CN109492649B - 一种基于图像金字塔距离度量的近邻传播立体匹配方法 - Google Patents
一种基于图像金字塔距离度量的近邻传播立体匹配方法 Download PDFInfo
- Publication number
- CN109492649B CN109492649B CN201811285297.5A CN201811285297A CN109492649B CN 109492649 B CN109492649 B CN 109492649B CN 201811285297 A CN201811285297 A CN 201811285297A CN 109492649 B CN109492649 B CN 109492649B
- Authority
- CN
- China
- Prior art keywords
- point
- matching
- image
- pixel
- propagation
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像金字塔距离度量的近邻传播立体匹配方法,包括:对由左图I1和右图I2组成的立体图像对进行特征提取,利用距离度量的方式对左右图中特征进行配对,获取匹配点对;对左右图进行连续二倍下采样,直至尺寸为一个像素,获得一系列不同尺寸的左右图,以图像金字塔的形式表示不同尺寸的图片;对于左右原图中每个像素点,在每个尺寸的左右图中找到其对应的像素点;计算左右图原图中像素点的匹配正确性;根据获取的匹配点对,以匹配点对为传播起点,以比较匹配正确性的方式为传播条件,向相邻像素点传播匹配结果。本发明通过使用特征匹配寻找定位点建立的全局约束,大量减少计算成本,提高匹配速度,适合用于实时立体匹配。
Description
技术领域
本发明涉及计算机视觉和数字图象处理技术领域,具体涉及一种基于图像金字塔距离度量的近邻传播立体匹配方法。
背景技术
立体匹配作为三维重建、立体导航、非接触测距等技术的关键步骤通过匹配两幅或者多幅图像来获取深度信息,并且广泛应用于工业生产自动化、流水线控制、无人驾驶汽车、遥感图像分析等方面。但是立体匹配仍然有许多尚未解决的技术难题,因此该技术成为了近年来计算机视觉领域广泛关注的难点和热点。
在立体匹配的计算过程中,通常能够通过特征提取获取图像的先验信息,并且希望通过这些先验信息去实现快速且准确的立体匹配结果,因此基于图像特征和近邻传播的立体匹配算法旨在维持立体匹配的精度的前提下,降低立体匹配结果的计算时间。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于图像金字塔距离度量的近邻传播立体匹配方法,快速且精确的实现立体图像对的稠密立体匹配,得到两张图像中大量且正确的匹配点对,从而能够用于建立三维模型。
本发明的目的可以通过采取如下技术方案达到:
一种基于图像金字塔距离度量的近邻传播立体匹配方法,该方法包括:
特征提取步骤,立体图像对由左图I1和右图I2组成,对立体图像对进行特征提取,利用距离度量的方式对左图I1和右图I2中特征进行配对,获取匹配点对;
特征匹配步骤,利用距离度量的匹配方法为左图I1对应特征集中的每一个特征在右图I2对应特征集中寻找匹配特征,获取特征对,设置距离匹配阈值选取有效匹配的特征对作为匹配点对,匹配点对存储的值为两张图片中距离最近的两个特征点分别在两张图片中的位置,用二维坐标表示,把通过筛选的匹配点对存储在集合S中,匹配点对中左图I1的特征存储在集合E1中,右图I2的特征存储在集合E2中;
生成左右图金字塔步骤,对左图I1和右图I2进行连续二倍下采样,直至尺寸为一个像素,获得一系列不同尺寸的左右下采样图(此处左右下采样图即为进行连续二倍下采样后的左图I1和右图I2),左右下采样图构成金字塔形式的立体图像对,记为和l表示下采样的层数,和表示原尺寸的左右图,和表示由和高斯下采样获得的左右图;
以金字塔形式表示不同尺寸的图片,从下往上,越往上,层数越高,图片尺寸越小,下采样的次数越多。
存储对应像素点步骤,对于左右原图中每个像素点,在每层图片中找到其对应的像素点,存储到对应的集合中;
初始化步骤,设置左图I1存储矩阵,尺寸与立体图像对中左图I1大小相同,矩阵中每个位置最终用来存储左图I1相应位置上的像素点在右图I2中的匹配像素点坐标;对矩阵每个位置设置初值:左图I1中在该位置上的像素点如果属于E1,则在集合S中找到该像素点的匹配点对,把该位置的初值设置为找到的匹配点对中右图特征的坐标;否则该位置的初值设置为一个随机坐标值;
传播步骤,根据获取的匹配点对,以匹配点对为传播起点,以比较匹配正确性的方式为传播条件,向相邻像素点传播匹配结果。
进一步地,所述的传播步骤中,在计算左右原图中像素点的匹配正确性时,根据两个像素点的对应像素点集合,分别对两个集合中同一层的像素点,获取以它们为中心,尺寸由实验环境的计算能力决定的矩形区域,然后计算这两个矩形区域之间的距离,并根据计算出的不同层的区域距离进行加权和,以加权和的倒数衡量匹配正确性,倒数越大,匹配正确性越大。
进一步地,所述的基于图像金字塔距离度量的近邻传播立体匹配方法中,使用的特征包括:SIFT特征,Harris角点特征等。
进一步地,所述的存储对应像素点步骤,过程如下:
记和l>0分别表示第l层左图I1和右图I2中坐标为(i,j)的像素点,根据下采样的特性,是由和四个像素点通过窗口函数获得,记为和四个点在第l层的对应像素点,对于左图I1原图中每个像素点每一层都会存在一个对应像素点,把像素点在每层的对应像素点存储在集合中。
进一步地,所述的传播步骤中,根据初始化结果,对于左图原图中所有像素点在右图中都有一个初始匹配像素点这两个像素点从图像金字塔中都会有相应的集合和与其对应。在集合中,每一个像素点在集合中都会有一个像素点与其在同一层,记这两个集合中同一层的像素点的距离为则匹配正确性为
其中
式中表示以为中心的矩形区域与以为中心的矩形区域之间的距离,m1ij和m2ij分别表示在和中坐标为(i,j)的RGB像素点,其中w(m1ij,m2ij)表示m1ij和m2ij对于计算矩形区域P1和P2之间距离的加权系数,ρ(m1ij,m2ij)表示m1ij和m2ij之间距离,和表示在m1ij和m2ij的梯度。
进一步地,所述的传播步骤中,以像素点为单位进行传播。
进一步地,所述的传播步骤中,使用的传播方法中传播条件和传递的值具体如下:当图片中的一个像素点与其匹配点的匹配正确性小于左相邻点与左相邻点的匹配点之间的匹配正确性,则把左相邻点的匹配点的右相邻点作为该点的新匹配点,而舍弃该点的匹配结果。同样地,比较的是其它位置的相邻点时,当相邻点匹配结果的正确性大于该点匹配结果的正确性,则把相邻点的匹配点的相应位置上的像素点作为该点的新匹配点。
进一步地,所述的传播步骤中,传播过程分为两个步骤,首先是从图像左上顶点开始进行传播,比较图像中每点和它左相邻点和上相邻点的匹配结果正确性,当满足传播条件时,更新当前点的匹配结果,并以扫描顺序依次对图像中的每个点进行相同的处理;然后从图像的右下顶点开始,比较图像中每点和它右相邻点及下相邻点的匹配正确性,当满足传播条件时,更新当前点的匹配结果,并以扫描顺序的相反的顺序一次对图像中的每个点进行相同的处理。
进一步地,所述的传播步骤中,矩形区域的尺寸由实验环境计算能力决定,计算能力强,可以设置更大的尺寸进行计算。图像的大小和图像中纹理特征也是设置矩形区域的尺寸和形状的重要参考因素。在相同的实验环境中,对于同一对立体图像对的所有像素点,以它们为中心的矩形区域的大小固定。
本发明相对于现有技术具有如下的优点及效果:
1、本发明通过对匹配图像对进行特征匹配获取匹配点对作为传播方法的初始化起点,有效地减少了匹配结果的获取时间;
2、本发明通过使用近邻传播方法,在提高传播有效性的同时,大幅度减少立体匹配的搜索范围,有效地减少计算成本,提高计算速度;
3、本发明可以同时使用不同的特征和用于计算匹配的距离函数,减少图像本身的噪声和拍摄条件的影响,提高算法的鲁棒性和有效性。
附图说明
图1是本发明中公开的基于图像金字塔距离度量的近邻传播立体匹配方法的实施流程图;
图2是本发明中公开的基于图像金字塔距离度量的近邻传播立体匹配方法的传播流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1所示,本实施例公开了一种基于图像金字塔距离度量的近邻传播立体匹配方法,具体按照以下步骤进行:
步骤S1、特征提取。立体图像对分为左图I1和右图I2。使用SIFT特征运算符对立体图像对进行特征提取,分别把左图I1和右图I2获得的特征存储到相应的集合中。
步骤S2、特征匹配。对于左图I1对应特征集合中的每一个特征,与右图I2对应特征集合中所有的特征进行距离计算,距离计算方式为:
D(m1,m2)=‖m1-m2‖2,
其中m1和m2分别表示左图I1和右图I2的RGB特征点,计算RGB像素二阶矩时,三通道像素值的计算方式相同。选取右图I2对应特征集合中距离最小的特征作为当前特征的匹配特征,组成特征点对。对获得的所有特征点对进行筛选,筛选方式如下所述,计算所有获得的特征点对的距离值,距离值的最小值记为D*,特征点对数量的控制常量记为β,当一个特征点对的距离值小于β×D*时,则认为这个特征点对符合筛选条件,存储在集合S中。把通过筛选条件的特征点对中的左图特征点存储在集合E1中,右图特征点存储在集合E2中。
步骤S3、生成左右图金字塔。对左图I1和右图I2同时连续进行2倍下采样,直至图像尺寸缩小到一个像素点停止,生成一系列的不同尺寸的立体图像对,记为和l表示下采样的层数,和表示原尺寸的左右图,和表示由和高斯下采样获得的左右图。
步骤S4、存储对应像素点。记和l>0分别表示第l层左图I1和右图I2中坐标为(i,j)的像素点。根据下采样的特性,是由和四个像素点通过窗口函数获得。记为和四个点在第l层的对应像素点。对于左图I1原图中每个像素点每一层都会存在一个对应像素点,把在每层的对应像素点存储在集合中。
步骤S5、初始化。设置左图I1存储矩阵,尺寸与立体图像对中左图I1大小相同,矩阵中每个位置最终用来存储左图I1相应位置上的像素点在右图I2中的匹配像素点坐标;对矩阵每个位置设置初值:左图I1中在该位置上的像素点如果属于E1,则在集合S中找到该像素点的匹配点对,把该位置的初值设置为找到的匹配点对中右图特征的坐标;否则该位置的初值设置为一个随机坐标值。
步骤S6、传播。传播过程分为两个步骤,首先是从图像左上顶点开始进行传播,比较图像中每点和它左相邻点和上相邻点的匹配正确性,匹配结果正确性越大,则认为匹配结果越准确。根据初始化结果,对于左图I1原图中所有像素点在右图I2中都有一个初始匹配像素点这两个像素点从图像金字塔中都会有相应的集合和与他们对应。在集合中,每一个像素点在集合中都会有一个像素点与其在同一层,记这两个集合中同一层的像素点的距离为则匹配正确性为 而左图I1和右图I2中同一层的两个像素点的距离计算公式如下,
其中
式中表示以为中心的矩形区域与以为中心的矩形区域之间的距离,m1ij和m2ij分别表示在和中坐标为(i,j)的RGB像素点。计算RGB像素二阶矩时,三通道像素值的计算方式相同。其中w(m1ij,m2ij)表示m1ij和m2ij对于计算矩形区域P1和P2之间距离的加权系数。ρ(m1ij,m2ij)表示m1ij和m2ij之间距离。和表示在m1ij和m2ij的梯度。当左相邻点匹配正确性最大时,把左相邻点的匹配点的右相邻点作为当前像素点的新匹配结果,当上相邻点匹配正确性最大时,把上相邻点的匹配点的下相邻点作为当前像素点的新匹配结果,如果当前点的匹配结果正确性最大时,则不做任何处理,以扫描顺序依次对图像中的每个点进行相同的处理;然后从图像的右下顶点开始,比较图像中每点和它右相邻点及下相邻点的匹配正确性,按照第一个步骤的方式更新当前点的匹配结果,并以扫描顺序的相反的顺序一次对图像中的每个点进行相同的处理。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像金字塔距离度量的近邻传播立体匹配方法,其特征在于,该方法包括:
特征提取步骤,对立体图像对进行特征提取,其中,立体图像对由左图I1和右图I2组成,对立体图像对进行特征提取,分别把左图I1和右图I2获得的特征存储到相应的集合中;
特征匹配步骤,利用距离度量的匹配方法为左图I1对应特征集中的每一个特征在右图I2对应特征集中寻找匹配特征,获取特征对,设置距离匹配阈值选取有效匹配的特征对作为匹配点对,匹配点对存储的值为两张图片中距离最近的两个特征点分别在两张图片中的位置,用二维坐标表示,把通过筛选的匹配点对存储在集合S中,匹配点对中左图I1的特征存储在集合E1中,右图I2的特征存储在集合E2中;
生成左右图金字塔步骤,对左图I1和右图I2进行连续下采样,直至尺寸缩小为一个像素,获得一系列不同尺寸的左右下采样图,左右下采样图构成金字塔形式的立体图像对,记为和l表示下采样的层数,和表示原尺寸的左右图,和表示由和下采样获得的左右图;
存储对应像素点步骤,对于左右原图中每个像素点,在每层图片中找到其对应的像素点,存储到对应的集合中;
初始化步骤,设置左图I1存储矩阵,尺寸与立体图像对中左图I1大小相同,矩阵中每个位置最终用来存储左图I1相应位置上的像素点在右图I2中的匹配像素点坐标;对矩阵每个位置设置初值:左图I1中在该位置上的像素点如果属于E1,则在集合S中找到该像素点的匹配点对,把该位置的初值设置为找到的匹配点对中右图特征的坐标;否则该位置的初值设置为一个随机坐标值;
传播步骤,根据获取的匹配点对,以匹配点对为传播起点,以比较匹配正确性的方式为传播条件,向相邻像素点传播匹配结果。
2.根据权利要求1所述的一种基于图像金字塔距离度量的近邻传播立体匹配方法,其特征在于,所述的生成左右图金字塔步骤中,对左图I1和右图I2进行连续二倍下采样,采样方式采用高斯下采样。
3.根据权利要求1所述的一种基于图像金字塔距离度量的近邻传播立体匹配方法,其特征在于,所述的特征提取步骤中对立体图像对进行特征提取,其中,所述的特征提取包括提取SIFT特征和提取Harris角点特征。
7.根据权利要求1所述的一种基于图像金字塔距离度量的近邻传播立体匹配方法,其特征在于,所述的传播步骤中,以像素点为单位进行传播。
8.根据权利要求1所述的一种基于图像金字塔距离度量的近邻传播立体匹配方法,其特征在于,所述的传播步骤中传播过程如下:
首先从图像左上顶点开始进行传播,比较图像中每点和它左相邻点和上相邻点的匹配结果正确性,当满足传播条件时,更新当前点的匹配结果,并以扫描顺序依次对图像中的每个点进行相同的处理;
然后从图像的右下顶点开始,比较图像中每点和它右相邻点及下相邻点的匹配正确性,当满足传播条件时,更新当前点的匹配结果,并以扫描顺序的相反的顺序一次对图像中的每个点进行相同的处理。
9.根据权利要求8所述的一种基于图像金字塔距离度量的近邻传播立体匹配方法,其特征在于,所述的传播条件如下:
当图片中的一个像素点与其匹配点的匹配正确性小于左相邻点与左相邻点的匹配点之间的匹配正确性,则把左相邻点的匹配点的右相邻点作为该点的新匹配点,而舍弃该点的匹配结果,同理,当比较其它位置的相邻点时,当相邻点匹配结果的正确性大于该点匹配结果的正确性,则把相邻点的匹配点的相应位置上的像素点作为该点的新匹配点。
10.根据权利要求6所述的一种基于图像金字塔距离度量的近邻传播立体匹配方法,其特征在于,所述的传播步骤中,矩形区域的尺寸由实验环境计算能力、图像的大小和图像中纹理特征决定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285297.5A CN109492649B (zh) | 2018-10-31 | 2018-10-31 | 一种基于图像金字塔距离度量的近邻传播立体匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285297.5A CN109492649B (zh) | 2018-10-31 | 2018-10-31 | 一种基于图像金字塔距离度量的近邻传播立体匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492649A CN109492649A (zh) | 2019-03-19 |
CN109492649B true CN109492649B (zh) | 2021-09-21 |
Family
ID=65693514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811285297.5A Active CN109492649B (zh) | 2018-10-31 | 2018-10-31 | 一种基于图像金字塔距离度量的近邻传播立体匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492649B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739081A (zh) * | 2020-08-06 | 2020-10-02 | 成都极米科技股份有限公司 | 特征点匹配方法、拼接方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034265A (zh) * | 2010-11-24 | 2011-04-27 | 清华大学 | 一种三维视图获取方法 |
CN102607526A (zh) * | 2012-01-03 | 2012-07-25 | 西安电子科技大学 | 双介质下基于双目视觉的目标姿态测量方法 |
CN102881014A (zh) * | 2012-09-07 | 2013-01-16 | 航天恒星科技有限公司 | 一种基于图割的快速立体匹配方法 |
CN105608463A (zh) * | 2015-12-14 | 2016-05-25 | 武汉大学 | 一种立体图像特征匹配方法 |
KR20160149088A (ko) * | 2015-06-17 | 2016-12-27 | 한국전자통신연구원 | 계층적 스테레오 정합을 이용한 변이 추출 방법 및 그 장치 |
CN106887021A (zh) * | 2015-12-15 | 2017-06-23 | 株式会社理光 | 立体视频的立体匹配方法、控制器和*** |
CN107004276A (zh) * | 2014-07-03 | 2017-08-01 | A·古曼 | 从一对图像中觉察3d结构的方法 |
CN108010075A (zh) * | 2017-11-03 | 2018-05-08 | 华南理工大学 | 一种基于多特征联合的局部立体匹配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8385630B2 (en) * | 2010-01-05 | 2013-02-26 | Sri International | System and method of processing stereo images |
US9392262B2 (en) * | 2014-03-07 | 2016-07-12 | Aquifi, Inc. | System and method for 3D reconstruction using multiple multi-channel cameras |
-
2018
- 2018-10-31 CN CN201811285297.5A patent/CN109492649B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034265A (zh) * | 2010-11-24 | 2011-04-27 | 清华大学 | 一种三维视图获取方法 |
CN102607526A (zh) * | 2012-01-03 | 2012-07-25 | 西安电子科技大学 | 双介质下基于双目视觉的目标姿态测量方法 |
CN102881014A (zh) * | 2012-09-07 | 2013-01-16 | 航天恒星科技有限公司 | 一种基于图割的快速立体匹配方法 |
CN107004276A (zh) * | 2014-07-03 | 2017-08-01 | A·古曼 | 从一对图像中觉察3d结构的方法 |
KR20160149088A (ko) * | 2015-06-17 | 2016-12-27 | 한국전자통신연구원 | 계층적 스테레오 정합을 이용한 변이 추출 방법 및 그 장치 |
CN105608463A (zh) * | 2015-12-14 | 2016-05-25 | 武汉大学 | 一种立体图像特征匹配方法 |
CN106887021A (zh) * | 2015-12-15 | 2017-06-23 | 株式会社理光 | 立体视频的立体匹配方法、控制器和*** |
CN108010075A (zh) * | 2017-11-03 | 2018-05-08 | 华南理工大学 | 一种基于多特征联合的局部立体匹配方法 |
Non-Patent Citations (2)
Title |
---|
Cross-Scale Cost Aggregation for Stereo Matching;Z Kang;《2014 IEEE Conference on Computer Vision and Pattern Recognition》;20140925;第1-8页 * |
室内区域性WiFi定位EKNN算法设计;傅予力等;《华南理工大学学报(自然科学版)》;20171015;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109492649A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶*** | |
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN103426182B (zh) | 基于视觉注意机制的电子稳像方法 | |
CN108596975B (zh) | 一种针对弱纹理区域的立体匹配算法 | |
CN103700099B (zh) | 一种旋转和尺度不变的宽基线立体匹配方法 | |
CN106023230B (zh) | 一种适合变形图像的稠密匹配方法 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN104091339B (zh) | 一种图像快速立体匹配方法及装置 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
Sharma et al. | Edge detection using Moore neighborhood | |
CN108401565B (zh) | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 | |
CN104992403A (zh) | 一种基于视觉相似度度量的混合操作算子图像重定向方法 | |
CN116129037B (zh) | 视触觉传感器及其三维重建方法、***、设备及存储介质 | |
Pushpalwar et al. | Image inpainting approaches-a review | |
CN110910456A (zh) | 基于Harris角点互信息匹配的立体相机动态标定算法 | |
CN110390338B (zh) | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 | |
CN107155100B (zh) | 一种基于图像的立体匹配方法及装置 | |
CN111739071A (zh) | 基于初始值的快速迭代配准方法、介质、终端和装置 | |
CN109492649B (zh) | 一种基于图像金字塔距离度量的近邻传播立体匹配方法 | |
CN108447084B (zh) | 基于orb特征的立体匹配补偿方法 | |
CN117132737B (zh) | 一种三维建筑模型构建方法、***及设备 | |
KR101766431B1 (ko) | 계층적 스테레오 정합을 이용한 변이 추출 방법 및 그 장치 | |
CN104537637B (zh) | 一种单幅静态图像深度估计方法及装置 | |
CN110610503A (zh) | 一种基于立体匹配的电力刀闸三维信息恢复方法 | |
KR101178015B1 (ko) | 시차 맵 생성 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |