CN110232655A - 一种用于煤场的红外-可见光双光图像拼接与融合方法 - Google Patents
一种用于煤场的红外-可见光双光图像拼接与融合方法 Download PDFInfo
- Publication number
- CN110232655A CN110232655A CN201910510500.2A CN201910510500A CN110232655A CN 110232655 A CN110232655 A CN 110232655A CN 201910510500 A CN201910510500 A CN 201910510500A CN 110232655 A CN110232655 A CN 110232655A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- infrared
- coal yard
- scale
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 38
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 9
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000002156 mixing Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims 1
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization 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
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000009423 ventilation 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
-
- 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
- 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
- G06V10/44—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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10048—Infrared image
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种用于煤场的红外‑可见光双光图像拼接与融合方法，先使用SIFT检测算子检测图像的特征点，然后使用HOG进行特征描述，将获得的描述子使用最近邻比次近邻匹配，接着使用RANSAC进行外点移除，然后计算单应矩阵，之后使用Bundle Adjustment进行微调，此时对于可见光图像可以进行拼接得到煤场全景图，接着，对于红外图和煤场全景图进行配准，最后送入深度学习模块进行融合得到红外‑可见光融合图像。本发明能够适应煤场的恶劣环境，提供红外‑可见光双光拼接融合图像，有利于煤场工作人员进行现场监控以及为后续热源检测提供数据依据。
Description
技术领域
本发明涉及计算机视觉、图像处理、物料监控等技术，具体涉及一种用于煤场的红外-可见光双光图像拼接与融合方法。
背景技术
一般火力发电厂、热电厂等会将煤炭存储在封闭场所，长时间堆放的煤与空气接触会发生氧化反应并释放热量。堆放在外层的煤的热量可以散发，堆放在底层的煤接触的空气密度低也不易自燃，而中层煤堆内部空气流动缓慢、通风差，内部热量积累容易发生自燃。
现有对于煤堆自燃的监测方式主要有人工巡检、使用***式温度传感器以及使用红外温枪或热成像设备三种。人工巡检无法实时监测，同时由于现场环境十分恶劣，对巡检人员的安全也提出了要求；***式温度传感器布局范围和深度也受到煤场环境的影响，无法完全覆盖煤场，且这种监控方式无法得到精确的燃煤区域；红外温枪也只能检测煤堆表面温度，因此以上三个方案有效性都不高。
发明内容
为了解决现有技术对煤场煤堆自燃无法有效进行实时监控的问题，本发明提供了一种用于煤场的红外-可见光双光图像拼接与融合方法，以供后台预警算法使用，首先，从四台红外-可见光双光相机获取煤场各个方位的图像，然后利用计算机视觉的图像拼接和融合技术将图像进行拼接融合，获得煤场的红外-可见光双光融合全景图像，该全景图像能够覆盖整个煤场，为工作人员提供了安全精准的监控手段。
本发明为其技术问题采用的技术方案如下：
一种用于煤场的红外-可见光双光图像拼接与融合方法，包括以下步骤：
1)、用四台红外-可见光双光相机采集煤场各个方位的图像；
2)、对图像进行标定，获得相机的内外参数，根据所得参数对图像进行畸变矫正；
3)、对2)中矫正所得四幅图像先使用SIFT检测算子进行特征点检测。对于二维图像I＝(x,y)的尺度空间L(x,y,σ)是由高斯核G(x,y,σ)与I＝(x,y)的卷积来确定,高斯核是实现尺度变换的唯一线性核，于是有公式(3.1)：
L(x,y,σ)＝G(x,y,σ)*I(x,y) (3.1)
其中G(x,y,σ)是尺度可变高斯函数，用公式(3.2)表示
为了检测到稳定的关键点,提高稳定性，特征点的尺度空间由高斯差分尺度空间DOG上的峰值点来确定；
DOG尺度空间提供了尺度标准化的Laplacian近似值σ2▽2G,在σ2▽2G峰值点上特征最稳定；
D(x,y,σ)≈(k-1)σ2▽2G (3.4)
为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小，然后使用公式(3.5)消除边缘响应；
其中Tr(H)为主曲率的轨迹,Det(H)为行列式的值，r是阈值，一般设为10；
通过拟和三维二次函数以精确确定关键点的位置和尺度，达到亚像素精度，DOG算子会产生较强的边缘响应去除了低对比度的关键点和不稳定的边缘响应点，增强了稳定性，提高了抗噪声能力；
接着对得到的特征点使用HOG(梯度直方图)进行数值统计编码，生成SIFT特征描述子，利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性；
其中式(3.6)、(3.7)分别为梯度的模值和方向公式，其中所用的尺度为每个关键点各自所在的尺度，取关键点邻域8×8像素的范围为一小块，然后在每4×4的小块上计算个8方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点；
在尺度空间中计算关键点邻域像素的梯度方向直方图，选取主峰值80％以上的方向，一个关键点可能具备多个方向(一个主方向，一个以上辅方向)，可以增强鲁棒性，这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性；
4)、对3)中的特征描述子使用最近邻比次近邻方法进行匹配，首先，对特征点使用k-d树建立索引，以此检索在k-d树中与待查询点距离最近的k个数据点，这里k取值为2；然后使用最近邻比次近邻进行匹配；
5)、对4)中的匹配对使用RANSAC(随机一致采样)除去外点，在所有数据集合中随机选取两点形成一条直线,然后按照一定的阈值来寻找符合该直线的内点,此处阈值设置为0.65，由这个内点集合线性解出新的直线,再根据此新直线寻找它对应的内点,不断地重复这样的随机采样过程，直到某一次采样使内点数量最大，那么这次获得的直线估计就是此集合的最好估计；此方法通过阈值把所有的测量数据分成了内点和外点，由于内点数据比较准确，进行参数估计时能有效地剔除外点，因此得到的结果是一种优化的拟合结果；
6)、利用得到的良好的匹配点计算各幅图像之间的单应矩阵。单应矩阵描述了处于同一平面上的一些点在两张图像之间的变换关系，考虑图像I1和I2有一对匹配好的特征点p1和p2，于是有公式(6.1)；
p2＝Hp1 (6.1)
对于单应矩阵H可以通过4对匹配特征点算出；
7)、对6)中的单应矩阵使用Bundle Adjustment作为全局调整器，最小化所有图像之间的配准误差，由于一个单应矩阵只描述了两幅图像之间的变换关系，而本技术方案需要使用4幅图像来重建煤场全景图，所以需要使用bundle adjustment把相机姿态和特征点空间位置做出最优调整，得到一个最优的全局坐标系；
8)、接着将配准好的图像由7)中所得变换矩阵投影到柱面流形，然后寻找最佳拼接缝，削弱拼接的痕迹，最后使用多条带渲染使得拼接处图像过渡更自然；
9)、对红外-可见光图像的融合，先参照3)-6)对双光图像进行配准，然后使用深度学***均策略来获得融合的基础部分；为了提取细节，首先使用深度学习网络来计算多层特征，以便尽可能多地保留信息；对于每层的特征，使用soft-max算子来获得权重图以及候选融合细节内容；在多个层上应用相同的操作，从而获得融合细节内容的几个候选者；最终融合细节图像由最大选择策略生成，通过将基部与细节内容融合来重建最终融合图像。
本发明的技术构思为：先使用SIFT检测算子检测图像的特征点，然后使用HOG进行特征描述，将获得的描述子使用最近邻比次近邻匹配，接着使用RANSAC进行外点移除，然后计算单应矩阵，之后使用Bundle Adjustment进行微调，此时对于可见光图像可以进行拼接得到煤场全景图，接着，对于红外图和煤场全景图进行配准，最后送入深度学习模块进行融合得到红外-可见光融合图像。
本发明的有益效果主要表现在：能够适应煤场的恶劣环境，提供红外-可见光双光拼接融合图像，有利于煤场工作人员进行现场监控以及为后续热源检测提供数据依据。
附图说明
图1是红外相机矫正图。
图2是SIFT检测算子检测所得图像。
图3是使用随机一致采样所得特征匹配图像。
图4是4个视角的完整拼接图像。
图5是双光融合图像。
图6是用于煤场的红外-可见光双光图像拼接与融合方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图6，一种用于煤场的红外-可见光双光图像拼接与融合方法，包括以下步骤：
1)、用四台红外-可见光双光相机采集煤场各个方位的图像；
2)、由于红外相机视野大、畸变严重，所以需要对图像进行标定，获得相机的内外参数，并根据所得参数对图像进行畸变矫正，矫正效果如图1所示。
3)、对2)中矫正所得四幅图像先使用SIFT检测算子进行特征点检测。对于二维图像I＝(x,y)的尺度空间L(x,y,σ)是由高斯核G(x,y,σ)与I＝(x,y)的卷积来确定,高斯核是实现尺度变换的唯一线性核。于是有公式(3.1)：
L(x,y,σ)＝G(x,y,σ)*I(x,y) (3.1)
其中G(x,y,σ)是尺度可变高斯函数，用公式(3.2)表示
为了检测到稳定的关键点，提高稳定性，特征点的尺度空间由高斯差分尺度空间DOG上的峰值点来确定；
DOG尺度空间提供了尺度标准化的Laplacian近似值σ2▽2G,在σ2▽2G峰值点上特征最稳定；
D(x,y,σ)≈(k-1)σ2▽2G (3.4)
为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小，然后使用公式(3.5)消除边缘响应。
其中Tr(H)为主曲率的轨迹,Det(H)为行列式的值，r是阈值一般设为10。
通过拟和三维二次函数以精确确定关键点的位置和尺度,达到亚像素精度,DOG算子会产生较强的边缘响应去除了低对比度的关键点和不稳定的边缘响应点,增强了稳定性、提高了抗噪声能力。
将得到的特征点使用HOG(梯度直方图)进行数值统计编码，获得SIFT特征描述子。利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性。
其中式(2.6)、(2.7)分别为梯度的模值和方向公式。其中所用的尺度为每个关键点各自所在的尺度。取关键点邻域8×8像素的范围为一小块，然后在每4×4的小块上计算个8方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点。
在尺度空间中计算关键点邻域像素的梯度方向直方图,我们选取主峰值80％以上的方向,一个关键点可能具备多个方向(一个主方向,一个以上辅方向),可以增强鲁棒性。这种邻域方向性信息联合的思想增强了算法抗噪声的能力,同时对于含有定位误差的特征匹配也提供了较好的容错性，图2为SIFT检测算子检测效果图。
4)、对3)中的特征描述子使用最近邻比次近邻方法进行匹配。首先，对特征点使用k-d树建立索引，以此检索在k-d树中与待查询点距离最近的k个数据点，这里k取值为2。然后使用最近邻比次近邻进行匹配。
5)、对4)中的匹配对使用RANSAC(随机一致采样)除去外点。在所有数据集合中随机选取两点形成一条直线,然后按照一定的阈值来寻找符合该直线的内点，此处阈值设置为0.65,由这个内点集合线性解出新的直线,再根据此新直线寻找它对应的内点,不断地重复这样的随机采样过程,直到某一次采样使内点数量最大,那么这次获得的直线估计就是此集合的最好估计。此方法通过阈值把所有的测量数据分成了内点和外点,由于内点数据比较准确,进行参数估计时能有效地剔除外点,因此得到的结果是一种优化的拟合结果，经过RANSAC后所得特征匹配点如图3所示。
6)、利用得到的良好的匹配点计算各幅图像之间的单应矩阵。单应矩阵描述了处于同一平面上的一些点在两张图像之间的变换关系。考虑图像I1和I2有一对匹配好的特征点p1和p2，于是有公式5.1
p2＝Hp1 (5.1)
对于单应矩阵H可以通过4对匹配特征点算出。
7)、对6)中的单应矩阵使用Bundle Adjustment作为全局调整器，最小化所有图像之间的配准误差。由于一个单应矩阵只描述了两幅图像之间的变换关系，而本技术方案需要使用4幅图像来重建煤场全景图，所以需要使用bundle adjustment把相机姿态和特征点空间位置做出最优调整，得到一个最优的全局坐标系。
8)、接着将配准好的图像由7)中所得变换矩阵投影到柱面流形，然后寻找最佳拼接缝，削弱拼接的痕迹，最后使用多条带渲染使得拼接处图像过渡更自然，图4给出了从煤场4个视角拍摄的完整拼接图。
9)、对红外-可见光图像的融合，先参照2)-5)对双光图像进行配准，然后使用深度学***均策略来获得融合的基础部分。为了提取细节，首先，我们使用深度学习网络来计算多层特征，以便尽可能多地保留信息。对于每层的特征，我们使用soft-max算子来获得权重图以及候选融合细节内容。在多个层上应用相同的操作，我们将获得融合细节内容的几个候选者。最终融合细节图像由最大选择策略生成。通过将基部与细节内容融合来重建最终融合图像，图5即为融合效果图。
Claims (3)
1.一种用于煤场的红外-可见光双光图像拼接与融合方法，其特征在于，所述方法包括以下步骤：
1)、用四台红外-可见光双光相机采集煤场各个方位的图像；
2)、对图像进行标定，获得相机的内外参数，根据所得参数对图像进行畸变矫正；
3)、对2)中矫正所得四幅图像先使用SIFT检测算子进行特征点检测；
4)、对3)中的特征描述子使用最近邻比次近邻方法进行匹配，首先，对特征点使用k-d树建立索引，以此检索在k-d树中与待查询点距离最近的k个数据点，这里k取值为2；然后使用最近邻比次近邻进行匹配；
5)、对4)中的匹配对使用随机一致采样除去外点，在所有数据集合中随机选取两点形成一条直线,然后按照设定的阈值来寻找符合该直线的内点，由这个内点集合线性解出新的直线,再根据此新直线寻找它对应的内点，不断地重复这样的随机采样过程，直到某一次采样使内点数量最大，那么这次获得的直线估计就是此集合的最好估计；
6)、利用得到的良好的匹配点计算各幅图像之间的单应矩阵，单应矩阵描述了处于同一平面上的一些点在两张图像之间的变换关系，考虑图像I1和I2有一对匹配好的特征点p1和p2，于是有公式(6.1)；
p2＝Hp1 (6.1)
对于单应矩阵H可以通过4对匹配特征点算出；
7)、对6)中的单应矩阵使用Bundle Adjustment作为全局调整器，最小化所有图像之间的配准误差，由于一个单应矩阵只描述了两幅图像之间的变换关系，而本技术方案需要使用4幅图像来重建煤场全景图，所以需要使用bundle adjustment把相机姿态和特征点空间位置做出最优调整，得到一个最优的全局坐标系；
8)、接着将配准好的图像由7)中所得变换矩阵投影到柱面流形，然后寻找最佳拼接缝，削弱拼接的痕迹，最后使用多条带渲染使得拼接处图像过渡更自然；
9)、对红外-可见光图像的融合，先参照3)-6)对双光图像进行配准，然后使用深度学***均策略来获得融合的基础部分；最终融合细节图像由最大选择策略生成，通过将基部与细节内容融合来重建最终融合图像。
2.如权利要求1或2所述的一种用于煤场的红外-可见光双光图像拼接与融合方法，其特征在于，所述步骤3)中，对于二维图像I＝(x,y)的尺度空间L(x,y,σ)是由高斯核G(x,y,σ)与I＝(x,y)的卷积来确定,高斯核是实现尺度变换的唯一线性核，于是有公式(3.1)：
L(x,y,σ)＝G(x,y,σ)*I(x,y) (3.1)
其中G(x,y,σ)是尺度可变高斯函数，用公式(3.2)表示
为了检测到稳定的关键点,提高稳定性，特征点的尺度空间由高斯差分尺度空间DOG上的峰值点来确定；
DOG尺度空间提供了尺度标准化的Laplacian近似值在峰值点上特征最稳定；
为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小，然后使用公式(3.5)消除边缘响应；
其中Tr(H)为主曲率的轨迹,Det(H)为行列式的值，r是阈值；
通过拟和三维二次函数以精确确定关键点的位置和尺度，达到亚像素精度；
接着对得到的特征点使用HOG进行数值统计编码，生成SIFT特征描述子，利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性；
其中式(3.6)、(3.7)分别为梯度的模值和方向公式，其中所用的尺度为每个关键点各自所在的尺度，取关键点邻域8×8像素的范围为一小块，然后在每4×4的小块上计算个8方向的梯度方向直方图,绘制每个梯度方向的累加值，即可形成一个种子点；
在尺度空间中计算关键点邻域像素的梯度方向直方图，选取主峰值80％以上的方向，一个关键点可能具备多个方向。
3.如权利要求1或2所述的一种用于煤场的红外-可见光双光图像拼接与融合方法，其特征在于，所述步骤9)中，为了提取细节，首先使用深度学习网络来计算多层特征，以便尽可能多地保留信息；对于每层的特征，使用soft-max算子来获得权重图以及候选融合细节内容；在多个层上应用相同的操作，从而获得融合细节内容的几个候选者。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910510500.2A CN110232655B (zh) | 2019-06-13 | 2019-06-13 | 一种用于煤场的红外-可见光双光图像拼接与融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910510500.2A CN110232655B (zh) | 2019-06-13 | 2019-06-13 | 一种用于煤场的红外-可见光双光图像拼接与融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110232655A true CN110232655A (zh) | 2019-09-13 |
| CN110232655B CN110232655B (zh) | 2023-06-09 |
Family
ID=67859854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910510500.2A Active CN110232655B (zh) | 2019-06-13 | 2019-06-13 | 一种用于煤场的红外-可见光双光图像拼接与融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110232655B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
| CN111899289A (zh) * | 2020-06-19 | 2020-11-06 | 北京理工大学 | 一种基于图像特征信息的红外图像与可见光图像的配准方法 |
| CN112907493A (zh) * | 2020-12-01 | 2021-06-04 | 航天时代飞鸿技术有限公司 | 无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法 |
| CN112916407A (zh) * | 2020-04-29 | 2021-06-08 | 江苏旷博智能技术有限公司 | 用于分拣煤和矸石的方法 |
| CN113034615A (zh) * | 2021-03-30 | 2021-06-25 | 南方电网电力科技股份有限公司 | 一种用于多源数据融合的设备标定方法及相关装置 |
| CN115578620A (zh) * | 2022-10-28 | 2023-01-06 | 北京理工大学 | 一种点线面多维特征-可见光融合slam方法 |
| CN116189229A (zh) * | 2022-11-30 | 2023-05-30 | 中信重工开诚智能装备有限公司 | 一种基于煤矿辅助运输机器人的人员跟踪方法 |
| CN116612012A (zh) * | 2023-07-17 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 输电线路图像拼接方法、***、计算机设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364272A (zh) * | 2017-12-30 | 2018-08-03 | 广东金泽润技术有限公司 | 一种高性能红外-可见光融合探测方法 |
| CN108711146A (zh) * | 2018-04-19 | 2018-10-26 | 中国矿业大学 | 一种基于可见光和红外图像融合的煤岩识别装置及方法 |
-
2019
- 2019-06-13 CN CN201910510500.2A patent/CN110232655B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364272A (zh) * | 2017-12-30 | 2018-08-03 | 广东金泽润技术有限公司 | 一种高性能红外-可见光融合探测方法 |
| CN108711146A (zh) * | 2018-04-19 | 2018-10-26 | 中国矿业大学 | 一种基于可见光和红外图像融合的煤岩识别装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋海华等: "基于地理信息的电力线全景图像信息融合方法", 《电网技术》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
| CN112916407A (zh) * | 2020-04-29 | 2021-06-08 | 江苏旷博智能技术有限公司 | 用于分拣煤和矸石的方法 |
| CN111899289A (zh) * | 2020-06-19 | 2020-11-06 | 北京理工大学 | 一种基于图像特征信息的红外图像与可见光图像的配准方法 |
| CN112907493A (zh) * | 2020-12-01 | 2021-06-04 | 航天时代飞鸿技术有限公司 | 无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法 |
| CN113034615A (zh) * | 2021-03-30 | 2021-06-25 | 南方电网电力科技股份有限公司 | 一种用于多源数据融合的设备标定方法及相关装置 |
| CN113034615B (zh) * | 2021-03-30 | 2023-05-23 | 南方电网电力科技股份有限公司 | 一种用于多源数据融合的设备标定方法及相关装置 |
| CN115578620A (zh) * | 2022-10-28 | 2023-01-06 | 北京理工大学 | 一种点线面多维特征-可见光融合slam方法 |
| CN116189229A (zh) * | 2022-11-30 | 2023-05-30 | 中信重工开诚智能装备有限公司 | 一种基于煤矿辅助运输机器人的人员跟踪方法 |
| CN116189229B (zh) * | 2022-11-30 | 2024-04-05 | 中信重工开诚智能装备有限公司 | 一种基于煤矿辅助运输机器人的人员跟踪方法 |
| CN116612012A (zh) * | 2023-07-17 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 输电线路图像拼接方法、***、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110232655B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232655A (zh) | 一种用于煤场的红外-可见光双光图像拼接与融合方法 | |
| Liu et al. | Image‐based crack assessment of bridge piers using unmanned aerial vehicles and three‐dimensional scene reconstruction | |
| CN107194991B (zh) | 一种基于骨架点局域动态更新的三维全局可视化监控***构建方法 | |
| CN105118055B (zh) | 摄影机定位修正标定方法及*** | |
| CN106683173B (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 | |
| US7509241B2 (en) | Method and apparatus for automatically generating a site model | |
| CN101299270B (zh) | 三维扫描***中的多个摄像机同步快速标定方法 | |
| Teller et al. | Calibrated, registered images of an extended urban area | |
| CN104330074B (zh) | 一种智能测绘平台及其实现方法 | |
| Xie et al. | Study on construction of 3D building based on UAV images | |
| CN104484648A (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
| Wan et al. | Stereo vision using two PTZ cameras | |
| CN109903227A (zh) | 基于相机几何位置关系的全景影像拼接方法 | |
| CN109961485A (zh) | 一种基于单目视觉进行目标定位的方法 | |
| CN107154014A (zh) | 一种实时彩色及深度全景图像拼接方法 | |
| CN104966281A (zh) | 多视影像的imu/gnss引导匹配方法 | |
| CN110146030A (zh) | 基于棋盘格标志法的边坡表面变形监测***和方法 | |
| CN110084243A (zh) | 一种基于二维码和单目相机的档案识别与定位方法 | |
| CN108010086A (zh) | 基于网球场标志线交点的摄像机标定方法、装置和介质 | |
| CN112949478A (zh) | 基于云台相机的目标检测方法 | |
| CN109685855A (zh) | 一种道路云监控平台下的摄像机标定优化方法 | |
| CN110766170B (zh) | 基于图像处理的多传感器融合和人员定位的方法 | |
| CN108279677A (zh) | 基于双目视觉传感器的轨道机器人检测方法 | |
| CN110288659A (zh) | 一种基于双目视觉的深度成像及信息获取方法 | |
| CN108362205A (zh) | 基于条纹投影的空间测距方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |