CN116883235A - 一种面向分布式光电的图像拼接方法及装置 - Google Patents

一种面向分布式光电的图像拼接方法及装置 Download PDF

Info

Publication number
CN116883235A
CN116883235A CN202310529250.3A CN202310529250A CN116883235A CN 116883235 A CN116883235 A CN 116883235A CN 202310529250 A CN202310529250 A CN 202310529250A CN 116883235 A CN116883235 A CN 116883235A
Authority
CN
China
Prior art keywords
image
distributed
image data
splicing
current
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
Application number
CN202310529250.3A
Other languages
English (en)
Inventor
刘彤
宋嘉乐
赵鹏飞
杨德振
喻松林
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.)
CETC 11 Research Institute
Original Assignee
CETC 11 Research Institute
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 CETC 11 Research Institute filed Critical CETC 11 Research Institute
Priority to CN202310529250.3A priority Critical patent/CN116883235A/zh
Publication of CN116883235A publication Critical patent/CN116883235A/zh
Pending legal-status Critical Current

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了面向分布式光电的图像拼接方法及装置，方法包括：获取分布式图像数据，其中，分布式图像数据是利用至少两个图像获取装置分别从不同位置条件下获取到的待拼接区域图像；对分布式图像数据进行图像预处理；对当前图像进行特征点提取，并对错误匹配特征点对做剔除；对当前图像进行捆绑调整，将全局捆绑调整与回路检测法相结合，通过比较最小回路生成的变换关系与连接边变换关系的误差，以消除累积误差；采用融合算法对当前拼接后的图像进行融合处理，以完成对分布式图像数据的拼接。本发明相较于传统方法，满足拼接实时性要求，消除模糊重影，减少投影失真，提高了运行效率。

Description

一种面向分布式光电的图像拼接方法及装置
技术领域
本发明分布式图像处理技术领域，尤其涉及一种面向分布式光电的图像拼接方法及装置。
背景技术
拥有大视场范围以及高分辨率的机载红外图像在各个领域都具有相应的应用价值。但受当前图像红外探测技术水平的限制，单独的探测器无法提供多用户多视窗光电***所需的覆盖范围和满足其对于分辨率的要求。在复杂多变的环境中，单机光电平台扫描范围和所携带的光电载荷等能力有限，对于具有遮挡的区域局限明显，因此采用多相机视场拼接的方式，将扫描到的图像序列拼接为一副同时具有大视场范围以及高分辨率的全景图像，实现广域探测，以获取丰富的环境信息，完成大范围的区域覆盖搜索。
然而，现有的图像拼接算法大都基于纯旋转差异或平面成像，对于分布式机载图像的拼接适用性差，导致重影、伪像甚至拼接失败的现象。此外，基于特征的图像拼接算法虽能获得较高的拼接精度，但算法运行效率低，拼接耗时长，无法满足拼接实时性需求。
发明内容
本发明要解决的技术问题是，如何实现有效的分布式光电图像拼接、具备高精度、低失真快速图像拼接效果。有鉴于此，本发明提供一种面向分布式光电的图像拼接方法及装置。
本发明采用的技术方案是，所述一种面向分布式光电的图像拼接方法，包括：
获取分布式图像数据，其中，所述分布式图像数据是利用至少两个图像获取装置分别从不同位置条件下获取到的待拼接区域图像；
对所述分布式图像数据进行图像预处理；
对当前图像进行特征点提取，并对错误匹配特征点对做剔除；
对当前图像进行捆绑调整，将全局捆绑调整与回路检测法相结合，通过比较最小回路生成的变换关系与连接边变换关系的误差，以消除累积误差；
采用融合算法对当前拼接后的图像进行融合处理，以完成对所述分布式图像数据的拼接。
在一个实施方式中，所述图像预处理包括去噪预处理以及增强预处理，其中所述去噪预处理包括均值滤波去噪、高斯滤波去噪、中值滤波去噪；所述增强预处理包括直方图均衡、灰度校正及变换、自适应分割直方图增强。
在一个实施方式中，所述对当前图像进行特征点提取，并对错误匹配特征点对做剔除，包括：
利用配置的SIFT算法对当前图像进行特征点提取，利用配置的随机抽样一致性算法对错误匹配特征点对做剔除。
在一个实施方式中，所述特征提取还包括：利用SURF、ORB算法对当前图像进行特征点提取。
在一个实施方式中，所述融合算法包括：权平均融合、羽化式融合。
在一个实施方式中，所述对当前图像进行特征点提取，并对错误匹配特征点对做剔除的步骤之后，所述方法还包括：当存在错误的特征点对，对异常特征点做提纯处理。
在一个实施方式中，所述方法基于的处理平台包括：CPU、GPU、QtDesigner、PySide2、PyCharm。
本发明的另一方面还提供了一种面向分布式光电的图像拼接装置，包括：
获取单元，被配置为获取分布式图像数据，其中，所述分布式图像数据是利用至少两个图像获取装置分别从不同位置条件下获取到的待拼接区域图像；
机载图像预处理单元，被配置为对所述分布式图像数据进行图像预处理；
特征点提取单元，被配置为对当前图像进行特征点提取，并对错误匹配特征点对做剔除；
捆绑调整单元，被配置为对当前图像进行捆绑调整，将全局捆绑调整与回路检测法相结合，通过比较最小回路生成的变换关系与连接边变换关系的误差，以消除累积误差；
拼接融合单元，被配置为采用融合算法对当前拼接后的图像进行融合处理，以完成对所述分布式图像数据的拼接。
本发明的另一方面还提供了一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上任一项所述的面向分布式光电的图像拼接方法的步骤。
本发明的另一方面还提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的面向分布式光电的图像拼接方法的步骤。
采用上述技术方案，本发明至少具有下列优点：
本发明所述的一种面向分布式光电的图像拼接方法，本发明设计用于分布式光电的图像拼接算法及其软件具有拼接精度高、模糊重影小、投影失真度低、实时性高、便于用户交互等优势，能有效完成对分布式机载平台的大规模广域全景图像拼接功能，有效去除遮挡，提升所覆盖范围的态势感知信息，实现大范围区域探测搜索。
附图说明
图1为根据本发明实施例的面向分布式光电的图像拼接方法流程图；
图2为根据本发明实施例的面向分布式光电的图像拼接方法实施逻辑示意图；
图3为根据本发明实施例的面向分布式光电的图像拼接算法对纯水田场景下的拼接结果示意图；
图4为根据本发明实施例的在纯建筑物场景下的拼接结果示意图；
图5为根据本发明实施例的在水田与建筑物结合场景下的拼接结果示意图；
图6为根据本发明实施例的154张图像的大规模拼接结果示意图；
图7为根据本发明实施例的面向分布式光电图像拼接软件示意图；
图8为根据本发明实施例的面向分布式光电的图像拼接装置组成结构示意图；
图9为根据本发明实施例的电子设备构成示意图。
具体实施方式
为更进一步阐述本发明为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明进行详细说明如后。
应理解，用语“包括”、“包括有”、“具有”、“包含”和/或“包含有”，当在本说明书中使用时表示存在所陈述的特征、整体、步骤、操作、元件和/或部件，但不排除存在或附加有一个或多个其它特征、整体、步骤、操作、元件、部件和/或它们的组合。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，修饰整个所列特征，而不是修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可以”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。
如在本文中使用的，用语“基本上”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。
除非另外限定，否则本文中使用的所有用语(包括技术用语和科学用语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，用语(例如在常用词典中定义的用语)应被解释为具有与它们在相关技术的上下文中的含义一致的含义，并且将不被以理想化或过度正式意义解释，除非本文中明确如此限定。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明中说明书中对方法流程的描述及本发明说明书附图中流程图的步骤并非必须按步骤标号严格执行，方法步骤是可以改变执行顺序的。而且，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本发明中说明书中对方法流程的描述及本发明说明书附图中流程图的步骤并非必须按步骤标号严格执行，方法步骤是可以改变执行顺序的。而且，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本发明第一实施例，一种面向分布式光电的图像拼接方法，如图1所示，包括以下具体步骤：
步骤S1，获取分布式图像数据，其中，分布式图像数据是利用至少两个图像获取装置分别从不同位置条件下获取到的待拼接区域图像；
步骤S2，对分布式图像数据进行图像预处理；
步骤S3，对当前图像进行特征点提取，并对错误匹配特征点对做剔除；
步骤S4，对当前图像进行捆绑调整，将全局捆绑调整与回路检测法相结合，通过比较最小回路生成的变换关系与连接边变换关系的误差，以消除累积误差；
步骤S5，采用融合算法对当前拼接后的图像进行融合处理，以完成对分布式图像数据的拼接。
下面将结合图1至图2，分步对本实施例所提供的方法进行详细介绍。
步骤S1，获取分布式图像数据，其中，分布式图像数据是利用至少两个图像获取装置分别从不同位置条件下获取到的待拼接区域图像。
本实施例中，图像获取装置可以是无人机，具体的获取方式可以是：三架机分别从不同角度以不同高度、不同速度飞行，搭载的光电吊舱下视拍摄待拼接区域图像。每一架次飞机在待拼接区域前向飞行采集图像数据，三架机在飞行过程中采集到的图像间具有30％-50％的重合度。将采集到的图像数据通过无线传输装置传送至地面端的分布式图像拼接软件进行拼接处理。
步骤S2，对分布式图像数据进行图像预处理。
本实施例中，图像预处理可以包括去噪预处理以及增强预处理。
具体地，由于红外探测器的生产材料和制造工艺等不同，在图像采集过程中会引入噪声干扰，且红外辐射的成像机制会导致红外图像的灰度范围窄和对比度低等问题，需对采集到的分布式红外图像进行预处理。针对分布式图像数据特点，对图像预处理中的去噪及增强算法进行研究，选取对椒盐噪声去除效果好的中值滤波法以及自适应分割直方图增强法，使用该增强算法在两种不同场景下提取特征点数为938、2447，特征点正确匹配率为0.89和0.97，为后续特征点提取、正确匹配提供高质量细节图像。在分布式图像拼接软件中对采集到的图像数据进行图像去噪和增强等预处理。
示例性地，图像去噪预处理算法包括但不限于：均值滤波去噪、高斯滤波去噪、中值滤波去噪等。
相应地，增强预处理可以使用自适应直方图分割的方法对源图像前景和背景进行划分，对分割出的前景子直方图均衡化，以及背景子直方图强度范围进行修正。该模块能够克服背景过度增强现象，使得背景中的灰度级不会被过度拟合，有效改善图像中前景与背景对比度，提升图像细节信息，为后续特征点提取和正确匹配提供高质量图像数据。
示例性地，图像增强预处理包括但不限于：直方图均衡、灰度校正及变换、自适应分割直方图增强。
步骤S3，对当前图像进行特征点提取，并对错误匹配特征点对做剔除；
本实施例中，针对分布式机载图像间视差较大、畸变严重，对图像配准精度要求高，采用尺度不变特征变换SIFT(Scale Invariant Feature Transform)算法作为分布式图像拼接的特征点检测算法，也可以使用其他特征提取算法，包括但不限于加速鲁棒性特征检测算法SURF(Speeded Up Robust Features)、面向FAST特征点和旋转BRIEF特征描述的特征检测算法ORB(Oriented FAST and Rotated BRIEF)等特征提取算法及其变种对图像进行特征提取。此外，使用随机抽样一致性算法能有效对错误匹配特征点对做剔除，进一步提高配准精度。
在一些实施例方式中，对当前图像进行特征点提取，并对错误匹配特征点对做剔除的步骤之后，方法还包括：当存在错误的特征点对，对异常特征点做提纯处理。
具体地，可以依次进行图像配准以及对应的提纯处理。其中，图像配准部分为参考图像和观测图像创建相应的描述子集合，使用欧式距离法对关键点描述子的相似性进行度量，利用K维KD(K-Dimensional)树进行匹配搜索。由于存在错误的特征点对，需要对异常特征点做提纯处理，将特征点划分为内、外点两种，在内点集合随机抽取4组匹配特征点对构造单应性矩阵，计算投影误差直至该误差达到最小。该模块能获得精确的匹配特征点对，有助于高精度的图像拼接研究。
步骤S4，对当前图像进行捆绑调整，将全局捆绑调整与回路检测法相结合，通过比较最小回路生成的变换关系与连接边变换关系的误差，以消除累积误差；
本实施例中，在全局捆绑调整算法的基础上改进，将全局捆绑调整与回路检测法相结合，把最小回路生成的变换关系与连接边变换关系的误差比较，以消除累积误差，提高大规模图像配准精度。
另外，针对分布式机载图像拼接存在的不同角度视差较大，图像空间几何变换关系复杂等问题，在尽可能地接近投影APAP(As-Projective-As-Possible)算法的基础上进行改进。进行投影变换前对重叠区域中图像做变形处理，消除模糊重影；采用线性化单应平滑外推至全局性变换，减少边缘处投影失真；此外，利用网格划分法计算图像网格节点处的形变，提高算法运行效率。
相应地，变形处理部分使用薄板样条法应用于单应性变换中，对目标图像IT做形变处理，分别求取x方向以及y方向处的形变，最终得到整幅目标图像IT的形变处理函数。线性化单应平滑外推至全局性变换部分，采用分割处理的方法来计算获取最优的相似性变换。具体而言，首先对匹配的特征点对进行阈值为εk的随机抽样一致性处理，以剔除异常的特征点对。接着，利用阈值大小为εl的随机抽样一致性操作，在平面内搜索具有最大内点数量的单应性变换。若搜索结果出现内点数量εl＜εk的情况，则将该内点从集合中删除，并不断迭代搜索，直至内点个数小于给定阈值。使用匹配好的内点对计算单个相似性变换，选取最小旋转角度作为变换的旋转角。最后，针对拼接结果中的非自然区域对全局相似性变换做更新处理。网格划分部分求解网格节点处的变形函数，对于未被划分的像素点，采用双线性内插法，计算出对应的形变值。
步骤S5，采用融合算法对当前拼接后的图像进行融合处理，以完成对所述分布式图像数据的拼接。
本实施例中，可以选取融合图像细节信息保留较好，拼接处过渡最为平滑的多分辨率融合作为本文的图像融合算法，对拼接后的图像进行处理，获得无缝平滑的全景高分辨率图像，融合算法包括但不限于权平均融合、羽化式融合等。
在一些可能的实施方式中，本实施例中所提供的拼接算法基于的处理平台包括：CPU、GPU、QtDesigner、PySide2、PyCharm；开发环境采用AMDRyzen74800H，8核2.9GHz处理器，核心图像处理及视频计算设备为NVIDIAGeForce RTX2060，显存大小为6GB的硬件开发平台以及QtDesigner、PySide2、PyCharm等软件平台。
本实施例提出的面向分布式光电的图像拼接方法是一种新的针对分布式光电平台的图像拼接方法，相较于传统基于纯旋转差异或平面成像的图像拼接算法，无法适用于分布式机载图像的拼接，存在重影、伪像甚至拼接失败的现象，以及算法运行效率低无法满足拼接实时性要求，面向分布式光电的图像拼接算法及其软件使用薄板样条法对重叠区域中图像做变形处理，消除模糊重影。同时，采用线性化单应平滑外推至全局性变换，减少投影失真。此外，利用网格划分法计算网格节点处形变，其余像素点线性内插，提高算法运行效率。
具体地，以下结合附图给出本实施例的一些具体示例。
面向分布式光电的图像拼接算法对纯水田场景下的拼接结果如图3所示。
在纯建筑物场景下的拼接结果如图4所示。
在水田与建筑物结合场景下的拼接结果如图5所示。
154张图像的大规模拼接结果如图6所示。
面向分布式光电图像拼接软件如图7所示。
在一个具体的实施例中，已能够有效实现154张图像的大规模拼接，得到分辨率为10K×10K的高分辨率全景图像，拼接耗时为138s。
具体地，在不同场景下对该改进算法进行测试，进行两幅图像拼接时，使用改进算法拼接得到不同场景下拼接后图像的均值误差分别为5177.3019、5821.7354、4590.2185均低于原始APAP算法，具有更小的对齐误差和图像细节信息，峰值信噪比分别为10.9902、11.2912、11.5410，结构相似度分别为0.4378、0.4201、0.4278，以及图像熵为5.9293、8.0613、6.9243，均高于APAP算法，得到的图像轮廓更清晰，包含的信息量更丰富；在进行大规模图像拼接时，改进算法在复杂场景下进行图像拼接，得到全景图像的均值误差为3420.3491，峰值信噪比为13.0385，图像熵为6.0063，能够有效实现154张图像的大规模拼接，得到分辨率为10K×10K的高分辨率全景图像，拼接耗时为138s，验证了改进的分布式拼接算法的优越性。
综上所述，本实施例所提供的方法，相较于现有技术，具备以下优点：
1)能够有效针对分布式机载图像采集时，易受到外界环境因素干扰和不同平台飞机飞行姿态影响，图像间存在较大视差的问题；
2)具备较高的图像拼接精度，消除重叠区域中存在的重影模糊现象；
3)能解决全景图像中边缘处的非重叠区域产生投影失真问题；
4)具备较高拼接速率，满足拼接耗时需求；
5)具有高分辨率广域全景图像拼接功能，可用于实现用户和算法交互。
本发明采用的分布式图像拼接算法在进行投影操作前，使用薄板样条法对重叠区域中图像做变形处理，消除模糊重影；采用线性化单应平滑外推至全局性变换，减少投影失真；利用网格划分法计算网格节点处形变，其余像素点线性内插，提高算法运行效率。该发明提出的拼接算法和软件能有效消除图像中的模糊重影和边缘区域的投影失真现象，获得无缝平滑的高分辨率广域全景图像，具有拼接精度高、速率快、范围广、交互简单便于操作等优势，具有较高的应用价值。
本发明第二实施例，与第一实施例对应，本实施例介绍一种的面向分布式光电的图像拼接装置，如图8所示，包括以下组成部分：
机载图像预处理单元，被配置为对所述分布式图像数据进行图像预处理；
特征点提取单元，被配置为对当前图像进行特征点提取，并对错误匹配特征点对做剔除；
捆绑调整单元，被配置为对当前图像进行捆绑调整，将全局捆绑调整与回路检测法相结合，通过比较最小回路生成的变换关系与连接边变换关系的误差，以消除累积误差；
拼接融合单元，被配置为采用融合算法对当前拼接后的图像进行融合处理，以完成对所述分布式图像数据的拼接。
本实施例中，所述机载图像预处理单元进一步配置为：用于去噪预处理以及增强预处理，其中所述去噪预处理包括均值滤波去噪、高斯滤波去噪、中值滤波去噪；所述增强预处理包括直方图均衡、灰度校正及变换、自适应分割直方图增强。
本实施例中，所述特征点提取单元被进一步配置为：
利用配置的SIFT算法对当前图像进行特征点提取，利用配置的随机抽样一致性算法对错误匹配特征点对做剔除。
本实施例中，所述特征点提取单元被进一步配置为：利用SURF、ORB算法对当前图像进行特征点提取。
本实施例中，所述融合算法包括：权平均融合、羽化式融合。
本实施例中，所述对当前图像进行特征点提取，并对错误匹配特征点对做剔除的步骤之后，所述方法还包括：当存在错误的特征点对，对异常特征点做提纯处理。
本实施例中，基于的处理平台包括：CPU、GPU、QtDesigner、PySide2、PyCharm。
本发明第三实施例，一种电子设备，如图9，可以作为实体装置来理解，包括处理器以及存储有所述处理器可执行指令的存储器，当所述指令被处理器执行时，执行如下操作：
步骤S1，获取分布式图像数据，其中，分布式图像数据是利用至少两个图像获取装置分别从不同位置条件下获取到的待拼接区域图像；
步骤S2，对分布式图像数据进行图像预处理；
步骤S3，对当前图像进行特征点提取，并对错误匹配特征点对做剔除；
步骤S4，对当前图像进行捆绑调整，将全局捆绑调整与回路检测法相结合，通过比较最小回路生成的变换关系与连接边变换关系的误差，以消除累积误差；
步骤S5，采用融合算法对当前拼接后的图像进行融合处理，以完成对分布式图像数据的拼接。
本发明第四实施例，本实施例的面向分布式光电的图像拼接方法的流程与第一、二或三实施例相同，区别在于，在工程实现上，本实施例可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的所述方法可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台设备执行本发明实施例所述的方法。
通过具体实施方式的说明，应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图示仅是提供参考与说明之用，并非用来对本发明加以限制。

Claims (10)

1.一种面向分布式光电的图像拼接方法，其特征在于，包括：
获取分布式图像数据，其中，所述分布式图像数据是利用至少两个图像获取装置分别从不同位置条件下获取到的待拼接区域图像；
对所述分布式图像数据进行图像预处理；
对当前图像进行特征点提取，并对错误匹配特征点对做剔除；
对当前图像进行捆绑调整，将全局捆绑调整与回路检测法相结合，通过比较最小回路生成的变换关系与连接边变换关系的误差，以消除累积误差；
采用融合算法对当前拼接后的图像进行融合处理，以完成对所述分布式图像数据的拼接。
2.根据权利要求1所述的面向分布式光电的图像拼接方法，其特征在于，
所述图像预处理包括去噪预处理以及增强预处理，其中所述去噪预处理包括均值滤波去噪、高斯滤波去噪、中值滤波去噪；所述增强预处理包括直方图均衡、灰度校正及变换、自适应分割直方图增强。
3.根据权利要求1所述的面向分布式光电的图像拼接方法，其特征在于，所述对当前图像进行特征点提取，并对错误匹配特征点对做剔除，包括：
利用配置的SIFT算法对当前图像进行特征点提取，利用配置的随机抽样一致性算法对错误匹配特征点对做剔除。
4.根据权利要求3所述的面向分布式光电的图像拼接方法，其特征在于，所述特征提取还包括：利用SURF、ORB算法对当前图像进行特征点提取。
5.根据权利要求1所述的面向分布式光电的图像拼接方法，其特征在于，所述融合算法包括：权平均融合、羽化式融合。
6.根据权利要求1所述的面向分布式光电的图像拼接方法，其特征在于，所述对当前图像进行特征点提取，并对错误匹配特征点对做剔除的步骤之后，所述方法还包括：当存在错误的特征点对，对异常特征点做提纯处理。
7.根据权利要求1至6中任一项所述的面向分布式光电的图像拼接方法，其特征在于，所述方法基于的处理平台包括：CPU、GPU、QtDesigner、PySide2、PyCharm。
8.一种面向分布式光电的图像拼接装置，其特征在于，包括：
获取单元，被配置为获取分布式图像数据，其中，所述分布式图像数据是利用至少两个图像获取装置分别从不同位置条件下获取到的待拼接区域图像；
机载图像预处理单元，被配置为对所述分布式图像数据进行图像预处理；
特征点提取单元，被配置为对当前图像进行特征点提取，并对错误匹配特征点对做剔除；
捆绑调整单元，被配置为对当前图像进行捆绑调整，将全局捆绑调整与回路检测法相结合，通过比较最小回路生成的变换关系与连接边变换关系的误差，以消除累积误差；
拼接融合单元，被配置为采用融合算法对当前拼接后的图像进行融合处理，以完成对所述分布式图像数据的拼接。
9.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的面向分布式光电的图像拼接方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的面向分布式光电的图像拼接方法的步骤。
CN202310529250.3A 2023-05-11 2023-05-11 一种面向分布式光电的图像拼接方法及装置 Pending CN116883235A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310529250.3A CN116883235A (zh) 2023-05-11 2023-05-11 一种面向分布式光电的图像拼接方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310529250.3A CN116883235A (zh) 2023-05-11 2023-05-11 一种面向分布式光电的图像拼接方法及装置

Publications (1)

Publication Number Publication Date
CN116883235A true CN116883235A (zh) 2023-10-13

Family

ID=88264984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310529250.3A Pending CN116883235A (zh) 2023-05-11 2023-05-11 一种面向分布式光电的图像拼接方法及装置

Country Status (1)

Country Link
CN (1) CN116883235A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541764A (zh) * 2024-01-09 2024-02-09 北京大学 一种图像拼接方法、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541764A (zh) * 2024-01-09 2024-02-09 北京大学 一种图像拼接方法、电子设备及存储介质
CN117541764B (zh) * 2024-01-09 2024-04-05 北京大学 一种图像拼接方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110827200B (zh) 一种图像超分重建方法、图像超分重建装置及移动终端
CN111145238B (zh) 单目内窥镜图像的三维重建方法、装置及终端设备
CN111062905B (zh) 一种基于显著图增强的红外和可见光融合方法
US11281897B2 (en) Gesture shaking recognition method and apparatus, and gesture recognition method
CN106875419B (zh) 基于ncc匹配帧差的弱小动目标跟踪丢失重检方法
Tang et al. Single image dehazing via lightweight multi-scale networks
CN111510691B (zh) 颜色插值方法及装置、设备、存储介质
CN110503620B (zh) 一种基于傅立叶频谱提取的图像融合方法
CN108961163A (zh) 一种高分辨率卫星影像超分辨重建方法
CN111553841B (zh) 一种基于最佳缝合线更新的实时视频拼接方法
CN103841298A (zh) 一种基于颜色恒量和几何不变特征的视频稳像方法
Huang et al. Removing reflection from a single image with ghosting effect
CN116883235A (zh) 一种面向分布式光电的图像拼接方法及装置
CN112907493A (zh) 无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法
CN107705295B (zh) 一种基于稳健主成分分析法的图像差异检测方法
CN109636731A (zh) 一种图像拖影的消除方法、电子设备及存储介质
Zhou et al. Mesoscopic photogrammetry with an unstabilized phone camera
CN105069764B (zh) 一种基于边缘跟踪的图像去噪方法及***
CN109615584B (zh) 一种基于单应性约束的sar图像序列map超分辨率重建方法
WO2013011797A1 (ja) 劣化復元システム、劣化復元方法およびプログラム
CN111008555B (zh) 一种无人机图像弱小目标增强提取方法
Qu et al. Joint regularization and low-rank fusion for atmospheric turbulence removal
He et al. Reflection Intensity Guided Single Image Reflection Removal and Transmission Recovery
CN112927166A (zh) 一种基于相位修正的红外偏振角图像联合降噪方法及装置
Wang et al. Depth map restoration and upsampling for kinect v2 based on ir-depth consistency and joint adaptive kernel regression

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