CN111080525B - 一种基于sift特征的分布式图像和图元拼接方法 - Google Patents
一种基于sift特征的分布式图像和图元拼接方法 Download PDFInfo
- Publication number
- CN111080525B CN111080525B CN201911319821.0A CN201911319821A CN111080525B CN 111080525 B CN111080525 B CN 111080525B CN 201911319821 A CN201911319821 A CN 201911319821A CN 111080525 B CN111080525 B CN 111080525B
- Authority
- CN
- China
- Prior art keywords
- image
- computing node
- primitive
- library
- master
- 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 29
- 239000013598 vector Substances 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000000463 material Substances 0.000 claims description 18
- 239000000523 sample Substances 0.000 claims description 17
- 238000007667 floating Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
一种基于SIFT特征的分布式图像和图元拼接方法，通过建立分布式异构并行***，划分主计算节点和子计算节点；利用获取待拼接的图像样本，进行图像预处理，将预处理后的图像样本上传到主计算节点作为全局图像库；初始化各子计算节点本地图像库和图元cell库；各子计算节点利用SIFT算法预先提取本地图像库中所有图像的特征点，并将计算出的高维特征向量保存到对应数据结构中，同时标记本地图像库中图像为待拼接状态；各子计算节点本地拼接循环；全局图元融合更新广播；主计算节点任务流程控制。本拼接方法针对海量图像从特征提取、匹配等层面对拼接计算复杂度进行优化改进，应用场景运算流程中的并行性进行算法设计优化和模块功能实现。
Description
技术领域
本发明属于计算机图像处理技术领域，具体涉及到针对海量图像拼接应用场景，提出了一种基于SIFT特征的分布式图像和图元拼接方法。
背景技术
图像拼接技术一直以来就是计算机图像处理领域中的热点研究对象，对其最直观的形象描述就是一种将一组具有重叠区域的图像拼接成一幅分辨率更高、可视角更宽的全景图的技术，最初始于卫星遥感、地图数据库等领域中数据处理需求。随着信息技术、计算机、微电子技术的快速进步，更多的行业领域例如医学研究、机器人研发、军事侦察航拍等对图像拼接技术的需求也越来越高，尤其是现在智能手机、数码相机、无人机、VR虚拟现实等设备的普及，使得获得高清图像的技术门槛、成本越来越低。但是由于拍摄设备受到设备成像光学原理、分辨率等性能参数的限制，单张图片的视野范围仍然受到限制，因此人们期望将多次拍摄得到的海量图像素材进行拼接而得到类似的全景图。
目前，广泛采用基于特征匹配的图像拼接方法，David Lowe提出的基于尺度不变特征转换(Scale-invaiant feature transform)SIFT特征匹配方法对图像拼接业界产生了革命性的影响，其后出现了各种借鉴其原理的改进、变种算法如SURF、ORB、BRISK等，各有其优缺点。SIFT特征匹配方法对图像的平移、旋转、缩放、仿射变换具有较强的鲁棒性，但是原理较为复杂，特征点的提取、特征描述子的生成以及匹配中高维向量欧氏距离的计算量负荷较大，这限制了其时效性，尤其在针对海量图像拼接的应用场景下，其低效弊端更是明显。
针对基于SIFT方法海量图像拼接任务，人们很自然地提出了分布式并行机制，尤其在无人机航拍领域大量采用这种性能改善方法。但是，这些方法的实施往往有一定的限制，例如在图像拼接的并行化处理前，需要提前知道图片的拼接先后顺序。这种额外的“序列性”先验信息对获取图像素材的前期处理要求较为苛刻，而且也限制了相关并行解决方案的可扩展性。
发明内容
本发明要解决的技术问题是一种基于SIFT特征的分布式图像和图元拼接方法，该拼接方法旨在引入GPU异构并行机制，对传统SIFT特征匹配中特征提取、特征向量生成、高维特征向量欧氏距离计算作进一步加速处理。
为了解决上述技术问题，本发明通过以下方式来实现：
一种基于SIFT特征的分布式图像和图元拼接方法，具体包括以下步骤：
1)计算环境及数据准备
1-1)建立可用的分布式异构并行软硬件***，并明确划分主计算节点master、子计算节点noder；
1-2)获取待拼接的海量图像样本素材；
1-3)进行图像预处理，即进行图像去噪、灰度均衡变换，使得所获取的图像样本素材光照亮度一致、图像特征清晰明显；
1-4)将上述预处理后的所有图像样本素材上传到主计算节点master，并作为全局图像库；
2)分布式异构并行算法模块初始化
2-1)初始化各子计算节点noder本地图像库：主计算节点mater将全局图像库中图像样本素材均匀分发到各子计算节点noder作为本地图像库，不同的子计算节点noder分配到属于自己的任务数据集，并保证负载均衡；
2-2)初始化图元cell库：主计算节点master从上传的图像样本素材集合中随机选取一张，构建初始图元库，并根据预先设定的图元尺度常量将该图在图元cell参考系中进行拆分处理，对拆分的各个图元生成坐标编号[xIndex，yIndex]，保存在主计算节点master的全局图元库中，然后主计算节点master将该初始图元cell库广播给子计算节点noder作为本地图元库；
2-3)各子计算节点noder利用SIFT算法预先提取本地图像库中所有图像的特征点，并将计算出的高维特征向量信息保存到对应数据结构中，同时标记本地图像库中所有图像为待拼接状态；
3)分布式异构并行算法负载计算
3-1)子计算节点noder本地拼接循环；
3-2)全局图元融合更新、广播；
3-3)主计算节点master任务流程控制。
与现有技术相比，本发明具有的有益效果：
第一、本专利中的分布式算法针对海量的图像拼接场景，其所需的图像来源于视野范围的拍摄素材，并不要求图像间按次序拼接，即没有对图像素材按序排列命名等限制要求，甚至不要求必须是同一时间批次所拍摄的图像，分布式拼接算法中设定的主计算节点master会将所有图像素材随机、均等分发到各子计算节点noder，并且所用来建立初始图元库的图像素材也是随机选取的。
第二、各子计算节点noder上的本地拼接循环中，采用了一种自动轮询机制，即将本地图像库中所有未置标记的待拼图像与全局、本地动态扩展的图元库进行拼接尝试，整个处理流程中不需要人为介入操作，由算法本身对图像间的特征匹配计算控制的。
第三、针对SIFT方法中相关特征描述提取、特征点对匹配等计算密集型操作，各子计算节点noder可配置GPU图形加速器，利用CUDA异构并行编程方法做进一步加速处理，使得分布式算法解决方案具有性能动态调优的易扩展属性。
附图说明
图1为本发明分布式异构并行算法模块初始化流程示意图。
图2为本发明子计算节点noder本地拼接循环流程示意图。
图3为本发明全局图元融合更新、广播流程示意图。
具体实施方式
下面结合附图和具体实例对本发明的具体实施方式作进一步详细的说明。
一种基于SIFT特征的分布式图像和图元拼接方法，具体包括以下步骤：
1)计算环境及数据准备
1-1)建立可用的分布式异构并行软硬件***，并明确划分主计算节点master、子计算节点noder；
1-2)获取待拼接的海量图像样本素材；
1-3)进行图像预处理，即进行图像去噪、灰度均衡变换，使得所获取的图像样本素材光照亮度一致、图像特征清晰明显；
1-4)将上述预处理后的所有图像样本素材上传到主计算节点master，并作为全局图像库；
2)分布式异构并行算法模块初始化，如图1所示，
2-1)初始化各子计算节点noder本地图像库：主计算节点mater将全局图像库中图像样本素材均匀分发到各子计算节点noder作为本地图像库，不同的子计算节点noder分配到属于自己的任务数据集，并保证负载均衡；
2-2)初始化图元cell库：主计算节点master从上传的图像样本素材集合中随机选取一张，构建初始图元库，并根据预先设定的图元尺度常量将该图在图元cell参考系中进行拆分处理，对拆分的各个图元生成坐标编号[xIndex，yIndex]，保存在主计算节点master的全局图元库中，然后主计算节点master将该初始图元cell库广播给子计算节点noder作为本地图元库；
2-3)各子计算节点noder利用SIFT算法预先提取本地图像库中所有图像的特征点，并将计算出的高维特征向量信息保存到对应数据结构中，同时标记本地图像库中所有图像为待拼接状态；
3)分布式异构并行算法负载计算
3-1)子计算节点noder本地拼接循环；如图2所示
3-1-1)各子计算节点更新本地图元cell库数据，利用SIFT算法提取所有图元的特征点信息及计算高维特征向量；
3-1-2)从本地图像库中选取一张处于待拼接状态的图像，将其与图元cell库中所有图元进行特征点匹配尝试；
3-1-3)若均不满足SIFT特征点匹配的欧氏距离小于设定阈值的拼接匹配要求，则转向下一张待拼接图像做同样处理；
3-1-4)从满足匹配要求的结果中找出最佳匹配图元，其中最佳匹配图元的方法是计算图像和图元匹配对的高维特征向量欧氏距离，再由低到高排序，统计各自匹配对中小于一定距离阈值的特征点点对，然后选取其中点对数量最多的情形作为最佳匹配；
对特征点点对进行筛选过滤，具体步骤为先设置一最大欧氏距离阈值maxThreshold(80.0)和点对上限数量阈值maxMatchNumThreshold(500)，同时设置一浮动系数index，其初始值为0.01；将浮动系数index与匹配对中最大距离值max_distance的乘积作为临时距离阈值tempThreshold，临时距离阈值不超过最大欧氏距离阈值，计算匹配对中欧氏距离小于最大欧氏距离阈值的点对数量，该点对数量小于点对上限数量阈值，则将浮动系数index值增加0.01，然后再重复循环上述过程100次；若临时距离阈值超过最大欧氏距离阈值或者小于临时距离阈值的点对数量超过点对上限数量阈值，则终止迭代，并将此时的临时距离阈值作为最终筛选过滤的欧氏距离阈值，剔除所有高于此欧氏距离阈值的特征匹配点对。
3-1-5)利用RANSAC随机抽样一致性算法对3-1-4)步骤中筛选出的特征匹配点对作进一步的精细筛选，从而计算得到所选图像投影映射到该最佳匹配图元空间的精确坐标变换矩阵；
3-1-6)根据坐标变换矩阵完成图像和图元拼接，将结果基于最佳图元的位置在图元cell坐标系中进行拆分处理，生成对应的图元坐标编号[xIndex，yIndex]，回到步骤3-1-1)。
在步骤3-1-6)拆分出的所有新图元编号如果与原有的图元编号相同，则必须进行融合处理，避免本地图元cell库数据冗余及后续的重复计算。本专利通过使用掩模mask方式标记图像中有效像素区域，图元融合规则为：具有相同编号的两个图元cell，各自对应的掩模mask在相同像素位置处均标记为0的区域表示无效像素(值设为0)，mask均标记为255的区域表示有重叠，利用线性平均融合方法做融合处理，其他情况则直接使用mask标记为255的有效像素，形成最终的融合图元，并同时根据最终像素有效性更新计算融合后图元的掩模mask。
3-2)全局图元融合更新、广播；如图3所示
3-2-1)各子计算节点noder循环迭代，直到本节点上的图元cell库没有新的图元生成为止(等效于本地不再有新的拼接成功事件发生)；
3-2-2)若节点本地图像库中处于待拼接状态的图像数量减少，说明该节点对全局图元cell库更新有贡献，则将节点本地图元cell库发送回主计算节点master，然后等待其传来的更新消息；
3-2-3)若节点本地图像库中处于待拼接状态的图像数量保持不变，说明该节点对全局图元cell库更新无贡献，则发回特殊空事件消息，减少不必要的节点通信，同样等待主计算节点master传来的更新消息。
3-3)主计算节点master任务流程控制
3-3-1)主计算节点master在完成全局图像库的分发和全局图元cell库的广播操作后，等待并接收各子计算节点传来的消息，统计各子计算节点noder上的分布式图像和图元拼接状态；
3-3-2)只要存在子计算节点noder发回非空事件消息，则将其发回的节点本地图元cell库融合进全局图元cell库，并将最终经融合处理后的结果再次广播，使各子计算节点noder进入下一轮次的拼接迭代；
3-3-3)若所有子计算节点noder均发回空事件消息，则表明分布式图像和图元拼接任务已结束，主节点master广播拼接结束消息，并将全局图元cell库中的所有图元依据其对应图元cell坐标系的坐标合成一张大图作为最终的结果输出；
3-3-4)各子计算节点noder收到拼接结束广播消息后，释放本节点申请的相关资源并退出。
相关SIFT特征点提取操作中建立尺度空间包括高斯金字塔、Dog金字塔、尺度空间极值检测、极值点精确定位等步骤采用成熟的OpenCV开源库实现。
针对步骤3-1-4)中计算高维特征向量的欧氏距离，采用GPU加速机制，具体实施方案为NVIDIA公司发布的CUDA编程开发规范。
以上所述仅是本发明的实施方式，再次声明，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，还可以对本发明进行若干改进，这些改进也列入本发明权利要求的保护范围内。
Claims (5)
1.一种基于SIFT特征的分布式图像和图元拼接方法，其特征在于：包括以下步骤：
1）计算环境及数据准备
1-1）建立可用的分布式异构并行软硬件***，并明确划分主计算节点master、子计算节点noder；
1-2）获取待拼接的海量图像样本素材；
1-3）进行图像预处理，即进行图像去噪、灰度均衡变换，使得所获取的图像样本素材光照亮度一致、图像特征清晰明显；
1-4）将上述预处理后的所有图像样本素材上传到主计算节点master，并作为全局图像库；
2）分布式异构并行算法模块初始化
2-1）初始化各子计算节点noder本地图像库：主计算节点mater将全局图像库中图像样本素材均匀分发到各子计算节点noder作为本地图像库，不同的子计算节点noder分配到属于自己的任务数据集，并保证负载均衡；
2-2）初始化图元cell库：主计算节点master从上传的图像样本素材集合中随机选取一张，构建初始图元库，并根据预先设定的图元尺度常量将该图像在图元cell参考系中进行拆分处理，对拆分的各个图元生成坐标编号[xIndex，yIndex]，保存在主计算节点master的全局图元库中，然后主计算节点master将该初始图元cell库广播给子计算节点noder作为本地图元库；
2-3）各子计算节点noder利用SIFT算法预先提取本地图像库中所有图像的特征点，并将计算出的高维特征向量信息保存到对应数据结构中，同时标记本地图像库中所有图像为待拼接状态；
3）分布式异构并行算法负载计算
3-1）子计算节点noder本地拼接循环；
3-2）全局图元融合更新、广播；
3-3）主计算节点master任务流程控制。
2.根据权利要求1所述的一种基于SIFT特征的分布式图像和图元拼接方法，其特征在于：所述步骤3-1）的具体流程步骤如下：
3-1-1）各子计算节点更新本地图元cell库数据，利用SIFT算法提取所有图元的特征点信息及计算高维特征向量；
3-1-2）从本地图像库中选取一张处于待拼接状态的图像，将其与图元cell库中所有图元进行特征点匹配尝试；
3-1-3）若均不满足SIFT特征点匹配的欧氏距离小于设定阈值的拼接匹配要求，则转向下一张待拼接图像做同样处理；
3-1-4）从满足匹配要求的结果中找出最佳匹配图元，其中最佳匹配图元的方法是计算图像和图元匹配对的高维特征向量欧氏距离，再由低到高排序，统计各自匹配对中小于一定距离阈值的特征点点对，然后选取其中点对数量最多的情形作为最佳匹配；
3-1-5）利用RANSAC随机抽样一致性算法对3-1-4）步骤中筛选出的特征匹配点对作进一步的精细筛选，从而计算得到所选图像投影映射到该最佳匹配图元空间的精确坐标变换矩阵；
3-1-6）根据坐标变换矩阵完成图像和图元拼接，将结果基于最佳图元的位置在图元cell坐标系中进行拆分处理，生成对应的图元坐标编号[xIndex，yIndex]，回到步骤3-1-1）。
3.根据权利要求1所述的一种基于SIFT特征的分布式图像和图元拼接方法，其特征在于：所述步骤3-2）的具体流程步骤如下：
3-2-1）各子计算节点noder循环迭代，直到本节点上的图元cell库没有新的图元生成为止；
3-2-2）若节点本地图像库中处于待拼接状态的图像数量减少，说明该节点对全局图元cell库更新有贡献，则将节点本地图元cell库发送回主计算节点master，然后等待其传来的更新消息；
3-2-3）若节点本地图像库中处于待拼接状态的图像数量保持不变，说明该节点对全局图元cell库更新无贡献，则发回特殊空事件消息，减少不必要的节点通信，同样等待主计算节点master传来的更新消息。
4.根据权利要求1所述的一种基于SIFT特征的分布式图像和图元拼接方法，其特征在于：所述步骤3-3）的具体流程步骤如下：
3-3-1）主计算节点master在完成全局图像库的分发和全局图元cell库的广播操作后，等待并接收各子计算节点传来的消息，统计各子计算节点noder上的分布式图像和图元拼接状态；
3-3-2）只要存在子计算节点noder发回非空事件消息，则将其发回的节点本地图元cell库融合进全局图元cell库，并将最终经融合处理后的结果再次广播，使各子计算节点noder进入下一轮次的拼接迭代；
3-3-3）若所有子计算节点noder均发回空事件消息，则表明分布式图像和图元拼接任务已结束，主节点master广播拼接结束消息，并将全局图元cell库中的所有图元依据其对应图元cell坐标系的坐标合成一张大图作为最终的结果输出；
3-3-4）各子计算节点noder收到拼接结束广播消息后，释放本节点申请的相关资源并退出。
5.根据权利要求2所述的一种基于SIFT特征的分布式图像和图元拼接方法，其特征在于：所述步骤3-1-4）的具体流程步骤如下：
先设置一最大欧氏距离阈值maxThreshold和点对上限数量阈值maxMatchNumThreshold，同时设置一浮动系数index，其初始值为0.01；将浮动系数index与匹配对中最大距离值max_distance的乘积作为临时距离阈值tempThreshold，临时距离阈值不超过最大欧氏距离阈值，计算匹配对中欧氏距离小于最大欧氏距离阈值的点对数量，该点对数量小于点对上限数量阈值，则将浮动系数index值增加0.01，然后再重复循环上述过程100次；若临时距离阈值超过最大欧氏距离阈值或者小于临时距离阈值的点对数量超过点对上限数量阈值，则终止迭代，并将此时的临时距离阈值作为最终筛选过滤的欧氏距离阈值，剔除所有高于此欧氏距离阈值的特征匹配点对。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911319821.0A CN111080525B (zh) | 2019-12-19 | 2019-12-19 | 一种基于sift特征的分布式图像和图元拼接方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911319821.0A CN111080525B (zh) | 2019-12-19 | 2019-12-19 | 一种基于sift特征的分布式图像和图元拼接方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080525A CN111080525A (zh) | 2020-04-28 |
| CN111080525B true CN111080525B (zh) | 2023-04-28 |
Family
ID=70315881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911319821.0A Active CN111080525B (zh) | 2019-12-19 | 2019-12-19 | 一种基于sift特征的分布式图像和图元拼接方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080525B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401482B (zh) * | 2020-04-29 | 2024-03-19 | Oppo广东移动通信有限公司 | 特征点匹配方法及装置、设备、存储介质 |
| CN114769021B (zh) * | 2022-04-24 | 2022-11-25 | 广东天太机器人有限公司 | 一种基于全角度模板识别的机器人喷涂***及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590086A (zh) * | 2014-11-17 | 2016-05-18 | 西安三茗科技有限责任公司 | 一种基于视觉标签识别的物品防盗检测方法 |
| CN109493278A (zh) * | 2018-10-24 | 2019-03-19 | 北京工业大学 | 一种基于sift特征的大场景图像拼接*** |
| CN109636714A (zh) * | 2018-08-30 | 2019-04-16 | 沈阳聚声医疗***有限公司 | 一种超声宽景成像的图像拼接方法 |
| CN110232673A (zh) * | 2019-05-30 | 2019-09-13 | 电子科技大学 | 一种基于医疗显微成像的快速稳健的图像拼接方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100986809B1 (ko) * | 2008-07-17 | 2010-10-08 | 인하대학교 산학협력단 | 크기불변특징변환을 이용한 다중해상도 위성영상간자동기하보정 방법 |
| JP5470607B2 (ja) * | 2010-09-29 | 2014-04-16 | 株式会社日立製作所 | 計算機システム、及び画像／図表を位置合わせする方法 |
| US20120301014A1 (en) * | 2011-05-27 | 2012-11-29 | Microsoft Corporation | Learning to rank local interest points |
| CN102496033B (zh) * | 2011-12-05 | 2014-06-18 | 西安电子科技大学 | 基于mr计算框架的图像sift特征匹配方法 |
| CN102968777B (zh) * | 2012-11-20 | 2015-01-14 | 河海大学 | 一种基于重叠区域sift特征点的图像拼接方法 |
| CN103426153B (zh) * | 2013-07-24 | 2016-01-20 | 广州地理研究所 | 一种无人机遥感影像快速拼接方法 |
| CN105245841B (zh) * | 2015-10-08 | 2018-10-09 | 北京工业大学 | 一种基于cuda的全景视频监控*** |
| US10249047B2 (en) * | 2016-09-13 | 2019-04-02 | Intelligent Fusion Technology, Inc. | System and method for detecting and tracking multiple moving targets based on wide-area motion imagery |
| CN106599917A (zh) * | 2016-12-09 | 2017-04-26 | 西北大学 | 一种基于稀疏表示的近似图像重复检测方法 |
| CN107067370A (zh) * | 2017-04-12 | 2017-08-18 | 长沙全度影像科技有限公司 | 一种基于网格变形的图像拼接方法 |
| CN107665479A (zh) * | 2017-09-05 | 2018-02-06 | 平安科技（深圳）有限公司 | 一种特征提取方法、全景拼接方法及其装置、设备及计算机可读存储介质 |
| CN109801212A (zh) * | 2018-12-26 | 2019-05-24 | 南京信息职业技术学院 | 一种基于sift特征的鱼眼图像拼接方法 |
| CN109951922A (zh) * | 2019-04-03 | 2019-06-28 | 深圳市南方海擎科技有限公司 | 一种光源光谱自校正和自检测闭环控制***及其控制方法 |
| CN110225315A (zh) * | 2019-07-12 | 2019-09-10 | 北京派克盛宏电子科技有限公司 | 电力***视屏监控画面融合方法 |
-
2019
- 2019-12-19 CN CN201911319821.0A patent/CN111080525B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590086A (zh) * | 2014-11-17 | 2016-05-18 | 西安三茗科技有限责任公司 | 一种基于视觉标签识别的物品防盗检测方法 |
| CN109636714A (zh) * | 2018-08-30 | 2019-04-16 | 沈阳聚声医疗***有限公司 | 一种超声宽景成像的图像拼接方法 |
| CN109493278A (zh) * | 2018-10-24 | 2019-03-19 | 北京工业大学 | 一种基于sift特征的大场景图像拼接*** |
| CN110232673A (zh) * | 2019-05-30 | 2019-09-13 | 电子科技大学 | 一种基于医疗显微成像的快速稳健的图像拼接方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080525A (zh) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Surrounding vehicle detection using an FPGA panoramic camera and deep CNNs | |
| CN110853075B (zh) | 一种基于稠密点云与合成视图的视觉跟踪定位方法 | |
| CN107679537B (zh) | 一种基于轮廓点orb特征匹配的无纹理空间目标姿态估计算法 | |
| CN109509255B (zh) | 一种标签化地图构建及空间地图更新方法和装置 | |
| CN111968129A (zh) | 具有语义感知的即时定位与地图构建***及方法 | |
| CN104778656B (zh) | 基于球面透视投影的鱼眼图像校正方法 | |
| CN111553939B (zh) | 一种多目摄像机的图像配准算法 | |
| CN111028151B (zh) | 基于图残差神经网络融合的点云数据拼接方法 | |
| CN111080525B (zh) | 一种基于sift特征的分布式图像和图元拼接方法 | |
| CN111553845B (zh) | 一种基于优化的三维重建的快速图像拼接方法 | |
| WO2021035627A1 (zh) | 获取深度图的方法、装置及计算机存储介质 | |
| CN112734914A (zh) | 一种增强现实视觉的图像立体重建方法及装置 | |
| CN112288628A (zh) | 基于光流跟踪和抽帧映射的航拍图像拼接加速方法及*** | |
| CN111626307A (zh) | 一种基于l-orb算法的植株图像实时拼接方法 | |
| Gao et al. | Multi-source data-based 3D digital preservation of largescale ancient chinese architecture: A case report | |
| CN116740488B (zh) | 一种用于视觉定位的特征提取模型的训练方法及装置 | |
| KR101998318B1 (ko) | 객체의 시간 및 위치를 연동시키는 360도 이미지 생성 장치 및 방법 | |
| CN117237623B (zh) | 一种无人机遥感图像语义分割方法及*** | |
| CN115713678A (zh) | 一种箭头图片数据增广方法、***、电子设备及存储介质 | |
| CN115937452A (zh) | 一种基于分布式计算的地图重建方法与*** | |
| Cui et al. | 3D reconstruction with spherical cameras | |
| Kawasaki et al. | Super‐resolution omnidirectional camera images using spatio‐temporal analysis | |
| Zhang et al. | Image mosaic of bionic compound eye imaging system based on image overlap rate prior | |
| CN108830781A (zh) | 一种透视变换模型下的宽基线影像直线匹配方法 | |
| CN114119995B (zh) | 一种基于物方面元的空地影像匹配方法 |
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 |