重叠区域,w1、w2分别表示两幅原始图像在重叠区域的对应像素的权值,且0<w1<1,0<w2<1,w1+w2=1,根据情况选择合适的权值w1和w2。
2.根据权利要求1所述的一种改进的基于SIFT特征的图像配准算法,其特征在于,所述步骤b中几何变换采用齐次坐标表示,假设二维图形变换前的一点坐标为[x,y,1],变换后为[x*,y*,1],则[x*,y*,1]=[x,y,1]T2D,则:
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mn>2</mn>
<mi>D</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "|" close = "|">
<mtable>
<mtr>
<mtd>
<mi>a</mi>
</mtd>
<mtd>
<mi>d</mi>
</mtd>
<mtd>
<mi>g</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>b</mi>
</mtd>
<mtd>
<mi>e</mi>
</mtd>
<mtd>
<mi>h</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>c</mi>
</mtd>
<mtd>
<mi>f</mi>
</mtd>
<mtd>
<mi>i</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,T2D为变换矩阵,a~i分别代表矩阵中的各个元素,其中,子矩阵是对图形进行缩放、旋转、对称和错切变换,子矩阵[c f]是对图形进行平移变换,子矩阵对图形做投影变换,元素i是对整体图形做伸缩变换。
3.根据权利要求1所述的一种改进的基于SIFT特征的图像配准算法,其特征在于,所述步骤c中去噪过程主要采用均值滤波、最小均方差滤波、中值滤波器和形态学滤波四种方法中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711308658.9A CN107886530A (zh) | 2017-12-11 | 2017-12-11 | 一种改进的基于sift特征的图像配准算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711308658.9A CN107886530A (zh) | 2017-12-11 | 2017-12-11 | 一种改进的基于sift特征的图像配准算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107886530A true CN107886530A (zh) | 2018-04-06 |
Family
ID=61773407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711308658.9A Pending CN107886530A (zh) | 2017-12-11 | 2017-12-11 | 一种改进的基于sift特征的图像配准算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107886530A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003331A (zh) * | 2018-06-13 | 2018-12-14 | 东莞时谛智能科技有限公司 | 一种图像重构方法 |
CN110751680A (zh) * | 2019-10-17 | 2020-02-04 | 中国科学院云南天文台 | 一种具有快速对齐算法的图像处理方法 |
CN112427487A (zh) * | 2019-08-26 | 2021-03-02 | 北京机电研究所有限公司 | 一种利用光学影像和显示网格测量热态自由锻件尺寸的装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999759A (zh) * | 2012-11-07 | 2013-03-27 | 东南大学 | 一种基于光流的车辆运动状态估计方法 |
CN103902953A (zh) * | 2012-12-25 | 2014-07-02 | 深圳先进技术研究院 | 一种屏幕检测***及方法 |
CN106709868A (zh) * | 2016-12-14 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种图像拼接方法及装置 |
US20170236284A1 (en) * | 2016-02-13 | 2017-08-17 | University Of Rochester | Registration of aerial imagery to vector road maps with on-road vehicular detection and tracking |
CN107424181A (zh) * | 2017-04-12 | 2017-12-01 | 湖南源信光电科技股份有限公司 | 一种改进的图像拼接关键帧快速提取方法 |
-
2017
- 2017-12-11 CN CN201711308658.9A patent/CN107886530A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999759A (zh) * | 2012-11-07 | 2013-03-27 | 东南大学 | 一种基于光流的车辆运动状态估计方法 |
CN103902953A (zh) * | 2012-12-25 | 2014-07-02 | 深圳先进技术研究院 | 一种屏幕检测***及方法 |
US20170236284A1 (en) * | 2016-02-13 | 2017-08-17 | University Of Rochester | Registration of aerial imagery to vector road maps with on-road vehicular detection and tracking |
CN106709868A (zh) * | 2016-12-14 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种图像拼接方法及装置 |
CN107424181A (zh) * | 2017-04-12 | 2017-12-01 | 湖南源信光电科技股份有限公司 | 一种改进的图像拼接关键帧快速提取方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003331A (zh) * | 2018-06-13 | 2018-12-14 | 东莞时谛智能科技有限公司 | 一种图像重构方法 |
CN112427487A (zh) * | 2019-08-26 | 2021-03-02 | 北京机电研究所有限公司 | 一种利用光学影像和显示网格测量热态自由锻件尺寸的装置 |
CN110751680A (zh) * | 2019-10-17 | 2020-02-04 | 中国科学院云南天文台 | 一种具有快速对齐算法的图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN104134200B (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
JP6899189B2 (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
CN106897995B (zh) | 一种面向机械装配过程的零部件自动识别方法 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN104134208B (zh) | 利用几何结构特征从粗到精的红外与可见光图像配准方法 | |
Wang et al. | An improved ORB image feature matching algorithm based on SURF | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN108401565B (zh) | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 | |
CN113469971B (zh) | 一种图像匹配方法及检测装置、存储介质 | |
CN107886530A (zh) | 一种改进的基于sift特征的图像配准算法 | |
CN112907527B (zh) | 一种针对大尺寸曲面试件的红外热成像拼接检测方法 | |
CN112215079B (zh) | 一种全局多阶段目标跟踪方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN112419185A (zh) | 基于光场迭代的精确高反光去除方法 | |
CN107609562B (zh) | 一种基于sift算法的尺度空间特征检测方法 | |
CN113822810A (zh) | 一种基于机器视觉的三维空间中工件的定位方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN111127353A (zh) | 一种基于块配准和匹配的高动态图像去鬼影方法 | |
CN108182700B (zh) | 一种基于两次特征检测的图像配准方法 | |
Yetiş et al. | Adaptive vision based condition monitoring and fault detection method for multi robots at production lines in industrial systems | |
CN113095385A (zh) | 一种基于全局和局部特征描述的多模图像匹配方法 | |
CN101150651A (zh) | 一种获得差分图像的预处理方法 | |
CN113592953B (zh) | 一种基于特征点集的双目非合作目标位姿测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180406 |
|
WD01 | Invention patent application deemed withdrawn after publication |