CN112241745A - 一种基于光照不变颜色空间的特征点提取方法 - Google Patents
一种基于光照不变颜色空间的特征点提取方法 Download PDFInfo
- Publication number
- CN112241745A CN112241745A CN202011177910.9A CN202011177910A CN112241745A CN 112241745 A CN112241745 A CN 112241745A CN 202011177910 A CN202011177910 A CN 202011177910A CN 112241745 A CN112241745 A CN 112241745A
- Authority
- CN
- China
- Prior art keywords
- pixels
- illumination
- image
- gray
- color space
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 239000007795 chemical reaction product Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/22—Cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于光照不变颜色空间的特征点提取方法,涉及图像处理技术领域,对获取的原图像利用直方图均衡化与暗通道先验理论,构建出一种光照不变的颜色空间,在构造出的光照不敏感颜色空间中,采用AKAZE算法提进行快速多尺度特征提取,生成特征点描述向量,所提出的方法在特征提取数量、匹配正确率、光照鲁棒性上稳定性极高,且能够有效应对剧烈的光照变化,非常适用于图像识别、图像匹配等领域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于光照不变颜色空间的特征点提取方法。
背景技术
图像特征点能够反映图像本质特征,能够标识图像中目标物体。通过特征点的匹配能够完成图像的匹配;然而,由于现实环境光照变化的复杂性导致的特征点提取不准确等缺点,单纯的不做任何处理地提取图像特征点,效果并不理想,匹配效率较低、受光照影响较大。随之而来,特征点提取与匹配可应用图像配准、三维跟踪注册等领域;因此,实现一种光照鲁棒性较好的特征点提取方法是一个重要的研究方向。
图像光照不变颜色空间处理的目的是将去除光照变化对图像特征点提取的影响。这样可以更好的降低光照对图像特征点提取的影响,成为准确提取图像特征点信息的关键步骤之一。
发明内容
针对现有技术的不足,本发明提出一种基于光照不变颜色空间的特征点提取方法,包括以下步骤:
步骤1:获取预处理的原图像;
步骤2:对原图像进行光照不变颜色空间的转换,包括对比度受限的自适应直方图均衡化处理、暗通道先验处理,得到光照不变颜色空间图像;
步骤3:利用AKAZE特征点提取方法提取光照不变颜色空间图像中的特征点,生成特征点描述向量。
所述对比度受限的自适应直方图均衡化处理,包括:
步骤2.1:对原图像进行子块的划分,得到每个子块的灰度直方图;
步骤2.2:确定每个子块的灰度直方图需要被剪切的实际剪切极限值NCL;
步骤2.3:根据实际剪切极限值NCL剪切每个子块的灰度直方图,并对子块中的像素点进行重新分配;
步骤2.4:对像素重新分配后的每个子块分别进行直方图均衡化处理;
步骤2.5:对原图像中的每个像素进行灰度值重构,得到灰度值重构后的图像。
所述步骤2.2包括:
步骤2.2.1:根据平均分配值Nav,将每个子块的像素个数平均分配到每个灰度级中,其中平均分配值Nav表示为:
步骤2.2.2:利用公式(2)计算出每个子块对应的灰度直方图需要被剪切的实际剪切极限值NCL,
NCL=Nclip·Nav (2)
式中,Nclip表示剪切受限系数,用来限定每个灰度级所包含的像素数。
所述步骤2.3中对像素点重新分配,包括:
步骤2.3.1:将剪切后剩余的像素数目重新分配到每个灰度直方图对应的灰度级中,定义剩余像素重新分配后第i个灰度级中的像素数为H(i),其中i=1,2,…I,I表示原图像包含的总灰度级数量;
步骤2.3.2:利用公式(3)计算每个灰度级平均的剪切像素数Nacp,
式中,Ngray表示每个子块的灰度级数量;
步骤2.3.3:按照预设分配原则重新确定每个灰度级中的最终像素数,得到像素最终确定后的子块,所述预设分配原则为:如果第i个灰度级中的像素数H(i)>HCL,则第i个灰度级分配的像素数为NCL,如果第i个灰度级下的像素数H(i)≤HCL,则第i个灰度级分配的像素数为(H(i)+Ngray)。
所述步骤2.5包括:
步骤2.5.1:将每个子块的中心点作为参考点,并计算每个中心点的灰度值;
步骤2.5.2:采用双线性插值的方法对图像中的每一个像素做灰度线性插值,得到灰度值重构后的图像。
所述暗通道先验处理,包括:
步骤2-1.1:根据公式(4)给出的暗通道计算公式,得到暗通道图像,首先在暗通道图像中选取暗通道中0.1%最亮像素,然后在0.1%最亮像素中选取亮度值最大的像素作为大气光的估计值A;
式中,Jdark(x)表示暗通道图像,y表示以像素点x为中心的图像块,c∈{r,g,b}表示RGB三个颜色通道中的一个通道,Jc(y)表示图像中像素的颜色通道中的灰度值;
I(x)=J(x)t(x)+A(1-t(x)) (5)
式中,t0表示透射率的下限值,为了避免最终的去雾结果中包含噪声。
所述步骤3包括:
步骤3.1:在光照不变颜色空间图像上构建非线性尺度空间;
步骤3.2:对非线性尺度空间进行Hessian局部极大值检测,寻找特征点,并对像素进行精定位;
步骤3.3:计算每个特征点的主方向;
步骤3.4:采用M-LDB描述符生成特征点描述向量。
所述步骤3.1包括:
步骤3.1.1:计算待构建的非线性尺度空间的尺度参数;
步骤3.1.2:将所有以像素作为单位的尺度参数转换成以时间为单位来表示尺度参数;
步骤3.1.3:利用FED算法构建非线性尺度空间。
所述步骤3.2包括:
步骤3.2.1:在非线性尺度空间上,将每个像素点与周边8个以及上下尺度各9个一共26个像素计算不同尺度归一化后的Hessian值并且进行比较,得到Hessian的局部最大值,即检测到的特征点;
步骤3.2.2:根据特征点的位置,利用泰勒展开公式进行像素精定位。
所述步骤3.3包括:
步骤3.3.1:特征点检测完成后,计算以特征点为中心、6τj为半径范围内的所有像素的水平一阶偏导Lx及垂直方向一阶偏导Ly,并进行高斯加权,将得到的高斯加权值作为每个像素点的响应值,其中τj表示尺度参数;
步骤3.3.2:以60°的扇形绕圆形区域旋转一周,计算扇形经过的窗口内所有像素点响应值的和,则响应值和最大的方向即为特征点的主方向。
本发明的有益效果是:
本发明提出了一种基于光照不变颜色空间的特征点提取方法,首先通过对比度受限的直方图均衡化去除掉了光照变化对重要信息造成的影响,采用暗通道先验理论进一步提高图像细节,平衡图像中的光照影响,利用AKAZE描述子具有的尺度不变性、对图像的旋转、平移以及一定程度上的光照具有一定的不变性的优点,对图像进行特征点提取得到的描述子,对于噪声、光照、以及部分遮挡等的稳定性极高,提取到的图像中的描述子所完成图像的匹配,提高了匹配的效率以及准确率,非常适用于图像的识别、比对等方面,克服了图像中光照等方面对图像匹配影响;可以将这种方法应用于图像处理等研究领域。
附图说明
图1为本发明中的基于光照不变颜色空间的特征点提取方法流程图;
图2为本发明中的对比度受限的直方图均衡化流程图;
图3为本发明中的暗通道先验处理流程图;
图4为本发明中的利用AKAZE特征点提取方法生成特征点描述向量流程图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。
如图1所示,一种基于光照不变颜色空间的特征点提取方法,包括如下步骤:
步骤1:通过数码相机、手机等设备对场景图片进行采集,获取需要预处理的原图像;
步骤2:对原图像进行光照不变颜色空间的转换,包括对比度受限的自适应直方图均衡化处理、暗通道先验处理,得到光照不变颜色空间图像;
所述对比度受限的自适应直方图均衡化处理,如图2所示,包括:
步骤2.1:对原图像进行子块的划分,划分为k个大小为m×n的互不重合的子块,每个子块含有的像素数为M,通常m和n的值决定着图像细节的增强强度,得到每个子块反映灰度分布及灰度值频数信息的灰度直方图,用Hij(k)表示子块的直方图;
步骤2.2:确定每个子块的灰度直方图需要被剪切的实际剪切极限值NCL,即每个子块灰度级包含的像素数的上限值,包括:
步骤2.2.1:根据平均分配值Nav,将每个子块的像素个数平均分配到每个灰度级中,其中平均分配值Nav表示为:
步骤2.2.2:利用公式(2)计算出每个子块对应的灰度直方图需要被剪切的实际剪切极限值NCL,
NCL=Nclip·Nav (2)
式中,Nclip表示剪切受限系数,用来限定每个灰度级所包含的像素数;
步骤2.3:根据实际剪切极限值NCL剪切每个子块的灰度直方图,并对子块中的像素点进行重新分配;
所述对像素点重新分配,包括:
步骤2.3.1:将剪切后剩余的像素数目重新分配到每个灰度直方图对应的灰度级中,定义剩余像素重新分配后第i个灰度级中的像素数为H(i),其中i=1,2,…I,I表示原图像包含的总灰度级数量;
步骤2.3.2:利用公式(3)计算每个灰度级平均的剪切像素数Nacp,
式中,Ngray表示每个子块的灰度级数量;
步骤2.3.3:按照预设分配原则重新确定每个灰度级中的最终像素数,得到像素最终确定后的子块,所述预设分配原则为:如果第i个灰度级中的像素数H(i)>HCL,则第i个灰度级分配的像素数为NCL,如果第i个灰度级下的像素数H(i)≤HCL,则第i个灰度级分配的像素数为(H(i)+Ngray);
步骤2.4:对像素重新分配后的每个子块分别进行直方图均衡化处理;
步骤2.5:对原图像中的每个像素进行灰度值重构,得到灰度值重构后的图像,包括:
步骤2.5.1:将每个子块的中心点作为参考点,并计算每个中心点的灰度值;
步骤2.5.2:采用双线性插值的方法对图像中的每一个像素做灰度线性插值,得到灰度值重构后的图像。
所述暗通道先验处理,如图3所示,包括:
步骤2-1.1:根据公式(4)给出的暗通道计算公式,得到暗通道图像,首先在暗通道图像中选取暗通道中0.1%最亮像素,然后在0.1%最亮像素中选取亮度值最大的像素作为大气光的估计值A;
式中,Jdark(x)表示暗通道图像,y表示以像素点x为中心的图像块,c∈{r,g,b}表示RGB三个颜色通道中的一个通道,Jc(y)表示图像中像素的颜色通道中的灰度值;
I(x)=J(x)t(x)+A(1-t(x)) (5)
式中,t0表示透射率的下限值,为了避免最终的去雾结果中包含噪声。
步骤3:利用AKAZE(Accelerated-KAZE简称AKAZE)特征点提取方法提取光照不变颜色空间图像中的特征点,生成特征点描述向量,如图4所示,包括:
步骤3.1:在光照不变颜色空间图像上构建非线性尺度空间,包括:
步骤3.1.1:计算待构建的非线性尺度空间的尺度参数;构建O组尺度空间,其中每组为S层,其尺度层级按对数级递增。每层图像的分辨率与原始图像相同。尺度参数的计算公式如下:
式中,δ0表示尺度初始值,o表示尺度空间总数目,s表示当前尺度空间的每一层,γ表示每一组尺度空间,δγ(o,s)表示尺度参数;
步骤3.1.2:将所有以像素作为单位的尺度参数δγ(o,s)转换成以时间为单位来表示尺度参数;
由于非线性扩散滤波模型是以时间为单位的,因此我们将以像素为单位的尺度参数转换成以时间为单位得:
步骤3.1.3:根据得到的进化时间、对比度参数以及时间步长,利用FED算法构建非线性尺度空间,快速显示扩散数学框架简称FED,用于构建非线性尺度空间时求解偏微分方程的算法;
步骤3.2:对非线性尺度空间进行Hessian局部极大值检测,寻找特征点,并对像素进行精定位,包括:
步骤3.2.1:在非线性尺度空间上,将每个像素点与周边8个以及上下尺度各9个一共26个像素计算不同尺度归一化后的Hessian值并且进行比较,得到Hessian的局部最大值,即检测到的特征点;
其计算公式如下:
Hessian矩阵定义为:
其中:
Dxx为D(x,y,σ)对x求二阶偏导,Dxy为D(x,y,σ)分别对x、y求一阶偏导,Dyy为D(x,y,σ)对y求二阶偏导,构成Hessian矩阵。
步骤3.2.2:根据特征点的位置,利用泰勒展开公式进行像素精定位,其公式为:
式中,L表示泰勒展开公式的第一项,即特征点所在位置;
求得:
完成基于光照不变颜色空间上的特征点检测。
步骤3.3:计算每个特征点的主方向,包括:
步骤3.3.1:特征点检测完成后,计算以特征点为中心、6τj为半径范围内的所有像素的水平一阶偏导Lx及垂直方向一阶偏导Ly,并进行高斯加权,将得到的高斯加权值作为每个像素点的响应值,其中τj表示尺度参数;
步骤3.3.2:以60°的扇形绕圆形区域旋转一周,计算扇形经过的窗口内所有像素点响应值的和,则响应值和最大的方向即为特征点的主方向。
步骤3.4:采用M-LDB描述符生成特征点描述向量,这里采取效率更高的M-LDB描述符,通过离散采样获取到离散点的亮度、水平垂直方向的导数均值,最后生成0和1组成的二进制描述符。
Claims (10)
1.一种基于光照不变颜色空间的特征点提取方法,其特征在于,包括如下步骤:
步骤1:获取预处理的原图像;
步骤2:对原图像进行光照不变颜色空间的转换,包括对比度受限的自适应直方图均衡化处理、暗通道先验处理,得到光照不变颜色空间图像;
步骤3:利用AKAZE特征点提取方法提取光照不变颜色空间图像中的特征点,生成特征点描述向量。
2.根据权利要求1所述的一种基于光照不变颜色空间的特征点提取方法,其特征在于,所述对比度受限的自适应直方图均衡化处理,包括:
步骤2.1:对原图像进行子块的划分,得到每个子块的灰度直方图;
步骤2.2:确定每个子块的灰度直方图需要被剪切的实际剪切极限值NCL;
步骤2.3:根据实际剪切极限值NCL剪切每个子块的灰度直方图,并对子块中的像素点进行重新分配;
步骤2.4:对像素重新分配后的每个子块分别进行直方图均衡化处理;
步骤2.5:对原图像中的每个像素进行灰度值重构,得到灰度值重构后的图像。
4.根据权利要求2所述的一种基于光照不变颜色空间的特征点提取方法,其特征在于,所述步骤2.3中对像素点重新分配,包括:
步骤2.3.1:将剪切后剩余的像素数目重新分配到每个灰度直方图对应的灰度级中,定义剩余像素重新分配后第i个灰度级中的像素数为H(i),其中i=1,2,…I,I表示原图像包含的总灰度级数量;
步骤2.3.2:利用公式(3)计算每个灰度级平均的剪切像素数Nacp,
式中,Ngray表示每个子块的灰度级数量;
步骤2.3.3:按照预设分配原则重新确定每个灰度级中的最终像素数,得到像素最终确定后的子块,所述预设分配原则为:如果第i个灰度级中的像素数H(i)>HCL,则第i个灰度级分配的像素数为NCL,如果第i个灰度级下的像素数H(i)≤HCL,则第i个灰度级分配的像素数为(H(i)+Ngray)。
5.根据权利要求2所述的一种基于光照不变颜色空间的特征点提取方法,其特征在于,所述步骤2.5包括:
步骤2.5.1:将每个子块的中心点作为参考点,并计算每个中心点的灰度值;
步骤2.5.2:采用双线性插值的方法对图像中的每一个像素做灰度线性插值,得到灰度值重构后的图像。
6.根据权利要求1所述的一种基于光照不变颜色空间的特征点提取方法,其特征在于,所述暗通道先验处理,包括:
步骤2-1.1:根据公式(4)给出的暗通道计算公式,得到暗通道图像,首先在暗通道图像中选取暗通道中0.1%最亮像素,然后在0.1%最亮像素中选取亮度值最大的像素作为大气光的估计值A;
式中,Jdark(x)表示暗通道图像,y表示以像素点x为中心的图像块,c∈{r,g,b}表示RGB三个颜色通道中的一个通道,Jc(y)表示图像中像素的颜色通道中的灰度值;
I(x)=J(x)t(x)+A(1-t(x)) (5)
式中,t0表示透射率的下限值,为了避免最终的去雾结果中包含噪声。
7.根据权利要求1所述的一种基于光照不变颜色空间的特征点提取方法,其特征在于,所述步骤3包括:
步骤3.1:在光照不变颜色空间图像上构建非线性尺度空间;
步骤3.2:对非线性尺度空间进行Hessian局部极大值检测,寻找特征点,并对像素进行精定位;
步骤3.3:计算每个特征点的主方向;
步骤3.4:采用M-LDB描述符生成特征点描述向量。
8.根据权利要求7所述的一种基于光照不变颜色空间的特征点提取方法,其特征在于,所述步骤3.1包括:
步骤3.1.1:计算待构建的非线性尺度空间的尺度参数;
步骤3.1.2:将所有以像素作为单位的尺度参数转换成以时间为单位来表示尺度参数;
步骤3.1.3:利用FED算法构建非线性尺度空间。
9.根据权利要求7所述的一种基于光照不变颜色空间的特征点提取方法,其特征在于,所述步骤3.2包括:
步骤3.2.1:在非线性尺度空间上,将每个像素点与周边8个以及上下尺度各9个一共26个像素计算不同尺度归一化后的Hessian值并且进行比较,得到Hessian的局部最大值,即检测到的特征点;
步骤3.2.2:根据特征点的位置,利用泰勒展开公式进行像素精定位。
10.根据权利要求7所述的一种基于光照不变颜色空间的特征点提取方法,其特征在于,所述步骤3.3包括:
步骤3.3.1:特征点检测完成后,计算以特征点为中心、6τj为半径范围内的所有像素的水平一阶偏导Lx及垂直方向一阶偏导Ly,并进行高斯加权,将得到的高斯加权值作为每个像素点的响应值,其中τj表示尺度参数;
步骤3.3.2:以60°的扇形绕圆形区域旋转一周,计算扇形经过的窗口内所有像素点响应值的和,则响应值和最大的方向即为特征点的主方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011177910.9A CN112241745A (zh) | 2020-10-29 | 2020-10-29 | 一种基于光照不变颜色空间的特征点提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011177910.9A CN112241745A (zh) | 2020-10-29 | 2020-10-29 | 一种基于光照不变颜色空间的特征点提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112241745A true CN112241745A (zh) | 2021-01-19 |
Family
ID=74170179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011177910.9A Pending CN112241745A (zh) | 2020-10-29 | 2020-10-29 | 一种基于光照不变颜色空间的特征点提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241745A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861875A (zh) * | 2021-01-20 | 2021-05-28 | 西南林业大学 | 一种用于区分不同木材产品的方法 |
CN115187791A (zh) * | 2022-08-10 | 2022-10-14 | 哈尔滨理工大学 | 一种融合颜色和尺度特征的orb图像匹配方法 |
CN117522870A (zh) * | 2024-01-04 | 2024-02-06 | 陕西凯迈航空航天机电设备有限公司 | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870820A (zh) * | 2014-04-04 | 2014-06-18 | 南京工程学院 | 极端光照人脸识别的光照归一化方法 |
JP2019046184A (ja) * | 2017-09-01 | 2019-03-22 | 日本電信電話株式会社 | 画像処理装置、訓練画像処理装置、画像識別装置、訓練画像処理方法、画像識別方法、及びプログラム |
CN111767960A (zh) * | 2020-07-02 | 2020-10-13 | 中国矿业大学 | 一种应用于图像三维重建的图像匹配方法及*** |
-
2020
- 2020-10-29 CN CN202011177910.9A patent/CN112241745A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870820A (zh) * | 2014-04-04 | 2014-06-18 | 南京工程学院 | 极端光照人脸识别的光照归一化方法 |
JP2019046184A (ja) * | 2017-09-01 | 2019-03-22 | 日本電信電話株式会社 | 画像処理装置、訓練画像処理装置、画像識別装置、訓練画像処理方法、画像識別方法、及びプログラム |
CN111767960A (zh) * | 2020-07-02 | 2020-10-13 | 中国矿业大学 | 一种应用于图像三维重建的图像匹配方法及*** |
Non-Patent Citations (3)
Title |
---|
YONGYUAN XUE等: "Feature Point Extraction and Matching Method Based on Akaze in Illumination Invariant Color Space", 《2020 IEEE 5TH INTERNATIONAL CONFERENCE ON IMAGE, VISION AND COMPUTING》, pages 2 - 4 * |
史学超等: "一种高效的水下图像增强算法——CLAHE的优化", 《信息与电脑》, no. 2019, pages 2 * |
夏宇: "基于AKAZE算法的三维重建研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 3 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861875A (zh) * | 2021-01-20 | 2021-05-28 | 西南林业大学 | 一种用于区分不同木材产品的方法 |
CN112861875B (zh) * | 2021-01-20 | 2022-10-04 | 西南林业大学 | 一种用于区分不同木材产品的方法 |
CN115187791A (zh) * | 2022-08-10 | 2022-10-14 | 哈尔滨理工大学 | 一种融合颜色和尺度特征的orb图像匹配方法 |
CN115187791B (zh) * | 2022-08-10 | 2023-04-28 | 哈尔滨理工大学 | 一种融合颜色和尺度特征的orb图像匹配方法 |
CN117522870A (zh) * | 2024-01-04 | 2024-02-06 | 陕西凯迈航空航天机电设备有限公司 | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 |
CN117522870B (zh) * | 2024-01-04 | 2024-03-19 | 陕西凯迈航空航天机电设备有限公司 | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN109753885B (zh) | 一种目标检测方法、装置以及行人检测方法、*** | |
CN112241745A (zh) | 一种基于光照不变颜色空间的特征点提取方法 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及*** | |
CN104966285B (zh) | 一种显著性区域的检测方法 | |
CN111369581A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111179193B (zh) | 基于DCNNs和GANs的皮肤镜图像增强和分类方法 | |
CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN104537381B (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
CN106407978B (zh) | 一种结合似物度的无约束视频中显著物体检测方法 | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN115578378A (zh) | 红外与可见光图像融合的光伏缺陷检测方法 | |
CN108345835B (zh) | 一种基于仿复眼感知的目标识别方法 | |
CN107392211B (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
CN106875396B (zh) | 基于运动特性的视频显著区的提取方法和装置 | |
Xu et al. | COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences | |
Hovhannisyan et al. | AED-Net: A single image dehazing | |
Angelo | A novel approach on object detection and tracking using adaptive background subtraction method | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN108062523B (zh) | 一种红外远小目标检测方法 | |
CN112784747A (zh) | 高光谱遥感图像多尺度本征分解方法 | |
CN113066030A (zh) | 一种基于空谱融合网络的多光谱图像全色锐化方法及*** | |
Chen | Digital image progressive fusion method based on discrete cosine transform | |
CN112001355A (zh) | 室外视频下模糊人脸识别的训练数据预处理方法 | |
Zheng et al. | An improved NAMLab image segmentation algorithm based on the earth moving distance and the CIEDE2000 color difference formula |
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 |