CN110889904B - 一种图像特征精简方法 - Google Patents
一种图像特征精简方法 Download PDFInfo
- Publication number
- CN110889904B CN110889904B CN201911144211.1A CN201911144211A CN110889904B CN 110889904 B CN110889904 B CN 110889904B CN 201911144211 A CN201911144211 A CN 201911144211A CN 110889904 B CN110889904 B CN 110889904B
- Authority
- CN
- China
- Prior art keywords
- order
- feature point
- information entropy
- texture
- order texture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims description 42
- 230000009467 reduction Effects 0.000 claims description 17
- 238000005192 partition Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Generation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像特征精简方法,通过获取第一图像对第一图像进行特征点检测,生成初始特征点集合,然后分别对初始特征点集合中的每个特征点的8邻域像素位置进行采样,并计算每个特征点的8邻域像素位置对应的局部区域的一阶和二阶纹理描述,再根据纹理描述分别计算每个特征点对应的一阶和二阶纹理信息熵,并对一阶和二阶纹理信息熵进行加权求和,生成最终信息熵,最后根据取值从大到小的顺序,取信息熵前n%的特征点并构成最终精简特征点集合,能够保留局部区域信息量较大的稳定特征点,保证特征点的均匀分布,同时有效减少初始特征点数量,进而提高特征匹配的稳定性,减少后续计算描述子和特征点匹配步骤的计算量。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像特征精简方法。
背景技术
在增强现实应用中,基于自然特征的三维注册等技术具有广泛的应用前景。其中,图像特征匹配是实现上述三维注册的关键步骤。
图像特征匹配过程包括特征点检测、计算描述子和特征点匹配三步,现有的特征精简优化方法一般是优化描述子计算方法、特征匹配方法或者在特征匹配第三步之后进行特征误匹配消除等优化(如RANSAC算法等)。对于优化描述子计算及特征匹配的方法,无法精简参与计算的图像特征的数量;对于特征误匹配消除类的方法,由于在图像匹配过程中耗时最长的是计算描述子和特征点匹配两步,因此该方法难以有效减少计算量。此外,现有技术一般根据局部区域的像素值来计算信息熵,该方法容易受光照变化及旋转等条件的影响。
因此,在计算描述子步骤之前精简特征点数量可以有效缩短算法处理时间。
发明内容
本发明实施例的目的是提供一种图像特征精简方法,能够保留局部区域信息量较大的稳定特征点,保证特征点的均匀分布,同时有效减少初始特征点数量,进而提高特征匹配的稳定性,减少后续计算描述子和特征点匹配步骤的计算量。
为实现上述目的,本发明实施例提供了一种图像特征精简方法,包括以下步骤:
获取第一图像,并对所述第一图像进行特征点检测,生成初始特征点集合;
分别对所述初始特征点集合中的每个特征点的8邻域像素位置进行采样,并计算每个特征点的8邻域像素位置对应的局部区域的一阶和二阶纹理描述;
根据所述纹理描述,分别计算每个特征点对应的一阶和二阶纹理信息熵,并对每个特征点对应的一阶和二阶纹理信息熵进行加权求和,生成最终信息熵;
根据取值从大到小的顺序,分别在所述第一图像的四个象限分区内进行取值,取信息熵前n%的特征点并构成最终精简特征点集合。
进一步的,所述分别对所述初始特征点集合中的每个特征点的8邻域像素位置进行采样,并计算每个特征点的8邻域像素位置对应的局部区域的一阶和二阶纹理描述,具体为:
分别以所述初始特征点集合中每个特征点的8个邻域像素位置为中心,一个像素宽度为半径,并针对每个中心等间隔采样8个点以形成局部区域一阶纹理采样;
根据所述一阶纹理采样和一阶纹理描述计算公式,计算得到所述初始特征点集合中的每个特征点的局部区域的一阶纹理描述;
在所述初始特征点集合中的一个特征点的一个8邻域像素位置且像素值为nc的局部区域的一阶纹理采样的基础上,分别以0°、45°、90°以及135°四个方向对应像素值为n0、n1、n2以及n3的所在位置为中心,进行0°、45°、90°以及135°四个方向对应的局部区域一阶纹理采样,将分别以nc和n0、nc和n1、nc和n2以及nc和n3所在位置为中心的一阶纹理采样对应位置相减,取其一阶符号函数值作为二阶纹理采样,并沿逆时针方向,采用相同的方式分别完成余下的7个该特征点8邻域像素位置对应的局部区域二阶纹理采样;
根据所述二阶纹理采样和二阶纹理描述计算公式,计算得到所述初始特征点集合中的每个特征点8邻域像素位置对应的局部区域的二阶纹理描述。
进一步的,所述根据所述纹理描述,分别计算每个特征点对应的一阶和二阶纹理信息熵,并对每个特征点对应的一阶和二阶纹理信息熵进行加权求和,生成最终信息熵,具体为:
根据每个特征点和信息熵计算公式,计算得到每个特征点对应的局部区域一阶纹理信息熵;
根据所述每个特征点对应的局部区域一阶纹理信息熵,和以每个特征点的0°、45°、90°、135°四个方向计算得到的二阶纹理信息熵,以及最终信息熵计算公式,计算得到所述初始特征点集合中全部特征点对应的最终信息熵。
进一步的,所述根据取值从大到小的顺序,分别在所述第一图像的四个象限分区内进行取值,取信息熵前n%的特征点并构成最终精简特征点集合,具体为:
以所述第一图像的中心为原点,所述第一图像的长边为x轴,所述第一图像的宽边为y轴建立右手坐标系;
根据所述初始特征点集合,分别统计四个象限分区内的特征点数量,并根据每个特征点对应的信息熵值按从大到小的顺序进行排列;
根据实际应用需要,分别在四个象限内选取前n%的特征点构成最终精简特征点集。
进一步的,所述一阶纹理描述计算公式为:
其中,k为局部区域一阶纹理采样点数;ni表示第i个采样点的像素值,i=0,...,7;ROR(j,l)表示对k位二进制数j向右循环移位l次。
进一步的,预先定义的一阶符号函数为:
进一步的,所述二阶纹理描述计算公式为:
其中,nc为初始局部区域一阶纹理采样中心的像素值,nxc为x方向局部区域一阶纹理采样中心的像素值,nxi为该方向第i个采样点的像素值。
进一步的,预先定义的二阶符号函数为:
其中,i、j均为一阶符号函数值。
进一步的,所述信息熵计算公式为:
其中,m为对应纹理描述的取值上限,pt为纹理描述取值为t的出现概率。
进一步的,所述最终信息熵计算公式为:
其中,ε1、ε2分别为一阶、二阶纹理信息熵对应的权值,满足ε1+ε2=1;E1为一个特征点对应的局部区域一阶纹理信息熵;E2(0)、E2(45)、E2(90)、E2(135)分别为以0°、45°、90°和135°四个方向计算的二阶纹理信息熵。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的图像特征精简方法,通过获取第一图像,并对第一图像进行特征点检测,生成初始特征点集合,然后分别对初始特征点集合中的每个特征点的8邻域像素位置进行采样,并计算每个特征点的8邻域像素位置对应的局部区域的一阶和二阶纹理描述,再根据纹理描述,分别计算每个特征点对应的一阶和二阶纹理信息熵,并对每个特征点对应的一阶和二阶纹理信息熵进行加权求和,生成最终信息熵,最后根据取值从大到小的顺序,分别在第一图像的四个象限分区内进行取值,取信息熵前n%的特征点并构成最终精简特征点集合,能够保留局部区域信息量较大的稳定特征点,保证特征点的均匀分布,同时有效减少初始特征点数量,进而提高特征匹配的稳定性,减少后续计算描述子和特征点匹配步骤的计算量。
附图说明
图1是本发明提供的图像特征精简方法的一个实施例的流程示意图;
图2是本发明提供的图像特征精简方法的局部区域一阶纹理采样方式图;
图3是本发明提供的图像特征精简方法的0°方向对应的局部区域二阶纹理采样方式图。
具体实施方式
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,所描述的实施例仅仅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作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。
参见图1,图1是本发明提供的图像特征精简方法的一个实施例的流程示意图;本发明实施例提供一种图像特征精简方法,包括步骤S1至S4;
S1,获取第一图像,并对所述第一图像进行特征点检测,生成初始特征点集合。
需要说明的是,本发明在特征点检测步骤形成初始特征点集合的基础上,所以需要先获取对所述第一图像进行特征点检测生成的初始特征点集合。
S2,分别对所述初始特征点集合中的每个特征点的8邻域像素位置进行采样,并计算每个特征点的8邻域像素位置对应的局部区域的一阶和二阶纹理描述。
在本发明实施例中,所述步骤S2具体为:分别以所述初始特征点集合中每个特征点的8个邻域像素位置为中心,一个像素宽度为半径,并针对每个中心等间隔采样8个点以形成局部区域一阶纹理采样;根据所述一阶纹理采样和一阶纹理描述计算公式,计算得到所述初始特征点集合中的每个特征点的局部区域的一阶纹理描述;在所述初始特征点集合中的一个特征点的一个8邻域像素位置且像素值为nc的局部区域的一阶纹理采样的基础上,分别以0°、45°、90°以及135°四个方向对应像素值为n0、n1、n2以及n3的所在位置为中心,进行0°、45°、90°以及135°四个方向对应的局部区域一阶纹理采样,将分别以nc和n0、nc和n1、nc和n2以及nc和n3所在位置为中心的一阶纹理采样对应位置相减,取其一阶符号函数值作为二阶纹理采样,并沿逆时针方向,采用相同的方式分别完成余下的7个该特征点8邻域像素位置对应的局部区域二阶纹理采样;根据所述二阶纹理采样和二阶纹理描述计算公式,计算得到所述初始特征点集合中的每个特征点8邻域像素位置对应的局部区域的二阶纹理描述。
请参见图2,图2为局部区域一阶纹理采样方式图,在本发明实施例中,在初始特征点集合中任取一个图像特征点,以其8邻域像素位置中位于左上的位置为中心,一个像素宽度为半径,等间隔采样8个点形成局部区域一阶纹理采样,具体方式如图2所示:沿逆时针方向,分别以余下的7个该特征点8邻域像素位置为中心,完成局部区域一阶纹理采样。
基于上述一阶纹理采样,为计算局部区域的一阶纹理描述,首先定义一阶符号函数为:
并且所述一阶纹理描述计算公式为:
其中,k为局部区域一阶纹理采样点数;ni表示第i个采样点的像素值,i=0,...,7;ROR(j,l)表示对k位二进制数j向右循环移位l次。
请参见图3,图3为0°方向对应的局部区域二阶纹理采样方式图,在本发明实施例中,分别从0°,45°,90°和135°4个方向计算特征点8邻域像素位置对应的局部区域二阶纹理描述。以0°方向为例,在初始局部区域一阶纹理采样的基础上,以n0所在位置为中心进行0°方向对应的局部区域一阶纹理采样,将分别以nc和n0为中心的一阶纹理采样对应位置相减,取其一阶符号函数值作为二阶纹理采样,具体方式如下图3所示。分别以n1、n2和n3所在位置为中心进行45°,90°和135°方向对应的局部区域一阶纹理采样,进而按照上述二阶纹理采样方式即可得到三个方向对应的二阶纹理采样。沿逆时针方向,按照上述方式分别完成余下的7个该特征点8邻域像素位置对应的局部区域二阶纹理采样。
优选的,定义的二阶符号函数为:其中,i、j均为一阶符号函数值。
基于上述二阶符号函数,定义沿x方向的局部区域二阶纹理描述的计算方式如下:
其中,nc为初始局部区域一阶纹理采样中心的像素值,nxc为x方向局部区域一阶纹理采样中心的像素值,nxi为该方向第i个采样点的像素值。
最后根据上述一阶和二阶纹理描述的计算方法,计算得到初始特征点集合中全部特征点8邻域像素位置对应的局部区域一阶和二阶纹理描述。
S3,根据所述纹理描述,分别计算每个特征点对应的一阶和二阶纹理信息熵,并对每个特征点对应的一阶和二阶纹理信息熵进行加权求和,生成最终信息熵。
在本发明实施例中,步骤S3具体为:根据每个特征点和信息熵计算公式,计算得到每个特征点对应的局部区域一阶纹理信息熵;根据所述每个特征点对应的局部区域一阶纹理信息熵,和以每个特征点的0°、45°、90°、135°四个方向计算得到的二阶纹理信息熵,以及最终信息熵计算公式,计算得到所述初始特征点集合中全部特征点对应的最终信息熵。
作为本发明的优选实施例,首先预先定义局部区域纹理信息熵计算公式为:其中,m为对应纹理描述的取值上限,pt为纹理描述取值为t的出现概率。
根据上述信息熵的定义,设一个特征点对应的局部区域一阶纹理信息熵为E1,以0°,45°,90°和135°4个方向计算的二阶纹理信息熵为E2(0)、E2(45)、E2(90)和E2(135),则该特征点对应的局部区域最终信息熵计算如下:
其中,ε1、ε2分别为一阶、二阶纹理信息熵对应的权值,满足ε1+ε2=1。
最后根据最终信息熵的计算公式,计算得到初始特征点集合中全部特征点对应的最终信息熵。
S4,根据取值从大到小的顺序,分别在所述第一图像的四个象限分区内进行取值,取信息熵前n%的特征点并构成最终精简特征点集合。
在本发明实施例中,步骤S4具体为:以所述第一图像的中心为原点,所述第一图像的长边为x轴,所述第一图像的宽边为y轴建立右手坐标系;根据所述初始特征点集合,分别统计四个象限分区内的特征点数量,并根据每个特征点对应的信息熵值按从大到小的顺序进行排列;根据实际应用需要,分别在四个象限内选取前n%的特征点构成最终精简特征点集。
作为本发明的优选实施例,首先以图像中心为原点,图像长边为x轴,宽边为y轴建立右手坐标系;然后依据初始特征点集合,分别统计4个象限分区内的特征点数量并根据其对应的信息熵值按从大到小的顺序进行排列;最后根据实际应用需要,分别在4个象限内选取前n%的特征点构成最终精简特征点集。本步骤在精简特征点数量的同时保证了特征点的均匀分布,可以有效减小图像部分遮挡的影响,有利于提高后续特征点匹配的稳定性。
综上所述,本发明实施例提供的图像特征精简方法,通过获取第一图像,并对第一图像进行特征点检测,生成初始特征点集合,然后分别对初始特征点集合中的每个特征点的8邻域像素位置进行采样,并计算每个特征点的8邻域像素位置对应的局部区域的一阶和二阶纹理描述,再根据纹理描述,分别计算每个特征点对应的一阶和二阶纹理信息熵,并对每个特征点对应的一阶和二阶纹理信息熵进行加权求和,生成最终信息熵,最后根据取值从大到小的顺序,分别在第一图像的四个象限分区内进行取值,取信息熵前n%的特征点并构成最终精简特征点集合,能够保留局部区域信息量较大的稳定特征点,保证特征点的均匀分布,同时有效减少初始特征点数量,进而提高特征匹配的稳定性,减少后续计算描述子和特征点匹配步骤的计算量。
本发明提供的实施例一种图像特征精简方法,具有以下有益效果:
(1)在计算描述子步骤之前根据局部区域纹理信息熵精简特征点数量,既保留了稳定特征点,又可以有效减少算法处理时间。
(2)在图像的四个象限分区内过滤掉信息熵较小的特征点,保证特征点的均匀分布。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种图像特征精简方法,其特征在于,包括以下步骤:
获取第一图像,并对所述第一图像进行特征点检测,生成初始特征点集合;
分别对所述初始特征点集合中的每个特征点的8邻域像素位置进行采样,并计算每个特征点的8邻域像素位置对应的局部区域的一阶和二阶纹理描述;其中,所述分别对所述初始特征点集合中的每个特征点的8邻域像素位置进行采样,并计算每个特征点的8邻域像素位置对应的局部区域的一阶和二阶纹理描述,具体为:
分别以所述初始特征点集合中每个特征点的8个邻域像素位置为中心,一个像素宽度为半径,并针对每个中心等间隔采样8个点以形成局部区域一阶纹理采样;
根据所述一阶纹理采样和一阶纹理描述计算公式,计算得到所述初始特征点集合中的每个特征点的局部区域的一阶纹理描述;
在所述初始特征点集合中的一个特征点的一个8邻域像素位置且像素值为nc的局部区域的一阶纹理采样的基础上,分别以0°、45°、90°以及135°四个方向对应像素值为n0、n1、n2以及n3的所在位置为中心,进行0°、45°、90°以及135°四个方向对应的局部区域一阶纹理采样,将分别以nc和n0、nc和n1、nc和n2以及nc和n3所在位置为中心的一阶纹理采样对应位置相减,取其一阶符号函数值作为二阶纹理采样,并沿逆时针方向,采用相同的方式分别完成余下的7个该特征点8邻域像素位置对应的局部区域二阶纹理采样;
根据所述二阶纹理采样和二阶纹理描述计算公式,计算得到所述初始特征点集合中的每个特征点8邻域像素位置对应的局部区域的二阶纹理描述;
根据所述纹理描述,分别计算每个特征点对应的一阶和二阶纹理信息熵,并对每个特征点对应的一阶和二阶纹理信息熵进行加权求和,生成最终信息熵;其中,所述根据所述纹理描述,分别计算每个特征点对应的一阶和二阶纹理信息熵,并对每个特征点对应的一阶和二阶纹理信息熵进行加权求和,生成最终信息熵,具体为:
根据每个特征点的一阶纹理和信息熵计算公式,计算得到每个特征点对应的局部区域一阶纹理信息熵;
根据每个特征点的二阶纹理和信息熵计算公式,计算得到每个特征点对应的局部区域二阶纹理信息熵;
根据所述每个特征点对应的局部区域一阶纹理信息熵,和以每个特征点的0°、45°、90°、135°四个方向计算得到的二阶纹理信息熵,以及最终信息熵计算公式,计算得到所述初始特征点集合中全部特征点对应的最终信息熵;
根据取值从大到小的顺序,分别在所述第一图像的四个象限分区内进行取值,取最终信息熵前n%的特征点并构成最终精简特征点集合。
2.如权利要求1所述的图像特征精简方法,其特征在于,所述根据取值从大到小的顺序,分别在所述第一图像的四个象限分区内进行取值,取信息熵前n%的特征点并构成最终精简特征点集合,具体为:
以所述第一图像的中心为原点,所述第一图像的长边为x轴,所述第一图像的宽边为y轴建立右手坐标系;
根据所述初始特征点集合,分别统计四个象限分区内的特征点数量,并根据每个特征点对应的最终信息熵值按从大到小的顺序进行排列;
根据实际应用需要,分别在四个象限内选取前n%的特征点构成最终精简特征点集。
3.如权利要求1所述的图像特征精简方法,其特征在于,所述一阶纹理描述计算公式为:
其中,k为局部区域一阶纹理采样点数;ni表示第i个采样点的像素值,i=0,...,7;ROR(j,l)表示对k位二进制数j向右循环移位l次。
4.如权利要求3所述的图像特征精简方法,其特征在于,预先定义的一阶符号函数为:
5.如权利要求1所述的图像特征精简方法,其特征在于,所述二阶纹理描述计算公式为:
其中,nc为初始局部区域一阶纹理采样中心的像素值,nxc为x方向局部区域一阶纹理采样中心的像素值,nxi为该方向第i个采样点的像素值。
6.如权利要求5所述的图像特征精简方法,其特征在于,预先定义的二阶符号函数为:
其中,i、j均为一阶符号函数值。
7.如权利要求1所述的图像特征精简方法,其特征在于,所述信息熵计算公式为:
其中,m为对应纹理描述的取值上限,pt为纹理描述取值为t的出现概率。
8.如权利要求7所述的图像特征精简方法,其特征在于,所述最终信息熵计算公式为:
其中,ε1、ε2分别为一阶、二阶纹理信息熵对应的权值,满足ε1+ε2=1;E1为一个特征点对应的局部区域一阶纹理信息熵;E2(0)、E2(45)、E2(90)、E2(135)分别为以0°、45°、90°和135°四个方向计算的二阶纹理信息熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144211.1A CN110889904B (zh) | 2019-11-20 | 2019-11-20 | 一种图像特征精简方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144211.1A CN110889904B (zh) | 2019-11-20 | 2019-11-20 | 一种图像特征精简方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889904A CN110889904A (zh) | 2020-03-17 |
CN110889904B true CN110889904B (zh) | 2024-01-19 |
Family
ID=69748153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144211.1A Active CN110889904B (zh) | 2019-11-20 | 2019-11-20 | 一种图像特征精简方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889904B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103946891A (zh) * | 2011-11-18 | 2014-07-23 | 日本电气株式会社 | 局部特征量提取装置、局部特征量提取方法和程序 |
CN105279769A (zh) * | 2015-07-16 | 2016-01-27 | 北京理工大学 | 一种联合多特征的层次粒子滤波跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101165357B1 (ko) * | 2011-02-14 | 2012-07-18 | (주)엔써즈 | 이미지 특징 데이터 생성 장치 및 방법 |
-
2019
- 2019-11-20 CN CN201911144211.1A patent/CN110889904B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103946891A (zh) * | 2011-11-18 | 2014-07-23 | 日本电气株式会社 | 局部特征量提取装置、局部特征量提取方法和程序 |
CN105279769A (zh) * | 2015-07-16 | 2016-01-27 | 北京理工大学 | 一种联合多特征的层次粒子滤波跟踪方法 |
Non-Patent Citations (4)
Title |
---|
Shu Liao.Facial_Expression_Recognition_using_Advanced_Local_Binary_Patterns_Tsallis_Entropies_and_Global_Appearance_Features.《2006 International Conference on Image Processing》.2006,全文. * |
卢旻昊.基于特征点筛选的实时视频拼接算法.《指挥信息***与技术》.2018,全文. * |
吴泽鹏 ; 郭玲玲 ; 朱明超 ; 贾宏光 ; 宣明 ; .结合图像信息熵和特征点的图像配准方法.红外与激光工程.2013,(10),全文. * |
涂远 ; .基于多阶局部二值模式的图像纹理提取技术探讨.金陵科技学院学报.2013,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110889904A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697728B (zh) | 数据处理方法、装置、***和存储介质 | |
CN111199214B (zh) | 一种残差网络多光谱图像地物分类方法 | |
De-Maeztu et al. | Stereo matching using gradient similarity and locally adaptive support-weight | |
GB2581374A (en) | 3D Face reconstruction system and method | |
US11080833B2 (en) | Image manipulation using deep learning techniques in a patch matching operation | |
WO2019139858A1 (en) | Visual stylization on stereoscopic images | |
CN111260694B (zh) | 卫星遥感视频目标跟踪方法及装置 | |
CN110517348B (zh) | 基于图像前景分割的目标物体三维点云重建方法 | |
CN113269689B (zh) | 一种基于法向量和高斯权重约束的深度图像补全方法及*** | |
CN112184547B (zh) | 红外图像的超分辨率方法及计算机可读存储介质 | |
CN108961385A (zh) | 一种slam构图方法及装置 | |
JP2021086616A (ja) | ランダムサンプリング一貫性に基づく魚眼画像の有効領域抽出方法 | |
CN115439615A (zh) | 一种基于三维bim的分布式综合管理*** | |
CN108986210B (zh) | 三维场景重建的方法和设备 | |
CN110889904B (zh) | 一种图像特征精简方法 | |
CN110738677A (zh) | 相机全清晰成像方法、装置与电子设备 | |
CN117132737B (zh) | 一种三维建筑模型构建方法、***及设备 | |
CN116704590A (zh) | 虹膜图像的矫正模型训练方法、矫正方法、装置及介质 | |
CN115601283B (zh) | 图像增强方法、装置、计算机设备及计算机可读存储介质 | |
Yuan et al. | Evaluating the robustness of image matting algorithm | |
Yu et al. | The application of improved block-matching method and block search method for the image motion estimation | |
CN111382834B (zh) | 一种置信度比较方法及装置 | |
San-You et al. | Adaptive diagonal total-variation generative adversarial network for super-resolution imaging | |
CN115994955B (zh) | 相机外参标定方法、装置和车辆 | |
CN114494429B (zh) | 大规模无控制立体平差网几何定位粗差探测与处理方法 |
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 |