CN114066954A - 一种用于多模态图像的特征提取配准方法 - Google Patents
一种用于多模态图像的特征提取配准方法 Download PDFInfo
- Publication number
- CN114066954A CN114066954A CN202111395143.3A CN202111395143A CN114066954A CN 114066954 A CN114066954 A CN 114066954A CN 202111395143 A CN202111395143 A CN 202111395143A CN 114066954 A CN114066954 A CN 114066954A
- Authority
- CN
- China
- Prior art keywords
- images
- image
- points
- feature
- registration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 48
- 238000003384 imaging method Methods 0.000 claims description 18
- 238000003331 infrared imaging Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000010287 polarization Effects 0.000 claims description 4
- 238000000701 chemical imaging Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理领域，公开了一种用于多模态图像的特征提取配准方法，用于解决基于特征的图像配准方法由于多模态图像外观差异较大无法进行正确配准的难题，本发明的图像配准方法先将待配准的图像对分别输入到预训练的Resnet18卷积神经网络中，分别得到三个不同尺度以及不同维度的特征描述子，通过将三个维度的特征描述子分别计算欧氏距离并乘以系数后相加得出特征总距离，再通过该距离确定匹配点对并使用随机采样一致性算法剔除误匹配点寻找出正确特征匹配点对，最后根据匹配点对计算出正确的变换参数从而完成图像配准，本发明的方法可以实现对多模态图像进行配准，具有配准精度高的特点。
Description
技术领域
本发明涉及一种图像配准方法，具体涉及一种用于多模态图像的特征提取配准方法。
背景技术
作为计算机视觉领域的基础技术，图像配准为高级视觉应用提供重要支撑。图像配准技术的任务是确定同一场景在不同拍摄视角、时间、深度或设备下所获得两幅图像之间逐点的映射关系，使得图像相同场景位置点准确对应，从而实现图像信息的融合。
随着计算机及相关图像理论的发展，基于特征的图像配准技术逐渐取代基于傅里叶变换域和基于灰度的图像配准方法，越来越多出现在实际视觉应用。基于特征的图像配准算法能成为主流，归功于Lowe于2004年提出的SIFT特征提取方法。SIFT算法以尺度、旋转不变性以及抑制光照、噪声影响的优点，在图像特征提取方向大规模应用，图像配准中也有出色表现。
基于特征的图像配准方法的步骤如下：(1)特征检测：输入配准图像，首先进行图像特征检测，主要有两个步骤：关键点检测和生成特征描述子。关键点的数量和质量、以及特征描述的辨识力是保证后续匹配方法性能的重要基础，特征提取算法有SIFT算法、SURF算法等(2)特征匹配：图像配准技术中的匹配方法主要是通过已知特征信息建立参考图像和浮动图像之间关键点的联系，并借助筛选误匹配点的算法如随机采样一致性算法等以确定成功匹配点。(3)变换模型估计：利用输出的成功匹配点，计算两幅图像之间的转换模型及参数。(4)图像融合：根据图像变换模型，将浮动图像映射到参考图像，完成两幅图像之间的配准。同时，后续还有针对拼接图像的校正、平滑及微调等手段方法，实现精准的图像融合。
而在处理多模态的待配准图像对时，现有的基于特征的图像配准方法具有以下的不足：由于不同成像模式所拍摄的照片从外观上看有较大的差异，在不同波段的光所拍摄到的图像往往会凸显不同物体，比如一些与配准主体毫不相关的背景物体，即使对同一目标来说在多模态图像中外观差异也会相差甚远，导致该方法在特征检测和匹配的步骤中会出现两个问题：(1)特征点错误匹配导致无法计算正确变换参数(2)特征内点会过于集中，分布不均匀。最后导致配准效果较差，有较大的误差。
发明内容
本发明的目的在于克服现有技术的不足，提供一种用于多模态图像的特征提取配准方法，所述图像配准方法可以实现对多模态图像进行配准，具有高精度的特点。
本发明解决上述技术问题的技术方案是：
一种用于多模态图像的特征提取配准方法，包括以下步骤：
(S1)、使用两种不同成像模式的相机对配准目标主体拍摄两张不同模态的图像。
(S2)、将两张图像采用双线性插值的方式重采样成分辨率为224×224的图像。
(S3)、将两张处理后的图像依次放入预训练的卷积神经网络中，将第二、三、四个残差模块的卷积输出结果取出，利用卷积输出结果在两张图像的每个8×8的区域中的中心点处生成一个128维的特征向量、一个256维的特征向量和一个512维的特征向量。
(S4)、每个中心点都得到了三个不同的特征向量后，采用中心点对应的特征向量的特征总距离作为两幅图像中中心点的相似性判定度量。对某个中心点，取其中图像中的该中心点，并找出其与另一幅图像中特征总距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离小于某个比例阈值，则接受这一对匹配点，完成一一匹配后再使用随机采样一致随机优化算法剔除误匹配点得到正确匹配的中心点对。
(S5)、在两张图像完成了中心点的正确匹配之后利用单应性变换将获得两张图像匹配点之间的特征映射，选择其中一张图像作为固定图像，另一张则为浮动图像，计算出单应性矩阵将其与浮动图像中对应点的齐次坐标进行相乘，得到配准后的图像。
优选的，在步骤(S1)中，不同成像模式的相机与配准主体之间的连线所构成的夹角小于或等于20度。
优选的，在步骤(S1)中，所述的两种不同成像模式的相机中的两种不同成像的模式可为短波红外成像、中波红外成像、长波红外成像、光谱成像以及偏振成像等的其中任意两种。
优选的，在步骤(S2)中，所述的预训练的卷积神经网络中指的是用ImageNet数据集训练完备的主要用来做图像分类的部分Resnet18卷积神经网络，Resnet18卷积神经网络由卷积层、残差连接和全连接层组成，卷积层用于特征提取，全连接层用于分类，本发明中神经网络只使用卷积层用于完成特征提取。
优选的，在步骤(S3)中，所述的用特征提取过程中具体做法为首先将图像划分为28×28个小区域，每个区域所占据的像素区域为8×8，每个小区域中间生成一个中心点，每个中心点的位置位于每个小区域中最中间的2×2的区域即占据四个像素的区域大小，每个小区域对应第二残差模块输出的28×28×128的特征图中1×1×128的部分，其次将每个通道维度中的数组合起来生成一个128维的特征向量，完成每个中心点处128维特征向量的生成，每四个小区域又对应第四池化层输出的14×14×256的特征图中1×1×256的部分，其次将每个通道维度中的数组合起来生成一个256维的特征向量，该四个小区域中的四个中心点共享该512维的特征向量，每十六个小区域又对应第五池化层输出的7×7×512的特征图中1×1×512的部分，其次将每个通道维度中的数组合起来生成一个512维的特征向量，该十六个小区域中的十六个中心点共享该512维的特征向量，至此完成每个中心点三个特征向量的生成。
优选的，在步骤(S4)中，所述的特征总距离的定义如下：
其中ai和bj指的是两个中心点的特征向量，d128(ai，bj)指的是两个中心点间128维的特征向量之间的欧氏距离，d256(ai，bj)指的是两个中心点间256维的特征向量之间的欧氏距离，d512(ai，bj)指的是两个中心点间512维特征向量之间的欧氏距离。
优选的，在步骤(S4)中，所述的某个比例阈值为0.2。
本发明与现有技术相比具有以下的有益效果：
本发明将深度学习中的卷积神经网络与图像配准技术做了一个深度的结合，借助预训练的Resnet18卷积神经网络的不同尺度的特征层，提取出多尺度的特征描述子，多维度特征描述子首先结合了经过不同层数卷积后的多尺度信息，可以解决多模态图像因外观差异较大在特征点提取过后出现错误匹配的难题，其次这些特征描述子还保留了一些图像特征点的定位能力，可以解决特征内点会过于集中，分布不均匀的难题，为最后计算出正确的变换参数完成图像配准提供前提，总体来看该发明克服了传统的基于特征的图像配准在处理多模态图像时误差较大的难题，大大提升了图像配准的精度。
附图说明
图1为本发明的用于多模态图像的特征提取配准方法的流程框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
参见图1，本发明的用于多模态图像的特征提取匹配方法包括以下步骤：
(S1)、使用两种不同成像模式的相机对配准目标主体拍摄两张不同模态的图像。
(S2)、将两张图像采用双线性插值的方式重采样成分辨率为224×224的图像。
(S3)、将两张处理后的图像依次放入预训练的卷积神经网络中，将第二、三、四个残差模块的卷积输出结果取出，利用卷积输出结果在两张图像的每个8×8的区域中的中心点处生成一个128维的特征向量、一个256维的特征向量和一个512维的特征向量。
(S4)、每个中心点都得到了三个不同的特征向量后，采用中心点对应的特征向量的特征总距离作为两幅图像中中心点的相似性判定度量。对某个中心点，取其中图像中的该中心点，并找出其与另一幅图像中特征总距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离小于0.2，则接受这一对匹配点，完成一一匹配后再使用随机采样一致随机优化算法剔除误匹配点得到正确匹配的中心点对。
(S5)、在两张图像完成了中心点的正确匹配之后利用单应性变换将获得两张图像匹配点之间的特征映射，选择其中一张图像作为固定图像，另一张则为浮动图像，计算出单应性矩阵将其与浮动图像中对应点的齐次坐标进行相乘，得到配准后的图像。
参见图1，在步骤(S2)中，所述的预训练的卷积神经网络中指的是用ImageNet数据集训练完备的主要用来做图像分类的部分Resnet18卷积神经网络，Resnet18卷积神经网络由卷积层、残差连接和全连接层组成，卷积层用于特征提取，全连接层用于分类，本发明中神经网络只使用卷积层用于完成特征提取。
参见图1，在步骤(S3)中，所述的用特征提取过程中具体做法为首先将图像划分为28×28个小区域，每个区域所占据的像素区域为8×8，每个小区域中间生成一个中心点，每个中心点的位置位于每个小区域中最中间的2×2的区域即占据四个像素的区域大小，每个小区域对应第二残差模块输出的28×28×128的特征图中1×1×128的部分，其次将每个通道维度中的数组合起来生成一个128维的特征向量，完成每个中心点处128维特征向量的生成，每四个小区域又对应第四池化层输出的14×14×256的特征图中1×1×256的部分，其次将每个通道维度中的数组合起来生成一个256维的特征向量，该四个小区域中的四个中心点共享该512维的特征向量，每十六个小区域又对应第五池化层输出的7×7×512的特征图中1×1×512的部分，其次将每个通道维度中的数组合起来生成一个512维的特征向量，该十六个小区域中的十六个中心点共享该512维的特征向量，至此完成每个中心点三个特征向量的生成。
参见图1，在步骤(S4)中，所述的特征总距离的定义如下：
其中ai和bj指的是两个中心点的特征向量，d128(ai，bj)指的是两个中心点间128维的特征向量之间的欧氏距离，d256(ai，bj)指的是两个中心点间256维的特征向量之间的欧氏距离，d512(ai，bj)指的是两个中心点间512维特征向量之间的欧氏距离。
另外，在步骤(S1)中，不同成像模式的相机与配准主体之间的连线所构成的夹角小于或等于20度。
另外，在步骤(S1)中，所述的两种不同成像模式的相机中的两种不同成像的模式可为短波红外成像、中波红外成像、长波红外成像、光谱成像以及偏振成像等的其中任意两种。在本实施例中，所选择的两种不同成像模式的相机分别是短波红外成像相机和偏振成像相机。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种用于多模态图像的特征提取配准方法，其特征在于，包括以下步骤：
(S1)、使用两种不同成像模式的相机对配准目标主体拍摄两张不同模态的图像；
(S2)、将两张图像采用双线性插值的方式重采样成分辨率为224×224的图像；
(S3)、将两张处理后的图像依次放入预训练的卷积神经网络中，将第二、三、四个残差模块的卷积输出结果取出，利用卷积输出结果在两张图像的每个8×8的区域中的中心点处生成一个128维的特征向量、一个256维的特征向量和一个512维的特征向量；
(S4)、每个中心点都得到了三个不同的特征向量后，采用中心点对应的特征向量的特征总距离作为两幅图像中中心点的相似性判定度量。对某个中心点，取其中图像中的该中心点，并找出其与另一幅图像中特征总距离最近的前两个关键点，在这两个关键点中，如果最近的距离与次近的距离比值小于某个比例阀值，则接受这一对匹配点，完成一一匹配后再使用随机采样一致随机优化算法剔除误匹配点得到正确匹配的中心点对；
(S5)、在两张图像完成了中心点的正确匹配之后利用单应性变换将获得两张图像匹配点之间的特征映射，选择其中一张图像作为固定图像，另一张则为浮动图像，计算出单应性矩阵将其与浮动图像中对应点的齐次坐标进行相乘，得到配准后的图像。
2.根据权利要求1所述的用于多模态图像的特征提取配准方法，其特征在于，在步骤(S1)中，不同成像模式的相机与配准主体之间的连线所构成的夹角小于或等于20度。
3.根据权利要求1所述的用于多模态图像的特征提取配准方法，其特征在于，在步骤(S1)中，所述的两种不同成像模式的相机中的两种不同成像的模式可为短波红外成像、中波红外成像、长波红外成像、光谱成像以及偏振成像等的其中任意两种。
4.根据权利要求1所述的用于多模态图像的特征提取配准方法，其特征在于，在步骤(S2)中，所述的预训练的卷积神经网络中指的是用ImageNet数据集训练完备的主要用来做图像分类的部分Resnet18卷积神经网络，Resnet18卷积神经网络由卷积层、残差连接和全连接层组成，卷积层用于特征提取，全连接层用于分类，本发明中神经网络只使用卷积层用于完成特征提取。
5.根据权利要求1所述的用于多模态图像的特征提取配准方法，其特征在于，在步骤(S3)中，所述的用特征提取过程中具体做法为首先将图像划分为28×28个小区域，每个区域所占据的像素区域为8×8，每个小区域中间生成一个中心点，每个中心点的位置位于每个小区域中最中间的2×2的区域即占据四个像素的区域大小，每个小区域对应第二残差模块输出的28×28×128的特征图中1×1×128的部分，其次将每个通道维度中的数组合起来生成一个128维的特征向量，完成每个中心点处128维特征向量的生成，每四个小区域又对应第四池化层输出的14×14×256的特征图中1×1×256的部分，其次将每个通道维度中的数组合起来生成一个256维的特征向量，该四个小区域中的四个中心点共享该512维的特征向量，每十六个小区域又对应第五池化层输出的7×7×512的特征图中1×1×512的部分，其次将每个通道维度中的数组合起来生成一个512维的特征向量，该十六个小区域中的十六个中心点共享该512维的特征向量，至此完成每个中心点三个特征向量的生成。
6.根据权利要求1所述的用于多模态图像的特征提取配准方法，其特征在于，在步骤(S4)中，所述的特征总距离的定义如下：
其中ai和bj指的是两个中心点的特征向量，d128(ai，bj)指的是两个中心点间128维的特征向量之间的欧氏距离，d256(ai，bj)指的是两个中心点间256维的特征向量之间的欧氏距离，d512(ai，bj)指的是两个中心点间512维特征向量之间的欧氏距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111395143.3A CN114066954B (zh) | 2021-11-23 | 2021-11-23 | 一种用于多模态图像的特征提取配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111395143.3A CN114066954B (zh) | 2021-11-23 | 2021-11-23 | 一种用于多模态图像的特征提取配准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114066954A true CN114066954A (zh) | 2022-02-18 |
| CN114066954B CN114066954B (zh) | 2024-06-25 |
Family
ID=80279600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111395143.3A Active CN114066954B (zh) | 2021-11-23 | 2021-11-23 | 一种用于多模态图像的特征提取配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066954B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116188816A (zh) * | 2022-12-29 | 2023-05-30 | 广东省新黄埔中医药联合创新研究院 | 一种基于循环一致性变形图像匹配网络的穴位定位方法 |
| CN117233991A (zh) * | 2023-11-10 | 2023-12-15 | 深圳市康凌源科技有限公司 | 液晶显示屏的偏光贴片方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
| CN109410255A (zh) * | 2018-10-17 | 2019-03-01 | 中国矿业大学 | 一种基于改进的sift与哈希算法的图像配准方法及装置 |
| CN111709980A (zh) * | 2020-06-10 | 2020-09-25 | 北京理工大学 | 基于深度学习的多尺度图像配准方法和装置 |
| CN113012208A (zh) * | 2021-03-22 | 2021-06-22 | 上海应用技术大学 | 多视角遥感图像配准方法及*** |
| CN113628261A (zh) * | 2021-08-04 | 2021-11-09 | 国网福建省电力有限公司泉州供电公司 | 一种电力巡检场景下的红外与可见光图像配准方法 |
-
2021
- 2021-11-23 CN CN202111395143.3A patent/CN114066954B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
| CN109410255A (zh) * | 2018-10-17 | 2019-03-01 | 中国矿业大学 | 一种基于改进的sift与哈希算法的图像配准方法及装置 |
| CN111709980A (zh) * | 2020-06-10 | 2020-09-25 | 北京理工大学 | 基于深度学习的多尺度图像配准方法和装置 |
| CN113012208A (zh) * | 2021-03-22 | 2021-06-22 | 上海应用技术大学 | 多视角遥感图像配准方法及*** |
| CN113628261A (zh) * | 2021-08-04 | 2021-11-09 | 国网福建省电力有限公司泉州供电公司 | 一种电力巡检场景下的红外与可见光图像配准方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王炳健;卢刚;黄洋;李庆;秦翰林;: "基于Shape Context和尺度不变特征变换的多模图像自动配准方法", 强激光与粒子束, no. 12, 15 December 2011 (2011-12-15) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116188816A (zh) * | 2022-12-29 | 2023-05-30 | 广东省新黄埔中医药联合创新研究院 | 一种基于循环一致性变形图像匹配网络的穴位定位方法 |
| CN116188816B (zh) * | 2022-12-29 | 2024-05-28 | 广东省新黄埔中医药联合创新研究院 | 一种基于循环一致性变形图像匹配网络的穴位定位方法 |
| CN117233991A (zh) * | 2023-11-10 | 2023-12-15 | 深圳市康凌源科技有限公司 | 液晶显示屏的偏光贴片方法、装置、设备及存储介质 |
| CN117233991B (zh) * | 2023-11-10 | 2024-03-19 | 深圳市康凌源科技有限公司 | 液晶显示屏的偏光贴片方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114066954B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | A novel two-step registration method for remote sensing images based on deep and local features | |
| CN110097093B (zh) | 一种异源图像精确匹配方法 | |
| CN107833181B (zh) | 一种基于变焦立体视觉的三维全景图像生成方法 | |
| CN109903313B (zh) | 一种基于目标三维模型的实时位姿跟踪方法 | |
| CN107154014B (zh) | 一种实时彩色及深度全景图像拼接方法 | |
| CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
| CN111553939B (zh) | 一种多目摄像机的图像配准算法 | |
| CN108257089B (zh) | 一种基于迭代最近点的大视场视频全景图拼接的方法 | |
| CN114066954A (zh) | 一种用于多模态图像的特征提取配准方法 | |
| CN116664892A (zh) | 基于交叉注意与可形变卷积的多时相遥感图像配准方法 | |
| CN111402395A (zh) | 一种基于cnn校正的被动偏振三维重建方法 | |
| CN107154017A (zh) | 一种基于sift特征点匹配的图像拼接方法 | |
| Misra et al. | Feature based remote sensing image registration techniques: a comprehensive and comparative review | |
| CN110136048B (zh) | 一种图像配准方法及***、存储介质及终端 | |
| CN110009670A (zh) | 基于fast特征提取和piifd特征描述的异源图像配准方法 | |
| Li et al. | Multimodal image fusion framework for end-to-end remote sensing image registration | |
| Gao et al. | DCT-based local descriptor for robust matching and feature tracking in wide area motion imagery | |
| Huang et al. | Multimodal image matching using self similarity | |
| CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
| CN106651756B (zh) | 一种基于sift和验证机制的图像配准方法 | |
| Wang et al. | A real-time correction and stitching algorithm for underwater fisheye images | |
| CN111047513B (zh) | 一种用于柱面全景拼接的鲁棒性图像对齐方法及装置 | |
| Huang et al. | SAR and optical image registration method based on improved CycleGAN | |
| Wang et al. | A Robust Multispectral Point Cloud Generation Method Based on 3D Reconstruction from Multispectral Images | |
| CN115410014A (zh) | 一种鱼眼图像的自监督特征点匹配方法及其存储介质 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Di Jianglei Inventor after: Jiang Wenjuan Inventor after: Wu Ji Inventor after: Zhong Liyun Inventor after: Qin Yuwen Inventor before: Jiang Wenjuan Inventor before: Wu Ji Inventor before: Di Jianglei Inventor before: Zhong Liyun Inventor before: Qin Yuwen |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant |