CN117544862A - 一种基于图像矩并行处理的图像拼接方法 - Google Patents
一种基于图像矩并行处理的图像拼接方法 Download PDFInfo
- Publication number
- CN117544862A CN117544862A CN202410029459.8A CN202410029459A CN117544862A CN 117544862 A CN117544862 A CN 117544862A CN 202410029459 A CN202410029459 A CN 202410029459A CN 117544862 A CN117544862 A CN 117544862A
- Authority
- CN
- China
- Prior art keywords
- image
- moment
- camera
- preset
- parallel processing
- 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 37
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- PUAQLLVFLMYYJJ-UHFFFAOYSA-N 2-aminopropiophenone Chemical compound CC(N)C(=O)C1=CC=CC=C1 PUAQLLVFLMYYJJ-UHFFFAOYSA-N 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001454 recorded image Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/95—Computational photography systems, e.g. light-field imaging systems
- H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/387—Composing, repositioning or otherwise geometrically modifying originals
- H04N1/3876—Recombination of partial images to recreate the original image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/265—Mixing
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一般的图像数据处理或产生技术领域,特别是涉及一种基于图像矩并行处理的图像拼接方法。所述方法包括以下步骤:S100,获取第一图像的初始重叠区域图像P1,0,所述第一图像为第一相机在目标时刻采集得到的图像;S200,获取第二图像的初始重叠区域图像P2,0,所述第二图像为第二相机在目标时刻采集得到的图像;S300,获取P1,0的k‑l阶图像矩m0 1,kl 和P2,0的k‑l图像矩m0 2,kl ;S400,如果|m0 1,kl ‑m0 2,kl |≤ε0,则将P1,0和P2,0确定为第一图像和第二图像的重叠区域并进行第一图像和第二图像的图像拼接。本发明能够提高图像拼接结果的质量。
Description
技术领域
本发明涉及一般的图像数据处理或产生技术领域,特别是涉及一种基于图像矩并行处理的图像拼接方法。
背景技术
阵列相机包括若干按照预设方式排列的相机,任意两个相邻的相机之间的采集区域存在重叠,通过将阵列相机在目标时刻采集的图像进行拼接的方式可以得到一个较大视野的图像。对于阵列相机的任意两个相邻的相机而言,比如第一相机和第二相机,以第一相机在目标时刻拍摄的第一图像和第二相机在目标时刻拍摄的第二图像的真实重叠区域为基础,利用图像拼接方法可以实现对第一图像和第二图像的拼接。但是,如何提高获取的重叠区域的准确性,进而提高图像拼接结果的质量,是亟待解决的问题。
发明内容
本发明目的在于,提供一种基于图像矩并行处理的图像拼接方法,能够提高获取的重叠区域的准确性,进而提高图像拼接结果的质量。
根据本发明,提供了一种基于图像矩并行处理的图像拼接方法,包括以下步骤:
S100,获取第一图像的初始重叠区域图像P1,0,所述第一图像为第一相机在目标时刻采集得到的图像。
S200,获取第二图像的初始重叠区域图像P2,0,所述第二图像为第二相机在目标时刻采集得到的图像,所述第一相机和第二相机为阵列相机中的两个相邻的相机;所述第一图像的初始重叠区域为第一图像中靠近第二相机侧且包括a0列像素点的区域;所述第二图像的初始重叠区域为第二图像中靠近第一相机侧且包括a0列像素点的区域;a0为预设的初始重叠像素点列数。
S300,获取P1,0的k-l阶图像矩m0 1,kl 和P2,0的k-l图像矩m0 2,kl ;k为预设的图像矩阶数,l为预设的垂直矩阶数。
S400,如果|m0 1,kl -m0 2,kl |≤ε0,则将P1,0和P2,0确定为第一图像和第二图像的重叠区域并进行第一图像和第二图像的图像拼接;ε0为预设的图像矩差异阈值。
本发明与现有技术相比,其至少具有以下有益效果:
本发明获取了第一图像的初始重叠区域图像P1,0和第二图像的初始重叠区域图像P2,0,该初始重叠区域是以预设的初始重叠像素点列数a0为基础获取的重叠区域,为了判断该初始重叠区域是否为第一图像和第二图像的重叠区域,本发明分别获取了P1,0和P2,0的k-l阶图像矩,如果P1,0和P2,0的k-l阶图像矩的差异小于等于预设的图像矩差异阈值,则判定上述初始重叠区域为第一图像和第二图像的重叠区域,并以此初始重叠区域为基础进行第一图像和第二图像的图像拼接。本发明在对第一图像和第二图像进行拼接之前对初始重叠区域是否为第一图像和第二图像的重叠区域进行了判断,提高了获取的重叠区域的准确性,只有在初始重叠区域调整为第一图像和第二图像的重叠区域的情况下才进行第一图像和第二图像的图像拼接,可以避免由于将非重叠区域作为重叠区域导致的图像拼接质量较低的问题,提高了获取的图像拼接结果的质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于图像矩并行处理的图像拼接方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明,提供了一种基于图像矩并行处理的图像拼接方法,如图1所示,包括以下步骤:
S100,获取第一图像的初始重叠区域图像P1,0,所述第一图像为第一相机在目标时刻采集得到的图像。
S200,获取第二图像的初始重叠区域图像P2,0,所述第二图像为第二相机在目标时刻采集得到的图像,所述第一相机和第二相机为阵列相机中的两个相邻的相机;所述第一图像的初始重叠区域为第一图像中靠近第二相机侧且包括a0列像素点的区域;所述第二图像的初始重叠区域为第二图像中靠近第一相机侧且包括a0列像素点的区域;a0为预设的初始重叠像素点列数。
本实施例中,第一相机和第二相机是沿水平方向并列的两个相邻的相机,以图像的左下角的像素点为原点,以水平向右的方向为x轴正方向,以垂直x轴且向上的方向为y轴正方向,如果第二相机位于第一相机的右侧,那么第一相机拍摄的图像中x坐标最大的若干列像素点为与第二相机拍摄的图像重叠的像素点,第二相机拍摄的图像中x坐标最小的若干列像素点为与第一相机拍摄的图像重叠的像素点。
可选的,a0为经验值。
S300,获取P1,0的k-l阶图像矩m0 1,kl 和P2,0的k-l图像矩m0 2,kl ;k为预设的图像矩阶数,l为预设的垂直矩阶数。
可选的,在获取P1,0的k-l阶图像矩m0 1,kl 和P2,0的k-l图像矩m0 2,kl 之前先对P1,0和P2,0进行预处理,然后获取进行预处理后的P1,0的k-l阶图像矩m0 1,kl 和进行预处理后的P2,0的k-l图像矩m0 2,kl 。可选的,预处理包括去噪和灰度化等。
本实施例中,m0 1,kl =∑M1 i=1∑N1 j=1(ik×j l ×fij),m0 2,kl =∑M2 e=1∑N2 h=1(ek×h l ×feh),fij为P1,0的第i行的第j列的像素点的灰度值,i的取值范围为1到M1,M1为P1,0的像素点行数,j的取值范围为1到N1,N1为P1,0的像素点列数;feh为P2,0的第e行的第h列的像素点的灰度值,e的取值范围为1到M2,M2为P2,0的像素点行数,h的取值范围为1到N2,N2为P2,0的像素点列数。本实施例中,M1=M2,N1=N2=a0。
本实施例中,使用并行处理的方法获取m0 1,kl 和m0 2,kl ,即使用多个计算单元并行计算以获取m0 1,kl 和m0 2,kl ,进而提高获取m0 1,kl 和m0 2,kl 的效率。
本实施例中,m0 1,kl =∑M1 i=1∑N1 j=1(ik×j l ×fij)=∑M i=1(ik×sil (j)),sil (j)=∑N j=1(j l ×fij);当l=0时,si0(j)=si0(j-1)+fij;当l=1时,si1(j)=si1(j-1)+si0(j);当l=2时,si2(j)=si2(j-1)+si1(j)+si1(j-1);当l=3时,si3(j)=si3(j-1)+si2(j-1)+2si2(j)-si1(j);当l>3时,
,
例如,当l=4时,si4(j)=si4(j-1)+4si3(j-1)+3si2(j-1)+3si2(j)-2si1(j)。本实施例先获取垂直矩,在获取了垂直矩的基础上再获取图像矩,其中在获取垂直矩的过程中只需进行加法操作,无需进行乘法操作,减小了算法复杂度。
优选的,l和k的获取过程包括:
S310,获取P1,0中预设类型的目标的数量qua1,0。
本实施例中预设类型的目标是用户较为关注的目标,可选的,预设类型的目标为人和车辆。
本领域技术人员知悉,现有技术中任何的检测图像中预设类型目标的方法均落入本发明的保护范围。
S320,获取P1,0中预设类型的目标的像素点的占比β1,0。
本实施例中,β1,0为P1,0中所有类型为预设类型的目标的像素点的总数量与P1,0的像素点数量num1,0之比。
S330,获取第一相机的采样频率f1。
本实施例中,第二相机的采样频率和第一相机的采样频率相同。
S340,获取P1,0中像素点的数量num1,0。
S350,根据qua1,0、β1,0、f1和num1,0确定l和k,l和k均与qua1,0正相关,l和k均与β1,0正相关,l和k均与f1负相关,l和k均与num1,0负相关。
本实施例中,l和k均与qua1,0和β1,0正相关,l和k均与f1和num1,0负相关,能够在第一图像和第二图像的初始重叠区域包括的预设类型的目标的数量较多且占比较大时增大l和k的取值,以增加垂直矩和图像矩度量图像的准确性;在第一相机的采样频率较大且初始重叠区域的像素点数量较多时减小l和k的取值,以减少获取垂直矩和图像矩过程中的计算开销;由此,该l和k兼顾了第一图像和第二图像的重要程度和获取k-l阶图像矩的计算开销。
优选的,S350包括:
S351,获取第一目标值v1,v1=r1×qua’1,0+r2×β’1,0-r3×f’1-r4×num’1,0,r1+r2+r3+r4=1,r1、r2、r3和r4分别为预设类型目标的数量、预设类型目标的像素点的占比、第一相机的采样频率和像素点数量对应的权重,qua’1,0、β’1,0、f’1和num’1,0分别为对qua1,0、β1,0、f1和num1,0进行归一化处理后的值。
本实施例中,r1、r2、r3和r4根据用户需求预先设定,可选的,r1=r2=r3=r4=0.25。
本领域技术人员知悉,现有技术中任何的归一化算法都落入本发明的保护范围。
S352,将v1在预设的关联表中进行匹配;所述预设的关联表包括若干第一条目,每一第一条目中记录有一个目标值范围、一个与目标值范围对应的垂直矩阶数和一个与目标值范围对应的图像矩阶数;任意两个第一条目记录的目标值范围之间不存在重叠。
S353,如果v1属于第一关联表中某个第一条目记录的目标值范围,则将该第一条目记录的垂直矩阶数确定为l,将该第一条目记录的图像矩阶数确定为k。
本实施例中,一个第一条目记录的目标值范围、垂直矩阶数和图像矩阶数之间具有对应关系,当v1属于关联表的第x个第一条目记录的目标值范围时,将关联表的第x个第一条目记录的垂直矩阶数和图像矩阶数分别作为l和k。
基于S351-S353,本实施例可以为P1,0和P2,0确定一个较为匹配的垂直矩阶数和图像矩阶数,兼顾了图像的重要程度和计算开销。
S400,如果|m0 1,kl -m0 2,kl |≤ε0,则将P1,0和P2,0确定为第一图像和第二图像的重叠区域并进行第一图像和第二图像的图像拼接;ε0为预设的图像矩差异阈值。
本实施例中,ε0为经验值。
作为一种具体实施方式,将P1,0和P2,0确定为第一图像和第二图像的重叠区域并进行第一图像和第二图像的图像拼接包括:
S410,获取P1,0的特征点集合F1,0和P2,0的特征点集合F2,0。
本领域技术人员知悉,现有技术中任何的特征点获取的方法均落入本发明的保护范围。
S420,对F1,0和F2,0进行特征点匹配,得到若干特征点对。
本领域技术人员知悉,现有技术中任何的特征匹配的方法均落入本发明的保护范围。
S430,根据所述若干特征点对进行第一图像和第二图像的图像拼接。
本领域技术人员知悉,现有技术中任何的基于特征点对进行图像拼接的方法均落入本发明的保护范围。
基于上述S410-S430,本实施例获取了P1,0中的特征点和P2,0中的特征点,由于P1,0和P2,0均为第一图像和第二图像的重叠区域图像,因此第一图像和第二图像中除重叠区域以外的特征点不会干扰S420中的特征点匹配的过程,使得S420中获取的特征点对的准确性更高,进而提高了最终得到的拼接结果的质量。
本实施例获取了第一图像的初始重叠区域图像P1,0和第二图像的初始重叠区域图像P2,0,该初始重叠区域是以预设的初始重叠像素点列数a0为基础获取的重叠区域,为了判断该初始重叠区域是否为第一图像和第二图像的重叠区域,本实施例分别获取了P1,0和P2,0的k-l阶图像矩,如果P1,0和P2,0的k-l阶图像矩的差异小于等于预设的图像矩差异阈值,则判定上述初始重叠区域为第一图像和第二图像的重叠区域,并以此初始重叠区域为基础进行第一图像和第二图像的图像拼接。本实施例在对第一图像和第二图像进行拼接之前对初始重叠区域是否为第一图像和第二图像的重叠区域进行了判断,只有在初始重叠区域调整为第一图像和第二图像的重叠区域的情况下才进行第一图像和第二图像的图像拼接,可以避免由于将非重叠区域作为重叠区域导致的图像拼接质量较低的问题,提高了获取的图像拼接结果的质量。
本实施例中,S400还包括:如果|m0 1,kl -m0 2,kl |>ε0,则进入S500。
S500,初始化第一变量b为1。
S600,获取P1,b的k-l阶图像矩mb 1,kl 和P2,b的k-l图像矩mb 2,kl ;P1,b为第一图像的第b更新重叠区域图像,第一图像的第b更新重叠区域为第一图像中靠近第二相机侧且包括a0-b×Δa列像素点的区域,Δa为预设的列数步长;P2,b为第二图像的第b更新重叠区域图像,第二图像的第b更新重叠区域为第二图像中靠近第一相机侧且包括a0-b×Δa列像素点的区域。
可选的,Δa为经验值。例如,Δa=1或2或5或10。
优选的,Δa的获取方法包括:
S610,获取预设的第一表格d,d=(d1,d2,…,dc,…,dw),dc为d包括的第c个条目,dc=(dc,1,dc,2,dc,3,kc,l c,Δac),dc,1为dc记录的像素点列数范围,dc,2为dc记录的像素点行数范围,dc,3为dc记录的图像矩差异范围,kc为dc记录的图像矩阶数范围,l c为dc记录的垂直矩阶数范围,Δac为dc记录的与dc,1、dc,2、dc,3、kc和l c匹配的步长,c的取值范围为1到w,w为d包括的条目的数量。
本实施例中,可基于经验预先构建d,其中Δac是在重叠区域包括的像素点列数属于dc,1、重叠区域包括的像素点行数属于dc,2、图像矩差异大小属于dc,3、图像矩阶数属于kc和垂直矩阶数属于l c的情况下兼顾重叠区域的大小和S600的重复次数的优选步长。
S620,将(a0,M1,|m0 1,kl -m0 2,kl |,k,l)在d中进行匹配,如果a0∈dc,1、M1∈dc,2、|m0 1,kl -m0 2,kl |∈dc,3、k∈kc、l∈l c,则将Δa确定为Δac。
基于S610-S620,本实施例通过预先构建第一表格的方式,在已知重叠区域包括的像素点列数、行数、图像矩差异大小、图像矩阶数和垂直矩阶数的情况下,可以确定较为匹配的步长,该较为匹配的步长兼顾了最终得到的重叠区域的大小和S600的重复次数,该较为匹配的步长为优选值,对应的是相对较大的重叠区域和相对较少的重叠次数。
S700,如果|mb 1,kl -mb 2,kl |≤ε0,则将P1,b和P2,b确定为第一图像和第二图像的重叠区域并进行第一图像和第二图像的图像拼接;如果|mb 1,kl -mb 2,kl |>ε0,则更新b=b+1,重复S600,直至|mb 1,kl -mb 2,kl |≤ε0,将P1,b和P2,b确定为第一图像和第二图像的重叠区域并进行第一图像和第二图像的图像拼接。
基于上述S500-S700,本实施例在|mb 1,kl -mb 2,kl |>ε0的情况下以Δa为步长不断缩小重叠区域对应的像素点列数,直至|mb 1,kl -mb 2,kl |≤ε0,由此,本实施例得到了包含像素点列数相对较多且真实的重叠区域,有利于提高对第一图像和第二图像进行拼接的结果的质量。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。
Claims (7)
1.一种基于图像矩并行处理的图像拼接方法,其特征在于,包括以下步骤:
S100,获取第一图像的初始重叠区域图像P1,0,所述第一图像为第一相机在目标时刻采集得到的图像;
S200,获取第二图像的初始重叠区域图像P2,0,所述第二图像为第二相机在目标时刻采集得到的图像,所述第一相机和第二相机为阵列相机中的两个相邻的相机;所述第一图像的初始重叠区域为第一图像中靠近第二相机侧且包括a0列像素点的区域;所述第二图像的初始重叠区域为第二图像中靠近第一相机侧且包括a0列像素点的区域;a0为预设的初始重叠像素点列数;
S300,获取P1,0的k-l阶图像矩m0 1,kl 和P2,0的k-l图像矩m0 2,kl ;k为预设的图像矩阶数,l为预设的垂直矩阶数;
S400,如果|m0 1,kl -m0 2,kl |≤ε0,则将P1,0和P2,0确定为第一图像和第二图像的重叠区域并进行第一图像和第二图像的图像拼接;ε0为预设的图像矩差异阈值。
2.根据权利要求1所述的基于图像矩并行处理的图像拼接方法,其特征在于,S400还包括:如果|m0 1,kl -m0 2,kl |>ε0,则进入S500;
S500,初始化第一变量b为1;
S600,获取P1,b的k-l阶图像矩mb 1,kl 和P2,b的k-l图像矩mb 2,kl ;P1,b为第一图像的第b更新重叠区域图像,第一图像的第b更新重叠区域为第一图像中靠近第二相机侧且包括a0-b×Δa列像素点的区域,Δa为预设的列数步长;P2,b为第二图像的第b更新重叠区域图像,第二图像的第b更新重叠区域为第二图像中靠近第一相机侧且包括a0-b×Δa列像素点的区域;
S700,如果|mb 1,kl -mb 2,kl |≤ε0,则将P1,b和P2,b确定为第一图像和第二图像的重叠区域并进行第一图像和第二图像的图像拼接;如果|mb 1,kl -mb 2,kl |>ε0,则更新b=b+1,重复S600,直至|mb 1,kl -mb 2,kl |≤ε0,将P1,b和P2,b确定为第一图像和第二图像的重叠区域并进行第一图像和第二图像的图像拼接。
3.根据权利要求1所述的基于图像矩并行处理的图像拼接方法,其特征在于,m0 1,kl =∑M1 i=1∑N1 j=1(ik×j l ×fij),m0 2,kl =∑M2 e=1∑N2 h=1(ek×h l ×feh),fij为P1,0的第i行的第j列的像素点的灰度值,i的取值范围为1到M1,M1为P1,0的像素点行数,j的取值范围为1到N1,N1为P1,0的像素点列数;feh为P2,0的第e行的第h列的像素点的灰度值,e的取值范围为1到M2,M2为P2,0的像素点行数,h的取值范围为1到N2,N2为P2,0的像素点列数;M1=M2,N1=N2=a0。
4.根据权利要求1所述的基于图像矩并行处理的图像拼接方法,其特征在于,l和k的获取过程包括:
S310,获取P1,0中预设类型的目标的数量qua1,0;
S320,获取P1,0中预设类型的目标的像素点的占比β1,0;
S330,获取第一相机的采样频率f1;
S340,获取P1,0中像素点的数量num1,0;
S350,根据qua1,0、β1,0、f1和num1,0确定l和k,l和k均与qua1,0正相关,l和k均与β1,0正相关,l和k均与f1负相关,l和k均与num1,0负相关。
5.根据权利要求4所述的基于图像矩并行处理的图像拼接方法,其特征在于,S350包括:
S351,获取第一目标值v1,v1=r1×qua’1,0+r2×β’1,0-r3×f’1-r4×num’1,0,r1+r2+r3+r4=1,r1、r2、r3和r4分别为预设类型目标的数量、预设类型目标的像素点的占比、第一相机的采样频率和像素点数量对应的权重,qua’1,0、β’1,0、f’1和num’1,0分别为对qua1,0、β1,0、f1和num1,0进行归一化处理后的值;
S352,将v1在预设的关联表中进行匹配;所述预设的关联表包括若干第一条目,每一第一条目中记录有一个目标值范围、一个与目标值范围对应的垂直矩阶数和一个与目标值范围对应的图像矩阶数;任意两个第一条目记录的目标值范围之间不存在重叠;
S353,如果v1属于第一关联表中某个第一条目记录的目标值范围,则将该第一条目记录的垂直矩阶数确定为l,将该第一条目记录的图像矩阶数确定为k。
6.根据权利要求4所述的基于图像矩并行处理的图像拼接方法,其特征在于,所述预设类型的目标包括人和车辆。
7.根据权利要求1所述的基于图像矩并行处理的图像拼接方法,其特征在于,使用并行处理的方法获取m0 1,kl 和m0 2,kl 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029459.8A CN117544862B (zh) | 2024-01-09 | 2024-01-09 | 一种基于图像矩并行处理的图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029459.8A CN117544862B (zh) | 2024-01-09 | 2024-01-09 | 一种基于图像矩并行处理的图像拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117544862A true CN117544862A (zh) | 2024-02-09 |
CN117544862B CN117544862B (zh) | 2024-03-29 |
Family
ID=89784641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410029459.8A Active CN117544862B (zh) | 2024-01-09 | 2024-01-09 | 一种基于图像矩并行处理的图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117544862B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101106716A (zh) * | 2007-08-21 | 2008-01-16 | 北京大学软件与微电子学院 | 一种分水岭图象分割处理方法 |
CN103279939A (zh) * | 2013-04-27 | 2013-09-04 | 北京工业大学 | 一种图像拼接处理*** |
US20150071534A1 (en) * | 2013-09-06 | 2015-03-12 | Application Solutions (Electronics and Vision) Ltd. | System, Device and Method for Displaying a Harmonized Combined Image |
US20160142644A1 (en) * | 2014-11-17 | 2016-05-19 | Industrial Technology Research Institute | Surveillance systems and image processing methods thereof |
US20160286137A1 (en) * | 2013-09-16 | 2016-09-29 | Duke University | Method for combining multiple image fields |
CN113902657A (zh) * | 2021-08-26 | 2022-01-07 | 北京旷视科技有限公司 | 图像拼接方法、装置和电子设备 |
CN115456869A (zh) * | 2021-06-08 | 2022-12-09 | 杭州海康威视数字技术股份有限公司 | 一种图像拼接方法、装置及电子设备 |
US20220417403A1 (en) * | 2021-06-28 | 2022-12-29 | nearmap australia pty ltd. | Hyper camera with shared mirror |
WO2023011013A1 (zh) * | 2021-08-04 | 2023-02-09 | 北京旷视科技有限公司 | 视频图像的拼缝搜索方法、视频图像的拼接方法和装置 |
CN116760937A (zh) * | 2023-08-17 | 2023-09-15 | 广东省科技基础条件平台中心 | 一种基于多机位的视频拼接方法、装置、设备及存储介质 |
CN117114997A (zh) * | 2023-10-23 | 2023-11-24 | 四川新视创伟超高清科技有限公司 | 基于缝合线搜索算法的图像拼接方法及装置 |
-
2024
- 2024-01-09 CN CN202410029459.8A patent/CN117544862B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101106716A (zh) * | 2007-08-21 | 2008-01-16 | 北京大学软件与微电子学院 | 一种分水岭图象分割处理方法 |
CN103279939A (zh) * | 2013-04-27 | 2013-09-04 | 北京工业大学 | 一种图像拼接处理*** |
US20150071534A1 (en) * | 2013-09-06 | 2015-03-12 | Application Solutions (Electronics and Vision) Ltd. | System, Device and Method for Displaying a Harmonized Combined Image |
US20160286137A1 (en) * | 2013-09-16 | 2016-09-29 | Duke University | Method for combining multiple image fields |
US20160142644A1 (en) * | 2014-11-17 | 2016-05-19 | Industrial Technology Research Institute | Surveillance systems and image processing methods thereof |
CN115456869A (zh) * | 2021-06-08 | 2022-12-09 | 杭州海康威视数字技术股份有限公司 | 一种图像拼接方法、装置及电子设备 |
US20220417403A1 (en) * | 2021-06-28 | 2022-12-29 | nearmap australia pty ltd. | Hyper camera with shared mirror |
WO2023011013A1 (zh) * | 2021-08-04 | 2023-02-09 | 北京旷视科技有限公司 | 视频图像的拼缝搜索方法、视频图像的拼接方法和装置 |
CN113902657A (zh) * | 2021-08-26 | 2022-01-07 | 北京旷视科技有限公司 | 图像拼接方法、装置和电子设备 |
CN116760937A (zh) * | 2023-08-17 | 2023-09-15 | 广东省科技基础条件平台中心 | 一种基于多机位的视频拼接方法、装置、设备及存储介质 |
CN117114997A (zh) * | 2023-10-23 | 2023-11-24 | 四川新视创伟超高清科技有限公司 | 基于缝合线搜索算法的图像拼接方法及装置 |
Non-Patent Citations (4)
Title |
---|
FANG, D等: "The Algorithm of Fast Image Stitching Based on Multi-feature Extraction", 6TH INTERNATIONAL CONFERENCE ON COMPUTER-AIDED DESIGN, MANUFACTURING, MODELING AND SIMULATION (CDMMS), 13 July 2018 (2018-07-13) * |
丁晓娜;李静;雷鸣;: "基于相机平移模式下的图像拼接技术研究", 电子设计工程, no. 11, 5 November 2009 (2009-11-05) * |
曹昕妍等: "基于深度学习的汉字识别方法研究综述", 微纳电子与智能制造, 30 September 2020 (2020-09-30) * |
王小龙等: "基于透视失真矫正的道路航拍图像拼接方法", 施工技术(中英文), vol. 52, no. 24, 1 December 2023 (2023-12-01), pages 2 * |
Also Published As
Publication number | Publication date |
---|---|
CN117544862B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A new haze removal approach for sky/river alike scenes based on external and internal clues | |
US8929676B2 (en) | Blurring based content recognizer | |
US20080199044A1 (en) | Image Processing Apparatus, Image Processing Method, and Program | |
CN111401324A (zh) | 图像质量评估方法、装置、存储介质及电子设备 | |
CN110176023B (zh) | 一种基于金字塔结构的光流估计方法 | |
CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和*** | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
US9064309B2 (en) | Automatic rectification of distortions in images | |
CN108171735B (zh) | 基于深度学习的十亿像素视频对齐方法及*** | |
CN109685772B (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
Ding et al. | Locally adaptive structure and texture similarity for image quality assessment | |
CN115131218A (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
CN112559791A (zh) | 一种基于深度学习的布匹分类检索方法 | |
CN113392241B (zh) | 测井图像清晰度的识别方法、装置、介质及电子设备 | |
CN113935917A (zh) | 一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法 | |
CN117544862B (zh) | 一种基于图像矩并行处理的图像拼接方法 | |
CN110717913B (zh) | 一种图像分割方法及装置 | |
CN116681742A (zh) | 基于图神经网络的可见光与红外热成像图像配准方法 | |
CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
Ling et al. | Gans-nqm: A generative adversarial networks based no reference quality assessment metric for rgb-d synthesized views | |
Park et al. | Multiple transformation function estimation for image enhancement | |
Khan et al. | Evaluating quantitative metrics of tone-mapped images | |
CN115131065A (zh) | 一种基于计算机视觉的短视频沉浸式广告推广方法及*** | |
Sang et al. | MoNET: no-reference image quality assessment based on a multi-depth output network | |
CN112529081A (zh) | 基于高效注意力校准的实时语义分割方法 |
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 |