CN114463525B - 一种面向三维重建的大规模图像色彩一致性校正方法 - Google Patents

一种面向三维重建的大规模图像色彩一致性校正方法 Download PDF

Info

Publication number
CN114463525B
CN114463525B CN202210086706.9A CN202210086706A CN114463525B CN 114463525 B CN114463525 B CN 114463525B CN 202210086706 A CN202210086706 A CN 202210086706A CN 114463525 B CN114463525 B CN 114463525B
Authority
CN
China
Prior art keywords
images
correction
color
image
group
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
Application number
CN202210086706.9A
Other languages
English (en)
Other versions
CN114463525A (zh
Inventor
姚剑
李云梦
李礼
李寅暄
龚烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210086706.9A priority Critical patent/CN114463525B/zh
Publication of CN114463525A publication Critical patent/CN114463525A/zh
Application granted granted Critical
Publication of CN114463525B publication Critical patent/CN114463525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2012—Colour editing, changing, or manipulating; Use of colour codes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种面向三维重建的大规模图像的色彩一致性校正方法，该方法的色彩校正过程主要包括三步：第一步，图像的分组，根据匹配关系构建邻接图，并基于图分区原理对图像进行分组。第二步，颜色对应提取，对于每个影像对，基于局部单应原理为稀疏点周围的区域计算匹配像素，并提取统计值作为最终的颜色对应。第三步，全局优化，基于上述图像分组结果和颜色对应关系，实施两步校正策略对大规模图像进行颜色一致性校正。先对每组图像执行组内校正，消除同一组的图像间的颜色差异；之后执行组间校正，消除不同组图像间的颜色差异。最后，根据求解的校正模型参数依次对所有图像进行色彩校正，实现整个图像集的颜色一致性。

Description

一种面向三维重建的大规模图像色彩一致性校正方法
技术领域
本发明属于遥感影像处理技术领域，特别是涉及一种面向三维重建的大规模图像的色彩一致性校正方法。
背景技术
基于图像的三维(three-dimension，3D)重建是从二维图像中恢复现实世界三维信息的过程，广泛应用于智慧城市、文物修复、虚拟现实、无人驾驶***等。然而，在多视角图像采集过程中，尤其是对于大尺度场景，拍摄时间、天气条件、光照强度、相机参数等采集条件不可避免地存在差异，从而导致图像出现颜色差异。如果使用原始的未校正图像进行3D重建，首先会影响密集匹配的结果，因为密集匹配主要依赖于像素之间的相似性。而不准确的密集匹配结果无疑会进一步影响重建网格模型的几何精度。此外，使用原始图像进行后续的纹理映射，也会导致纹理模型中的块之间存在颜色差异。几何错位和纹理不一致会极大影响最终模型的视觉效果。因此，通过色彩一致性校正技术消除多视图图像之间的颜色差异至关重要。
多年来，图像拼接中的色彩一致性校正研究不断发展和完善。基于全局优化的方法是其中的主流方法，通常根据图像之间的重叠区域来计算颜色对应(Colorcorrespondence)，并通过最小化能量函数的方式同时求解所有图像的校正模型参数。但是该方法不能直接应用于3D重建中多视角图像的色彩校正。因为用于3D重建的图像的相机位姿通常有很大差异，很难精确对齐这些图像。当前的基本方案是基于稀疏匹配点来提取颜色对应关系。但是该方法可靠性较低，特征点的特性决定了它们的分布并不均匀，大部分特征点位于边界和角落。这会导致图像中的特征点以外的颜色信息被忽略，进而影响颜色校正结果。一些研究人员提出基于密集匹配来计算颜色对应关系，或者从图像重建网格后，通过将三角网格重新投影到图像来准确计算重叠区域，但这两种方法都非常耗时。此外，全局优化框架并不适合处理大规模图像，因为它同时求解所有校正参数，当图像数量增加到一定程度时，能量方程的求解时间会大大增加。并且，由于方程系数矩阵的尺度同时增大，求解过程容易因为内存不足而中断。
发明内容
为了解决以上方法中存在的问题，在三维重建任务中实现大规模图像间的颜色差异的消除，本发明提出了一种基于图像分组的两步校正策略，该方法的色彩校正过程主要包括三步：第一步，图像的分组，根据匹配关系构建邻接图，并基于图分区原理对图像进行分组。第二步，颜色对应提取，对于每个影像对，基于局部单应原理为稀疏点周围的区域计算匹配像素，并提取统计值作为最终的颜色对应。第三步，全局优化，基于上述图像分组结果和颜色对应关系，实施两步校正策略对大规模图像进行颜色一致性校正。先对每组图像执行组内校正，消除同一组的图像间的颜色差异；之后执行组间校正，消除不同组图像间的颜色差异。最后，根据求解的校正模型参数依次对所有图像进行色彩校正，实现整个图像集的颜色一致性。本发明在全局优化的基础上，基于图像分组提出了两步校正策略，使得色彩校正算法在大规模图像集上显示出更高的计算效率，并且表现出更好的颜色一致性。
本发明的技术方案为一种面向三维重建的大规模图像的色彩一致性校正方法，包括如下步骤：
步骤1，首先基于运动结构恢复获取稀疏匹配点，根据匹配关系构建邻接图，然后基于图分区原理对图像进行分组；
步骤2，对于每个图像对，基于局部单应原理为稀疏点周围的区域计算匹配像素，并提取统计值作为最终的颜色对应；
步骤3，基于上述图像分组结果和颜色对应关系，实施两步校正策略对大规模图像进行颜色一致性校正获得校正模型参数，即先对每组图像执行组内校正，消除同一组的图像间的颜色差异；之后执行组间校正，消除不同组图像间的颜色差异，最后，根据求解的校正模型参数依次对所有图像进行色彩校正，实现整个图像集的颜色一致性。
进一步的，步骤1中，构建的邻接图表示为G＝{V,E}，其中，顶点表示所有图像，N表示图像的数量，边E＝{eij,,i≠j}表示图像之间的邻接关系，此外，边eij的权重wij与图像Ii和Ij之间的匹配点数量成正相关。
进一步的，步骤1的具体实现方式如下；
步骤1.1，邻接图的简化；
通过自适应阈值对邻接图进行简化处理，首先，为图中的边计算归一化权重：
其中，mij表示图像Ii和Ij之间的匹配点数，M1和M2为计算的自适应阈值；对于邻接图中的每个顶点，至少有一条边与其相连，将顶点的匹配点数mi定义为其中的最大匹配点数，即，
mi＝{max(mij),j∈[0,N),j≠i}.
N表示图像的数量，所有顶点的匹配点数可以表示为一个集合，即则M1和M2的计算公式如下：
其中，a1和a2为系数，min(·)和max(·)分别表示集合中的最小值和最大值，在计算得到所有边的权重后，权重为0的边首先被舍弃，因为匹配点数过少的边不够稳定，之后，通过阈值T进一步限制每个顶点的连接边数，优先保留权重较大的边，超过阈值T的边舍弃，即令wij＝0；
步骤1.2，图分区；
之后，在简化图上应用图分区算法，以获取图像分组结果；图分区，也称为图聚类，其目标是最大化簇内的联系或最小化簇间的联系，采用其中的经典方法归一化割来完成图分区任务；归一化割的优化目标是相对于簇的度数而不是其大小来最小化簇间联系，其公式定义如下：
其中，C表示组数，Vc表示第c个簇，degree(Vc)表示Vc的度数，计算为Vc中所有顶点度数的总和。
进一步的，步骤2的具体实现方式如下；
对于一个图像对(Ii,Ij)，在步骤1中已经得到了其稀疏匹配点，首先，将图像Ii划分为m×n的网格，然后，依次检查每个网格范围内是否包含匹配点，并为至少包含一个匹配点的网格区域计算相应的匹配像素；
假设，两张图像的局部区域之间可以用局部单应矩阵H近似，那么，对图像Ii中满足条件的网格，可以根据匹配点估计相应的局部单应矩阵，使用当前网格内的匹配点计算，若匹配点数不足以估计单应矩阵，则在邻近的网格中搜索足够的匹配点；然后，基于匹配点构建并最小化重投影误差函数即可求得相应的矩阵参数；最后，根据估计的局部单应矩阵H，将当前网格投影到图像Ij以获取匹配像素，计算两张图像的匹配区域的颜色累计分布函数并将相同的分位数作为最终的颜色对应。
进一步的，步骤3中，令表示原始图像，在步骤1的图像分组后，所有图像被分成C组，表示为/>
在组内校正阶段，每组图像可以独立处理；对于任意一组图像Vc，执行全局色彩一致性校正以获得Vc中所有图像的组内校正参数，组内校正后，属于同一组的图像之间的颜色差异被有效消除，令表示所有图像的组内校正模型；
在组间校正阶段，将每组图像视为一个虚拟图像，令表示所有虚拟图像，再次执行全局色彩一致性校正以消除虚拟图像间的颜色差异，令/>表示所有的组间校正模型；
在求得校正模型的参数后，依次对所有图像进行色彩校正；对于包含在Vc组内的图像Ii中的任意像素p，其校正过程如下所示：
其中，Ii(p)和分别表示像素p在原始图像和校正后图像中的灰度值。
进一步的，组内校正和组间校正阶段应用的色彩校正方法是同样的基于全局优化的方法，校正模型为二次样条曲线模型，全局能量函数的一般定义如下：
其中，fi和fj表示图像Ii和Ij的校正模型，Edata(fi,fj)表示数据项，约束校正后的相邻图像间的颜色差异尽可能小，Eregular(fi)表示正则项，约束校正后的图像色彩应尽可能接近原始图像，λ表示平衡系数；
数据项和正则项的定义如下：
其中，(vi,k,vj,k)表示图像Ii和Ij的第k对颜色对应的像素值，K为每个图像对的颜色对应数量，‖·‖2表示L2范数；
与现有技术相比，本发明的优点和有益效果如下：
1)基于局部单应性原理计算稀疏点周围区域的匹配像素，使得提取的颜色对应更为准确鲁棒，进而提升色彩校正效果。
2)基于图分区原理的两步校正策略，有效提高了色彩一致性校正算法在大规模图像上的计算效率，满足了大规模图像全局色彩一致性校正的需求。
附图说明
图1为本发明提出的技术方案主要流程的示意图。
图2为本发明使用的图像分组算法的示意图。
图3为本发明使用的颜色对应提取算法的示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
假设输入的影像集表示为其中N为输入影像的数量。本发明首先基于运动结构恢复(Structure from Motion，SfM)获取稀疏匹配点，根据匹配关系构建邻接图后，基于图分区原理对图像进行分组。然后，对于每个图像对，本发明基于局部单应性原理为稀疏匹配点周围的区域计算匹配像素，以提取准确的颜色对应。最后，基于上述图像分组结果和颜色对应关系，本发明实施两步校正策略对大规模图像进行颜色一致性校正。具体而言，先执行组内校正，消除同一组的图像间的颜色差异，之后执行组间校正，消除不同组图像间的颜色差异，最终实现整个图像集的颜色一致性。具体流程如图1所示。
步骤1，图像分组。
在本发明中，首先基于SfM方法获取稀疏匹配点，并根据影像间的匹配关系构建邻接图，表示为G＝{V,E}。其中，顶点表示所有图像，边E＝{eij,,i≠j}表示图像之间的邻接关系。此外，边eij的权重wij与图像Ii和Ij之间的匹配点数量成正相关。构建的初始邻接图如图2(a)所示。
步骤1.1，邻接图的简化。
事实上，在全局优化框架下考虑所有的邻接关系是不必要的，因此本发明通过自适应阈值对邻接图进行简化处理。首先，为图中的边计算归一化权重：
其中，mij表示图像Ii和Ij之间的匹配点数，M1和M2为计算的自适应阈值。对于邻接图中的每个顶点，至少有一条边与其相连，将顶点的匹配点数mi定义为其中的最大匹配点数，即，
mi＝{max(mij),j∈[0,N),j≠i}.
所有顶点的匹配点数可以表示为一个集合，即则M1和M2的计算公式如下：
其中，a1和a2为系数，在本发明中分别设置为0.6和0.8。min(·)和max(·)分别表示集合中的最小值和最大值。在计算得到所有边的权重后，权重为0的边首先被舍弃，因为匹配点数过少的边不够稳定。之后，通过阈值T进一步限制每个顶点的连接边数，在本发明中，T＝5。优先保留权重较大的边，超过阈值T的边舍弃，即令wij＝0。简化后的邻接图如图2(b)所示。
步骤1.2，图分区。
之后，本发明在简化图上应用图分区算法，以获取图像分组结果。图分区，也称为图聚类，其目标是最大化簇内的联系或最小化簇间的联系，本发明采用其中的经典方法归一化割(Normalized Cut)来完成图分区任务。归一化割的优化目标是相对于簇的度数而不是其大小来最小化簇间联系，其公式定义如下：
其中，C表示组数，Vc表示第c个簇，degree(Vc)表示Vc的度数，计算为Vc中所有顶点度数的总和。图分区结果如图2(c)所示。
步骤2，颜色对应提取。
为了提取图像间的可靠颜色对应，本发明基于局部单应性为稀疏点周围的区域计算匹配像素。对于一个图像对(Ii,Ij)，在步骤1中已经得到了其稀疏匹配点。首先，我们将图像Ii划分为m×n的网格，如图3(c)所示。然后，依次检查每个网格范围内是否包含匹配点，并为至少包含一个匹配点的网格区域计算相应的匹配像素。
假设，两张图像的局部区域之间可以用局部单应矩阵H近似。那么，对图像Ii中满足条件的网格，可以根据匹配点估计相应的局部单应矩阵。一般使用当前网格内的匹配点计算，若匹配点数不足以估计单应矩阵，则在邻近的网格中搜索足够的匹配点。然后，基于匹配点构建并最小化重投影误差函数即可求得相应的矩阵参数。最后，根据估计的局部单应矩阵H，将当前网格投影到图像Ij以获取匹配像素。计算结果如图3(f)和图3(g)所示。考虑到位于平面交界处的区域不满足局部单应性，计算结果中可能存在噪声。为了抑制噪声的影响，计算两张图像的匹配区域的颜色累计分布函数(Cumulative DistributionFunctions，CDFs)，并将相同的分位数(具有相同频率的颜色值对)作为最终的颜色对应。
步骤3，全局优化。
在本发明中，为了使全局优化策略适用于大规模图像，提出了一种有效的两步校正策略，通过依次执行组内校正和组间校正来间接达到全局优化的效果。令表示原始图像，在步骤1的图像分组后，所有图像被分成C组，表示为/>
在组内校正阶段，每组图像可以独立处理。对于任意一组图像Vc，执行全局色彩一致性校正以获得Vc中所有图像的组内校正参数。组内校正后，属于同一组的图像之间的颜色差异被有效消除。令表示所有图像的组内校正模型。
在组间校正阶段，我们将每组图像视为一个虚拟图像。令表示所有虚拟图像，再次执行全局色彩一致性校正以消除虚拟图像间的颜色差异。令/>表示所有的组间校正模型。
在本发明中，组内校正和组间校正阶段应用的色彩校正方法是同样的基于全局优化的方法，校正模型为二次样条曲线模型，其全局能量函数的一般定义如下：
其中，fi和fj表示图像Ii和Ij的校正模型，在本发明中使用的是二次样条曲线模型。Edata(fi,fj)表示数据项，约束校正后的相邻图像间的颜色差异尽可能小，Eregular(fi)表示正则项，约束校正后的图像色彩应尽可能接近原始图像，λ表示平衡系数。
数据项和正则项的定义如下：
其中，(vi,k,vj,k)表示图像Ii和Ij的第k对颜色对应的像素值，K为每个图像对的颜色对应数量，在本发明中，K＝16。‖·‖2表示L2范数。
在求得校正模型的参数后，依次对所有图像进行色彩校正。一般来说，对于包含在Vc组内的图像Ii中的任意像素p，其校正过程如下所示：
其中，Ii(p)和分别表示像素p在原始图像和校正后图像中的灰度值。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种面向三维重建的大规模图像色彩一致性校正方法，其特征在于，包括如下步骤：
步骤1，首先基于运动结构恢复获取稀疏匹配点，根据匹配关系构建邻接图，然后基于图分区原理对图像进行分组；
步骤2，对于每个图像对，基于局部单应原理为稀疏点周围的区域计算匹配像素，并提取统计值作为最终的颜色对应；
步骤3，基于上述图像分组结果和颜色对应关系，实施两步校正策略对大规模图像进行颜色一致性校正获得校正模型参数，即先对每组图像执行组内校正，消除同一组的图像间的颜色差异；之后执行组间校正，消除不同组图像间的颜色差异，最后，根据求解的校正模型参数依次对所有图像进行色彩校正，实现整个图像集的颜色一致性；
步骤3中，令表示原始图像，N表示图像的数量，在步骤1的图像分组后，所有图像被分成/>组，表示为/>；
在组内校正阶段，每组图像可以独立处理；对于任意一组图像，执行全局色彩一致性校正以获得/>中所有图像的组内校正参数，组内校正后，属于同一组的图像之间的颜色差异被有效消除，令/>表示所有图像的组内校正模型；
在组间校正阶段，将每组图像视为一个虚拟图像，令表示所有虚拟图像，再次执行全局色彩一致性校正以消除虚拟图像间的颜色差异，令/>表示所有的组间校正模型；
在求得校正模型的参数后，依次对所有图像进行色彩校正；对于包含在组内的图像/>中的任意像素/>，其校正过程如下所示：
其中，和/>分别表示像素/>在原始图像和校正后图像中的灰度值；
组内校正和组间校正阶段应用的色彩校正方法是同样的基于全局优化的方法，校正模型为二次样条曲线模型，全局能量函数的一般定义如下：
其中，和/>表示图像/>和/>的校正模型，/>表示数据项，约束校正后的相邻图像间的颜色差异尽可能小，/>表示正则项，约束校正后的图像色彩应尽可能接近原始图像，/>表示平衡系数；
数据项和正则项的定义如下：
其中，(vi,k,vj,k)表示图像和/>的第/>对颜色对应的像素值，/>为每个图像对的颜色对应数量，/>表示L2范数。
2.如权利要求1所述的一种面向三维重建的大规模图像色彩一致性校正方法，其特征在于：步骤1中，构建的邻接图表示为，其中，顶点/>表示所有图像，N表示图像的数量，边/>表示图像之间的邻接关系，此外，边/>的权重/>与图像/>和/>之间的匹配点数量成正相关。
3.如权利要求1所述的一种面向三维重建的大规模图像色彩一致性校正方法，其特征在于：步骤1的具体实现方式如下；
步骤1.1，邻接图的简化；
通过自适应阈值对邻接图进行简化处理，首先，为图中的边计算归一化权重：
其中，表示图像/>和/>之间的匹配点数，/>和/>为计算的自适应阈值；对于邻接图中的每个顶点，至少有一条边与其相连，将顶点的匹配点数/>定义为其中的最大匹配点数，即，
N表示图像的数量，所有顶点的匹配点数可以表示为一个集合，即，则/>和的计算公式如下：
其中，和/>为系数，/>和/>分别表示集合中的最小值和最大值，在计算得到所有边的权重后，权重为0的边首先被舍弃，因为匹配点数过少的边不够稳定，之后，通过阈值/>进一步限制每个顶点的连接边数，优先保留权重较大的边，超过阈值/>的边舍弃，即令=0；
步骤1.2，图分区；
之后，在简化图上应用图分区算法，以获取图像分组结果；图分区，也称为图聚类，其目标是最大化簇内的联系或最小化簇间的联系，采用其中的经典方法归一化割来完成图分区任务；归一化割的优化目标是相对于簇的度数而不是其大小来最小化簇间联系，其公式定义如下：
其中，表示组数，/>表示第/>个簇，/>表示/>的度数，计算为/>中所有顶点度数的总和。
4.如权利要求1所述的一种面向三维重建的大规模图像色彩一致性校正方法，其特征在于：步骤2的具体实现方式如下；
对于一个图像对（），在步骤1中已经得到了其稀疏匹配点，首先，将图像/>划分为的网格，然后，依次检查每个网格范围内是否包含匹配点，并为至少包含一个匹配点的网格区域计算相应的匹配像素；
假设，两张图像的局部区域之间可以用局部单应矩阵H近似，那么，对图像中满足条件的网格，可以根据匹配点估计相应的局部单应矩阵，使用当前网格内的匹配点计算，若匹配点数不足以估计单应矩阵，则在邻近的网格中搜索足够的匹配点；然后，基于匹配点构建并最小化重投影误差函数即可求得相应的矩阵参数；最后，根据估计的局部单应矩阵H，将当前网格投影到图像/>以获取匹配像素，计算两张图像的匹配区域的颜色累计分布函数并将相同的分位数作为最终的颜色对应。
CN202210086706.9A 2022-01-25 2022-01-25 一种面向三维重建的大规模图像色彩一致性校正方法 Active CN114463525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210086706.9A CN114463525B (zh) 2022-01-25 2022-01-25 一种面向三维重建的大规模图像色彩一致性校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210086706.9A CN114463525B (zh) 2022-01-25 2022-01-25 一种面向三维重建的大规模图像色彩一致性校正方法

Publications (2)

Publication Number Publication Date
CN114463525A CN114463525A (zh) 2022-05-10
CN114463525B true CN114463525B (zh) 2024-06-25

Family

ID=81411313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210086706.9A Active CN114463525B (zh) 2022-01-25 2022-01-25 一种面向三维重建的大规模图像色彩一致性校正方法

Country Status (1)

Country Link
CN (1) CN114463525B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661495B (zh) * 2022-09-28 2023-04-18 中国测绘科学研究院 一种紧凑划分及多层次合并策略的大规模SfM方法
CN115409953B (zh) * 2022-11-02 2023-03-28 汉斯夫(杭州)医学科技有限公司 基于多相机颜色一致性的颌面重建方法、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127318A (zh) * 2019-12-05 2020-05-08 南京莱斯电子设备有限公司 一种机场环境下的全景图像拼接方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416840B (zh) * 2018-03-14 2020-02-18 大连理工大学 一种基于单目相机的三维场景稠密重建方法
CN112164004B (zh) * 2020-09-14 2022-09-13 武汉大学 一种联合优化全局和局部颜色一致性的色彩校正方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127318A (zh) * 2019-12-05 2020-05-08 南京莱斯电子设备有限公司 一种机场环境下的全景图像拼接方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自分类和颜色空间变换的遥感图像色彩校正方法;陈旭;林宏;强振平;;遥感学报;20090915(第05期);全文 *

Also Published As

Publication number Publication date
CN114463525A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN108230264B (zh) 一种基于ResNet神经网络的单幅图像去雾方法
CN108564549B (zh) 一种基于多尺度稠密连接网络的图像去雾方法
CN114463525B (zh) 一种面向三维重建的大规模图像色彩一致性校正方法
EP3093823B1 (en) Static object reconstruction method and system
CN104933709B (zh) 基于先验信息的随机游走ct肺组织图像自动分割方法
CN108537756B (zh) 基于图像融合的单幅图像去雾方法
CN112686935B (zh) 基于特征融合的机载测深雷达与多光谱卫星影像配准方法
CN111739076A (zh) 面向多种ct肺部纹理识别的非监督保内容域适应方法
CN109685045B (zh) 一种运动目标视频跟踪方法及***
CN105740945A (zh) 一种基于视频分析的人群计数方法
CN109712143B (zh) 一种基于超像素多特征融合的快速图像分割方法
CN107341837B (zh) 基于影像金字塔的栅格-矢量数据转换及连续尺度表达方法
CN102663757A (zh) 基于核传递的半自动图像分割方法
CN113192179A (zh) 一种基于双目立体视觉的三维重建方法
CN110443279B (zh) 一种基于轻量级神经网络的无人机图像车辆检测方法
CN115861409B (zh) 大豆叶面积测算方法、***、计算机设备及存储介质
Han et al. Removing illumination from image pair for stereo matching
CN116912405A (zh) 一种基于改进MVSNet的三维重建方法及***
Kumar et al. Automatic image segmentation using wavelets
CN103413332B (zh) 基于两通道纹理分割主动轮廓模型的图像分割方法
CN113421210A (zh) 一种基于双目立体视觉的表面点云重建方法
WO2024077979A1 (zh) 基于改进的SOLOv2的蘑菇簇轮廓分割和重构方法
CN116958808A (zh) 一种基于实时目标检测网络的森林参数估测方法
CN114841895B (zh) 一种基于双向映射网络的图像阴影去除方法

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