CN110084754A - 一种基于改进sift特征点匹配算法的图像叠加方法 - Google Patents
一种基于改进sift特征点匹配算法的图像叠加方法 Download PDFInfo
- Publication number
- CN110084754A CN110084754A CN201910552395.9A CN201910552395A CN110084754A CN 110084754 A CN110084754 A CN 110084754A CN 201910552395 A CN201910552395 A CN 201910552395A CN 110084754 A CN110084754 A CN 110084754A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- characteristic point
- formula
- matching
- 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 20
- 230000006872 improvement Effects 0.000 title description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 230000007704 transition Effects 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010001488 Aggression Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
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)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进SIFT特征点匹配算法的图像叠加方法,包括以下步骤:步骤1、图像采集。步骤2、柱面投影变换。步骤3、使用SIFT算法进行特征点匹配;首先使用大小为N*N的滑动窗口寻找对应的预测特征点搜索域;对于第K‑1张图像上的特征点P,在第K张图像上可能的匹配点的位置R行特征点匹配,通过设定阈值来剔除伪匹配的特征点对。步骤4、转换矩阵计算。步骤5、对转换矩阵估计后的图像进行图像融合。
Description
技术领域
本发明涉及图像自动拼接和叠加领域,尤其涉及一种针对工程现场的全景图像拼接和可视化技术。
背景技术
图像叠加技术一般是指通过图像配准的方法,寻找并拼接同一场景的若干张图像之间的重合区域,从而实现该场景下完整全景图像的重建。目前,基于特征点匹配的图像叠加和自动拼接计数在很多领域已经得到了广泛应用。在商品房销售领域,利用图像叠加可以展示楼盘的外观、布局和房屋结构等;在旅游推荐领域,通过图像叠加可以展现景区内的优美风景;在智能监控,图像叠加可以整合多个监控摄像头的数据,复现整个场景的实时情况,降低监控人员的工作强度的同时提高了监控效率。
图像叠加的关键是重合区域相似程度的计算,因此实现图像叠加的重点就是图像特征提取与匹配。但是,实际应用中不同图像之间的尺度存在变化,特征点的匹配精度直接影响图像叠加和自动拼接的效果;此外,特征点的匹配速度直接影响图像叠加算法的实时性,也是目前实际工程应用中追求的主要目标之一。
发明内容
本发明提出了一种基于SIFT特征点匹配的图像叠加方法,主要包括下列两个内容。针对不同图像在叠加过程中特征点匹配计算效率低的问题,本发明在分析待叠加图像重复程度的基础上,通过复用相邻图像中提取的特征点的空间信息,提出了一种特征点快速匹配方法;针对图像信息跨度较大特别是不同尺寸和数量的序列图像叠加过程中存在的特征点不匹配问题,提出了一种特征点精确匹配方法,通过改进不同图像特征点的相似度计算方法来剔除存在的伪匹配点。本发明基于圆柱面投影和特征点匹配对施工场景中建筑物、道路、工程器械和人员等关键目标的叠加,重建施工场景的全景图像,实现工程现场的可视化。
其技术方案如下:
一种基于改进SIFT特征点匹配算法的图像叠加方法,其特征在于,包括以下步骤:
Step1 图像采集
实景图像的质量直接影响叠加和拼接的效果,影响全景图像的视觉一致性效果。在光照情况良好的条件下,使用普通单反相机对场景进行实景图像采集。采集时,使用专业摄影三脚架固定相机,保持相机处于场景的中心附近且具有相对合适(能够覆盖场景)的视点;水平以均匀速度旋转相机360度进行拍摄,在旋转过程中保证相机水平,避免出现偏斜和俯仰;保证照片之间存在重叠部分。按上述标准,共采集20张静止图像,图像之间的重叠度为30%左右,尺寸分别设置为1024*680像素、800*532像素以及512*340像素。
Step2 柱面投影变换
圆柱面全景模型是一种将外部景物投影到以视点为中心、具有一定高度的圆柱表面的全景模型,具有单幅图像获取方式相对简单和兼容传统图像处理算法的优点;对于高度和宽度分别为和的原始图像,设图像获取时的焦距为;对于原始图像中任意的像素点,在相机坐标系下对应坐标为。将投影到圆柱体的圆柱面时,对应投影坐标点的计算方法如公式(1)和(2)所示;
(1)
(2)
在图像的柱面投影过程中,焦距的计算方法如公式(3)所示;
(3)
V表示相机的水平视角参数,直接影响拍照场景的范围;V的计算方法如公式(4)所示;
(4)
其中,将相机在水平方向旋转360度,n表示所拍摄的工程场景下的实景图像张数;
Step3 特征点匹配
Step3-1特征点相似度计算
SIFT算法(scale-invariant feature transform)是一种经典的基于尺度空间的局部特征提取算法,它在空间尺度中寻找极值点并提取出其位置、尺度和旋转不变量,已被广泛应用于物体识别等领域;使用SIFT算法进行特征点提取获取描述该特征点的一组特征向量,每个特征点的待匹配点为其特征向量欧式距离最短的点,具体的距离M的计算方法如公式(5);
(5)
其中,为特征点的SIFT特征向量,为待匹配点的SIFT特征向量;
Step3-2特征点搜索空间确定
首先使用大小为N*N的滑动窗口遍历第K张图像,当滑动窗口的中心点接近特征点P时,保证该特征点对应预测匹配点处于N*N的滑动窗口范围内。记录中心点的坐标位置为,则对于相邻的第K-1张图像中特征点搜索空间的大小计算方法如公式(6)所示。
(6)
其中,通过四维向量描述第K-1张图像中的特征点搜索空间,和分别表示搜索空间的长和宽,表示向量相邻的第K张图像中滑动窗口中心点的坐标,N表示滑动窗口的尺寸。则对于图像K上的每一个特点存在的特征点,通过上述方法均能够快速的在相邻图像K-1中找到对应的预测特征点搜索域,在该点对应的搜索域中再进行特征点匹配。
Step3-3特征点匹配
对于第K-1张图像上的特征点P,与其相邻的第K张图像上可能的匹配点的位置R的计算方法如公式(7):
(7)
其中,表示第K-1张图像的透视变换矩阵;和分别表示特征点在图像上的位置点坐标。
实际应用中,每一个特征点可能与不止一个特征点出现匹配成功;针对特征匹配时可能出现的伪匹配点,通过设定阈值来剔除伪匹配的特征点对;计算方法如公式(8)所示;
(8)
其中,表示特征点与最近邻域特征点的欧式距离,表示特征点与次近邻域特征点的欧式距离,表示阈值;如果比例小于阈值则认为是正确的特征点对,否则认为是错误的匹配对;这里,阈值默认为0.5;
Step4 转换矩阵计算
根据上述Step3获得的特征点对,利用特征点对之间的关系计算转换矩阵,转换矩阵的计算方法如公式(9)所示;
(9)
其中,()表示某像素点的原始坐标,()表示经过柱面投影后的坐标,()为两个坐标系下的控制转换参数;对于一对匹配点B()和C(),控制转换参数的计算方法如公式(10)和(11)所示;
(10)
= (11)
Step5 图像融合
对于Step4实现了转换矩阵估计后的图像进行图像融合;为了实现图像在重叠区域的平滑过渡,对待拼接图像的重合部分和进行加权计算获得融合后的图像,计算方法如公式(12)所示;
(12)
其中,和表示加权计算的权值,并且满足。
有益效果:
本发明通过改进特征点匹配时的搜索策略,提高了特征点匹配和图像叠加的处理速度。通过改进特征点匹配时的相似性评价方式,有效的解决了伪匹配点对的问题,提高了特征点匹配的精度,保证了图像叠加和自动拼接后具有较好的全局图视觉效果。
具体实施方式
以实际的电力施工场景为例,具体的实施方式如下。
硬件环境:
处理平台为AMAX的PSC-HB1X深度学习工作站,处理器为Inter(R) E5-2600 v3,主频为2.1GHZ,硬盘大小为1TB。
软件环境:
操作***Windows10 64位;Matlab 2016b。
本发明提供了一种基于改进SIFT特征点匹配算法的图像叠加方法,包括以下步骤:
Step1 图像采集
在晴天上午10点左右,使用佳能(EOS 70D)单反相机采集施工场地的实景图像。采集时,使用专业摄影三脚架固定相机,保持相机处于场景的中心附近且单幅图像能够包含整个施工场地的关键建筑物;水平以均匀速度旋转相机360度进行拍摄,在旋转过程中保证相机水平,避免出现偏斜和俯仰;保证照片之间存在重叠部分。按上述标准,共采集20张静止图像,图像之间的重叠度为30%左右,尺寸分别设置为1024*680像素、800*532像素以及512*340像素。
Step2 柱面投影变换
圆柱面全景模型是一种将外部景物投影到以视点为中心、具有一定高度的圆柱表面的全景模型,具有单幅图像获取方式相对简单和兼容传统图像处理算法的优点;对于高度和宽度分别为和的原始图像,设图像获取时的焦距为;对于原始图像中任意的像素点,在相机坐标系下对应坐标为。将投影到圆柱体的圆柱面时,对应投影坐标点的计算方法如公式(1)和(2)所示;
(1)
(2)
在图像的柱面投影过程中,焦距的计算方法如公式(3)所示;
(3)
V表示相机的水平视角参数,直接影响拍照场景的范围;V的计算方法如公式(4)所示;
(4)
其中,将相机在水平方向旋转360度,n表示所拍摄的工程场景下的实景图像张数;
Step3 特征点匹配
Step3-1 经特征点相似度计算
SIFT算法(scale-invariant feature transform)是一种经典的基于尺度空间的局部特征提取算法,它在空间尺度中寻找极值点并提取出其位置、尺度和旋转不变量,已被广泛应用于物体识别等领域;使用SIFT算法进行特征点提取获取描述该特征点的一组特征向量,每个特征点的待匹配点为其特征向量欧式距离最短的点,具体的距离M的计算方法如公式(5);
(5)
其中,为特征点的SIFT特征向量,为待匹配点的SIFT特征向量;
Step3-2特征点搜索空间确定在特征点匹配时,对两幅待叠加图像暴力的进行特征点相似度计算和匹配需要消耗大量的计算资源和时间,这限制了该方法应用的实时性。针对上述存在的问题,本发明考虑到在图像获取时是以均匀速度旋转相机,因此待叠加图像的重合程度基本是保持不变的,即相邻两幅图像的匹配特征点的相对位置变化是相对较小的。因此尝试使用前一次匹配的数据进行特征点位置的预测,在特征点的预测位置附近进行匹配特征点的搜索,通过减小整个特征点搜索域的大小提高特征点匹配的速度。
首先使用大小为N*N的滑动窗口遍历第K张图像,当滑动窗口的中心点接近特征点P时,保证该特征点对应预测匹配点处于N*N的滑动窗口范围内。记录中心点的坐标位置为,则对于相邻的第K-1张图像中特征点搜索空间的大小计算方法如公式(6)所示。
(6)
其中,通过四维向量描述第K-1张图像中的特征点搜索空间,和分别表示搜索空间的长和宽,表示向量相邻的第K张图像中滑动窗口中心点的坐标,N表示滑动窗口的尺寸。则对于图像K上的每一个特点存在的特征点,通过上述方法均能够快速的在相邻图像K-1中找到对应的预测特征点搜索域,在该点对应的搜索域中再进行特征点匹配。
对于第K-1张图像上的特征点P,与其相邻的第K张图像上可能的匹配点的位置R的计算方法如公式(7):
(7)
其中,和分别表示特征点在图像上的位置点坐标。
实际应用中,每一个特征点可能与不止一个特征点出现匹配成功;针对特征匹配时可能出现的伪匹配点,通过设定阈值来剔除伪匹配的特征点对;计算方法如公式(7)所示;
(8)
其中,表示特征点与最近邻域特征点的欧式距离,表示特征点与次近邻域特征点的欧式距离,表示阈值;如果比例小于阈值则认为是正确的特征点对,否则认为是错误的匹配对;这里,阈值默认为0.5;
Step4 转换矩阵计算
根据上述Step3获得的特征点对,利用特征点对之间的关系计算转换矩阵,转换矩阵的计算方法如公式(9)所示;
(9)
其中,()表示某像素点的原始坐标,()表示经过柱面投影后的坐标,()为两个坐标系下的控制转换参数;对于一对匹配点B()和C(),控制转换参数的计算方法如公式(10)和(11)所示;
(10)
= (11)
Step5 图像融合
对于Step4实现了转换矩阵估计后的图像进行图像融合;为了实现图像在重叠区域的平滑过渡,对待拼接图像的重合部分和进行加权计算获得融合后的图像,计算方法如公式(12)所示;
(12)
其中,和表示加权计算的权值,并且满足;依次对所有相邻图像进行融合,最终获得最后的电力施工场景全景图像。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (2)
1.一种基于改进SIFT特征点匹配算法的图像叠加方法,其特征在于复用相邻图像中提取的特征点的空间信息,基于前一次匹配结果缩小后一次匹配时的对应特征点搜索空间的大小提高特征点匹配的效率;
包括以下步骤:
Step1 图像采集
在光照情况良好的条件下,使用普通单反相机对场景进行实景图像采集;采集的照片之间要存在重叠部分;
Step2 柱面投影变换
圆柱面全景模型是一种将外部景物投影到以视点为中心、具有一定高度的圆柱表面的全景模型,具有单幅图像获取方式相对简单和兼容传统图像处理算法的优点;对于高度和宽度分别为和的原始图像,设图像获取时的焦距为;对于原始图像中任意的像素点,在相机坐标系下对应坐标为;
将投影到圆柱体的圆柱面时,对应投影坐标点的计算方法如公式(1)和(2)所示;
(1)
(2)
在图像的柱面投影过程中,焦距的计算方法如公式(3)所示;
(3)
V表示相机的水平视角参数,直接影响拍照场景的范围;V的计算方法如公式(4)所示;
(4)
其中,将相机在水平方向旋转360度,n表示所拍摄的工程场景下的实景图像张数;
Step3 特征点匹配
Step3-1 特征点相似度计算
使用SIFT算法进行特征点提取获取描述该特征点的一组特征向量,每个特征点的待匹配点为其特征向量欧式距离最短的点,具体的距离M的计算方法如公式(5);
(5)
其中,为特征点的SIFT特征向量,为待匹配点的SIFT特征向量;
Step3-2特征点搜索空间确定
首先使用大小为N*N的滑动窗口遍历第K张图像,当滑动窗口的中心点接近特征点P时,保证该特征点对应预测匹配点处于N*N的滑动窗口范围内;记录中心点的坐标位置为,则对于相邻的第K-1张图像中特征点搜索空间的大小计算方法如公式(6)所示:
(6)
其中,通过四维向量描述第K-1张图像中的特征点搜索空间,和分别表示搜索空间的长和宽,表示向量相邻的第K张图像中滑动窗口中心点的坐标,N表示滑动窗口的尺寸;则对于图像K上的每一个特点存在的特征点,通过上述方法均能够快速的在相邻图像K-1中找到对应的预测特征点搜索域,在该点对应的搜索域中再进行特征点匹配
Step3-3特征点匹配
对于第K-1张图像上的特征点P,与其相邻的第K张图像上可能的匹配点的位置R的计算方法如公式(7):
(7)
其中,表示第K-1张图像的透视变换矩阵;和分别表示特征点在图像上的位置点坐标;
实际应用中,每一个特征点可能与不止一个特征点出现匹配成功;针对特征匹配时可能出现的伪匹配点,通过设定阈值来剔除伪匹配的特征点对;计算方法如公式(8)所示;
(8)
其中,表示特征点与最近邻域特征点的欧式距离,表示特征点与次近邻域特征点的欧式距离,表示阈值;如果比例小于阈值则认为是正确的特征点对,否则认为是错误的匹配对;这里,阈值默认为0.5;
Step4 转换矩阵计算
根据上述Step3获得的特征点对,利用特征点对之间的关系计算转换矩阵,转换矩阵的计算方法如公式(9)所示;
(9)
其中,()表示某像素点的原始坐标,()表示经过柱面投影后的坐标,()为两个坐标系下的控制转换参数;对于一对匹配点B()和C(),控制转换参数的计算方法如公式(10)和(11)所示;
(10)
= (11)
Step5 图像融合
对于Step4实现了转换矩阵估计后的图像进行图像融合;为了实现图像在重叠区域的平滑过渡,对待拼接图像的重合部分和进行加权计算获得融合后的图像,计算方法如公式(12)所示;
(12)
其中,和表示加权计算的权值,并且满足。
2.根据权利要求1所述的一种基于改进SIFT特征点匹配算法的图像叠加方法,其特征在于,图像采集时,使用专业摄影三脚架固定相机,保持相机处于场景的中心附近且能够覆盖场景的视点;水平以均匀速度旋转相机360度进行拍摄,在旋转过程中保证相机水平,避免出现偏斜和俯仰;保证照片之间存在重叠部分;按上述标准,共采集20张静止图像,图像之间的重叠度为30%左右,尺寸分别设置为1024*680像素、800*532像素以及512*340像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910552395.9A CN110084754A (zh) | 2019-06-25 | 2019-06-25 | 一种基于改进sift特征点匹配算法的图像叠加方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910552395.9A CN110084754A (zh) | 2019-06-25 | 2019-06-25 | 一种基于改进sift特征点匹配算法的图像叠加方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084754A true CN110084754A (zh) | 2019-08-02 |
Family
ID=67424499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910552395.9A Pending CN110084754A (zh) | 2019-06-25 | 2019-06-25 | 一种基于改进sift特征点匹配算法的图像叠加方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084754A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766611A (zh) * | 2019-10-31 | 2020-02-07 | 北京沃东天骏信息技术有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111080564A (zh) * | 2019-11-11 | 2020-04-28 | 合肥美石生物科技有限公司 | 一种图像处理方法及*** |
CN111680549A (zh) * | 2020-04-28 | 2020-09-18 | 肯维捷斯(武汉)科技有限公司 | 一种纸纹识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833179A (zh) * | 2017-09-05 | 2018-03-23 | 云南电网有限责任公司昆明供电局 | 一种红外图像的快速拼接方法及*** |
-
2019
- 2019-06-25 CN CN201910552395.9A patent/CN110084754A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833179A (zh) * | 2017-09-05 | 2018-03-23 | 云南电网有限责任公司昆明供电局 | 一种红外图像的快速拼接方法及*** |
Non-Patent Citations (3)
Title |
---|
袁杰: "基于SIFT的图像配准与拼接技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
郭俊美: "基于图像的柱面全景图生成技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
陆泽萍: "基于无人机航拍图像的树冠三维重建", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766611A (zh) * | 2019-10-31 | 2020-02-07 | 北京沃东天骏信息技术有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111080564A (zh) * | 2019-11-11 | 2020-04-28 | 合肥美石生物科技有限公司 | 一种图像处理方法及*** |
CN111680549A (zh) * | 2020-04-28 | 2020-09-18 | 肯维捷斯(武汉)科技有限公司 | 一种纸纹识别方法 |
CN111680549B (zh) * | 2020-04-28 | 2023-12-05 | 肯维捷斯(武汉)科技有限公司 | 一种纸纹识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390640B (zh) | 基于模板的泊松融合图像拼接方法、***、设备及介质 | |
CN105957007B (zh) | 基于特征点平面相似度的图像拼接方法 | |
EP3028252B1 (en) | Rolling sequential bundle adjustment | |
CN105245841B (zh) | 一种基于cuda的全景视频监控*** | |
CN110211043B (zh) | 一种用于全景图像拼接的基于网格优化的配准方法 | |
CN106548173B (zh) | 一种基于分级匹配策略的改进无人机三维信息获取方法 | |
WO2020014909A1 (zh) | 拍摄方法、装置和无人机 | |
Cannons | A review of visual tracking | |
CN103971375B (zh) | 一种基于图像拼接的全景凝视相机空间标定方法 | |
US9824486B2 (en) | High resolution free-view interpolation of planar structure | |
CN103856727A (zh) | 一种多路实时视频拼接处理*** | |
CN110084754A (zh) | 一种基于改进sift特征点匹配算法的图像叠加方法 | |
Li et al. | Efficient video stitching based on fast structure deformation | |
CN111127524A (zh) | 一种轨迹跟踪与三维重建方法、***及装置 | |
CN105005964B (zh) | 基于视频序列影像的地理场景全景图快速生成方法 | |
Meilland et al. | Dense visual mapping of large scale environments for real-time localisation | |
CN109448105B (zh) | 基于多深度图像传感器的三维人体骨架生成方法及*** | |
Civera et al. | Drift-free real-time sequential mosaicing | |
CN105787876A (zh) | 一种基于surf特征跟踪匹配的全景视频自动拼接方法 | |
CN112085790A (zh) | 点线结合的多相机视觉slam方法、设备及存储介质 | |
CN105894443A (zh) | 一种基于改进的surf算法的实时视频拼接方法 | |
CN104574443B (zh) | 一种全景摄像机间运动目标的协同跟踪方法 | |
Liu et al. | MBA-VO: Motion blur aware visual odometry | |
CN108765292A (zh) | 基于空间三角面片拟合的图像拼接方法 | |
Tsao et al. | Stitching aerial images for vehicle positioning and tracking |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |